基于RF-LSTM混合神经网络的固废焚烧烟气排放浓度预测研究

固废焚烧会产生有毒有害烟气,烟气排放浓度预测可以辅助固废焚烧工艺参数的高效调整。自编码器(Autoencoder,AE)、卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆(Long Short-Term Memory,LSTM)网络是3种常见的人工神经网络,而随机森林(Random Forest,RF)是一种高度灵活的机器学习算法。基于RF和LSTM网络,构建混合神经网络模型,结合成都市某固废焚烧发电厂运行工况数据,开展氮氧化物(NO_(x))浓度预测与分析。结果表明,RF-LSTM模型的均方根误差、平均绝对误差较AE-LSTM模型分别减少38.58%、46.56%,较CNN-LSTM模型分别减少23.77%、31.96%;RF-LSTM模型的决定系数较AE-LSTM模型增加22.54%,较CNN-LSTM模型增加16.00%。原始样本进行插值补缺时,步长为3 h的RF-LSTM模型预测精度最高,能够有效预测NO_(x)排放浓度。

基于差分吸收光谱法的烟气排放监测实验

差分吸收光谱法是利用气体污染物在UV-VIS波段对光有不同的吸收特性来测量其平均浓度。利用DOAS原理对不同浓度的SO2、NO2、NO气体进行排放监测实验研究,表明:DOAS可消除烟尘颗粒等影响,可应用于气体固定污染源的排放监测,但必须修正温度等因素对差分吸收特性的影响。

石灰回转窑电除尘改布袋除尘实践与效果分析

新钢石灰回转窑烟气除尘采用电除尘方式,烟气粉尘颗粒排放超过150 mg/m3。对回转窑烟尘主要成分、颗粒分散度、烟气温度和烟尘比电阻进行综合分析后,发现该烟尘比电阻属于高比电阻粉尘,不适合用电除尘器来除尘。将除尘方式由电除尘改为布袋除尘后,2号回转窑布袋除尘器的烟尘排放浓度为20.5 mg/m3,1号回转窑布袋除尘器的烟尘排放浓度为11.3 mg/m3,远低于国家排放标准要求的30 mg/m3。

燃BMF锅炉烟气监测过量空气系数取值探析

阐述了锅炉中燃料燃烧时过量空气系数及其对污染物排放浓度的影响。指出BMF是固体燃料,其过量空气系数取值,应按燃煤固体燃料值为1.8。提出了减少排放烟气中过量空气系数实测值的途径。