PM_(2.5)对理论盐密值的影响研究

根据污闪事故发生时的环境监测数据,大气环境污染及其污染性质也是影响输变电设备外绝缘表面污秽程度的因素,而污染物粒径较小的地区积污增长速度较大。因此,针对某些学者提出的理论盐密值与大气环境参数间的经验公式,提出了纳入PM_(2.5)后的经验公式修正建议。分别根据纳入PM_(2.5)的经验公式和未纳入PM_(2.5)的经验公式,计算了理论盐密值,并与安装在监测点附近的光传感器盐密在线监测装置的实测数据进行了对比分析。利用纳入PM_(2.5)后的经验公式的ESDD理论计算值与实际值较为吻合,而未纳入PM_(2.5)的ESDD理论计算值与实际测量结果差异率较大。在可实时获取大气环境参数的地区,可以考虑利用纳入PM_(2.5)后的经验公式推算该地区的理论盐密值的实时变化情况,及时掌握该地区电网污秽等级的变化。     

660MW燃煤机组PM_(2.5)生成与排放特性

对某660 MW机组燃煤锅炉静电除尘器(ESP)前、后颗粒物和湿法石灰石-石膏脱硫装置(WFGD)后颗粒物分别进行了现场取样分析,研究了燃用2种煤时机组的PM_(2.5)生成特性,并分析了ESP及WFGD对PM_(2.5)粒径颗粒等不同排放特性的影响。结果表明:该锅炉燃用2种煤产生的细颗粒物PM_(2.5)均呈双模态分布,且PM_(2.5)与PM_(10)生成量与煤的灰分含量呈正相关关系;ESP对PM_(10)、PM_(2.5)和PM_(1.0)的脱除效率分别为99.812%、99.711%和99.402%,对粒径0.1~1.0μm颗粒物的脱除效率低于其他粒径颗粒物;烟气经过装有气-气换热器(GGH)的WFGD后,粒径在1.0μm以上的颗粒物质量浓度下降约40%,而粒径1.0μm的颗粒物质量浓度升高约35%;脱硫浆液喷淋对颗粒物的洗涤作用会降低粒径1.0μm的颗粒物质量浓度;而超细颗粒物的团聚长大及脱硫浆液携带产生的石膏颗粒等则会导致1.0μm的颗粒物质量浓度有所升高。     

600MW机组“超低排放”下新增湿式静电除尘器性能试验的关键问题

对某火电厂600 MW机组新增湿式电除尘器(wet electrostatic precipitator,WESP)的主要运行性能指标进行了现场性能试验研究,包括粉尘排放质量浓度及除去率、PM_(10)和PM_(2.5)排放质量浓度及除去率、液滴含量、SO_3质量浓度、Hg质量浓度、本体阻力、烟道阻力、系统电耗等指标。性能试验结果:WESP的主要性能指标均能达到设计的性能要求,WESP出口的粉尘排放质量浓度平均为3.43 mg/m3(标准状态下,下同),满足环保要求(5 mg/m~3),验证了所进行的WESP现场性能考核试验方法的可行性。     

火电厂PM_(2.5)的脱除控制研究进展

PM_(2.5)作为可入肺颗粒物,影响着大气的能见度和人类健康,其脱除控制成为近期研究的热点。火电厂作为PM_(2.5)排放的主要来源之一,其对PM_(2.5)的脱除控制效果直接影响着社会PM_(2.5)的总排放量。对利用火电厂现有环保设备下PM_(2.5)的脱除控制现状进行了综述,特别是利用脱硫塔下的粉尘协同脱除进行了分析,指出利用现有除尘器和脱硫塔脱除PM_(2.5)的方法,如引入蒸汽相变技术与表面润湿技术等在PM_(2.5)脱除中的应用,并对如何实现新环保政策下污染物的超低排放进行了展望。     

我国民用燃煤一次颗粒物的减排潜力研究

民用燃煤是我国当前所有燃煤行业中一次PM_(2.5)最大的排放源。研究比较了18种原煤和6种半焦型煤在一典型的传统采暖炉中燃烧时的PM_(2.5)排放因子,并对比了一组典型无烟煤、半焦型煤和烟煤在改进型反式采暖炉中燃烧时的PM_(2.5)排放因子。半焦型煤的平均PM_(2.5)排放因子比所测试的原煤约低94%,同时改进型反式采暖炉对所测试的烟煤也约减排94%。这些结果表明用半焦型煤替代原煤和改进民用炉具均是实现我国民用燃煤PM_(2.5)减排的有效途径。     

燃煤烟气SCR脱硝系统中细颗粒物排放特性综述

当前我国面临着严重的由PM_(2.5)导致的严重大气污染,燃煤电厂是大气环境中PM_(2.5)的主要排放源之一。燃煤电厂大规模安装的选择性催化还原(SCR)脱硝装置虽然减少了NOx转化生成的二次PM_(2.5),但却可能增加一次PM_(2.5)排放,其中以硫酸(氢)铵细颗粒物排放为主,同时,也改变了PM_(2.5)的物理化学特性。文中综述了SCR脱硝前后细颗粒物物理化学性质的变化及SCR脱硝过程对燃煤电厂细颗粒排放特征的影响,后续除尘、湿法脱硫系统(WFGD)烟气处理系统中细颗粒物排放的影响,重点阐述了硫酸(氢)铵细颗粒物的生成转化及影响因素,同时,也对今后SCR脱硝过程中细颗粒物的生成及控制的研究方向作出了进行了展望。     

燃煤PM_(2.5)和Hg控制技术现状及发展趋势

本文首先介绍了国际上燃煤PM_(2.5)和Hg控制技术的发展现状,凸显了湿式静电除尘和低低温静电除尘技术在满足我国燃煤颗粒物超低排放需求中的重要作用,并指出单质汞(Hg0)的高效氧化和气态汞的强化吸附是最主要的燃煤Hg排放控制途径;其次,详细分析了现有燃煤PM_(2.5)和Hg控制技术应用中存在的问题,并指出了未来燃煤PM_(2.5)和Hg控制技术的发展方向;最后,介绍了国家在燃煤PM_(2.5)和Hg控制技术发展方面的布局,强调了国家重点研发计划项目"燃煤PM_(2.5)及Hg控制技术"(编号:2016YFB0600600)在应对燃煤电厂超低排放需求中的重要地位。     

新型烟气采样装置的数值研究

利用数值模拟方法,得到了单根采样管内的流量-阻力特性,并在此基础上设计了一种变管径式多通道烟气采样装置,并进一步对其进行了数值模拟。模拟结果表明,变管径多通道烟气采样装置具有良好的采样性能和环境适应性,实现了既能多网格点同时采样、又能严格满足不同取样管等流量取样的功能,能够对烟气成分进行精确测量且相比于现有单通道烟气采样枪能大幅降低试验测试人员的现场工作量和采样时间。     

基于群平衡模拟的低低温电除尘器协同脱除PM_(2.5)和SO_3研究

基于可凝结物质核化和细颗粒团聚理论,建立求解低温省煤器内细颗粒表面SO_3凝结和团聚机制的群平衡方程,耦合颗粒荷电模型、驱进速度公式、颗粒沉积核模型,建立预测电除尘器内粉尘颗粒迁移和捕集过程的群平衡模型,从而建立低低温电除尘器内颗粒物和SO_3协同脱除的理论模型,并针对国内某电厂低低温电除尘器进行了计算。结果表明,该模型能够准确预测常规电除尘器和低低温电除尘器出口PM_1、PM_(2.5)、PM_(10)和总尘的排放浓度以及SO_3的脱除效率。低低温电除尘器入口烟温为98℃,烟气中78.3%的SO_3/H_2SO_4沉积在颗粒物表面,其中PM_1、PM_(2.5)和PM_(10)上沉积的硫酸质量占总硫酸沉积质量的比值分别为42.2%,72.7%和91.3%,硫酸液滴主要富集在PM_(2.5)上,PM_(2.5)和SO_3的出口质量排放浓度分别为11.4 mg/m~3和5.8 mg/m~3,相较于入口烟温为149℃的常规电除尘器,其质量浓度分别降低了73%和76.6%。     

燃煤电厂低浓度颗粒物测试的空白实验研究

燃煤电厂烟气超低排放已全面实施,进一步完善低浓度颗粒物测试技术势在必行。通过现场实测,并结合ISO 12141—2002的相关规定,开展了燃煤电厂低浓度颗粒物测试的空白实验研究。对进口滤筒与国产滤筒进行空白实验对比,发现进口石英滤筒性能优于国产玻纤滤筒;对一体化采样头整体称重和滤膜单独称重进行空白实验研究,发现拆装操作增大了空白偏差波动幅度;在空白实验研究的基础上开展工程现场实测。最后,为制修订相关标准,探讨了低浓度测试时空白实验的合理性和必要性。     

北京冬季雾霾及其治理措施分析

通过对北京市2016年11-12月环境空气质量分析,得出冬季环境空气污染的主要因子为PM_(2.5),氮氧化物是形成PM_(2.5)污染的主要因素。工业燃煤减排可有效减轻北京市PM_(2.5)污染,可通过对超标排放源进行环保改造使其达标运行;对达标排放源,建议研究提高环保排放标准,以减少二氧化硫和氮氧化物排放量。     

汽油机动车排放PM_(2.5)的单颗粒类型及特征

单颗粒分析技术能够提供PM_(2.5)的形貌、化学组成、内部结构、混合特性和表面物理化学特性。选取了中国市场上常见的GDI汽车和PFI汽车,在整车转鼓试验台上,采样透射电镜分析了机动车在北京驾驶循环上排放单颗粒的物理化学特征。结果表明,汽油机动车排放的颗粒物可分成6种类型:碳烟(soot)颗粒、球形有机颗粒、富Ca颗粒、富S颗粒、富Fe颗粒和富Mn颗粒,其中以碳烟颗粒、球形有机颗粒和富Ca颗粒为主。不同的机动车在不同的运行条件下(冷启动阶段和稳速阶段),排放碳烟(soot)颗粒和球形有机颗粒的相对含量不同。GDI机动车不同阶段所排放的PM_(2.5)中,冷启动阶段和稳速阶段相比,前者排放碳烟颗粒相对含量明显偏高,而球形有机颗粒相对含量明显偏低。GDI机动车与PFI机动车相比,在稳速阶段和冷起动阶段所排放的PM_(2.5)中,前者碳烟颗粒相对含量都明显偏高,而球形有机颗粒相对含量都明显偏低。     

ADLink—9114数据采集卡应用中若干问题的研究

首先介绍了ADLink－9114数据采集卡的特点，对该数采卡进行了性能分析，精度分析，并给出了作者利用该数据采卡变电站现场实测数据，表明ADLink－9114数据采集卡适用于要求多通道，高采样频的场合（如电动机性能测试系统，继电保护教学用虚拟装置及变电站数据采集等）。     

智能变电站检修及数据异常处理机制与试验验证

智能变电站的采样值(SV)及事件(GOOSE)等信息均以数字量传输,检修处理机制发生了根本变化,且运行中可能发生采样值数据异常现象,所以,检修及数据异常处理机制验证试验非常必要。本文在总结智能变电站检修处理策略及数据异常处理机制的基础上,提出相应的试验验证方法,为智能变电站的现场调试提供参考。     

用烟尘测试法测定除雾器出口烟气中浆液滴含量

为了准确可靠地测试湿法烟气脱硫除雾器出口烟气中浆液滴含量,通过分析浆液滴运动类似烟尘运动的特点,巧妙地将浆液滴捕集器与烟尘采样枪对接,利用皮托管平行全自动烟尘采样器自动跟踪烟气流速实现等速采样,首次提出用烟尘测试法测定除雾器出口烟气中浆液滴含量.方法实测应用成功,浆液滴采样代表性高,测试结果准确可靠.此法利用烟尘采样器及采样枪实现烟道全截面等速采样,可操作性强.具有推广应用的价值.     

基于深度残差网络的SSO模态参数辨识

针对电力系统正常运行中的微弱次同步振荡信号趋势难以辨识,辨识算法抗噪性差、辨识结果可靠性低等问题,提出一种基于深度残差网络的次同步振荡模态参数辨识方法。建立了一种由卷积层、若干残差层和全连接层等构成的深度残差网络模型;模型训练数据集依据SSO信号特点生成,全部采用仿真数据;经参数调整和优化后的模型能够实现对现场实测的低信噪比SSO信号模态参数的盲辨识。利用理想信号、含噪仿真信号和现场实测数据等三种方案对模型性能验证,结果表明该算法能有效地辨识出微弱SSO的频率和阻尼等关键参数,与卷积神经网络(CNN)和随机子空间(SSI)算法相比较,辨识精度更高,受噪声干扰小,具有盲辨识的特点,可用于电力系统次同步振荡风险的预警。     

湍流团聚中不同尺度涡耦合促进燃煤细颗粒团聚与脱除研究

采用具有不同尺度结构湍流涡片的湍流团聚器,实验考察了颗粒物浓度、烟气温度与烟气流速等因素对燃煤细颗粒物在不同尺度涡耦合的湍流流场中团聚和脱除效果的影响。结果表明:随着烟气中细颗粒物浓度的提高,PM_(2.5)与PM_(10)的团聚效率分别提高约8.6%与8.8%,质量与数量脱除效率分别提高约8.3%与9.6%,但是细颗粒物浓度超过6×10~6个/cm~3后,颗粒物的团聚效率提升不明显;提高烟气温度对细颗粒物团聚与脱除效率提升作用不明显,当烟气温度由75℃提高至175℃时,PM_(2.5)与PM_(10)的团聚效率仅提高约2.7%与3.0%;提高烟气流速在一定范围内能够促进细颗粒物的团聚与脱除,但当烟气流速过大时,团聚和脱除效率下降,烟气流速在13 m/s时细颗粒物团聚与脱除效果最好,PM_(2.5)与PM_(10)的团聚效率分别为27.8%和24.2%。此外,通过对湍流团聚器中烟气流场以及不同粒径颗粒物之间的运动情况进行模拟计算,提出细颗粒物在不同尺度涡耦合的湍流流场中存在2种不同的团聚模式。     

相量测量装置 (PMU) 动态测量精度在线检验

广域测量系统(WAMS)的高级应用功能高度依赖于相量测量装置(PMU)的动态数据质量.迄今为止,各厂家的PMu产品只是在实验室内进行过离线检验,而在实际运行环境中的精度并没有严格地经过检验.因为许多现场环境中的实际信号难以在实验室中复现,因此有必要在WAMS主站开发相量测量算法,对PMU自身记录的采样教据(暂态录波数据)进行分析计算,计算结果应与同时段该PMU上传的动态数据进行比较,从而判断PMU动态数据质量的好坏.最后以华北电网广域测量系统的实测数据为例,论证了PMU动态性能在线监测的必要性与可行性.     

基于神经网络的多城市协同能见度预测研究

精准预测能见度对于保障人们出行质量和交通安全有重要意义,针对目前大气能见度预测算法存在的预测数据来源单一和准确率不高的问题,构建了一个基于遗传算法优化的BP神经网络模型。模型以石家庄市及其卫星城市的6个气象因子和4个主要污染因素(NO_2、SO_2、PM_(2.5)、PM_(10))的预处理结果作为输入数据,24 h后的能见度数值作为输出结果。实验结果表明,在弥补BP神经网络模型局部最优问题的基础上,该模型的能见度预测结果在绝对偏差、相关性和预测准确率方面均优于单一采用石家庄气象数据的预测结果,能够提供更为可靠的能见度预报信息。     

基于注意力机制和卷积神经网络的异步电动机三相电压不平衡损耗研究

配电网中三相电压不平衡对异步电动机损耗会造成较大影响。运用等效电路公式分析三相电压不平衡影响下电动机损耗存在精度不稳定、需要参数过多且数学模型过于复杂等问题。针对以上问题,提出一种基于注意力机制和卷积神经网络(CNN)的异步电动机损耗评估方法。该方法将实测电机数据作为输入,引入注意力机制为输入特征赋予不同权重;采用卷积层和全连接层组成的CNN构架对异步电动机实测数据进行学习,最后完成损耗评估。以现场试验得到的电机损耗数据作为实际算例,该方法评估损耗与实测损耗平均误差仅为0.717%和0.549%,并与其他典型机器学习算法进行对比,结果表明所提方法具有更好的损耗评估性能。