本文選題：NO_x排放　切入點：粗糙集　出處：《華北電力大學(xué)》2015年碩士論文

【摘要】：隨著環(huán)境污染的日益嚴重,對NO_x排放的控制越來越嚴格�？刂芅O_x排放的方法有很多,但是如果能夠在燃料的燃燒階段就減少NO_x的生成,會使NO_x的控制更加經(jīng)濟高效。本文首先對降低燃煤電站鍋爐NO_x排放的幾種研究方法進行了對比,指出目前對NO_x的控制主要包括燃燒優(yōu)化和煙氣吸收兩種方法。相比于用神經(jīng)網(wǎng)絡(luò)等人工智能方法對燃煤鍋爐進行燃燒優(yōu)化,粗糙集無需建立復(fù)雜的數(shù)學(xué)模型,也無需現(xiàn)場的燃燒調(diào)整實驗數(shù)據(jù),只需要用簡單的約簡算法對運行歷史數(shù)據(jù)進行挖掘,就能得到與NO_x排放值相關(guān)參數(shù)的優(yōu)化運行區(qū)間,從燃燒階段減少NO_x的生成。然后本文介紹了基于分辨矩陣的改進屬性約簡算法和基于核值的值約簡算法。經(jīng)過改進的屬性約簡算法不需要進行復(fù)雜的邏輯運算,便于用程序語言進行實現(xiàn),且用于存儲分辨函數(shù)的內(nèi)存大大減少,提高了程序的運行效率。值約簡算法能夠?qū)傩约s簡后的規(guī)則進行進一步的精簡,使最終得到的規(guī)則數(shù)少而精。同時本文用可視化集成開發(fā)環(huán)境VC++6.0對該算法進行實現(xiàn),使挖掘過程和得到的知識更加直觀。用某機組的運行數(shù)據(jù)對該算法進行驗證,最終得到的結(jié)果表明該算法能夠獲得正確且精煉的規(guī)則集。最后用該算法對某300MW機組200MW負荷下的NO_x排放數(shù)據(jù)進行挖掘。首先確認與NO_x排放相關(guān)的優(yōu)化參數(shù)即待挖掘條件屬性,得到待挖掘的決策表。在對數(shù)據(jù)預(yù)處理和離散化后,用上述屬性約簡算法和值約簡算法進行挖掘。對約簡后得到的排煙溫度、燃燒器擺角、各層二次風(fēng)風(fēng)門開度、各引送分機風(fēng)量等11個屬性進行相關(guān)性分析,結(jié)果表明得到的條件屬性與NO_x排放值之間存在較強的相關(guān)性。對得到的規(guī)則集進行分析,結(jié)果表明在200MW負荷下,較小的底層二次風(fēng)配風(fēng),較大的上層二次風(fēng)配風(fēng),偏下的燃燒器擺角,較低的過量空氣系數(shù)以及較低的排煙溫度能夠有效的將NO_x的排放控制在低水平。實際中指導(dǎo)運行優(yōu)化時,選取NO_x排放區(qū)間為較低的規(guī)則,可以在降低NO_x排放值的同時兼顧鍋爐效率。
[Abstract]:With the increasingly serious environmental pollution, the control of NO_x emissions is becoming more and more strict. There are many ways to control NO_x emissions, but if the generation of NO_x can be reduced at the combustion stage of fuel, It will make the control of NO_x more economical and efficient. Firstly, several research methods of reducing NO_x emission from coal-fired power station boiler are compared in this paper. It is pointed out that the control of NO_x mainly includes two methods: combustion optimization and flue gas absorption. Compared with artificial intelligence methods such as neural network for combustion optimization of coal-fired boilers, rough set does not need to establish complex mathematical models. It is also necessary to mine the running history data by simple reduction algorithm, and to get the optimal operation interval of the parameters related to the emission value of NO_x, it is not necessary to adjust the experimental data of combustion on the spot, and only the simple reduction algorithm is used to mine the running history data. In this paper, the improved attribute reduction algorithm based on resolution matrix and the value reduction algorithm based on kernel value are introduced. The improved attribute reduction algorithm does not need complicated logic operation. It is easy to implement in program language, and the memory used to store resolution function is greatly reduced, which improves the efficiency of the program. The value reduction algorithm can further simplify the rules after attribute reduction. At the same time, the algorithm is implemented by visual integrated development environment (VC 6.0), which makes the mining process and the acquired knowledge more intuitionistic. The algorithm is verified with the running data of a certain unit. The final results show that the algorithm can obtain correct and refined rule set. Finally, the algorithm is used to mine the NO_x emission data under the 200MW load of a 300MW unit. Firstly, the optimization parameters related to NO_x emissions are confirmed, that is, the conditional attributes to be mined. After data preprocessing and discretization, the above attribute reduction algorithm and value reduction algorithm are used to mine the decision table to be mined. The correlation analysis of 11 attributes, such as the air volume of each extension, shows that there is a strong correlation between the conditional attribute and the NO_x emission value. The rule set is analyzed, and the result shows that under the 200MW load, there is a strong correlation between the obtained conditional attribute and the NO_x emission value. Smaller lower secondary air distribution, larger upper secondary air distribution, lower burner swing angle, lower excess air coefficient and lower exhaust temperature can effectively control NO_x emissions at low levels. When the NO_x emission interval is chosen as the lower rule, the boiler efficiency can be taken into account while reducing the NO_x emission value.
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：X773

【相似文獻】

相關(guān)期刊論文 前10條

1 傅明,陳曦,劉翌南;基于信息顆粒的粗糙集約簡研究[J];長沙理工大學(xué)學(xué)報(自然科學(xué)版);2004年01期

2 李寅煦;;粗糙集在突發(fā)危機事件范例推理中的應(yīng)用研究[J];陜西科技大學(xué)學(xué)報(自然科學(xué)版);2011年05期

3 王翠珍;楊超龍;李洪武;周廣柱;;粗糙集理論在環(huán)境科學(xué)研究中的應(yīng)用[J];山東化工;2011年09期

4 殷勇;煙草成分對其品質(zhì)影響程度的粗糙集判別方法[J];農(nóng)業(yè)機械學(xué)報;2004年04期

5 尤三偉,劉少亭;基于粗糙集理論的圖像中值濾波[J];西安科技大學(xué)學(xué)報;2005年02期

6 侯運炳,潘啟新;基于粗糙集決策方法的礦山不確定多屬性問題的研究[J];煤炭工程;2005年04期

7 楊林娟;;粗糙集理論在天然氣輸送管道外腐蝕分析中的應(yīng)用[J];南通職業(yè)大學(xué)學(xué)報(綜合版);2006年03期

8 郝春亮;孫雨;徐從富;張作衡;宋國璽;;粗糙集理論與方法在地質(zhì)研究中的應(yīng)用[J];地質(zhì)與勘探;2011年03期

9 武裝;;基于粒子群的粗糙集屬性約簡與數(shù)控機床故障診斷研究[J];組合機床與自動化加工技術(shù);2012年08期

10 李元萍;李元良;;粗糙集約簡算法的研究與實現(xiàn)[J];礦業(yè)研究與開發(fā);2008年04期

相關(guān)會議論文 前10條

1 黎文航;陳善本;王兵;;粗糙集理論在焊接中的應(yīng)用綜述[A];第十一次全國焊接會議論文集（第2冊）[C];2005年

2 尹宗成;;粗糙集理論在我國糧食產(chǎn)量預(yù)測中的應(yīng)用[A];現(xiàn)代農(nóng)業(yè)理論與實踐——安徽現(xiàn)代農(nóng)業(yè)博士科技論壇論文集[C];2007年

3 鄒剛;滕書華;孫即祥;陳森林;敖永紅;;一種粗糙集優(yōu)化協(xié)同原型模式約簡分類方法[A];第十四屆全國信號處理學(xué)術(shù)年會(CCSP-2009)論文集[C];2009年

4 葛麗;傅彥;;粗糙集在科學(xué)數(shù)據(jù)屬性約簡中的應(yīng)用[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

5 陳雪飛;;粗糙集分類中耦合數(shù)據(jù)的處理方法研究[A];2008年全國開放式分布與并行計算機學(xué)術(shù)會議論文集(上冊)[C];2008年

6 肖健梅;蘆曉明;王錫淮;;集裝箱起重機防搖系統(tǒng)粗糙集控制[A];第二十六屆中國控制會議論文集[C];2007年

7 王印松;馮康;;主汽溫調(diào)節(jié)系統(tǒng)性能評價的粗糙集實現(xiàn)方法[A];第二十七屆中國控制會議論文集[C];2008年

8 王紅萍;萬程亮;金彥豐;;應(yīng)用粗糙集理論的對抗效果權(quán)重確定方法[A];2009’中國西部地區(qū)聲學(xué)學(xué)術(shù)交流會論文集[C];2009年

9 王莉;周獻中;;一種基于粗糙集的模糊神經(jīng)網(wǎng)絡(luò)模型在鋼材力學(xué)性能預(yù)測中的研究[A];2009年中國智能自動化會議論文集（第二分冊）[C];2009年

10 卓明;王麗珍;譚旭;;基于粗糙集近似集擴展的規(guī)則提取算法[A];第十七屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2000年

相關(guān)博士學(xué)位論文 前10條

1 馬希驁;概率粗糙集屬性約簡理論及方法研究[D];西南交通大學(xué);2014年

2 唐孝;基于粗糙集的知識發(fā)現(xiàn)方法及其在ECG信號識別中的應(yīng)用[D];電子科技大學(xué);2015年

3 曾凱;鄰域�；植谟嬎愕年P(guān)鍵技術(shù)研究與應(yīng)用[D];電子科技大學(xué);2015年

4 薛佩軍;正負域覆蓋廣義粗糙集與知識粗傳播研究[D];山東大學(xué);2007年

5 孔芝;粗糙集理論若干問題的研究與應(yīng)用[D];東北大學(xué);2009年

6 秦中廣;基于粗糙集的交叉研究及其在中醫(yī)診斷的應(yīng)用[D];華南理工大學(xué);2002年

7 劉少輝;知識發(fā)現(xiàn)中粗糙集理論的研究[D];中國科學(xué)院研究生院（計算技術(shù)研究所）;2003年

8 鄧大勇;基于粗糙集的數(shù)據(jù)約簡及粗糙集擴展模型的研究[D];北京交通大學(xué);2007年

9 孫英娟;基于粗糙集的分類方法研究[D];吉林大學(xué);2011年

10 楊田;覆蓋粗糙集約簡理論及應(yīng)用[D];湖南大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 江飛;粗糙集神經(jīng)網(wǎng)絡(luò)故障診斷方法研究[D];西安石油大學(xué);2015年

2 何理榮;粗糙集理論在銀行信貸風(fēng)險評估中的應(yīng)用研究[D];華南理工大學(xué);2015年

3 張德齊;基于粗糙集理論的電機故障診斷方法研究[D];渤海大學(xué);2015年

4 楊禮;基于粗糙集的公路交通安全預(yù)警研究[D];西南交通大學(xué);2015年

5 聶萌瑤;基于泛系串并模型的粗糙集概念擴展與拓撲空間[D];蘭州大學(xué);2015年

6 徐鵬;基于粗糙集的建筑起重機械安全精細化評價研究[D];西安建筑科技大學(xué);2015年

7 孫宇航;粗糙集屬性約簡方法在醫(yī)療診斷中的應(yīng)用研究[D];蘇州大學(xué);2015年

8 張曼;基于粗糙集和包含度的聚類分類算法研究[D];青島理工大學(xué);2015年

9 車世遠;基于群搜索優(yōu)化粗糙集的腦科學(xué)數(shù)據(jù)研究[D];大連海事大學(xué);2015年

10 林哲;基于粗糙集的馬田系統(tǒng)研究及其在銀行直接營銷客戶分類中的應(yīng)用[D];南京理工大學(xué);2015年

，

本文編號：1655518