共查询到20条相似文献,搜索用时 0 毫秒
1.
2.
3.
4.
5.
为衡量飞灰份额的取值对固体不完全燃烧热损失数值的影响,本文调研了五个燃煤粉锅炉电厂的试验数据,计算分析了固体不完全燃烧热损失以及供电标准煤耗随飞灰份额变化的规律。结果得出,飞灰含碳量与炉渣含碳量存在差异时,飞灰份额变化对固体不完全燃烧热损失产生影响,固体不完全燃烧热损失随飞灰份额呈线性关系变化,且飞灰含碳量与炉渣含碳量偏差越大,飞灰份额对固体不完全燃烧热损失影响越大;另外,对影响固体不完全燃烧热损失大小的其他因素进行分析,得出燃劣质煤、灰分含量高的煤种时,飞灰份额对固体不完全燃烧热损失的影响偏大;最后分析计算了飞灰份额对固体不完全燃烧热损失和供电标准煤耗的影响程度,飞灰份额变化0.05,固体不完全燃烧热损失变化0.03%~0.13%、供电标准煤耗变化为0.3~1.1 g/kWh。可见,飞灰份额变化对固体不完全燃烧热损失及供电标准煤耗影响较大,在锅炉热效率计算不可简单取值估算。 相似文献
6.
7.
前言 流化床锅炉由于具有良好的燃烧特性、低环境污染等优点,在国内外得到广泛应用。同时,也由于流化床锅炉烟气夹带来燃烬的飞灰较多,造成较大的固体不完全燃烧热损失,尤其是对含粉量较大的煤种更是如此,从而制约了流化床锅炉燃烧效率的提高。煤的产地不同,破碎后,颗粒分布特性差别也较大,本文将针对福建无烟煤的特点,就如何降低固体不完全燃烧热损失作一些探讨。 一、福建无烟煤的特点 属Ⅱ类无烟煤,低挥发份,煤粒着火温度高,燃烬时间长。产地不同,煤质差别大。如邵武煤挥发份一般在2~4%左右,破碎后0~1mm小颗粒高达50%。 二、小孔风速的影响 从风帽小孔喷出的空气速度称为小孔风速,它是布风装置设计的一个重要参数。小孔风速越大,气流对颗粒的冲击力越大,有利于粗颗粒的流化,热质交换条件好,并有利于锅炉负荷的调节。但风速过大,风帽阻力和风机电耗增加;风速过小易造成底部流化不良,锅炉负荷调节性差。小孔速度的选择应根据燃煤特性,颗粒筛分特性,负荷调节范围和风机电耗等全面综合考虑。福建无烟煤属含粉量较大的煤种,颗粒燃烬所需时间长,从理论上分析,似乎可以采用较小的小孔风速或较大的布风板开孔率。但实际上,现在的司炉人员怕结焦,均采用较大风量运行,如果小孔风速选取太小,或布风 相似文献
8.
结合国产大型火力发电厂锅炉飞灰可燃物偏高的现象,根据设备实际情况和运行经验总结,详细分析了机械未完全燃烧热损失偏高的原因,并提出了降低飞灰可燃物超标问题的措施及方法。 相似文献
9.
10.
不完全燃烧是造成煤粉炉热损失的主要原因之一,因此优化燃烧就显得极为重要本文就此问题结合实际情况进行了深入的分析和探讨,并提出合理的解决对策 相似文献
11.
12.
在以往通常的过量空气系数α~"_n.n=1.15条件下运行时,焦炭——烟炱粒子在火焰中心业已燃尽。被烟气携带出来的残余未燃尽碳,实际上可以略而不计。通过锅炉各部烟气通道的烟色是透明的。随着过量空气系数的降低,燃烧过程拖长,焦炭——烟炱粒子被带入温度相对为较冷的区域,该处的温度水平已不足以保证碳粒的完全燃尽。因此,部分未燃尽碳被排烟带走,从而产生了机械未完全燃烧损失。在苏联,首次对燃油炉的机械未完全燃烧损失进行测定是由BTN(全苏热工研究所)作出的。按参考资料,在所研究的过量空气系数范围内(1.02及以上)。q_4<0.01%。按照较近的数据,机械未完全燃烧损失当α>1.03时等于零;当α<1.03时建议采用q_4=0.15。资料[2]中给出了更为详细的q_3、q_4与α关系 相似文献
13.
锅炉燃烧热损失Q4对锅炉节能意义重大,锅炉燃烧热损失Q4的计量,如按常规公式进行计算,则使用不便,本文针对此问题,应用逐步回归法,通过实测数据,对锅炉燃烧热损失Q4进行关联回归,建立了关联式,并对它的应用和使用范围进行了分析探讨。 相似文献
14.
15.
利用人工神经网络优良的非线性映射能力,设计了一个3层前馈式神经网络用于传热法预测气固两相流中的固相流量,预测结果和实验结果吻合较好,为稀相气固两相流中固相流量的测量提供了一种简单、可靠的新方法。 相似文献
16.
在锅炉的能量平衡测试中,由于炉碴、漏煤及飞灰中含有未完全燃烧的可燃物(主要是碳)所造成的能量损失,称为固体不完全燃烧损失,习惯上用q_4表示.其数值因炉型、煤种及煤的颗粒组成和对锅炉的运行管理水平而异,差别较大,一般为10%~25%,有少数企业可能更高,达40%以上.因为这部分能量包含在锅炉的燃烧产物之中,和炉碴分离困难,因此很少进行二次燃烧.特别是飞灰,虽然其含碳量均在50%左右,但由于其粒径太小,不经处理,根本无法入炉再燃,大部分都作建材或废物处理了,形成能源浪费. 相似文献
17.
18.
长输供热管网的热损失控制直接影响热网运行的能耗水平。采用BP神经网络算法建立长输供热管网热损失预测模型,将当前时刻室外温度、供回水温度及上一时刻实际管网热损失作为模型输入参数,预测时刻管网热损失作为输出参数。结合某热企已建长输供热管网,利用历年实际运行数据作为样本数据进行训练,模型计算收敛且模型精度满足实际需求,表明BP神经网络算法可以用于长输供热管网的热损失预测,预测值可为长输供热管网的下一步运行调节提供参考。 相似文献