【摘要】：火力發(fā)電目前仍然是我國主要的發(fā)電方式,燃燒過程中會產(chǎn)生大量的例如NOx、粉塵等污染性氣體,不僅會嚴(yán)重的污染環(huán)境引起酸雨、pm2.5等,而且危害了人體的健康,隨著國家相關(guān)政策的指定和人們環(huán)保意識的日益加強(qiáng),減少NOx的排放勢在必行。本文以某燃煤電廠660MW超超臨界鍋爐為研究對象,從低NOx燃燒和尾部脫硝兩方面針對該機(jī)組在中高負(fù)荷和低負(fù)荷下的運行工況下進(jìn)行NOx減排,以達(dá)到全負(fù)荷工況下的NOx低排放。針對中高負(fù)荷運行工況下,SCR設(shè)備正常運行,利用Python編程語言及Scikit-learn拓展庫為工具,選取運行工況為550MW和660MW負(fù)荷下的運行數(shù)據(jù)為樣本,分別采用梯度提升樹、隨機(jī)森林和支持向量機(jī)三種模型建立NOx排放預(yù)測模型,其中550MW負(fù)荷下梯度提升樹預(yù)測模型測試集中的最大相對誤差為3.16%,平均相對誤差1.93%;隨機(jī)森林預(yù)測模型測試集中的最大相對誤差為3.40%,平均相對誤差2.28%;支持向量機(jī)預(yù)測模型測試集中的最大相對誤差為2.98%,平均相對誤差2.17%,660MW負(fù)荷下梯度提升樹預(yù)測模型測試集中的最大相對誤差為2.62%,平均相對誤差1.67%;隨機(jī)森林預(yù)測模型測試集中的最大相對誤差為2.23%,平均相對誤差2.03%;支持向量機(jī)預(yù)測模型測試集中的最大相對誤差為2.66%,平均相對誤差1.94%。結(jié)果表明這三個模型都有較高的預(yù)測精度和較強(qiáng)的泛化性,綜合預(yù)測精度和運行效率,最后選擇支持向量機(jī)作為最終預(yù)測模型。在以支持向量機(jī)作為預(yù)測模型的基礎(chǔ)上,借由粒子群算法對支持向量機(jī)模型的參數(shù)進(jìn)行優(yōu)化,優(yōu)化后的參數(shù)取值C=14.3,gamma=0.0065,利用優(yōu)化后的支持向量機(jī)測模型測試集中的最大相對誤差為2.50%,平均相對誤差1.78%,相比于優(yōu)化前誤差明顯降低,表明使用粒子群算法對模型的參數(shù)進(jìn)行優(yōu)化能夠提高預(yù)測模型的精確性,以優(yōu)化后的支持向量機(jī)為基礎(chǔ),利用粒子群算法對NOx排放進(jìn)行優(yōu)化,結(jié)果表明優(yōu)化后NOx排放下降,但鍋爐熱效率也隨之降低,為保證在NOx排放降低的情況下鍋爐的高效率燃燒,利用多目標(biāo)粒子群算法對鍋爐燃燒進(jìn)行多目標(biāo)優(yōu)化,以NOx排放濃度和鍋爐熱效率為目標(biāo)函數(shù),得到由多組可行解組成的pareto解集,從解集中選擇合適的解可以在降低NOx的排放前提下保證鍋爐的熱效率。當(dāng)鍋爐實際運行負(fù)荷過低時,SCR脫硝設(shè)備停運,此時若只采用上述優(yōu)化算法對鍋爐運行參數(shù)進(jìn)行調(diào)整,對NOx排放濃度影響很小,針對這一實際工程問題,提出了對燃煤鍋爐尾部煙道進(jìn)行工程改造,SCR入口煙溫提升到正常反應(yīng)溫度,SCR設(shè)備正常脫硝,對改造方案進(jìn)行熱力計算,計算結(jié)果表明在50%BMCR工況下,后省煤器調(diào)節(jié)煙氣份額為0.5時,煙氣溫度提升到323℃;給水旁路給水份額為0.8左右時,煙氣溫度提升到322℃;后省煤器面積為總面積的0.3時,煙溫提升到325℃,均達(dá)到SCR脫硝設(shè)備正常運行所需的320℃最低煙溫,從而達(dá)到了低負(fù)荷下的NOx減排。
【學(xué)位授予單位】：南昌大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：X773;TP18
【圖文】：

第 2 章 鍋爐燃燒 NOx 預(yù)測模型的建立與分析學(xué)習(xí)器并行運行組成強(qiáng)學(xué)習(xí)器，以達(dá)到增強(qiáng)模型學(xué)習(xí)的能力。算法流程如圖 2.5所示：從樣本總集 S 中重采樣抽取 n 個子集，通過訓(xùn)練這些子集我們可以得到多個決策樹模型，結(jié)合這些決策樹模型的預(yù)測結(jié)果得到最終預(yù)測結(jié)果。對于回歸問題，采用平均法，即將所有的弱學(xué)習(xí)器的預(yù)測結(jié)果求平均值作為最終預(yù)測輸出；對于分類問題，采用投票法，即根據(jù)所有的弱學(xué)習(xí)器的預(yù)測結(jié)果選擇出總數(shù)最多的結(jié)果作為最終預(yù)測結(jié)果。

36圖 3.1 粒子群算法優(yōu)化流程圖群算法具體流程如下：始化算法的相關(guān)參數(shù)包括：種群的大小、搜索的范圍、算法習(xí)因子1c 和2c，粒子的速度上下限max max- v ,v ，初始化粒子群位置，粒子自身的最優(yōu)解 pbest 及粒子群整體的最優(yōu)解 gbes據(jù)目標(biāo)函數(shù)設(shè)定適應(yīng)度函數(shù)，對種群中各粒子的適應(yīng)度進(jìn)行粒子的個體最優(yōu)解和全局最優(yōu)解；據(jù)粒子的速度位置更新方程對粒子的位置和速度進(jìn)行更新，初始化中設(shè)置的最大速度，則將當(dāng)前速度設(shè)置為最大速度，始化中的最小速度，則將當(dāng)前速度設(shè)置為最小速度。據(jù)設(shè)置的停止條件，若滿足停止條件則獲得最優(yōu)解，若不滿直至獲得最優(yōu)解。

圖 3.2 粒子群算法優(yōu)化 SVM 參數(shù)迭代曲線利用粒子群算法優(yōu)化后的 C 和gamma再次建立 660MW 負(fù)荷下的支持向預(yù)測模型，優(yōu)化后支持向量機(jī)模型 NOx 排放預(yù)測結(jié)果如圖 3.3 所示，整體，訓(xùn)練集的模型預(yù)測結(jié)果與真實值偏差較小，說明該模型在訓(xùn)練集上的擬好，精度較高。測試集數(shù)據(jù)的預(yù)測結(jié)果與實際值的偏離程度也較小，說明型在測試集上的泛化性較強(qiáng)，即對新數(shù)據(jù)的預(yù)測能力比較好。如圖 3.4 所示支持向量機(jī)參數(shù)優(yōu)化前，訓(xùn)練集中的預(yù)測結(jié)果最大相對平均相對誤差.80%，最小相對平均誤差為 0.79%，平均相對誤差為 1.69%；測試集中的最對誤差為 2.98%，平均相對誤差 2.17%；優(yōu)化后，訓(xùn)練集中的預(yù)測結(jié)果最對平均相對誤差為 2.49%，最小相對平均誤差為 0.69%，平均相對誤差.37%；測試集中的最大相對誤差為 2.50%，平均相對誤差 1.78%，表明使用后的支持向量機(jī)對 NOx 排放預(yù)測有著更高的精度。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王文穎;最大相對誤差陷井[J];統(tǒng)計研究;1999年09期

2 臧志清;用R-K方程計算液氨密度[J];福州大學(xué)學(xué)報(自然科學(xué)版);1988年04期

3 徐竹云,陳榮策;礦山空氣幕的有效壓力平衡原理及其應(yīng)用[J];黃金;1988年01期

4 張有威;李子富;;渾水粘度計的研制和渾水粘度的測定[J];建筑技術(shù)通訊(給水排水);1989年04期

5 黃書澤;丁彪;鄒鳳平;花松鶴;;試驗載荷對維氏硬度測試誤差的影響[J];理化檢驗(物理分冊);2014年02期

6 陳云，丁詠梅;關(guān)于如何降低稀釋樣品濃度最大相對誤差問題的探討[J];中國環(huán)境監(jiān)測;1994年02期

7 張疆涌;馬家欣;許飛云;賈民平;;基于遺傳算法的最大相對誤差最小化組合預(yù)測[J];揚州職業(yè)大學(xué)學(xué)報;2016年01期

8 高士祥;;關(guān)于衰減網(wǎng)絡(luò)誤差的定量分析[J];電子測量技術(shù);1980年04期

9 薛大為;楊春蘭;;基于虛擬儀器的淡水魚阻抗測量系統(tǒng)[J];荊楚理工學(xué)院學(xué)報;2014年02期

10 ;大量鎂存在下微量鈣的測定[J];陜西師大學(xué)報(自然科學(xué)版);1976年01期

相關(guān)會議論文 前8條

1 陳玉;李樹豪;甯紅波;張其翼;李象遠(yuǎn);;碳?xì)淙剂像詈狭呀夥磻?yīng)的流動換熱過程數(shù)值研究[A];中國化學(xué)會第30屆學(xué)術(shù)年會摘要集-第四十六分會：燃燒化學(xué)[C];2016年

2 黃永華;陳國邦;李祥儀;;~3He氣液飽和密度方程[A];第六屆全國低溫與制冷工程大會會議論文集[C];2003年

3 魏曉兵;范國梁;宋威;宋崇林;周維義;張仲榮;;醛、酮類腙衍生物校正因子的預(yù)測與測量[A];'2004天津市第十六屆色譜學(xué)術(shù)交流會論文集[C];2004年

4 謝晨月;陶建軍;Li J.;;黏性瑞利泰勒問題的線性穩(wěn)定性理論與驗證[A];中國力學(xué)大會-2015論文摘要集[C];2015年

5 谷悅;杜濤;李思洋;曾思思;房鑫;楊見博;;鋼鐵企業(yè)氧氣系統(tǒng)的優(yōu)化模型研究[A];第八屆全國能源與熱工學(xué)術(shù)年會論文集[C];2015年

6 陳玉;席雙惠;王繁;李象遠(yuǎn);;正十烷熱裂解反應(yīng)機(jī)理的動力學(xué)簡化與CFD模擬[A];中國化學(xué)會第二屆全國燃燒化學(xué)學(xué)術(shù)會議論文集[C];2017年

7 劉昊;王濤;范偉;彭光正;王可;;基于復(fù)合徑向基神經(jīng)網(wǎng)絡(luò)的人手抓持辨識與測量[A];中國儀器儀表學(xué)會第十二屆青年學(xué)術(shù)會議論文集[C];2010年

8 高衛(wèi)東;馬履一;賈忠奎;張?zhí)锾?王曉玲;陳志剛;;基于人工神經(jīng)網(wǎng)絡(luò)模型下歐美107楊苗木耗水量的預(yù)測[A];第九屆中國林業(yè)青年學(xué)術(shù)年會論文摘要集[C];2010年

相關(guān)博士學(xué)位論文 前1條

1 郭歷倫;含螺栓連接復(fù)雜結(jié)構(gòu)的沖擊響應(yīng)與破壞研究[D];中國工程物理研究院;2015年

相關(guān)碩士學(xué)位論文 前10條

1 郭銳;燃煤電廠全負(fù)荷NOx減排模型研究[D];南昌大學(xué);2019年

2 戴振麟;能量色散X射線熒光分析基本參數(shù)法研究與初步應(yīng)用[D];成都理工大學(xué);2008年

3 張春榮;典型草原栗鈣土層厚度模型的研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2008年

4 溫靜梅;大連城市信息遙感提取及分析研究[D];大連海事大學(xué);2016年

5 何小威;高溫燃?xì)鉁囟群蜐舛韧瑫r檢測模擬研究[D];華中科技大學(xué);2012年

6 孟赫;典型農(nóng)作物酸沉降“劑量—損失”響應(yīng)模型研究[D];吉林大學(xué);2008年

7 于文瀟;奶液電導(dǎo)率檢測與奶量自動計量裝置設(shè)計與實現(xiàn)[D];東北農(nóng)業(yè)大學(xué);2016年

8 劉偉潔;加權(quán)Markov隨機(jī)優(yōu)化磨光修正模型研究及應(yīng)用[D];景德鎮(zhèn)陶瓷學(xué)院;2010年

9 王志強(qiáng);基于ARM的表面深度檢測系統(tǒng)的研究[D];中國計量學(xué)院;2014年

10 莫小鳳;基于受激布里淵散射的水中聲速測量[D];南昌航空大學(xué);2013年

本文編號：2764470