共查询到13条相似文献,搜索用时 171 毫秒
1.
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。 相似文献
2.
3.
4.
5.
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
6.
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。 相似文献
7.
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
8.
火电厂煤粉燃烧效率体现在燃尽程度上,一般用锅炉的飞灰含碳量来进行评价.这个参数的预知对燃料分级燃烧优化,即在能够降低NOx的排放的同时保证煤粉的燃烧效率,进而提高锅炉运行效率极为重要.分析了锅炉飞灰含碳量的影响因素,利用局部投影神经网络LPN结构简单、收敛速度快、泛化能力强和适用于非线性时变过程的特点,建立锅炉的飞灰含碳量动态预测模型.利用锅炉热态试验所得数据训练和测试该模型,结果表明,预测模型较精确地预测了飞灰含碳量,从而为燃料分级燃烧优化的进行提供了模型基础. 相似文献
9.
10.
11.
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
12.
电站锅炉飞灰含碳量的优化控制 总被引:11,自引:1,他引:11
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 相似文献
13.
基于SVM的燃煤电站锅炉飞灰含碳量预测 总被引:7,自引:0,他引:7
将支持向量机方法引入燃煤电站锅炉飞灰含碳量预测领域.该预测方法很好地建立了燃煤电站锅炉飞灰含碳量特性与运行参数之间的复杂关系模型,并考虑到运行参数之间的耦合性,具有预测能力强、全局最优及泛化性好等优点.将该方法应用于某300 MW燃煤电站锅炉中,经过训练后的SVM模型对检验样本飞灰含碳量进行预测,均方根误差和平均相对误差分别为1.39%和1.30%,相当于BP网络模型的22.20%和21.07%.应用结果表明,支持向量机方法优于多层BP神经网络法,能很好地满足预测要求. 相似文献