基于GSA-LSSVM的循环流化床锅炉飞灰含碳量预测

为了控制循环流化床锅炉飞灰含碳量,提高锅炉燃烧效率。以某电厂循环流化床锅炉燃烧数据为样本,应用最小二乘支持向量机(LSSVM)建立了以锅炉运行参数为输入量,以锅炉飞灰含碳量为输出的模型。由于最小二乘支持向量机的参数决定了模型精度及泛化能力,将万有引力搜索算法(GSA)运用到模型参数寻优过程中,得到了飞灰含碳量最优模型GSA-LSSVM;并利用不同工况下的样本数据检验了模型的预测性能,并将该模型分别与粒子群(PSO)和遗传算法(GA)优化的LSSVM模型进行比较,仿真实验证明GSALSSVM模型具有很好的辨识能力及泛化能力。     

燃煤锅炉飞灰含碳量的BP神经网络模型

燃煤锅炉是复杂的多变量系统,其飞灰的含碳量形成机理复杂,不能用简单的数学公式估算。现场实炉测试这些数据具有工作量大,测试工况有限等缺点;燃煤锅炉运行参数及燃料特性等因素影响着飞灰的含碳量,其相互耦合,导致分析数据过程困难。神经网络建模将燃煤锅炉视为黑箱,应用该方法可以良好的描述其输入输出之间的黑箱特性,因此,人工神经网络应用广泛。利用燃煤锅炉试验数据,采用3层BP(back propagation)神经网络构建了锅炉飞灰的含碳量排放特性模型。通过锅炉的实测数据验证,该BP神经网络对飞灰含碳量相对预测误差在0.19%~0.50%,预测效果良好。测试结果表明,建立的神经网络预测模型可以准确逼近验证样本数据,也能够较好的逼近非验证样本数据,具有良好的泛化能力。     

基于BP神经网络的超临界对冲火焰锅炉飞灰含碳量预测分析

飞灰含碳量是反映燃煤锅炉机组燃烧效率的重要技术指标和运行经济指标,同时也影响锅炉的安全运行。超临界对冲火焰锅炉由于掺烧劣质煤,经常出现飞灰含碳量偏高的现象。本文以660MW超临界对冲火焰锅炉为研究对象,将影响飞灰含碳量的负荷、煤粉细度等十个运行参数作为输入量,应用BP神经网络的非线性动力学特性和自学习能力,建立了飞灰含碳量预测模型。经网络预测,与实际值的误差小于5.48%。在预测模型的基础上,对飞灰含碳量影响因素进行单因素影响规律分析。预测和分析结果表明,本模型方法能有效提取各参数对飞灰含碳量的影响规律,可用于锅炉飞灰含碳量的分析、预测和优化调节。     

基于支持向量机的燃烧过程飞灰含碳量与NOx排放特性模型

大型四角切圆电站锅炉NOx排放和飞灰含碳量是燃烧优化的两个方面,也是电厂关心的重要问题。影响两者的因素众多而且复杂,对锅炉飞灰含碳量和NOx排放特性进行建模是实现燃烧优化的一个前提。文中首先利用交叉验证算法分析样本数据,对支持向量机中的参数C和σ进行选择,再应用支持向量机理论建立了飞灰含碳量和NOx排放特性模型,最后利用试验数据对模型进行了校验。研究结果表明,采用支持向量机算法建模误差较小,达到了比较准确的预测效果。     

基于支持向量机和BP神经网络的燃煤锅炉NO_x排放预测

基于某660 MW燃煤锅炉运行时的热态实验数据,应用BP神经网络方法和支持向量机回归的方法对该燃煤电站锅炉NO_x排放特性分别进行建模,针对BP神经网络存在的问题,采用动量法对其进行改进,而对SVM预测模型进行了核函数及相应参数c和g进行了选优。两种模型仿真结果的平均相对误差为2.75%和1.37%,证明模型的准确性和泛化能力比较好。引入神经网络模型评价指标,对这两种模型的仿真和预测结果进行对比分析,结果表明采用支持向量机方法建立的NO_x排放模型比BP神经网络模型收敛速度快,准确度高,性能更优。     

BP神经网络与改进热力计算结合确定锅炉参数基准值

提出了采用BP神经网络模型与改进热力计算相结合的方法确定锅炉运行参数基准值。计算中采用BP神经网络模型预测飞灰含碳量的基准值,并根据锅炉运行负荷选取炉膛出口烟气温度计算公式,采用登山原理确定过量空气系数的方法确定关键运行参数基准值。最后,以一台HG1025/18.2-M锅炉为例,计算70%、50%负荷下该锅炉运行参数的基准值,得到随着锅炉负荷的降低炉膛出口过量空气系数明显增加,飞灰含碳量和机械未完全燃烧热损失显著降低。证明该方法能够很好地反映锅炉负荷、煤质特性参数改变对运行参数基准值的影响。     

大型电站锅炉飞灰含碳量优化模型研究

借助锅炉燃烧特性试验结果,建立了基于支持向量回归的大型电站锅炉飞灰含碳量模型.经过训练和校验,并与神经网络模型进行对比,结果表明:SVR模型更加适合于实炉测试工况较少的小样本学习,而且其精度能够满足工程的实际要求,能够较为准确的对不同工况下的电站锅炉飞灰含碳量进行预测.在获得该模型的基础上,结合全局寻优的遗传算法,以锅炉的运行调节参数为优化目标函数的自变量,对飞灰含碳量排放进行寻优,并获得了具体工况下的最佳操作参数.     

电站锅炉飞灰含碳量的优化控制

利用人工神经网络对锅炉飞灰含碳量进行建模,并采用混合遗传算法与复合形法进行运行工况寻优,获得当前最佳的锅炉燃烧调整方式,这种方法同时解决了锅炉变工况下运行参数基准值的问题。应用该模型对某台300MW四角切圆燃煤电站锅炉的飞灰含碳量进行优化控制研究,其结果可指导运行人员进行参数优化调整,降低锅炉飞灰含碳量,提高燃烧经济性。图3表4参7     

电站锅炉飞灰含碳量的优化控制

利用人工神经网络对锅炉飞灰含碳量进行建模，并采用混合遗传算法与复合形法进行运行工况寻优，获得当前最佳的锅炉燃烧调整方式，这种方法同时解决了锅炉变工况下运行参数基准值的问题。应用该模型对某台300MW四角切圆燃煤电站锅炉的飞灰含碳量进行优化控制研究，其结果可指导运行人员进行参数优化调整，降低锅炉飞灰含碳量，提高燃烧经济性。     

火电厂飞灰含碳量多模型融合软测量方法

针对目前火电厂燃煤锅炉飞灰含碳量测量方法存在时间滞后和精度不高等问题,在对锅炉飞灰含碳量影响因素进行分析的基础上,采用基于多个模型的组合可以提高模型精度和鲁棒性的思想,提出基于支持向量机融合的多模型动态软测量建模方法。该建模方法利用时间序列数据建立模型,每个子模型表达某一工况对输出的估计,各个子模型的预测输出通过SVM方法实现变权数融合。应用火电厂历史数据进行飞灰含碳量软测量建模研究,结果表明该方法能够达到较好的测量效果。     

基于BP神经网络的煤粉锅炉飞灰含碳量研究

飞灰含碳量是反映电站煤粉锅炉燃烧效率的一个重要指标。基于误差反向传播（BP）神经网络方法,建立了11-23-1型BP神经网络模型。根据某电站四角切圆煤粉锅炉特点选取了煤粉细度、燃烧器摆角、烟气含氧量、5个煤种参数、燃烧器喷口运行组合等11个影响燃烧的参数作为神经网络的输入因子,对建立的模型进行训练,得到模型参数。以此进行预测,与实际值的误差不超过6％。在此基础上,又提出了单参数影响飞灰含碳量的简化分析方法,使神经网络包含的多维非线性规律在一定条件下简洁、直观地反映出来。计算和分析结果表明,本模型方法能有效提取各参数对飞友含碳量的影响规律,可用于锅炉飞灰含碳量的分析、预测和优化调节。     

基于神经网络的电站锅炉飞灰含碳量软测量系统

借助于正交试验设计，对某台200MW机组燃煤锅炉飞灰含碳量特性进行了多工况热态测试，获得了数据样本，采用基于Levenberg-Marquardt(LM)算法的BP神经网络，建立了飞灰含碳量软测量模型，通过仿真计算，证明了飞灰含碳量软测量模型的正确性和有效性。     

On-line monitoring the performance of coal-fired power unit: A method based on support vector machine

This paper introduces a novel on-line monitoring performance method of coal-fired power unit. Support vector machine (SVM) is used to predict the unburned carbon content of fly ash in the boiler and the exhaust steam enthalpy in turbine, which are two difficulties in the real time economic performance calculation model in coal-fired power plant. Comparison between the output of SVM modeling and the experimental data shows a good agreement, and compared with conventional artificial neural network techniques, SVM can achieve better accuracy and generalization. This presented monitoring method is proven by the results of application cases in a practical coal-fired power plant.     

电厂锅炉飞灰含碳量测量模型

目前广泛采用微波技术进行在线测量电厂飞灰含碳量,现场使用过程中飞灰成分变化对仪器的测量精度有严重影响。利用RBF神经网络对影响飞灰成分的多维数据和微波功率进行融合,建立电厂锅炉飞灰含碳量测量模型。该模型能够避免飞灰种类变化对飞灰含碳量测量结果的影响,提高了飞灰含碳量的测量精度。     

基于混合智能的锅炉飞灰含碳量实时目标值模型

为了降低飞灰含碳量,提高锅炉运行水平,运用混合智能技术建立了飞灰含碳量目标值模型.从运行优化角度提出了飞灰含碳量目标值的定义和技术可行方案.通过对锅炉的历史运行工况数据库进行数据挖掘,建立了锅炉历史最优工况数据库,以此作为训练样本建立飞灰含碳量目标值的神经网络模型,在进行了实例验证后对模型进行了分析讨论.实际应用表明该模型具备自调节能力,能够向运行人员实时提供当前工况下的飞灰含碳量目标值,为飞灰含碳量的实时优化指明了调整的方向.     

Mercury emission and adsorption characteristics of fly ash in PC and CFB boilers

The mercury emission was obtained by measuring the mercury contents in flue gas and solid samples in pulverized coal (PC) and circulating fluidized bed (CFB) utility boilers. The relationship was obtained between the mercury emission and adsorption characteristics of fly ash. The parameters included unburned carbon content, particle size, and pore structure of fly ash. The results showed that the majority of mercury released to the atmosphere with the flue gas in PC boiler, while the mercury was enriched in fly ash and captured by the precipitator in CFB boiler. The coal factor was proposed to characterize the impact of coal property on mercury emissions in this paper. As the coal factor increased, the mercury emission to the atmosphere decreased. It was also found that the mercury content of fly ash in the CFB boiler was ten times higher than that in the PC boiler. As the unburned carbon content increased, the mercury adsorbed increased. The capacity of adsorbing mercury by fly ash was directly related to the particle size. The particle size corresponding to the highest content of mercury, which was about 560 ng/g, appeared in the range from 77.5 to 106 µm. The content of mesoporous (4–6 nm) of the fly ash in the particle size of 77.5–106 µm was the highest, which was beneficial to adsorbing the mercury. The specific surface area played a more significant role than specific pore volume in the mercury adsorption process.     

飞灰未燃尽碳对吸附烟气汞影响的试验研究

采用HYDRA AA全自动测汞仪对3个燃煤电厂的飞灰未燃尽碳进行测试,并利用垂直炉试验系统对电厂飞灰吸附烟气汞进行了试验研究.结果表明：不同燃煤电厂飞灰中的未燃尽碳含量不同是由于各电厂不同煤种、不同燃烧工况以及机组的不同参数造成的;同一电厂的飞灰在灼烧后与原灰相比,对烟气汞的吸附效率相差不大;除了飞灰中的未燃尽碳对汞有吸附外,尾矿对汞也有一定的吸附作用;未燃尽碳含量高的飞灰对汞的吸附效率也较高.