燃煤电厂全负荷NOx减排模型研究

发布时间：2020-07-21 13:21

【摘要】：火力发电目前仍然是我国主要的发电方式,燃烧过程中会产生大量的例如NOx、粉尘等污染性气体,不仅会严重的污染环境引起酸雨、pm2.5等,而且危害了人体的健康,随着国家相关政策的指定和人们环保意识的日益加强,减少NOx的排放势在必行。本文以某燃煤电厂660MW超超临界锅炉为研究对象,从低NOx燃烧和尾部脱硝两方面针对该机组在中高负荷和低负荷下的运行工况下进行NOx减排,以达到全负荷工况下的NOx低排放。针对中高负荷运行工况下,SCR设备正常运行,利用Python编程语言及Scikit-learn拓展库为工具,选取运行工况为550MW和660MW负荷下的运行数据为样本,分别采用梯度提升树、随机森林和支持向量机三种模型建立NOx排放预测模型,其中550MW负荷下梯度提升树预测模型测试集中的最大相对误差为3.16%,平均相对误差1.93%;随机森林预测模型测试集中的最大相对误差为3.40%,平均相对误差2.28%;支持向量机预测模型测试集中的最大相对误差为2.98%,平均相对误差2.17%,660MW负荷下梯度提升树预测模型测试集中的最大相对误差为2.62%,平均相对误差1.67%;随机森林预测模型测试集中的最大相对误差为2.23%,平均相对误差2.03%;支持向量机预测模型测试集中的最大相对误差为2.66%,平均相对误差1.94%。结果表明这三个模型都有较高的预测精度和较强的泛化性,综合预测精度和运行效率,最后选择支持向量机作为最终预测模型。在以支持向量机作为预测模型的基础上,借由粒子群算法对支持向量机模型的参数进行优化,优化后的参数取值C=14.3,gamma=0.0065,利用优化后的支持向量机测模型测试集中的最大相对误差为2.50%,平均相对误差1.78%,相比于优化前误差明显降低,表明使用粒子群算法对模型的参数进行优化能够提高预测模型的精确性,以优化后的支持向量机为基础,利用粒子群算法对NOx排放进行优化,结果表明优化后NOx排放下降,但锅炉热效率也随之降低,为保证在NOx排放降低的情况下锅炉的高效率燃烧,利用多目标粒子群算法对锅炉燃烧进行多目标优化,以NOx排放浓度和锅炉热效率为目标函数,得到由多组可行解组成的pareto解集,从解集中选择合适的解可以在降低NOx的排放前提下保证锅炉的热效率。当锅炉实际运行负荷过低时,SCR脱硝设备停运,此时若只采用上述优化算法对锅炉运行参数进行调整,对NOx排放浓度影响很小,针对这一实际工程问题,提出了对燃煤锅炉尾部烟道进行工程改造,SCR入口烟温提升到正常反应温度,SCR设备正常脱硝,对改造方案进行热力计算,计算结果表明在50%BMCR工况下,后省煤器调节烟气份额为0.5时,烟气温度提升到323℃;给水旁路给水份额为0.8左右时,烟气温度提升到322℃;后省煤器面积为总面积的0.3时,烟温提升到325℃,均达到SCR脱硝设备正常运行所需的320℃最低烟温,从而达到了低负荷下的NOx减排。
【学位授予单位】：南昌大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：X773;TP18
【图文】：

第 2 章 锅炉燃烧 NOx 预测模型的建立与分析学习器并行运行组成强学习器，以达到增强模型学习的能力。算法流程如图 2.5所示：从样本总集 S 中重采样抽取 n 个子集，通过训练这些子集我们可以得到多个决策树模型，结合这些决策树模型的预测结果得到最终预测结果。对于回归问题，采用平均法，即将所有的弱学习器的预测结果求平均值作为最终预测输出；对于分类问题，采用投票法，即根据所有的弱学习器的预测结果选择出总数最多的结果作为最终预测结果。

36图 3.1 粒子群算法优化流程图群算法具体流程如下：始化算法的相关参数包括：种群的大小、搜索的范围、算法习因子1c 和2c，粒子的速度上下限max max- v ,v ，初始化粒子群位置，粒子自身的最优解 pbest 及粒子群整体的最优解 gbes据目标函数设定适应度函数，对种群中各粒子的适应度进行粒子的个体最优解和全局最优解；据粒子的速度位置更新方程对粒子的位置和速度进行更新，初始化中设置的最大速度，则将当前速度设置为最大速度，始化中的最小速度，则将当前速度设置为最小速度。据设置的停止条件，若满足停止条件则获得最优解，若不满直至获得最优解。

图 3.2 粒子群算法优化 SVM 参数迭代曲线利用粒子群算法优化后的 C 和gamma再次建立 660MW 负荷下的支持向预测模型，优化后支持向量机模型 NOx 排放预测结果如图 3.3 所示，整体，训练集的模型预测结果与真实值偏差较小，说明该模型在训练集上的拟好，精度较高。测试集数据的预测结果与实际值的偏离程度也较小，说明型在测试集上的泛化性较强，即对新数据的预测能力比较好。如图 3.4 所示支持向量机参数优化前，训练集中的预测结果最大相对平均相对误差.80%，最小相对平均误差为 0.79%，平均相对误差为 1.69%；测试集中的最对误差为 2.98%，平均相对误差 2.17%；优化后，训练集中的预测结果最对平均相对误差为 2.49%，最小相对平均误差为 0.69%，平均相对误差.37%；测试集中的最大相对误差为 2.50%，平均相对误差 1.78%，表明使用后的支持向量机对 NOx 排放预测有着更高的精度。

【相似文献】

相关期刊论文 前10条

1 王文颖;最大相对误差陷井[J];统计研究;1999年09期

2 臧志清;用R-K方程计算液氨密度[J];福州大学学报(自然科学版);1988年04期

3 徐竹云,陈荣策;矿山空气幕的有效压力平衡原理及其应用[J];黄金;1988年01期

4 张有威;李子富;;浑水粘度计的研制和浑水粘度的测定[J];建筑技术通讯(给水排水);1989年04期

5 黄书泽;丁彪;邹凤平;花松鹤;;试验载荷对维氏硬度测试误差的影响[J];理化检验(物理分册);2014年02期

6 陈云，丁咏梅;关于如何降低稀释样品浓度最大相对误差问题的探讨[J];中国环境监测;1994年02期

7 张疆涌;马家欣;许飞云;贾民平;;基于遗传算法的最大相对误差最小化组合预测[J];扬州职业大学学报;2016年01期

8 高士祥;;关于衰减网络误差的定量分析[J];电子测量技术;1980年04期

9 薛大为;杨春兰;;基于虚拟仪器的淡水鱼阻抗测量系统[J];荆楚理工学院学报;2014年02期

10 ;大量镁存在下微量钙的测定[J];陕西师大学报(自然科学版);1976年01期

相关会议论文 前8条

1 陈玉;李树豪;甯红波;张其翼;李象远;;碳氢燃料耦合裂解反应的流动换热过程数值研究[A];中国化学会第30届学术年会摘要集-第四十六分会：燃烧化学[C];2016年

2 黄永华;陈国邦;李祥仪;;~3He气液饱和密度方程[A];第六届全国低温与制冷工程大会会议论文集[C];2003年

3 魏晓兵;范国梁;宋威;宋崇林;周维义;张仲荣;;醛、酮类腙衍生物校正因子的预测与测量[A];'2004天津市第十六届色谱学术交流会论文集[C];2004年

4 谢晨月;陶建军;Li J.;;黏性瑞利泰勒问题的线性稳定性理论与验证[A];中国力学大会-2015论文摘要集[C];2015年

5 谷悦;杜涛;李思洋;曾思思;房鑫;杨见博;;钢铁企业氧气系统的优化模型研究[A];第八届全国能源与热工学术年会论文集[C];2015年

6 陈玉;席双惠;王繁;李象远;;正十烷热裂解反应机理的动力学简化与CFD模拟[A];中国化学会第二届全国燃烧化学学术会议论文集[C];2017年

7 刘昊;王涛;范伟;彭光正;王可;;基于复合径向基神经网络的人手抓持辨识与测量[A];中国仪器仪表学会第十二届青年学术会议论文集[C];2010年

8 高卫东;马履一;贾忠奎;张田田;王晓玲;陈志刚;;基于人工神经网络模型下欧美107杨苗木耗水量的预测[A];第九届中国林业青年学术年会论文摘要集[C];2010年

相关博士学位论文 前1条

1 郭历伦;含螺栓连接复杂结构的冲击响应与破坏研究[D];中国工程物理研究院;2015年

相关硕士学位论文 前10条

1 郭锐;燃煤电厂全负荷NOx减排模型研究[D];南昌大学;2019年

2 戴振麟;能量色散X射线荧光分析基本参数法研究与初步应用[D];成都理工大学;2008年

3 张春荣;典型草原栗钙土层厚度模型的研究[D];内蒙古农业大学;2008年

4 温静梅;大连城市信息遥感提取及分析研究[D];大连海事大学;2016年

5 何小威;高温燃气温度和浓度同时检测模拟研究[D];华中科技大学;2012年

6 孟赫;典型农作物酸沉降“剂量—损失”响应模型研究[D];吉林大学;2008年

7 于文潇;奶液电导率检测与奶量自动计量装置设计与实现[D];东北农业大学;2016年

8 刘伟洁;加权Markov随机优化磨光修正模型研究及应用[D];景德镇陶瓷学院;2010年

9 王志强;基于ARM的表面深度检测系统的研究[D];中国计量学院;2014年

10 莫小凤;基于受激布里渊散射的水中声速测量[D];南昌航空大学;2013年

本文编号：2764470