共查询到20条相似文献,搜索用时 62 毫秒
1.
简要介绍了80t/h Circofluid型CFB锅炉的特点,针对该炉运行中飞灰含碳量偏高的情况,进行了大量的燃烧调整试验,对试验结果进行了整理及分析,并提出了参数优化后的运行方式,试验结果可供同类型的锅炉运行及管理人员参考. 相似文献
2.
某发电厂1#锅炉中修时主要进行了省煤器的改造,改造完成后一次风热风温度与改造前基本相同,二次风热风温度较改造前略有降低。改造后发现锅炉运行中出现上述飞灰含碳量高的现象,飞灰含碳量一直在10%左右,最高时将近20%。为了降低飞灰含碳量,提高锅炉运行的经济性和安全性,进行了锅炉燃烧调整试验。试验结果显示:该锅炉的飞灰含碳量显著降低,具有很大的经济效益。通过对试验过程进行分析,指出锅炉氧量控制偏低、一次风压偏高、燃烧煤粉颗粒较粗是造成运行中锅炉飞灰含碳量高的主要原因,并对锅炉的运行控制提出了建议。 相似文献
3.
4.
随着水电规模的不断扩大、各种新能源兴起,火电企业生存压力日益剧增,降本增效成为火电企业的必然趋势.低挥发分、高硫分的无烟煤因标煤单价低,成为降本的首选路线.该文分析了在燃用低挥发分、高灰分、高硫分的无烟煤后NOx及飞灰含碳量升高的原因,并通过优化燃烧组织方式、改善煤粉细度的方法来达到降低NOx生成量及降低飞灰含碳量的目... 相似文献
5.
介绍了煤指数、床压、床温、流化风量、总风量和一、二次风比例、燃煤粒径对循环流化床锅炉飞灰含碳量的影响,并以某电厂440t/h循环流化床锅炉降低飞灰含碳量的优化调整为例,通过正交试验分析各因素影响情况。试验表明:总风量对锅炉飞灰含碳量的影响相对较大,其次是流化风量,再次是床压。通过调整入炉煤粒径分布,进一步降低飞灰含碳量。试验表明燃煤粒度对锅炉飞灰含碳量影响较大。 相似文献
6.
循环流化床锅炉飞灰含碳量高的原因及降低措施 总被引:3,自引:0,他引:3
循环流化床锅炉具有高效、低污染、煤种适应性广等优点,但目前存在一个较为普遍的问题:飞灰含碳量高,锅炉燃烧效率达不到设计值。在对实例进行分析的基础上,探讨了煤的热值及煤的粒径、燃烧室水冷度、循环系统运行状况对飞灰含碳量的影响,提出了维持锅炉稳定燃烧,降低飞灰含碳量,提高燃烧效率的一些措施。 相似文献
7.
8.
9.
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。 相似文献
10.
11.
12.
针对生物质锅炉飞灰含碳量较高的问题,文章提出了基于主成分分析法(PCA)或Garson算法与普通LM-BP神经网络相结合的两种生物质锅炉飞灰含碳量预测模型。这两种模型通过对负荷、燃烧室烟气温度、烟气含氧量等17个原始输入变量进行降维得到新输入变量,再进行训练建模,提高了模型精度。利用我国某生物质电厂飞灰含碳量的实测数据对模型进行检验,检验结果表明,LM-Garson-BP神经网络的MAPE为2.09%,MSE为0.11,MAE为0.25,泛化能力最强,稳定性最好。 相似文献
13.
分析某300MW电站锅炉飞灰含碳量过高的原因,并提出了增设卫燃带,一次风集中布置,合理配比一、二次风,调整煤粉细度,调整出口氧量等优化措施,经改造取得满意效果。 相似文献
14.
15.
16.
17.
飞灰含碳量高是循环流化床锅炉燃烧效率低的主要原因,通过分析影响飞回含碳量的因素,得出降低飞灰含碳量的方法。 相似文献
18.
降低锅炉飞灰、灰渣含碳量的技术应用 总被引:1,自引:0,他引:1
提高二次风与炉膛差压,调整燃烧器上部二次风量,采用">"型燃烧技术,采用"对冲"型燃烧技术,有利于保证锅炉燃烧稳定,使煤粉燃烧充分,进而降低锅炉飞灰、灰渣含碳量,提高锅炉效率。 相似文献
19.
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。 相似文献