溴元素改性椰壳活性炭对实际燃煤烟气的脱汞性能

以椰壳活性炭（YAC）为原料,通过NH₄Br溶液浸渍改性,制备了溴素改性椰壳活性炭脱汞吸附剂（YAC-Br）。在固定床实验台上开展了YAC和YAC-Br的汞脱除实验,主要研究了入口汞（Hg⁰）浓度对YAC-Br脱汞性能的影响,并结合BET、SEM、XRF等表征手段分析了YAC-Br的脱汞原理。在0.3MW燃煤循环流化床锅炉上对YAC-Br进行了烟气管道喷射吸附剂脱汞（ACI）实验,验证了其在实际燃煤烟气中对汞的脱除效果。结果表明：改性过程不会破坏椰壳活性炭原有的孔隙结构和微孔容积,而会使活性炭表面更加平整;化学改性后活性炭表面Br负载量提高,成为Hg⁰的主要活性吸附位。固定床实验结果说明：改性后椰壳活性炭的初始汞吸附效率和单位累积汞吸附量分别提高了6.02倍和21.8倍,吸附效率随汞浓度增大而降低。0.3MW燃煤循环流化床实验结果表明：改性后椰壳活性炭对元素汞和氧化汞均有很好的脱除作用,脱汞效率随着吸附剂喷射量的增加而增加,当喷射量为0.7kg/h时,脱汞效率可达到76.38%。     

基于GWO-BP神经网络算法的WFGD系统在线优化

以浆液循环泵运行情况作为工况划分条件,通过提出的灰狼优化(GWO)-BP神经网络(GWO-BP神经网络)算法建立了针对湿法烟气脱硫(WFGD)系统多模态在线优化模型组,分析了机组负荷、入口SO₂质量浓度对出口SO2质量浓度变化量的影响,并利用某660 MW机组切换试验对该模型组性能进行验证。结果表明:随着机组负荷和入口SO₂质量浓度增大,切换后出口SO₂质量浓度变化量增大,该模型组具有较好的预测精度和泛化能力。     

基于样本熵的燃气-蒸汽联合循环机组稳态判定

本文提出了一种基于样本熵的燃气-蒸汽联合循环机组稳态判断方法,利用样本熵对信号的趋势变化及波动幅度的敏感性,获取目标序列的稳态因子,从而进行海量数据的筛选与归类。对几种典型仿真信号进行样本熵分析,讨论样本熵与信噪比的关系。并将样本熵用于燃气蒸汽联合循环重要参数稳态运行数据的优选。结果表明:样本熵对信号的趋势变化及波动幅度的识别能力较高,利用样本熵进行稳态判断可行;利用该优选的样本数据进行燃机特性的神经网络建模,有效提高了模型精度,大大降低了模型测试的误诊率。     

基于PRB-SAE算法的非线性系统建模及故障诊断方法

提出了一种基于并行重构堆叠自编码的故障诊断方法。该方法在常规堆叠自编码器基础上引入预设故障方向，采用梯度下降法在所有可能的预设故障方向上进行数据重构，通过比较重构后的平方预测误差（SPE）来确定最佳故障方向和故障幅值，从而抑制残差污染。针对大规模复杂系统的高维特点，进一步通过并行重构方法来提高数据重构效率，减少计算时间，满足在线诊断要求。采用数值算例和工程算例来验证所提方法的有效性。结果表明：该方法对于单参数简单故障和多参数复杂故障都有很好的诊断效果，与常规堆叠自编码方法相比，大大降低了故障误诊率，提高了诊断准确性。     

热工过程海量数据的高质量样本提取方法及应用

提出了一种面向热工过程海量运行数据的高质量样本提取方法，通过主成分分析(PCA)提取系统隐变量，采用基于稳态权重的合成少数类过采样(SWSMOTE)来补充少数类工况样本。以燃气轮机为工程算例，验证所提算法的有效性。结果表明：提出的高质量样本提取方法可将原始数据数量压缩到10%左右，模型平均均方根误差从0.042下降至0.031,模型训练时间减少90%。     

基于ＳＦＦＳ￣ＲＢＰＣＡ 的高维复杂工业过程故障诊断方法研究

基于重构的故障分离方法能够抑制残差污染影响,有效降低误诊率,但该类方法计算量会随系统维度和故障变量数量呈指数级上升,难以直接应用于高维复杂工业过程的在线故障诊断。因此,提出的主成分分析法是一种基于序列特征选择算法的重构主成分分析故障诊断方法,该方法基于历史数据建立主成分分析监测模型,利用综合指标对实时数据进行故障检测,在故障分离过程中引入序列特征选择方法来定位故障变量,并〖JP2〗采用数学仿真算例和实际工程算例对该方法的诊断性能进行验证。结果表明：所提方法可以在较小计算量的情况下保证高诊出率和低误诊率,在诊断精度和诊断效率之间达到良好平衡,能够有效处理高维系统复杂故障,满足了在线诊断需求。     

燃煤机组深度调峰运行下SCR入口烟温预测方法研究

提出一种基于模糊聚美-最小二乘向量机-神经网络(FCM-LSSVM-ANN)的多模型融合方法,对全工况下选择性催化还原(SCR)入口温度进行提前预测。采用模糊聚类对不同工况下的锅炉系统运行数据进行分解,并建立若干个基于最小二乘支持向量机的预测模型,最后采用神经网络对预测结果进行非线性融合得到最终预测结果。多模型融合的方法可以对锅炉系统全工况的运行特性进行学习,能更准确地完成负荷大范围波动条件下SCR入口温度预测。同时本文采用某600 MW机组实际运行数据对所提方法进行对比验证,结果表明本文方法能够实现该机组30%～100%负荷范围SCR入口温度的准确预测,平均预测偏差控制在±4℃以内,相对误差大多数情况下小于1%。本模型可以为燃煤机组深度调峰下脱销系统入口温度进行提前预警。     

一种基于HMF的火电机组短期负荷预测方法

以某1 000 MW机组为研究对象,通过对机组历史日负荷数据进行聚类分析,得到机组负荷的相似性特征。然后提出了一种适用于火电机组负荷预测的历史匹配预测算法(History matching and forecasting algorithm,HMF),HMF算法将预测时间点之前几个小时的负荷序列与同时段的历史负荷数据进行相似性匹配,利用最相似日的负荷变化趋势对未来负荷做出预测。算例测试表明:HMF算法未来3 h的负荷预测平均误差为4.412%,比传统的自回归滑动平均模型(Autoregressive moving average model,ARMA)具有更高的预测精度,且在变负荷过程中也能取得较好的预测效果。     

基于DSM湍流模型的气固圆湍撞击流模拟

采用改进的DSM大涡模型模拟气相湍流流动,采用颗粒轨道模型模拟颗粒运动,在双向耦合气固湍流数理模型基础上,采用蒙特卡洛方法Tanaka模型进行颗粒碰撞计算,取得相同颗粒数量下不同粒径的固体颗粒随湍射流运动对气相射流的调制规律及颗粒弥散规律.结果 表明,较大粒径的颗粒加强了气流刚性,由于颗粒惯性较大,对冲碰撞使颗粒在碰撞滞止点聚集,使流场中颗粒相浓度分布不均;中等粒径的颗粒对气相耗散较小,颗粒受到离心力主导影响,碰撞后仍沿涡的外围扩散;较小粒径的颗粒对气相耗散严重,颗粒跟随性好,大多聚集在涡核内,碰撞后仍随气体向外扩散,在流场中分布均匀.     

基于MFOA GRNN的汽轮机热耗率预测模型

为提高机组热耗率在线计算的精度与鲁棒性,提出多种群果蝇优化算法(Multi-population fruit fly optimization algorithm,MFOA)和广义回归神经网络(Generalized regression neural network,GRNN)相结合的汽轮机热耗率预测模型。以影响机组热耗率的主要运行参数为输入参数,建立基于GRNN的机组热耗率计算模型,并进一步采用改进的多种群果蝇优化算法优化GRNN模型中的光滑因子。将所建MFOA-GRNN热耗率预测模型应用到某1 000 MW机组中,结果表明该模型具有很好的计算精度,在测量数据发生方差增大、定值偏移等异常情况时该模型也能给出可靠的计算结果,具有较强的泛化能力和鲁棒性,满足实际工程需要。