燃煤电站锅炉对流受热面积灰在线监测的研究

针对在线监测电站锅炉对流受热面积灰的需要,建立了对流受热面的污染监测模型。以某300 MW机组的1 025 t/h锅炉为监测对象,开发了受热面积灰在线监测系统,成功实现了锅炉对流受热面污染的在线监测。     

电站锅炉对流受热面积灰在线监测的研究

针对在线监测电站锅炉对流受热面积灰的需要,建立了对流受热面的污染监测模型.以HG1021/18.2-YM9型锅炉为监测对象,开发了受热面积灰在线监测系统,成功实现了锅炉对流受热面污染的在线监测.     

基于人工神经网络的电站锅炉积灰实时监测系统

针对燃煤电站锅炉对流受热面积灰,提出了一种基于人工神经网络的积灰实时监测方法:利用受热面清洁吸热量和实际吸热量定义灰污特征参数;通过电厂现有的DAS系统得到的温度、压力和流量等参数可获得大量样本点;建立神经网络模型并进行训练.在燃用神华煤的某300 MW锅炉上进行了试验.结果表明:实测吸热量与预测吸热量的最大误差不超过10%,平均误差为3%左右.该方法可准确预测锅炉对流受热面的积灰情况.     

基于神经网络的电站锅炉空气预热器积灰在线监测模型研究

针对大型电站锅炉空气预热器受热面积灰状况进行了分析研究。应用3层神经网络构建了300MW电站锅炉空气预热器受热面积灰监测数学模型,选择锅炉负荷、烟气差压、排烟温度等参数作为输入向量,以反映空气预热器积灰状况的污染系数作为输出向量,利用电厂DCS系统采集的机组实时数据,经规格化处理后作为样本集对网络进行训练。训练过程中,通过添加动量项和变步长改进了BP算法。将建立的模型应用于华电国际青岛发电公司#2炉的空气预热器在线积灰监测,取得了较好的结果。     

锅炉对流受热面灰污监测研究

为了提高电站锅炉对流受热面灰污监测的准确性,更好地进行吹灰优化,提出了基于最小二乘支持向量机的锅炉对流受热面灰污监测方法。以天津北疆电厂1 000 MW机组锅炉为例,建立监测模型,分析了模型建立过程中输入参数的选择、数据的采集与筛选、数据的预处理、核函数的选择等。结果表明:此模型监测结果与电厂的实际吹灰操作一致,能够较准确地实现电站锅炉受热面的灰污监测,为电厂进一步地吹灰优化打下了良好的基础。     

燃煤锅炉中过/再热器工质温差与积灰程度关联研究

为实现对燃煤锅炉无烟温测点的对流受热面积灰程度的监测,对锅炉对流受热面的传热特性及工质吸热特性进行热平衡机理分析,在热力学基础上,用相关性分析、回归分析和灰色关联分析方法对实际生产数据进行挖掘、分析,计算了对流受热面的出入口工质温差与清洁因子的灰色关联特性,建立了利用受热面进出口温差表征积灰程度的函数模型。结果表明:负荷稳定时,锅炉燃烧释放的热量也是一定的,对流受热面单位工质吸热量能反映该对流受热面的积灰程度;受热面温差与清洁因子具有极强的关联性,受热面进出口工质温差模型能很好地反映对流受热面的积灰程度。     

基于热力学机理与生产数据挖掘相结合的受热面积灰程度的研究

为实现对燃煤锅炉各对流受热面的积灰程度的监测,以热力学为基础,对锅炉的燃烧特性、对流受热面的积灰特性及工质吸热特性进行热平衡机理分析,确定了表征受热面的积灰程度的特征参数。用相关性分析、回归分析和正态分布等方法对大量实际生产数据进行挖掘,得到了特征参数与积灰程度的关联特性,建立了描述受热面的积灰程度的数学模型。测试结果表明,该模型能较好地反映受热面的积灰程度,能为实现按需吹灰,节约能源提供参考。     

基于热工参数的锅炉积灰结渣在线监测

针对燃煤电厂锅炉因受热面积灰结渣而造成机组安全性和经济性下降问题,进行受热面积灰结渣监测研究。基于广东某300 MW机组,运用热平衡和传热原理建立了一套燃煤电厂锅炉受热面积灰结渣的监测模型。模型运行前对监测模型进行敏感性分析。结果表明:在负荷、燃煤低位发热量、过量空气系数处于稳定时,模型能获得较好的监测效果。输入机组DCS系统的热工参数,计算锅炉各对流受热面的清洁因子,以监测对流受热面积灰结渣的严重程度。将监测结果结合实际运行要求,可在线得到合理的吹灰策略。     

600 MW锅炉省煤器的灰污监测

锅炉尾部对流受热面灰污程度多采用清洁因子来描述,清洁因子是从传热角度分析灰污的影响。本文根据管壁表面积灰厚度与烟气流动阻力之间的本质关系,提出了采用烟气压降直接计算管壁表面积灰厚度的模型。该模型能够基于烟气压力和温度测点实时计算得到各对流受热面的积灰厚度,从而实现对流受热面积灰厚度的在线监测。本文计算了1台600 MW燃煤锅炉省煤器的积灰厚度,计算结果与电厂给的测试数据吻合。     

基于遗传算法优化BP神经网络的垃圾焚烧炉结渣预测模型

利用遗传算法优化BP神经网络的初始权值和阈值,建立了垃圾焚烧炉对流受热面积灰结渣BP网络预测诊断模型。将建立起的BP网络模型应用于某焚烧处理生活垃圾量520t/d的发电厂机组,经过训练后的BP网络模型对检验样本的焓差进行仿真预测,优化前的平均相对误差为2.579%,优化后的平均相对误差为0.426%,表明经遗传算法优化后的BP神经网络更能准确地预测锅炉对流受热面的结渣状况,从而为优化吹灰提供指导,具有重要的实用价值。     

基于神经网络的电站锅炉水冷壁积灰结渣监测模型的研究

针对阜新电厂 2 0 0MW机组燃煤锅炉进行了多工况热态测试 ,获得了数据样本 ,运用BP神经网络和LM算法建立了电站锅炉水冷壁积灰结渣的监测模型。所建的神经网络监测模型 ,能够反映锅炉水冷壁积灰结渣的程度 ,为电站锅炉吹灰优化系统的开发打下了良好的基础。     

燃气脉冲吹灰技术及其在大型锅炉上的应用

针对蒸汽吹灰和声波吹灰技术存在的问题,开发了燃气脉冲吹灰技术,10年前首次应用于600 MW锅炉机组回转式空气预热器上.经过不断改进,现已成功地应用到300～600 MW锅炉机组水平烟道、尾部烟道中的各类对流受热面吹灰上,表现出其独特的机理和效果.     

锅炉各受热面吹灰作用的对比研究

为优化运行性能，通过清洁因子变化对锅炉主要运行参数影响的性能计算，得到了锅炉不同部位受热面的吹灰作用种类和大小，可作为现场指导吹灰优化运行的依据。不同部位受热面的吹灰作用因受热面位置、受热面种类和大小的不同而异，其重要性也不同。位于烟气流程起始点和蒸汽流程终点的受热面是吹灰优化运行的重点。图13表3参3     

Performance prediction of a RPF‐fired boiler using artificial neural networks

In order to provide adequate engineering assistance and to improve the energy efficiency in process industries, it is crucial to evaluate the operational performance of a boiler in terms of its practical requirements, viz. temperature, pressure, and mass flow rate of steam. This study was aimed at assessing and optimizing the performance of a refuse plastic fuel‐fired boiler using artificial neural networks. A feed‐forward back propagation neural network model was developed and trained using existing plant data (5 months), to predict temperature, pressure, and mass flow rate of steam, using the following input parameters: feed water pressure, feed water temperature, conveyor speed, and incinerator exit temperature. The predictive capability of the model was evaluated in terms of mean absolute percentage error between the model fitted and actual plant data, while sensitivity analysis was performed on the input parameters by determining the absolute average sensitivity values. The higher absolute average sensitivity value of the incinerator exit temperature in comparison to that of feed water pressure, feed water temperature and conveyor speed suggested that the change of incineration exit temperature has a significant influence on the selected outputs (steam properties). Overall, the good results observed from this work demonstrate the fact that artificial neural networks can efficiently predict the data on steam properties and could serve as a good tool to monitor boiler behavior under real‐time conditions. Copyright © 2013 John Wiley & Sons, Ltd.     

基于数学模型的煤粉锅炉管束磨损预测与分析

根据飞灰质量浓度与烟气速度的计算式建立了以易测取量为输入参数的磨损预测数学模型,通过测取预测模型的输入参数,对受热面的磨损量进行预测,并将其表示为过量空气系数与飞灰细度的函数.结果表明：过量空气系数和飞灰细度对磨损量影响显著;控制过量空气系数与煤粉细度,可以有效地降低磨损量;结合输入参数的在线测量,该模型亦可作为锅炉对流管束磨损的监测模型.     

用于电站煤粉锅炉NOx排放监测的BP神经网络试验研究

利用计算机图像处理技术从电站煤粉锅炉炉内火焰图像中提取火焰燃烧特征参数，结合BP神经网络，对电站煤粉锅炉NOx排放监测进行了实验研究，并取得了比较满意的结果。     

基于遗传神经网络和群体复合形法的配风方式对锅炉飞灰含碳量影响研究

利用优化递归的BP神经网络进行锅炉飞灰含碳量建模,并对锅炉二次风配风方式的影响进行敏感性分析,同时采用群体复合形法对运行工况寻优,获得各种工况下二次风开度的优化调整方式.优化递归神经网络是以遗传算法来确定神经网络的权值,克服了BP算法易陷入局部极小等缺陷,提高了网络学习速度和精度.通过对某台300MW机组现场试验与计算表明,该方法可以指导运行人员进行二次风开度的优化调整,降低飞灰含碳量,同时也解决了锅炉变工况下运行参数基准值的问题.     

Application of artificial neural networks for prediction of natural convection from a heated horizontal cylinder

A generalized neural network analysis for natural convection heat transfer from a horizontal cylinder is developed in this paper. Cylinder diameter, cylinder surface temperature and ambient temperature are selected as the input parameters, while the Nusselt number as the output. A three-layer network is used for predicting the Nusselt number. The number of the neurons in the hidden layer was determined by a trial and error process together with cross-validation of the experimental data evaluating the performance of the network and standard sensitivity analysis. The trained network gives the best values over the correlations with less than 2.5% mean relative error. The experimental data of the average Nusselt number over the horizontal cylinders having different diameters of 4.8 mm–9.45 mm are from Atay?lmaz and Teke [1]. The results from the trained network were compared with the proposed correlation for the average Nusselt number over the cylinder and it is shown that the results are in satisfactory agreement. The Nusselt numbers obtained from the experimental study were seen to be consistent by ± 20% with the well known correlations for natural convection heat transfer from horizontal cylinder developed by Morgan [2], Fand and Brucker [3], and Churchill and Chu [4]. Moreover it is seen that that results from the trained network show absolute agreement with the experimental data in ± 5% deviation band better than the correlations given by Morgan [2], Fand and Brucker [3], and Churchill and Chu [4].     

锅炉受热面积灰监测方法的研究

根据积灰机理,用多变量统计过程监控方法,对DCS系统采集的数据进和主元分析,计算其Ti2值,对废热锅炉积灰状态和故障进行在线监测,可以排除故障的干扰,为合理确定吹灰周期时间提供科学的依据.