改进BP神经网络在低氮燃烧优化中的应用

基于燃煤锅炉低氮燃烧优化试验数据,建立了预测NOx排放浓度和锅炉效率的改进BP神经网络模型,通过样本学习,该网络可以精确描述锅炉运行参数与NOx排放浓度和锅炉效率之间的非线性映射关系。仿真结果表明,网络的NOx排放浓度和锅炉效率预测值的相对误差分别小于3.92%和7.6%,能够描述NOx排放浓度和锅炉效率随SOFA风门开度和运行氧量变化的规律,而且预测精度高、泛化能力强,可为燃煤锅炉低氮燃烧优化提供指导。     

LNB改造后燃烧器烧损及NOx 排放高原因分析

以某电厂为例,一期1、2号锅炉在低氮燃烧器（low-NOx burner,LNB）改造后,燃烧器设备先后出现烧损问题,且1号炉NOx排放较2号炉高约100 mg/m3,危及锅炉运行安全及脱硝设备正常投运。针对上述问题,从改造方案、设备制造及运行方式等方面分析了原因。发现：（1）2号炉改造设计没有考虑煤种变化,采用了常规稳燃措施,同时运行期间周界风开度小,导致燃烧器区域出现局部高温,燃烧器防磨陶瓷脱落引起煤粉堆积,并在一次风室内燃烧导致燃烧器烧损;（2）1号炉燃烧器制造过程中各喷口间空隙未按设计要求封堵,煤粉被负压回流带入燃烧器隔板堆积燃烧,导致燃烧器烧损。同时,喷口间隙未封堵造成燃烧器二次风漏风严重,降低了空气分级效果,导致NOx偏高。在原因分析的基础上,采取了相应改进措施。结果表明,改进措施有效解决了1、2号炉出现的问题,可为其他电厂类似问题的解决提供参考。     

基于改进Jaya算法和组合相关函数的结构损伤识别

针对Jaya算法计算精度差、收敛速度慢、易陷入局部最优而提前收敛等问题，为提高算法的性能，引入Hammersley序列初始化、Lévy飞行搜索、经验学习策略得到改进Jaya算法。计算加速度响应互相关函数的所有组合，得到组合相关函数，在此基础上提出基于改进Jaya算法和组合相关函数的结构损伤识别方法。利用随机激励下多自由度体系模型验证该识别方法的有效性，并讨论不同的优化算法、噪声等级、采样频率、采样时间、数据点数、传感器数量、模型误差等因素对识别结果的影响。研究结果表明：与遗传算法和Jaya算法相比，改进Jaya算法可以更好地平衡全局搜索和局部搜索，加快收敛速度，提高识别精度；改进Jaya算法和组合相关函数的损伤识别方法在20%噪声下仍然可以准确识别结构刚度损伤位置和程度。