從工業(yè)革命開(kāi)始,煤炭作為燃料被大量的使用,這引起了嚴(yán)重的環(huán)境污染,同時(shí)這也是全球氣候變暖問(wèn)題的主要原因之一。隨著經(jīng)濟(jì)的快速發(fā)展,對(duì)電能的需求也越來(lái)越大,而人們環(huán)保意識(shí)的增強(qiáng),要求電廠在提升發(fā)電量的同時(shí)盡可能降低污染物的排放。針對(duì)這一問(wèn)題,本文用人工神經(jīng)網(wǎng)絡(luò)結(jié)合群智能優(yōu)化算法的方法對(duì)循環(huán)流化床鍋爐的燃燒過(guò)程進(jìn)行優(yōu)化,從而達(dá)到降低鍋爐NOx的排放量,提高鍋爐的熱效率的目的。針對(duì)循環(huán)流化床鍋爐建模難的問(wèn)題,本文利用窗口雙隱藏極限學(xué)習(xí)機(jī)（WindowTwo-Hide Extreme Learning Machine,WTELM）對(duì)鍋爐的燃燒過(guò)程進(jìn)行建模。WTELM網(wǎng)絡(luò)是在雙隱藏極限學(xué)習(xí)機(jī)（Two-Hide Extreme Learning Machine,TELM）的基礎(chǔ)上進(jìn)行的改進(jìn)。WTELM模型在TELM網(wǎng)絡(luò)輸入層之前加入窗口機(jī)制,用權(quán)值共享策略來(lái)降低輸入層隨機(jī)權(quán)值的數(shù)量,并在第二層隱藏層引入均值思想來(lái)減小誤差,提升網(wǎng)絡(luò)的穩(wěn)定性。將WTELM模型與極限學(xué)習(xí)機(jī)（Extreme Learning Machine,ELM）、快速學(xué)習(xí)網(wǎng)（Fast Learning Network,FLN）、雙并聯(lián)... 

【文章來(lái)源】：燕山大學(xué)河北省

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

論文的整體結(jié)構(gòu)圖

第2章循環(huán)流化床鍋爐系統(tǒng)-7-第2章循環(huán)流化床鍋爐系統(tǒng)2.1循環(huán)流化床鍋爐的簡(jiǎn)介火床燃燒式、火室燃燒式和循環(huán)流化床燃燒式是目前的國(guó)內(nèi)火力發(fā)電廠主要的鍋爐發(fā)電設(shè)備。為了解決鼓泡床燃料及脫硫劑利用率低等缺陷，1960年左右在鼓泡床的基礎(chǔ)上循環(huán)流化床被研制出來(lái)，循環(huán)流化床鍋爐有著運(yùn)行成本低、燃料和脫硫劑利用率高、燃燒產(chǎn)生的污染物更少燃燒過(guò)程更清潔等優(yōu)點(diǎn)。因此，本文將循環(huán)流化床鍋爐作為研究對(duì)象。在循環(huán)流化床鍋爐的燃燒過(guò)程中，燃料是以流化態(tài)的形式在爐膛內(nèi)進(jìn)行燃燒，由于一次風(fēng)、二次風(fēng)和重力的作用，燃料顆粒在爐膛內(nèi)呈現(xiàn)垂直分布狀態(tài)，較大的燃料顆粒在爐膛下半部分，較小的燃料顆粒懸浮在爐膛上半部分，這種懸浮狀態(tài)的燃料顆粒與空氣的接觸面積更大，從而燃燒的更加充分。那些被吹出爐膛外的未充分燃燒的燃料顆粒則通過(guò)“固—?dú)狻狈蛛x器收集起來(lái)再次送回爐膛，類(lèi)似的脫硫劑也能得到多次循環(huán)利用。圖2-1某熱電廠CFBB燃燒系統(tǒng)結(jié)構(gòu)圖圖中：1外部煤場(chǎng)；2煤料儲(chǔ)存裝置；3碎煤機(jī)；4石灰石倉(cāng)；5水冷壁；6一次風(fēng)入口；7旋風(fēng)分離器；8尾部煙道；9外置式熱器加熱物料入口；10布袋除塵裝置；11汽輪發(fā)電機(jī)組；12煙囪；13二次風(fēng)入口；14排渣管；15省煤器；16過(guò)熱器；17引風(fēng)機(jī)[71]。如圖2-1為某火力發(fā)電廠循環(huán)流化床鍋爐的結(jié)構(gòu)示意圖。它的工作流程基本上是可以概括如下：煤炭經(jīng)過(guò)傳送帶等輸送裝置被送到煤倉(cāng)，然后通過(guò)碎煤機(jī)將煤炭粉

第2章循環(huán)流化床鍋爐系統(tǒng)-9-環(huán)流化床鍋爐在燃燒的時(shí)候，鍋爐爐膛內(nèi)的溫度比傳統(tǒng)的燃煤鍋爐的溫度要低，循環(huán)流化床鍋爐爐膛的床溫一般維持在900℃左右。因此，熱力型NOx的生成在循環(huán)流化床鍋爐中是非常少的[54]。2.2.2燃料型NOx的生成過(guò)程與熱力型NOx相同燃料型NOx也是由于高溫將氮元素氧化，而其不同的是氮元素的來(lái)源不同。熱力型NOx中氮元素來(lái)源于一二次風(fēng)，而燃料型NOx中氮元素來(lái)源于燃料。燃料型NOx在循環(huán)流化床鍋爐NOx排放中約占75%—90%，是循環(huán)流化床NOx的主要來(lái)源，其生產(chǎn)因素與鍋爐爐膛溫度、氧氣含量、燃煤特性密切相關(guān)[53]。如圖2-2所示，是燃料中氮元素被氧化還原的過(guò)程。從圖中可以看到NOX的生成過(guò)程大概分成三個(gè)階段：高溫析出階段時(shí)，煤炭燃料在高溫作用下發(fā)生分解，一部分N元素析出生成揮發(fā)分N，一部分N元素則保留著固態(tài)形態(tài)。揮發(fā)分N燃燒階段，如果氧氣充足的話析出的氮氧化物會(huì)被氧化為NO，如果氧氣不充足的話析出的氮氧化物會(huì)被還原成為N2。類(lèi)似，如果氧氣充足焦煤中固態(tài)的N會(huì)生成NO，如果氧氣不充足焦煤中固態(tài)的N會(huì)被還原成N2[55]。圖2-2燃料中氮元素的氧化還原過(guò)程2.2.3快速型NOx的生成過(guò)程快速性NOx在循環(huán)流化床排放的NOx中僅占大約在5%左右的比例。在燃料富裕的情況下即燃料中CH較多，氧氣濃度較低時(shí)，快速性NOx在火焰面快速生成。其生成原理與燃料型NOx的產(chǎn)生機(jī)理相似與熱力型NOx生成原理不同。實(shí)際上快速型的NOx對(duì)于溫度不敏感，保證燃料燃燒時(shí)氧氣充足，是降低快速NOx的生成

【參考文獻(xiàn)】：
期刊論文
[1]基于多模型聚類(lèi)集成的鍋爐煙氣NOx排放量預(yù)測(cè)模型[J]. 甄成剛,劉懷遠(yuǎn).  熱力發(fā)電. 2019(04)
[2]基于CS-SVM的山梨酸鉀的熒光光譜檢測(cè)法研究[J]. 王書(shū)濤,朱彩云,劉洺辛,彭濤,程琪,孔德明,王玉田.  計(jì)量學(xué)報(bào). 2018(05)
[3]基于KFCM-LMC-LSSVM算法的WLAN室內(nèi)定位方法[J]. 王昱潔,王媛,張勇.  計(jì)量學(xué)報(bào). 2018(04)
[4]新型群智能優(yōu)化算法綜述[J]. 林詩(shī)潔,董晨,陳明志,張凡,陳景輝.  計(jì)算機(jī)工程與應(yīng)用. 2018(12)
[5]IGSA-LSSVM軟測(cè)量模型預(yù)測(cè)燃煤鍋爐NOx排放量[J]. 丁知平,劉超,牛培峰.  計(jì)量學(xué)報(bào). 2018(03)
[6]基于多特征提取和SVM參數(shù)優(yōu)化的車(chē)型識(shí)別[J]. 程淑紅,高許,周斌.  計(jì)量學(xué)報(bào). 2018(03)
[7]一種改進(jìn)型LSSVM模型在電站鍋爐燃燒與優(yōu)化中的應(yīng)用[J]. 李應(yīng)保,王東風(fēng).  動(dòng)力工程學(xué)報(bào). 2018(04)
[8]中國(guó)人工智能發(fā)展簡(jiǎn)史[J]. 張洪國(guó),陸平,邵立國(guó),念沛豪.  互聯(lián)網(wǎng)經(jīng)濟(jì). 2017(06)
[9]基于SA-ELM的聲學(xué)層析成像溫度分布重建算法[J]. 劉廈,劉石,任婷.  化工學(xué)報(bào). 2017(06)
[10]采用改進(jìn)混沌粒子群算法的鍋爐NOx排放的LSSVM回歸建模[J]. 劉飛明,張雨飛.  工業(yè)控制計(jì)算機(jī). 2017(01)

博士論文
[1]新型人工智能技術(shù)研究及其在鍋爐燃燒優(yōu)化中的應(yīng)用[D]. 李國(guó)強(qiáng).燕山大學(xué) 2013

碩士論文
[1]基于混合雞群算法的循環(huán)流化床鍋爐燃燒優(yōu)化研究[D]. 丁翔.燕山大學(xué) 2019
[2]并聯(lián)快速學(xué)習(xí)網(wǎng)算法研究及其在循環(huán)流化床鍋爐中的應(yīng)用[D]. 齊曉賓.燕山大學(xué) 2018



本文編號(hào)：3458768