130t／h锅炉优化燃烧调整试验研究

针对实际生产中锅炉煤质变化对锅炉经济运行的影响,以130t/h锅炉为例,进行了优化燃烧调整实验。分析了过量空气系数、锅炉运行负荷、制粉系统的停、运、一次风速、二次风的配风方式等参数对锅炉效率和各经济参数的影响,提出了在煤质变化情况下锅炉合理的运行工况。实验表明:在合理的运行工况下,锅炉运行的经济性明显提高。     

基于静电法联合长短时记忆神经网络的入炉煤质辨识方法

燃煤机组每台磨煤机的实时入炉煤质对锅炉的燃烧优化调整具有重要意义,但传统煤质检测程序繁琐,且存在检测数据滞后的情况。因此,提出一种基于静电法联合长短时记忆（LSTM）神经网络的入炉煤质辨识方法。根据不同煤粉传输过程中存在静电变化的特性,安装静电传感器检测不同煤粉通过管道时的静电信号强度,结合风煤比、煤粉流速、磨煤机出口温度等影响参数,并结合现场数据分析参数相关性与迟延性,构建煤质辨识LSTM神经网络模型。以某600 MW机组锅炉实测数据为例,经参数寻优后采用LSTM神经网络模型辨识煤质准确率达到86.84%,对4种煤质分类结果的评估指标AUC值均在0.9以上,并与其他机器学习模型进行对比实验,结果表明LSTM神经网络模型具有更高的辨识精度,验证了该方法的可行性和准确性。     

锅炉燃烧系统神经网络建模及多目标优化研究

电站锅炉面临降低运行成本与降低污染物排放的双重要求。依据采集到的燃烧数据,采用神经网络训练得到了锅炉燃烧模型,用于预测锅炉在不同燃烧参数的NOx排放和燃烧效率。并采用多目标优化算法,通过调整锅炉运行参数,在锅炉高效燃烧与NOx低排放之间找到合理的平衡点。     

基于智能计算的锅炉燃烧优化指导系统及其应用

提出一基于智能计算技术的锅炉燃烧优化实时指导系统,该系统根据电科院现场燃烧调整试验数据以及锅炉运行历史数据,采用人工智能神经网络建立了锅炉燃烧特性的NSGA-Ⅱ数学模型,将现场燃烧调整试验数据结果和日常司炉的运行经验模型化,并采用多目标遗传算法优化技术从模型中提取专家级燃烧运行知识和经验,通过计算机在线指导锅炉配风、配煤等燃烧运行调整,达到同时提高锅炉运行效率和减小NO_x排放的目的。     

电站锅炉智能燃烧优化技术的应用研究

采用径向基神经网络建立了锅炉燃烧输入与输出参数的智能优化模型,分析了不同径向基函数分布密度对模型预测精度的影响,应用基于实数编码方式的遗传算法实现了运行操作参数的实时寻优.通过某电厂600 MW机组的实际应用,燃烧调整过程中实际运行参数的获得可用于指导锅炉运行人员的操作,使优化操作后的锅炉效率得到了提高.     

掺配煤燃烧的锅炉仿真模型及其应用

在分析炉膛燃烧机理的基础上,建立了反映掺配煤燃烧特征的锅炉运行热效率模型,其包括炉膛一维燃烧模型、对流受热面集总参数模型和锅炉热效率计算模型。对某电厂超临界600MW机组锅炉进行的仿真计算表明,随着煤质因子Fz的增大,飞灰含碳量减少,排烟温度上升,锅炉热效率降低;飞灰含碳量和排烟温度仿真值与实际运行值较吻合,该锅炉热效率工程模型预测趋势准确。     

基于燃煤特性的电站锅炉排烟温度预测模型研究

排烟温度是影响锅炉热损失的重要指标,其受到机组负荷、煤种(煤质)、燃烧系统控制参数等多种因素的综合影响,难以用1个线性的数学式来描述它们之间的关系。利用锅炉的历史运行数据和入炉煤种数据,分别采用3种非线性工具即支持向量机、最小二乘支持向量机和神经网络对锅炉排烟温度进行建模,同时采用交叉验证方法并结合遗传算法对前2种算法的模型参数进行优化选择。对3种预测模型的预测结果进行的比较分析表明,支持向量机法的泛化能力较高且收敛速度快。鉴于煤质对锅炉燃烧工况的影响,利用支持向量机法在考虑煤质因素情况下对排烟温度进行建模预测,结果表明考虑煤质后排烟温度建模预测具有更高的精确性。     

300MW机组锅炉NO_X排放浓度与主要运行因素的多元线性回归

采用现场燃烧调整试验方法,进行了机组负荷、运行氧量、二次风配风方式、磨煤机运行组合方式和煤质等因素对300 MW机组切圆燃烧锅炉NOX排放影响的试验研究。试验结果表明:氧量、负荷、煤质是NOX排放浓度的主要影响因素;而在保持大量燃尽风实现分级燃烧下,二次风配风方式对NOX排放浓度的影响较小。在燃烧调整试验研究基础上,建立了300 MW锅炉NOX排放浓度与主要运行因素的多元线性回归关系式,该关系式可用于指导锅炉NOX排放浓度的在线运行控制和预测。     

3000t/h锅炉运行中灰渣含碳质量分数的分析及燃烧优化

针对某3 000t/h锅炉灰、渣含碳质量分数大的问题进行了分析,从煤质变化、煤粉细度、磨煤机运行方式、锅炉负荷变化及燃烧配风等方面,论述了灰、渣含碳质量分数大的原因,并对不同燃煤提出不同的燃烧控制,合适的煤粉细度和配风,降低不完全燃烧损失,提高锅炉热效率。     

电厂燃煤混配模型的建立及分析

针对目前火电厂实际燃用煤种繁多,煤质特性各异,导致锅炉燃烧不好的问题,提出应依据不同煤质特性配煤,使锅炉在燃用与设计煤质相接近的条件下运行,以提高锅炉燃烧效率,增加锅炉的安全经济性。为此,分析了影响煤质的各种约束条件,建立了求解混配煤最优混配比的数学模型,并通过实例对数学模型进行了分析和求解,可为生产中混配煤和购煤活动提供理论依据。     

锅炉混煤掺烧的飞灰含碳量预测与运行优化

在对某电厂锅炉混煤掺烧的飞灰含碳量特性进行多工况热态测试的基础上,应用人工神经网络的非线性动力学特性及自学习特性,建立了飞灰含碳量特性的神经网络模型,检验样本的预测值与实测值的相对误差分别为1.14%、1.19%和2.45%,证实了该模型的可行性。将锅炉运行调节参数作为优化目标函数的自变量结合全局最优的遗传算法,针对无印尼煤掺烧、1台磨煤机掺烧和2台磨煤机掺烧3种工况进行了寻优并获得了最佳操作参数,飞灰含碳量分别由原来的2.25%、1.96%和1.08%降至1.87%、1.69%和0.73%,表明印尼煤的掺烧有助于降低飞灰含碳量,提高锅炉效率。同时,也对掺烧印尼煤工况下磨煤机或者磨煤机组合的选择进行了寻优,结果表明用B、C磨煤机进行掺烧为最佳方案。     

大型电站锅炉混煤掺烧的NOx排放特性预测与运行优化

在某700 MW四角切圆燃煤电站锅炉的NOx排放特性及锅炉效率多工况热态测试的基础上,应用人工神经网络建立大型四角切圆电站锅炉NOx特性及锅炉效率模型并进行预测,检验样本NOx排放浓度和锅炉效率预测值与实测值的平均相对误差分别为3.63%和0.23%,证实模型的可行性。并在此基础上,结合遗传算法对锅炉运行参数进行优化。优化后NOx排放浓度为421.44、255.05和215.40 mg×m-3,分别降低了37.56%、29.43%和30.56%;锅炉效率为94.56%、94.13%和94.80%,分别提高了0.09%、0.42%和0.88%。该模型可在掺烧非设计煤种情况下寻找出最优运行参数,降低锅炉NOx排放浓度并提高锅炉效率;同时随掺混比的增大,NOx排放浓度降低;掺烧D磨和E磨有利于降低NOx。     

BP神经网络对煤着火特性的预测

采用BP神经网络,以大量的煤质分析数据和热天平试验数据为基础,分3种情况建立了煤质工业分析、发热量与着火特性（着火温度、着火稳定性指标）关系的BP神经网络模型.结果表明,用BP神经网络可以达到很高的预测精度,同时还可以比较输入和输出的相关性.所得预测结果既可为燃煤采购提供依据,又可为锅炉运行提供参考.     

基于人工神经网络数据挖掘技术进行煤灰结渣特性分析

应用神经网络工具对动力用煤数据库进行数据挖掘，对影响煤灰结渣的大量煤质样本数据进行训练和验证，建立了适合国内煤质结渣预测的网络模型，扩展了对锅炉运行中结渣状态的判断能力。     

燃煤锅炉效率与NOx排放混合建模研究

介绍了RBF神经网络的结构和特点,进而讨论了遗传算法与RBF神经网络相结合的方法.以某300MW电站锅炉燃烧调整试验数据为基础,利用RBF神经网络对锅炉效率与NOx排放混合建模,并用遗传算法优化RBF神经网络的性能,使其预测精度大幅提高.同时RBF神经网络具有收敛速度快的独特优点.因此,优化后的RBF神经网络模型为下一步的锅炉运行参数优化和燃烧优化系统的建立奠定基础.     

基于HGA-ANN的燃煤电厂脱硫控制策略

基于多工况脱硫热态试验数据,建立了脱硫成本与运行调整参数的神经网络响应特性模型,并应用该模型对某台210 MW四角切圆燃煤电站锅炉的脱硫系统进行优化控制研究。     

切向燃烧煤粉炉炉膛结渣原因及预防措施

阐述了大型切向燃煤锅炉炉膛结渣的过程和机理，从煤质、锅炉结构参数等方面分析了影响结渣的原因，并以沙角C电厂660MW机组锅炉为例，从煤质管理、吹灰、运行调整等方面提出出了预防结渣的措施。     

125 MW 燃用无烟煤锅炉燃烧优化研究

对一台125 MW燃用无烟煤锅炉应用人工神经网络建立其锅炉效率的网络模型,并运用遗传算法对燃烧工况进行寻优,获得锅炉的燃烧优化工况。实践证明这种方法可以指导锅炉燃烧优化调整,提高锅炉运行经济性。     

某热电锅炉结焦原因分析和对策

针对山西大唐国际云冈热电有限责任公司两台锅炉投产后出现了严重结焦现象,从设备设计、调试、煤质变化和运行调整等方面进行了原因分析,并提出了通过燃烧器改造、入炉煤煤质的分析和配煤管理、对磨煤机一次风管进行热态调平、运行调整措施解决锅炉结焦的技术措施。通过运行调整,锅炉结焦有明显地改善,充分证明处理措施已取得了很好效果,保证了锅炉安全、经济、稳定运行。