基于烟气监测数据的标准煤耗率计量方法

发、供电标准煤耗率是评价燃煤电厂能源利用效率和碳排放强度的重要指标。准确计量标准煤耗率是燃煤电厂节能减碳、控制成本、增加效益的关键手段之一。长期以来,由于煤计量误差较大和煤采样代表性差,造成燃煤电厂标准煤耗计量普遍存在数据波动大、准确性差。为解决该问题,提高燃煤电厂节能管理水平,提出了一种全新的标准煤耗率计量方法。该方法以锅炉烟气排放在线监测系统数据为基础,无须燃煤发热量值,对煤样采集代表性要求不高,可比较准确地计算出标准煤耗率。在1000 MW燃煤机组的应用表明,采用该方法得到了机组瞬态实时标准煤耗值在不同负荷下的变化曲线,且稳定工况下的标准煤耗率平均值与反平衡性能试验测定的标准煤耗率值比较接近,最大偏差小于1%。该方法既可用于燃煤电厂标准煤耗计算,也可用于入炉煤发热量软测量计算、碳排放核算、机组能耗实时在线监测等方面,将对燃煤电厂成本核算、节能对标分析、机组运行优化及碳排放交易等产生积极的影响。

煤恒容高位发热量测量不确定度评定

依据GB/T213《煤的发热量测定方法》对煤的热值进行检测,并依据JJF1059 对测量结果的不确定度进行评定。简述煤发热量测量过程,分析了煤恒容高位发热量测定不确定度的来源及其种类,对不确定度分量及合成不确定度和扩展不确定度进行了评定。

超临界压力直流锅炉炉膛受热面壁温监测预报系统

超临界压力直流锅炉蒸发受热面壁温监测主要依靠布置在炉膛外的少量热电偶,炉内管壁温度缺乏有效的监测手段。通过对超临界压力直流锅炉蒸发受热面传热、炉膛热流量分布、蒸发管参数建模以及受热管内强制对流沸腾换热的模拟,实现了全炉膛蒸发受热面管壁温度和燃煤发热量的在线测量。开发的超临界压力直流锅炉炉膛受热面壁温监测预报系统在一台1 000 MW应用成功。采用试验方法测试了系统的性能,结果表明,炉外壁温的测量值与预测值的偏差在-2.47%～+3.83%,煤收到基低位发热量的监测误差在-6.99%～+5.32%。

煤的弹筒发热量测量结果不确定度评定

基于热容量标定及弹筒发热量测量数据建立数学模型,从苯甲酸标准热值、苯甲酸质量、点火热、硝酸形成热、冷却校准值、标定重复性等方面分析煤的弹筒发热量测量结果不确定度来源,计算每个来源的标准不确定度分量以及合成标准不确定度,最终得到弹筒发热量测量结果的不确定度。

以燃烧机理为切入点设计煤的发热量测定教学实验

在煤的发热量测定教学实验中,越来越多地使用自动氧弹量热仪进行测定,实验内容简单空洞。尝试从煤在氧化性气氛下燃烧以后,硫氧化物和氮氧化物的生成机理以及它们最终生成硫酸和硝酸带来的热效应的计算作为切入点设计实验教学内容,使学生更深入地理解氧弹量热仪的工作原理,推导出仪器测定的弹筒发热量与高位发热量的关系,弹筒发热量与酸校正的关系,酸校正经验公式与燃烧过程之间的关系以及为什么需要进行冷却校正。这种尝试丰富了实验课内容,可以更好地解释实验数据,进而更好地理解课程内容,具有很好的教学效果。

煤弹筒发热量的测量不确定度评定

为了保证煤弹筒发热量的准确测量,减少测量次数和降低测量成本,进行本次测量不确定度评定。不确定度评定结果表明:选择有证标准物质对量热仪热容进行标定是使测量结果更接近真实值的有效保证;样品的准确称量和较少次数的热容量标定过程是减少测量次数和降低测量成本的关键。

基于卡尔曼滤波的燃煤发热量动态软测量方法

快速而准确地测得燃煤发热量对火电机组运行状态监测和控制系统优化至关重要。本文研究了一种基于卡尔曼滤波的信息融合方法,将利用负荷-压力动态模型计算燃煤发热量,与利用机组稳态运行数据进行入炉煤元素分析再依据门捷列夫公式计算燃煤发热量2种方法的输出结果进行融合,得到静态精度高且动态特性好的燃煤发热量软测量结果。仿真试验和机组实际运行数据表明:该方法静态相对误差小于3%,动态响应延迟时间小于100s。

南北方温湿度差异对神华煤发热量检测结果的影响研究

对目前神华销售集团与其用户交易的批煤调研数据进行分析,总结买卖双方出现较大发热量测值偏差时不同品种神华煤煤质化验的时间、温度、湿度等参数的变化规律,并建立实验室模拟条件进行试验研究,统计分析实验室温度、湿度差异对发热量检测的影响。研究结果表明:温湿度差异较大的冬季,批煤的南北方发热量测值差异较大;冬季温湿度差异引起的南北方干基高位发热量测定误差较大,置信范围为-259J/g^109J/g;夏季、秋季南北方批煤的干基高位发热量测定误差较小,置信范围分别为-79J/g^138J/g、-125J/g^79J/g。

基于燃烧空气及烟气量的燃煤机组标准煤耗率计量方法

针对国内燃煤电厂发、供标准煤耗率正平衡计量准确性差、数据波动大等问题,本文提出了一种全新的标准煤耗率计量方法。此方法以锅炉燃烧空气及烟气量为基础,无需燃煤发热量,对煤样代表性要求也不高,即可比较准确地计算出标准煤耗率。实际计算及验证结果表明,按照本文所述计算方法得到的供电标准煤耗值与煤耗查定试验测定值比较接近,最大偏差2.06百分点。该方法既可用于燃煤电厂标准煤耗计算,也可用于入炉煤发热量软测量计算、机组能耗实时在线监测等方面,将对燃煤电厂成本核算、节能管理、配煤掺烧及运行优化等产生积极的影响。

影响煤炭发热量测定准确度的因素

主要对煤炭发热量的相关内容进行分析,着重对影响煤炭发热量测定准确度的因素进行分析,有利于促进对煤炭发热量测量的质量以及效率,同时也能够在一定程度上提升测定发热量的准确性和可靠性。通过对煤炭发热量相关内容的研究,以此为相关企业提供借鉴。

低热值煤综合利用发电节能技术的应用研究——以永陇矿区低热值煤发电项目为例

介绍了低热值煤综合利用发电产业发展现状,以永陇矿区某低热值煤综合利用发电项目为例,针对某设计院设计中采取的节能措施,提出更进一步的节能措施优化建议。从提高锅炉效率、降低汽轮机热耗率、降低厂用电率等方面提出了措施及建议,并对节能效果就行了分析计算。通过发电项目热经济性指标分析,发电标准煤耗从299.8g/kWh降为293.1g/kWh,降低了6.7g/kWh;供电标煤耗从322.4g/kWh降为314.4g/kWh,降低了8g/kWh;厂用电率从7%降为6.78%(含脱硫),降低了0.22%,节能效果显著。最后对煤矸石发电项目节能审查阶段的节能效益进行预测,以期为同类发电项目在节能方面提供借鉴。

煤炭高位发热量不确定度评定

煤炭高位发热量作为煤炭质量分析的重要指标之一,其检测过程中的不确定度问题日益引起重视。从多方因素探求不确定度的来源,分别进行评定,并分析其影响,以提高煤炭质量分析的准确度。

基于SPSS软件的淮南煤发热量计算数学模型研究

选取淮南地区87批次煤样进行全水分、工业分析及发热量检测数据,结合SPSS软件对其研究建立淮南煤的发热量计算数学模型。研究结果表明,淮南煤的收到基低位发热量与其全水分、空气干燥基水分、干基灰分、干燥无灰基挥发分呈显著的线性相关性,所建立的数学模型较为适用于淮南煤发热量的计算,即根据SPSS分析结果可得到淮南煤发热量计算数学模型为:Q_(net,ar)=34.084-0.23M_t-0.293M_(ad)-0.34A_d-0.22V_(daf),该回归方程显著性较强。通过数学模型计算值与发热量实测值进行比对,证明所建立的数学模型具有较高的正确性及实用性,可作为燃煤电厂淮南煤质检测的辅助方法。

浅谈测定煤炭发热量时的若干问题

根据多年实践,总结了煤炭发热量测定过程中的若干问题,例如:发热量测定前,必须将煤样混合均匀,并须检查燃烧皿底部是否变形、变薄、可用,还必须对氧弹进行气密性检查;再者,必须注意充氧时间及压力,并对室温进行控制,重视热容量的标定试验和仪器的定期标定;最后分析了点火失败的主要原因,总之用以提高煤炭发热量的测定精度。

影响煤发热量测定值的因素浅探

文章通过对煤的发热量的数学模型以及发热量测定过程中影响因素的分析,认为煤本身的水分及测定准确性影响煤的发热量,热容量标定、量热仪设备内外部环境、测定过程中的操作规范性也会对其产生一定影响。

煤炭发热量测定的实验研究

为精确获取煤炭的发热量值,在分析发热量定义及相关测量设备的基础上,研究了影响发热量测定精度的因素,并以5E-KC自动量热仪为核心搭建实验平台,对环境温度和测定次数对煤炭发热量的影响特性进行定量分析,为后续保证煤炭发热量的测定精度奠定基础。

正通选煤厂采用浅槽高密度分选回收炭质页岩的工艺研究与实践

正通煤业地处彬长矿区,所采煤种为低变质烟煤,高密度中含有少量低热值的炭质页岩,经浅槽分选后被排入矸石中,造成资源浪费和环境安全隐患。正通选煤厂为了降低矸石发热量、回收该部分炭质页岩,对造成矸石发热量高的影响因素进行了分析研究,并采取优化生产工艺等技术改造措施,有效降低了矸石发热量,增加了企业的经济效益和社会效益。

煤气倒窜事故的原因及对策

通过对炼钢煤气回收系统、煤气回收、煤气热值、煤气输送系统运行设备和运行曲线的分析,查出了造成常化炉热值波动的原因,并制定了防止不同煤气在混合处倒流的措施。

烟煤氢含量经验公式的选择与应用

由于我国各地的成煤条件和煤质特征不同,所采用的计算氢含量的公式也不同。选择8个适用烟煤的经验公式计算氢含量,与山西焦煤集团公司烟煤的实测值进行对比,确定出最接近实测值的计算公式为式(1):Hdaf=2. 888+0. 393 Vdaf-0. 002 3Ad,结果表明,用式(1)计算值参与计算收到基低位发热量是可行的。

利用SAS软件对滕南煤田煤中碳、氢和发热量的回归分析

使用SAS软件对枣庄矿业集团滕南煤田煤中碳、氢、发热量等数据进行回归分析,并分别建立了煤中碳与发热量的回归分析及碳、氢和发热量之间的回归分析。由计算的概率值表明,该矿区碳、氢、发热量等数据的测量值和计算值差异不显著,即回归方程的精度均达到了不同试验间的再现性要求。