本文選題：NO_x排放　切入點(diǎn)：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(yán)重,對(duì)NO_x排放的控制越來(lái)越嚴(yán)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(huì)使NO_x的控制更加經(jīng)濟(jì)高效。本文首先對(duì)降低燃煤電站鍋爐NO_x排放的幾種研究方法進(jìn)行了對(duì)比,指出目前對(duì)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(duì)燃煤鍋爐進(jìn)行燃燒優(yōu)化,粗糙集無(wú)需建立復(fù)雜的數(shù)學(xué)模型,也無(wú)需現(xiàn)場(chǎng)的燃燒調(diào)整實(shí)驗(yàn)數(shù)據(jù),只需要用簡(jiǎn)單的約簡(jiǎn)算法對(duì)運(yùn)行歷史數(shù)據(jù)進(jìn)行挖掘,就能得到與NO_x排放值相關(guān)參數(shù)的優(yōu)化運(yùn)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(jìn)屬性約簡(jiǎn)算法和基于核值的值約簡(jiǎn)算法。經(jīng)過(guò)改進(jìn)的屬性約簡(jiǎn)算法不需要進(jìn)行復(fù)雜的邏輯運(yùn)算,便于用程序語(yǔ)言進(jìn)行實(shí)現(xiàn),且用于存儲(chǔ)分辨函數(shù)的內(nèi)存大大減少,提高了程序的運(yùn)行效率。值約簡(jiǎn)算法能夠?qū)傩约s簡(jiǎn)后的規(guī)則進(jìn)行進(jìn)一步的精簡(jiǎn),使最終得到的規(guī)則數(shù)少而精。同時(shí)本文用可視化集成開(kāi)發(fā)環(huán)境VC++6.0對(duì)該算法進(jìn)行實(shí)現(xiàn),使挖掘過(guò)程和得到的知識(shí)更加直觀。用某機(jī)組的運(yùn)行數(shù)據(jù)對(duì)該算法進(jìn)行驗(yàn)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(duì)某300MW機(jī)組200MW負(fù)荷下的NO_x排放數(shù)據(jù)進(jìn)行挖掘。首先確認(rèn)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(duì)數(shù)據(jù)預(yù)處理和離散化后,用上述屬性約簡(jiǎn)算法和值約簡(jiǎn)算法進(jìn)行挖掘。對(duì)約簡(jiǎn)后得到的排煙溫度、燃燒器擺角、各層二次風(fēng)風(fēng)門開(kāi)度、各引送分機(jī)風(fēng)量等11個(gè)屬性進(jìn)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(qiáng)的相關(guān)性。對(duì)得到的規(guī)則集進(jìn)行分析,結(jié)果表明在200MW負(fù)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(guò)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(shí)際中指導(dǎo)運(yùn)行優(yōu)化時(shí),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(shí)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(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：X773

【相似文獻(xiàn)】

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(jiǎn)研究[J];長(zhǎng)沙理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年01期

2 李寅煦;;粗糙集在突發(fā)危機(jī)事件范例推理中的應(yīng)用研究[J];陜西科技大學(xué)學(xué)報(bào)(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(duì)其品質(zhì)影響程度的粗糙集判別方法[J];農(nóng)業(yè)機(jī)械學(xué)報(bào);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(bào);2005年02期

6 侯運(yùn)炳,潘啟新;基于粗糙集決策方法的礦山不確定多屬性問(wèn)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(bào)(綜合版);2006年03期

8 郝春亮;孫雨;徐從富;張作衡;宋國(guó)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(jiǎn)與數(shù)控機(jī)床故障診斷研究[J];組合機(jī)床與自動(dòng)化加工技術(shù);2012年08期

10 李元萍;李元良;;粗糙集約簡(jiǎn)算法的研究與實(shí)現(xiàn)[J];礦業(yè)研究與開(kāi)發(fā);2008年04期

相關(guān)會(huì)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(guó)焊接會(huì)議論文集（第2冊(cè)）[C];2005年

2 尹宗成;;粗糙集理論在我國(guó)糧食產(chǎn)量預(yù)測(cè)中的應(yīng)用[A];現(xiàn)代農(nóng)業(yè)理論與實(shí)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(jiǎn)分類方法[A];第十四屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)(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(jiǎn)中的應(yīng)用[A];第二十一屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)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(guó)開(kāi)放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集(上冊(cè))[C];2008年

6 肖健梅;蘆曉明;王錫淮;;集裝箱起重機(jī)防搖系統(tǒng)粗糙集控制[A];第二十六屆中國(guó)控制會(huì)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(píng)價(jià)的粗糙集實(shí)現(xiàn)方法[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

8 王紅萍;萬(wàn)程亮;金彥豐;;應(yīng)用粗糙集理論的對(duì)抗效果權(quán)重確定方法[A];2009’中國(guó)西部地區(qū)聲學(xué)學(xué)術(shù)交流會(huì)論文集[C];2009年

9 王莉;周獻(xiàn)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(cè)中的研究[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第二分冊(cè)）[C];2009年

10 卓明;王麗珍;譚旭;;基于粗糙集近似集擴(kuò)展的規(guī)則提取算法[A];第十七屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)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(jiǎn)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(shí)發(fā)現(xiàn)方法及其在ECG信號(hào)識(shí)別中的應(yīng)用[D];電子科技大學(xué);2015年

3 曾凱;鄰域�；植谟�(jì)算的關(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(fù)域覆蓋廣義粗糙集與知識(shí)粗傳播研究[D];山東大學(xué);2007年

5 孔芝;粗糙集理論若干問(wèn)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(shí)發(fā)現(xiàn)中粗糙集理論的研究[D];中國(guó)科學(xué)院研究生院（計(jì)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(jiǎn)及粗糙集擴(kuò)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(jiǎn)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(xiǎn)評(píng)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(jī)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(kuò)展與拓?fù)淇臻g[D];蘭州大學(xué);2015年

6 徐鵬;基于粗糙集的建筑起重機(jī)械安全精細(xì)化評(píng)價(jià)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(jiǎn)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(yuǎn);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(yíng)銷客戶分類中的應(yīng)用[D];南京理工大學(xué);2015年

，

本文編號(hào)：1655518