基于麻雀算法优化支持向量机的NOx浓度预测

煤炭作为火电厂发电的主要能源,其在锅炉内焚烧过程中会产生大量的氮氧化物。各电厂一般利用烟气自动监控系统对其浓度进行实时测量,但由于测量时存在较大迟延,不能准确地反映SCR系统NOx浓度的实时变化。因此提出了一种基于改进麻雀算法优化最小二乘支持向量机的NOX浓度预测方法。首先,引入余弦因子改进麻雀算法中的比例算子,将迭代次数信息引入到迭代过程中,平衡算法前后期的全局与局部搜索能力。其次,使用新的变异算子代替原算子,将混沌理论融合到麻雀算法,解决了算法全局搜索能力较差、初始化麻雀分布不稳定及发现者位置更新方式不足的问题。最后,采用改进麻雀算法(CDE-SSA)对最小二乘支持向量机(LSSVM)进行参数寻优。实验结果证明,方法在NOX浓度预测的精度和稳定性上均表现出了良好的性能。

基于人工神经网络的农用拖拉机NOx排放预测模型研究

准确预测NOx实际工况排放对于控制区域污染物排放具有重要意义。文章以拖拉机为研究对象,采用车载排放测试系统对拖拉机在实际作业工况下的NOx排放进行测试。通过选择影响NOx排放的因素进行相关性分析,确定拖拉机实际作业工况下影响NOx排放的主要因素,并运用这些因素建立NOx排放预测模型。在建立农用拖拉机NOx排放预测模型方面,分别采用了反向传播(BP)神经网络、长短期记忆(LSTM)神经网络以及遗传算法(GA)优化后的BP神经网络和LSTM神经网络,并对这些模型进行对比分析,进而评估其预测效果。研究结果显示,在所建立的模型中,经过优化的GA-BP神经网络模型在预测NOx排放方面效果最佳,该模型在各项评估指标上的结果都优于其他神经网络模型,RMSE、MAE、MAPE和R2分别为5.679×10^(-3)、4.057×10^(-3)、3.751%和0.9915。因此,使用GA-BP神经网络模型预测农用拖拉机NOx排放是可行的。

火电厂燃煤锅炉NOx排放预测模型优化设计

针对传统的建模方法无法建立精准的锅炉燃烧数学模型及其氮氧化物(NOx)排放预测精度不高等问题,提出一种差分量子灰狼(DEQGWO)算法来优化无迹卡尔曼滤波(UKF)的预测模型。利用不同工况下1000MW超超临界机组锅炉历史数据验证DEQGWO-UKF模型预测结果并与基本UKF模型、PSO-UKF模型进行预测精度对比。结果证明:DEQGWO算法比其它仿生算法在优化UKF预测NOx模型中有更好的预测精度和泛化能力,对火电厂SCR系统NOx预测提供有效解决方法。

基于MI-PCA和ML-AE-ELM的脱硝系统入口NOx质量浓度预测

为提高脱硝系统入口氮氧化物(nitrogen oxide,NOx)质量浓度的预测精度,提出一种基于互信息的主成分分析(principal component analysis,PCA)和多层自编码结构的极限学习机(extreme learning machine,ELM)组合算法的预测模型。对输入变量的选取方式进行完善,并加入历史NOx质量浓度,对预测算法的网络结构进行优化。实验结果表明:与其他预测算法模型相比,该模型具有较高的预测效率,在不同工况下均具有较高的预测精度,表现出良好的抗噪能力和泛化能力。

带式焙烧机操作参数对球团强度影响研究及源头减排NOx措施

基于SPSS统计分析软件,对带式焙烧机球团矿抗压强度与各工艺参数进行相关性分析,并使用线性回归功能建立回归模型,根据模型计算结果,通过降低焙烧温度,源头治理带式焙烧机脱硫脱硝入口烟气NOX浓度,同时确保球团矿抗压强度不下降。

米勒循环降低船用中速柴油机NOx排放研究

降低中速柴油机NOx排放的研究具有重要的现实意义。利用AVL BOOST软件,以Wartsila4L20型中速柴油机为模拟原型建立仿真模型,通过台架试验数据验证模型模拟的准确性,并利用所建立的模型,在综合考虑柴油机经济性和可靠性的基础上,研究米勒循环降低船用中速柴油机NOx排放的有效途径。

煤粉燃烧中NOx的预测：参数数据库及CFD实践

在前期工作中开发了新的煤粉燃烧NO_x预测模型,使用CO,H2浓度表征碳氢化合物含量来刻画NO_x的均相还原,编写程序以UDF的形式将NO_x模型、包含气化反应的焦炭燃烧模型嵌入Fluent中,实现新的NO_x模型与先进湍流、辐射换热模型的耦合计算。在此基础上,进一步改造完善沉降炉、一维炉实验平台,开展不同煤种、不同工况下的燃烧实验,获得高质量的实验数据。使用新的NO_x预测模型对各工况进行模拟、对比,建立适用于不同煤种的模型参数数据库。最后将新的NO_x模型及参数数据库应用于四角切圆锅炉、对冲火焰锅炉以及W火焰锅炉的CFD计算中。结果表明新的NO_x模型可以合理预测不同煤种、不同炉型、不同运行条件下NO_x的生成与还原,这就为锅炉、燃烧器的低NO_x设计、改造与优化奠定了基础。

基于煤种掺烧模式的锅炉燃烧NOx预测模型

结合某660 MW锅炉入炉煤种煤质、磨煤机组合方式、配风方式和锅炉运行参数等,利用支持向量机建立了锅炉燃烧NO_x预测模型,并利用该模型进行了应用模拟,在保持其他参数不变的情况下,研究了氧体积分数、燃尽风率、配风方式、煤种及磨煤机组合方式对NO_x质量浓度的影响.结果表明:模型具有较好的准确性和泛化能力以及理想的调节性能;模型包含煤种及磨煤机组合方式信息,对于煤种煤质多变机组,提高了预测NO_x质量浓度的准确性,这对降低NO_x质量浓度和保证稳定燃烧的优化调整,尤其是对指导入炉煤调配及煤炭采购甚至实现"智慧燃料"具有重要意义.

小型循环流化床富氧燃烧NOx的生成试验与模拟研究

在真实烟气再循环条件下进行循环流化床(CFB)富氧燃烧试验,发现在配气气氛下和真实烟气再循环条件下CFB中NOx的生成规律有很大差异.基于该试验结果,建立了一个富氧燃烧CFB炉内NOx的生成模型,在该模型中重点考察了床温和氧气浓度对NOx生成的影响.结果表明:在不同气氛下,NOx的生成量随温度和氧气浓度的升高均明显增加;在富氧气氛下,NOx的生成对温度的变化更加敏感,而且不同煤种和石灰石的加入均可能影响NOx的生成特性;该模型计算结果与试验结果较吻合.

基于自由搜索算法和支持向量机的燃煤锅炉NOx 建模与优化

利用支持向量机（ SVM）建立锅炉NOx 排放模型，采用自由搜索（ FS）算法对支持向量机模型参数进行优化并对模型输入参数进行寻优。结果表明，FS-SVM模型能够较好地预测NOx 排放，且模型精度较高。通过优化输入参数，NOx 排放量有明显地降低，优化后的参数变化情况与有关文献中实验所得的结果一致。

柴油机选择性催化还原系统NOx传感器的NH3交叉敏感性研究

针对选择性催化还原(SCR)系统中NOx传感器对NH3的交叉敏感性问题,通过对发动机台架试验数据进行分析,研究了排气温度、氨氮比和空速3个因素对传感器交叉灵敏度的影响,建立了与3个影响因素相关的SCR催化剂反应模型,提出了一种SCR催化剂下游NOx排放水平和NH3泄漏量的预测方法。Simulink仿真与发动机台架试验结果表明,该方法在一定程度上可有效预测NOx传感器的准确性。

燃烧器燃烧高效低NOx排放建模与优化

燃烧器控制系统是实现燃烧器节能减排的核心,但由于燃烧器控制对象存在纯延迟、大滞后和多分布参数等特点,给控制过程造成困难。从燃烧器输入量到输出量的非线性关系入手,建立最小二乘支持向量机(LSSVM)燃烧效率和氮氧化物(NOx)排放量的数学模型,并结合遗传算法对反映燃烧状态的烟气O2量、CO量寻优,得到的O2量、CO量可作为燃烧器闭环控制的给定值,参与电子比调系统的优化控制。结果表明,利用LSSVM得到的预测结果的相对误差均小于0.8%,可实现较好燃烧状态预测;通过寻优的烟气O2量、CO量能够在保证燃烧效率略微降低的基础上,实现氮氧化物排放量的明显降低,使燃烧效率和氮氧化物排放量得到平衡,对燃烧器节能减排控制具有参考价值。

考虑化学反应模型的CH4非预混燃烧过程数值仿真

为探究化学反应模型选取对甲烷(CH4)燃烧模拟的影响,同时促进天然气能源的高效利用,采用FLUENT软件对甲烷在燃烧器中的燃烧状况进行了数值模拟,分析了5种化学反应模型对甲烷燃烧效率、火焰形态、燃烧残余温度及NO排放等特性的影响。结果表明:组分PDF输运模型和涡耗散概念模型在甲烷的燃烧模拟中更有优势,甲烷的燃烧效率、燃烧残余温度均达到了较高的水平,其中组分PDF输运模型下组分间的反应更为充分,气体出口残余温度可达681.972 K;燃烧域内的火焰峰值温度与NO的排放呈现正相关的特点;涡耗散模型下燃烧反应的火焰峰值温度最高(2 280 K),但其生成的NO有害气体也最多,同时该反应下的燃烧残余温度较低;湍流动能与燃烧温度也呈现出正相关的特点,燃烧域内湍流动能大小在一定程度上影响甲烷的燃烧效果。

蓄热式加热炉内NOx生成的数值模拟

目前蓄热燃烧技术已经在加热炉上广泛应用,但NOx生成机理仍不很清楚。本文以鞍山热能研究院建造的蓄热式加热炉为原型,对低热值煤气蓄热燃烧过程进行了数值模拟。通过比较不同预热温度、不同空气系数、不同空气喷口倾角和不同煤气与空气喷口间距,发现当这些条件改变时,低热值煤气燃烧过程的NOx生成量也随之发生变化。

时延神经网络的NOx排放动态建模

针对复杂工业过程中NOx排放参数建模及预测的问题,引入时延辅助变量,将非稳态工业过程中容易测量失真的辅助变量时间信号转化为空间状态。采用径向基函数(RBF)时延神经网络,利用与预测参数相关的辅助变量和时延辅助变量构建NOx排放的动态模型。仿真结果表明:选取重要辅助变量(总燃料量)的时延单元作为时延辅助变量,通过神经网络训练,可以获得包含非稳态燃烧过程丰富特性的参数模型;设定相同条件,与静态模型进行比较。结果表明,动态模型的内部神经元个数明显少于静态模型,模型结构更紧凑,训练时间更短,泛化能力更强。该方法能提高复杂非稳态工业过程热力参数模型的预测精度,具有较高的应用价值。

锅炉燃烧系统变分模态分解建模方法研究

建立准确的燃烧系统模型是实现锅炉燃烧优化的基础。针对现有建模方法多步预测精度不足的问题,提出一种锅炉燃烧系统变分模态分解(VMD)建模方法。该方法将传统单个模型的预测方式转换为基于数据分解的混合模型预测方式。首先,采用VMD将输出信号分解为多个规律变化的平稳序列,以降低数据的复杂度。然后,针对每个模态信号,利用在线最小二乘支持向量机算法和时间序列预测算法分别建立预测模型。最后,通过合成得到最终的预测结果。仿真结果表明,该方法有效提升了燃烧模型的单步和多步预测精度,可以为实现锅炉闭环燃烧优化控制奠定良好基础。该方法有助于解决常规燃烧系统建模方法中只关注单步预测误差而忽视多步预测误差的问题。

基于灰色自记忆Bernoulli模型的废气NOx排放量预测

传统的非线性灰色Bernoulli模型可以描述小样本非线性系统的整体单峰演化趋势,但由于存在大量不确定的外部扰动,难以揭示其中的个体随机波动现象。为了克服灰色Bernoulli模型的微分方程对单个初值较敏感的局限性,构建了一种非线性灰色自记忆Bernoulli耦合模型,其系统自记忆方程以多时点初始场代替单时点初始场。对废气氮氧化物(NOx)排放量预测的实例研究结果表明,该模型能充分提取非线性系统的历史信息,且比现有灰色Bernoulli模型、一次指数平滑法和简单滑动平均法更为有效,可用于预测存在于其他类似的小样本单峰非线性系统中的个体随机波动。

基于LSTM的催化裂化装置NOx排放预测模型及应用

催化裂化装置工艺复杂,调整工艺参数极易发生连锁反应,采用传统的集总模型对污染排放进行预测的难度较大。针对炼化企业海量生产数据和污染排放数据多参数多变量相互耦合的特点,利用主成分分析(PCA,Principal Component Analysis)对NOx排放要素进行特征选择,确定原料中氮含量、反应温度、剂油比、停留时间等为关键生产要素;基于长短期记忆(LSTM,Long Short-Term Memory)网络建立NOx排放预测模型,对某350万t重油催化裂化装置NOx排放进行预测,与卷积神经网络(CNN,Convolutional Neural Networks)、支持向量机(SVM,Support Vector Machine)以及BP神经网络(Back Propagation Neural Networks)进行了对比分析。结果表明,由于考虑了时间序列内部的数据特性,LSTM的平均绝对误差、均方根误差、皮尔逊相关系数和可决系数等指标均优于其他方法。

基于聚类与加权连接的锅炉NOx排放量多模型建模

针对热电锅炉燃烧过程存在非线性、多工况、多耦合等特点,提出了一种模糊C均值聚类、最小二乘支持向量机和加权连接(FCM-LSSVM-WC)相结合的多模型建模方法。该方法根据输入变量对输出变量的影响程度来评价样本之间的差异性,利用限幅处理的BP神经网络计算平均影响值(MIV),并以此作为FCM聚类过程与多模型连接的权系数,从而保证了建模过程的连贯性与统一性。以循环流化床(CFB)锅炉为例开展燃烧过程NOx排放量的建模仿真研究,结果表明:与偏最小二乘算法(PLS)、LSSVM算法、FCM-LSSVM算法、仿射传播-最小二乘支持向量机(AP-LSSVM)算法相比,该建模方法能够在保证泛化精度的同时,具有更好的跟踪预测能力。

基于LSTM算法的火电厂SCR烟气脱硝控制方法

由于火电厂SCR烟气脱硝过程中烟气的初始状态参数具有不稳定性,导致排除烟气NO_(x)浓度控制难度较大。为了准确控制烟气脱硝,有效降低烟气NO_(x)浓度,提出基于长短期记忆网络(LSTM)算法的火电厂选择性催化还原(SCR)烟气脱硝控制方法。以蜂窝状催化剂为基础,结合在SCR烟气脱硝过程中的作用模式,分别从孔道和内壁两个角度构建了火电厂SCR烟气脱硝模型;引入LSTM算法,以烟气中NO_(x)浓度控制要求为目标,将催化剂的投入速率作为控制参量,结合烟气的初始状态参数,实现SCR烟气脱硝过程的控制。在测试结果中,设计控制方法下脱硝反应器出口烟气NO_(x)浓度并未受到烟气流量的显著影响,始终稳定在125.0 mg/m^(3)以内,远低于临界值(150.0 mg/m^(3)),与对照组相比,具有更加可靠的脱硝效果。