基于改进最优觅食算法的循环流化床锅炉燃烧优化研究
发布时间：2021-10-26 03:49
从工业革命开始,煤炭作为燃料被大量的使用,这引起了严重的环境污染,同时这也是全球气候变暖问题的主要原因之一。随着经济的快速发展,对电能的需求也越来越大,而人们环保意识的增强,要求电厂在提升发电量的同时尽可能降低污染物的排放。针对这一问题,本文用人工神经网络结合群智能优化算法的方法对循环流化床锅炉的燃烧过程进行优化,从而达到降低锅炉NOx的排放量,提高锅炉的热效率的目的。针对循环流化床锅炉建模难的问题,本文利用窗口双隐藏极限学习机（WindowTwo-Hide Extreme Learning Machine,WTELM）对锅炉的燃烧过程进行建模。WTELM网络是在双隐藏极限学习机（Two-Hide Extreme Learning Machine,TELM）的基础上进行的改进。WTELM模型在TELM网络输入层之前加入窗口机制,用权值共享策略来降低输入层随机权值的数量,并在第二层隐藏层引入均值思想来减小误差,提升网络的稳定性。将WTELM模型与极限学习机（Extreme Learning Machine,ELM）、快速学习网（Fast Learning Network,FLN）、双并联...
【文章来源】：燕山大学河北省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
论文的整体结构图
第2章循环流化床锅炉系统-7-第2章循环流化床锅炉系统2.1循环流化床锅炉的简介火床燃烧式、火室燃烧式和循环流化床燃烧式是目前的国内火力发电厂主要的锅炉发电设备。为了解决鼓泡床燃料及脱硫剂利用率低等缺陷，1960年左右在鼓泡床的基础上循环流化床被研制出来，循环流化床锅炉有着运行成本低、燃料和脱硫剂利用率高、燃烧产生的污染物更少燃烧过程更清洁等优点。因此，本文将循环流化床锅炉作为研究对象。在循环流化床锅炉的燃烧过程中，燃料是以流化态的形式在炉膛内进行燃烧，由于一次风、二次风和重力的作用，燃料颗粒在炉膛内呈现垂直分布状态，较大的燃料颗粒在炉膛下半部分，较小的燃料颗粒悬浮在炉膛上半部分，这种悬浮状态的燃料颗粒与空气的接触面积更大，从而燃烧的更加充分。那些被吹出炉膛外的未充分燃烧的燃料颗粒则通过“固—气”分离器收集起来再次送回炉膛，类似的脱硫剂也能得到多次循环利用。图2-1某热电厂CFBB燃烧系统结构图图中：1外部煤场；2煤料储存装置；3碎煤机；4石灰石仓；5水冷壁；6一次风入口；7旋风分离器；8尾部烟道；9外置式热器加热物料入口；10布袋除尘装置；11汽轮发电机组；12烟囱；13二次风入口；14排渣管；15省煤器；16过热器；17引风机[71]。如图2-1为某火力发电厂循环流化床锅炉的结构示意图。它的工作流程基本上是可以概括如下：煤炭经过传送带等输送装置被送到煤仓，然后通过碎煤机将煤炭粉
第2章循环流化床锅炉系统-9-环流化床锅炉在燃烧的时候，锅炉炉膛内的温度比传统的燃煤锅炉的温度要低，循环流化床锅炉炉膛的床温一般维持在900℃左右。因此，热力型NOx的生成在循环流化床锅炉中是非常少的[54]。2.2.2燃料型NOx的生成过程与热力型NOx相同燃料型NOx也是由于高温将氮元素氧化，而其不同的是氮元素的来源不同。热力型NOx中氮元素来源于一二次风，而燃料型NOx中氮元素来源于燃料。燃料型NOx在循环流化床锅炉NOx排放中约占75%—90%，是循环流化床NOx的主要来源，其生产因素与锅炉炉膛温度、氧气含量、燃煤特性密切相关[53]。如图2-2所示，是燃料中氮元素被氧化还原的过程。从图中可以看到NOX的生成过程大概分成三个阶段：高温析出阶段时，煤炭燃料在高温作用下发生分解，一部分N元素析出生成挥发分N，一部分N元素则保留着固态形态。挥发分N燃烧阶段，如果氧气充足的话析出的氮氧化物会被氧化为NO，如果氧气不充足的话析出的氮氧化物会被还原成为N2。类似，如果氧气充足焦煤中固态的N会生成NO，如果氧气不充足焦煤中固态的N会被还原成N2[55]。图2-2燃料中氮元素的氧化还原过程2.2.3快速型NOx的生成过程快速性NOx在循环流化床排放的NOx中仅占大约在5%左右的比例。在燃料富裕的情况下即燃料中CH较多，氧气浓度较低时，快速性NOx在火焰面快速生成。其生成原理与燃料型NOx的产生机理相似与热力型NOx生成原理不同。实际上快速型的NOx对于温度不敏感，保证燃料燃烧时氧气充足，是降低快速NOx的生成
【参考文献】：
期刊论文
[1]基于多模型聚类集成的锅炉烟气NOx排放量预测模型[J]. 甄成刚,刘怀远. 热力发电. 2019(04)
[2]基于CS-SVM的山梨酸钾的荧光光谱检测法研究[J]. 王书涛,朱彩云,刘洺辛,彭涛,程琪,孔德明,王玉田. 计量学报. 2018(05)
[3]基于KFCM-LMC-LSSVM算法的WLAN室内定位方法[J]. 王昱洁,王媛,张勇. 计量学报. 2018(04)
[4]新型群智能优化算法综述[J]. 林诗洁,董晨,陈明志,张凡,陈景辉. 计算机工程与应用. 2018(12)
[5]IGSA-LSSVM软测量模型预测燃煤锅炉NOx排放量[J]. 丁知平,刘超,牛培峰. 计量学报. 2018(03)
[6]基于多特征提取和SVM参数优化的车型识别[J]. 程淑红,高许,周斌. 计量学报. 2018(03)
[7]一种改进型LSSVM模型在电站锅炉燃烧与优化中的应用[J]. 李应保,王东风. 动力工程学报. 2018(04)
[8]中国人工智能发展简史[J]. 张洪国,陆平,邵立国,念沛豪. 互联网经济. 2017(06)
[9]基于SA-ELM的声学层析成像温度分布重建算法[J]. 刘厦,刘石,任婷. 化工学报. 2017(06)
[10]采用改进混沌粒子群算法的锅炉NOx排放的LSSVM回归建模[J]. 刘飞明,张雨飞. 工业控制计算机. 2017(01)
博士论文
[1]新型人工智能技术研究及其在锅炉燃烧优化中的应用[D]. 李国强.燕山大学 2013
硕士论文
[1]基于混合鸡群算法的循环流化床锅炉燃烧优化研究[D]. 丁翔.燕山大学 2019
[2]并联快速学习网算法研究及其在循环流化床锅炉中的应用[D]. 齐晓宾.燕山大学 2018
本文编号：3458768
【文章来源】：燕山大学河北省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
论文的整体结构图
第2章循环流化床锅炉系统-7-第2章循环流化床锅炉系统2.1循环流化床锅炉的简介火床燃烧式、火室燃烧式和循环流化床燃烧式是目前的国内火力发电厂主要的锅炉发电设备。为了解决鼓泡床燃料及脱硫剂利用率低等缺陷，1960年左右在鼓泡床的基础上循环流化床被研制出来，循环流化床锅炉有着运行成本低、燃料和脱硫剂利用率高、燃烧产生的污染物更少燃烧过程更清洁等优点。因此，本文将循环流化床锅炉作为研究对象。在循环流化床锅炉的燃烧过程中，燃料是以流化态的形式在炉膛内进行燃烧，由于一次风、二次风和重力的作用，燃料颗粒在炉膛内呈现垂直分布状态，较大的燃料颗粒在炉膛下半部分，较小的燃料颗粒悬浮在炉膛上半部分，这种悬浮状态的燃料颗粒与空气的接触面积更大，从而燃烧的更加充分。那些被吹出炉膛外的未充分燃烧的燃料颗粒则通过“固—气”分离器收集起来再次送回炉膛，类似的脱硫剂也能得到多次循环利用。图2-1某热电厂CFBB燃烧系统结构图图中：1外部煤场；2煤料储存装置；3碎煤机；4石灰石仓；5水冷壁；6一次风入口；7旋风分离器；8尾部烟道；9外置式热器加热物料入口；10布袋除尘装置；11汽轮发电机组；12烟囱；13二次风入口；14排渣管；15省煤器；16过热器；17引风机[71]。如图2-1为某火力发电厂循环流化床锅炉的结构示意图。它的工作流程基本上是可以概括如下：煤炭经过传送带等输送装置被送到煤仓，然后通过碎煤机将煤炭粉
第2章循环流化床锅炉系统-9-环流化床锅炉在燃烧的时候，锅炉炉膛内的温度比传统的燃煤锅炉的温度要低，循环流化床锅炉炉膛的床温一般维持在900℃左右。因此，热力型NOx的生成在循环流化床锅炉中是非常少的[54]。2.2.2燃料型NOx的生成过程与热力型NOx相同燃料型NOx也是由于高温将氮元素氧化，而其不同的是氮元素的来源不同。热力型NOx中氮元素来源于一二次风，而燃料型NOx中氮元素来源于燃料。燃料型NOx在循环流化床锅炉NOx排放中约占75%—90%，是循环流化床NOx的主要来源，其生产因素与锅炉炉膛温度、氧气含量、燃煤特性密切相关[53]。如图2-2所示，是燃料中氮元素被氧化还原的过程。从图中可以看到NOX的生成过程大概分成三个阶段：高温析出阶段时，煤炭燃料在高温作用下发生分解，一部分N元素析出生成挥发分N，一部分N元素则保留着固态形态。挥发分N燃烧阶段，如果氧气充足的话析出的氮氧化物会被氧化为NO，如果氧气不充足的话析出的氮氧化物会被还原成为N2。类似，如果氧气充足焦煤中固态的N会生成NO，如果氧气不充足焦煤中固态的N会被还原成N2[55]。图2-2燃料中氮元素的氧化还原过程2.2.3快速型NOx的生成过程快速性NOx在循环流化床排放的NOx中仅占大约在5%左右的比例。在燃料富裕的情况下即燃料中CH较多，氧气浓度较低时，快速性NOx在火焰面快速生成。其生成原理与燃料型NOx的产生机理相似与热力型NOx生成原理不同。实际上快速型的NOx对于温度不敏感，保证燃料燃烧时氧气充足，是降低快速NOx的生成
【参考文献】：
期刊论文
[1]基于多模型聚类集成的锅炉烟气NOx排放量预测模型[J]. 甄成刚,刘怀远. 热力发电. 2019(04)
[2]基于CS-SVM的山梨酸钾的荧光光谱检测法研究[J]. 王书涛,朱彩云,刘洺辛,彭涛,程琪,孔德明,王玉田. 计量学报. 2018(05)
[3]基于KFCM-LMC-LSSVM算法的WLAN室内定位方法[J]. 王昱洁,王媛,张勇. 计量学报. 2018(04)
[4]新型群智能优化算法综述[J]. 林诗洁,董晨,陈明志,张凡,陈景辉. 计算机工程与应用. 2018(12)
[5]IGSA-LSSVM软测量模型预测燃煤锅炉NOx排放量[J]. 丁知平,刘超,牛培峰. 计量学报. 2018(03)
[6]基于多特征提取和SVM参数优化的车型识别[J]. 程淑红,高许,周斌. 计量学报. 2018(03)
[7]一种改进型LSSVM模型在电站锅炉燃烧与优化中的应用[J]. 李应保,王东风. 动力工程学报. 2018(04)
[8]中国人工智能发展简史[J]. 张洪国,陆平,邵立国,念沛豪. 互联网经济. 2017(06)
[9]基于SA-ELM的声学层析成像温度分布重建算法[J]. 刘厦,刘石,任婷. 化工学报. 2017(06)
[10]采用改进混沌粒子群算法的锅炉NOx排放的LSSVM回归建模[J]. 刘飞明,张雨飞. 工业控制计算机. 2017(01)
博士论文
[1]新型人工智能技术研究及其在锅炉燃烧优化中的应用[D]. 李国强.燕山大学 2013
硕士论文
[1]基于混合鸡群算法的循环流化床锅炉燃烧优化研究[D]. 丁翔.燕山大学 2019
[2]并联快速学习网算法研究及其在循环流化床锅炉中的应用[D]. 齐晓宾.燕山大学 2018
本文编号：3458768
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3458768.html
