基于免疫多Agent技术的煤矿综合能耗B/S动态监控方法

罗 伟

(国家能源集团神东煤炭集团有限责任公司，陕西 神木 719315)

煤炭在我国能源体系中占据主体地位，煤炭企业作为能源行业的重要组成部分，在生产能源的同时也会消耗能源[1-3]。为有效管理能源消耗问题，在煤矿中建设能耗管理系统，可实时对煤矿的整体运行进行监测。为实时监测煤矿的运行情况，需要设计一个有效的监测方法，许多科研人员开展了监测方法的研究，并取得了一定的研究成果。如文献[4]选择无线动态监测传感器设计了一个监控系统，针对于煤矿开采深度、空间以及强度进行分析，有效防范了煤矿的冲击地压事故。该系统主要通过无线动态监测传感器进行数据采集，在不同的监测节点中获取多种类型数据，对不同的岩层应力进行实时监测，可以实时掌握煤矿的动态变化规律，以此实现了煤矿中不同应力参数的监测。但由于传感器在数据传输过程中，会受到多种因素影响，导致在数据传输过程中会同时带有干扰信号，增加了测量难度。文献[5]对现有的远程监测系统进行改造，提高了煤矿系统的稳定性和安全性。该改造方法主要是利用综合监测设备，在共同的组网中进行连接，增加了数据信息传递的可靠性，可以实现越级监测和远程控制。

为更加有效地对煤矿中的数据进行检测，本文以免疫多Agent技术为研究基础，重新设计一个新的动态监测方法。通过合理划分设备类型并配置可编程控制器，实现对不同设备的监测与控制。采用极大似然估计法构建线性方程，在多个未知节点中确定各组设备的监测节点位置，能够准确且有效地确定监测节点，确保数据采集的精确性和全面性。以多种通信协议部署B/S监测架构，在三层网络结构下实现数据的采集和传输，保证能耗设备运行数据的及时采集和准确传输，并为后续的数据分析和决策提供支持。通过基于免疫多Agent技术的学习模型，对接收到的数据信息进行分析和推理，实现对煤矿综合能耗的动态监测，提高能耗设备动态监测的准确性和效率。

1 分站控制原理划分煤矿能源消耗设备类型

为了全面解决动能问题，煤矿企业对煤矿内的动能能耗产生设备进行有效管理[6-8]，以动态监测为应用前提，采用分站控制原理对煤矿内的能源消耗设备类型进行划分。此次选定煤矿内的空压机房、水站以及皮带机和绞车为监测对象，分别应用自动控制理论和计算机技术对上述仪器进行连接，具体组成原理见图1。

如图1所示，针对不同的能耗设备，对应有各自的传感器，分别对各组设备的传感器进行分类。其中皮带机与绞车设备会产生较大电能，采用温度传感器；空压机的功率变化较大，采用压力和温度两种传感器；水站运行时会产生较大水压，因此采用压力传感器。

整体监测结构以调度主机为集中管理中心，可以随时查看煤矿内的电能和风能以及水能的运行情况，并在传感器的作用下，将数据传入至显示器[9-11]。在对应的设备中以分站控制原理独立监控各组设备，将现场设备形成的数据转化为光纤信号，能够通过以太网进行数据交换。具体模式见图2。

图2 基于分站控制连接煤矿耗能设备

根据图2内容所示，以分站控制为煤矿设备的监测核心，在不同的控制器下连接产生能耗的设备，对其电能数据和功率数据进行接收，并各自分配有对应的多路串口器。由于此次选择以太网结构交换数据，直接通过以太网接口连接传感器，在光纤收发器的作用下，将分站中的设备信息上传到网络。

2 极大似然估计法确定设备监测的节点位置

在划分完煤矿内的能源消耗设备类型后，针对不同的设备接入对应传感器，为准确获取设备产生的能耗信息，需要计算具体的监测节点位置[12-14]。本次选择极大似然估计法确定节点位置，假定存在有p个监测节点，表示为oy(iy，uy)，以保证在上述所有节点中存在合理的监测节点，根据距离公式计算得出：

(1)

式中：(i，u)为监测节点；(i1，u1)为第1个节点；(i2，u2)为第2个节点；(iy，uy)为第y个节点；(ip，up)为第p个节点。t为节点之间的距离。基于此，以线性矩阵表示最大似然估计矩阵为：

rw=e

(2)

(3)

(4)

(5)

公式3为线性方程组。r为标准差向量函数矩阵。w为监测节点坐标矩阵，表示设定的监测节点具体坐标。e为均方差函数矩阵。通过对假定的节点位置与其余位置的距离计算，在标准均方差估算下获取节点位置。在此基础上，以极大似然估计法中的三边测量获取具体监测节点的位置坐标：

(6)

式中：分别在监测节点周围设置另外三组节点，假定其余监测节点能够形成三边示意结构，三组节点分布为(iq，uq)、(ia，ua)、(is，us)，其距离监测节点(i，u)的距离分别为tq、ta、ts。该方法为最大似然估量法中的特殊案例，能够在三边确定的基础上固定出具体的监测位置，减少节点的设计误差。

3 通信协议部署B/S架构获取煤矿运行数据

为动态获取各组设备的运行数据，以多种通信协议部署B/S架构，全方位地统计设备能耗数据，如图3所示。

图3 煤矿运行设备B/S监测架构

根据图3内容所示，为实现煤矿内的运行设备耗能数据的全方位采集，将B/S监测架构设定为3层模式，分别为数据采集、数据传输以及数据处理层。根据该架构的组成模式，在多种通信协议的连接作用下，从计量终端对设备的运行数据进行采集，并可以实现数据的转发与分析[15]。分别对每个结构进行划分。

1)数据采集层与传输层：主要用来采集设备的运行数据，并对重点用能设备进行监控，需要实时采集其负荷和电压信息。该层级同时支持井下与地面的运行设备，不仅可以直接通过传感器获取设备信息，也能够从电表等计量终端采集数据。

2)数据处理层：该层的主要功能是处理采集到的数据，首先是对数据进行合理检查，是否存在缺失数据和异常数据；其次是对异常数据进行清洗以及对缺失数据进行补充；最后是对数据进行分类，按照对应的工序和班组实现分类保存。

3)数据分析展示层：将数据按照不同的工作班组进行统计，直接饼图和曲线图以及柱状图的展示，能够实现数据的同比和环比以及类比分析，为煤矿企业的能耗进行有效统计。

以三层B/S监测结构获取设备的运行数据，分别对皮带机、压力机以及水站系统的数据进行采集，并另外设置能耗指标，当数据超过限值时发出预警信号，实现设备的综合能耗动态监测。

4 免疫多Agent技术动态监控煤矿综合能耗

Agent技术可以通过感知环境做出相应的动作，并应用不同的知识对目标进行求解，具有交互性和交流协商性。因此，以免疫多Agent技术为基础构建慎思型模型，对煤矿内设备的综合能耗历史数据进行分析，设计一个监测限值，将其作为判断依据，实现不同机组在不同时段内的数据监测。具体模型见图4。

图4 基于免疫多Agent技术的慎思型模型结构

如图4所示，在该模型中具有感知器、推理器和规划器以及效应器，通过感知器对煤矿内的运行环境进行信息感知，再经由推理器和规划器进行分析、推理以及规划，整个过程需要在Agent知识库的支持进行，处理完毕后会形成指示命令，将其作为依据，通过效应器作用于煤矿设备运行环境之中，形成一个闭环。其学习过程如下：

(7)

式中：g(·)为多Agent技术模型的学习函数；β为学习的折扣因子；k(·)为收敛函数；g(h，j)为Agent在h状态下执行动作j获取的最优奖赏折扣和；l为动作集合。h″为执行结果；z(·)为更新函数。根据学习函数能够动态化规划交互过程，以此对煤矿内的运行设备进行增量式跟踪，设定其学习效率：

gz+1(h，j)=(1-j)gz(h，j)+j[βz+βmaxg(h″，j)]

(8)

式中：z为更新次数。在每次更新中对每一个Agent行为进行考察，在每一次学习过程中均可以保证为最佳状态。在执行完感知动作后，能够对学习值和结果进行观察和记录。将最大的结果作为判断指标，以此对采集到的数据进行对比，实现动态的监测。

5 试验测试分析

为验证新方法的应用效果，采用对比测试方法完成论证。分别采用基于无线传感器的动态监控方法和基于智能设备的监控方法作为对照组，验证不同方法的监控效果。

5.1 获取煤矿设备运行数据

为保证此次测试的真实性，以某省效益较好的煤矿企业作为测试对象，对其中运行的多组设备进行数据统计。设定采集间隔为1 h，分别采集皮带机、水站以及绞车的运行数据，以运行功率为测试数据，具体结果见表1。

表1 设备运行功率数据

此次对三组高耗能设备作为测试对象，分别对其一天内的运行功率进行采集，通过表1数据可知，水站的运行功率最大，而绞车的运行功率较低。为实现不同设备的能耗监控，分别将上述数据上传至MATLAB测试平台，并连接三组监控方法，验证不同方法的应用效果。

5.2 近距离设定下监控效果

将监控节点安置在较近距离，分别设置皮带机、水站以及绞车监测节点距离为30、50和80 m，结果如图5所示。

图5 监控结果

如图5所示，在本文方法应用下可以实现各组设备的近距离监控，且得到的数据与实际值相一致，而两组传统方法会产生一定误差，说明本文方法更加有效。

5.3 远距离设定下监控效果

上一组测试结果能够证明本文方法的近距离监控效果，为进一步验证本文方法的应用价值，以远距离监控为测试条件，分别将皮带机、水站以及绞车监测节点，设置在150、200、250 m处，结果见图6。

图6 监控结果

如图6所示，在远距离条件下对本文方法的监控结果影响较小，对两组传统方法的影响较大，会产生更大的数据误差，综合结果表明，本文方法更加有效。

6 结束语

能耗管理系统能够为煤炭企业的节能降耗提供重要决策，并促进企业的整体水平提升，在有效管理煤矿综合能耗的过程中，也能够有效落实国家绿色低碳发展理念，逐步实现能耗总量和强度的“双控”目标。本文以此为基础，通过Agent技术设计了新的监控方法，并在试验论证的基础上验证了新方法的有效性，具有现实应用价值。但由于此次时间有限，在研究中仍存在不足之处，如对缺失数据的插补过程没有详细说明，后续研究中会针对这一方面进行改进，为煤矿运行提供更具体的理论支持。