锅炉低负荷燃烧建模及要素分析

通过对影响煤粉在炉内燃烧的几大因素做简要分析，并作出燃烧建模方法。结合锅炉在实际低负荷运行期间，提出了适当的风煤比和配风方式，在此基础上，进一步对锅炉运行参数进行深度优化，改善了锅炉低负荷的运行性能，提高了锅炉整体安全稳定性和经济性。

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。

非预混湍流甲烷-空气燃烧的二阶建模

本研究的主要目的是对非预混甲烷-空气燃烧中的流动和湍流热通量进行二阶建模。采用雷诺平均Navier-stokes (RANS)方程对化学计量条件下非预混燃烧的湍流进行了数值分析。采用离散坐标和涡流耗散概念模型对辐射和燃烧进行建模,并采用RSM模型对湍流进行建模。应用GGDH模型和具有简单涡扩散模型的HOGGDH高阶代数模型对能量方程中的THF进行建模,将SED模型和二阶热通量模型的数值结果与现有的实验数据进行比较,发现应用二阶模型导致了预测燃烧室温度分布和物质质量分数分布的变化。燃烧室湍流普朗特数的计算表明,Pr为0.85与实际相差较大,不同区域的Pr从0.4到1.2不等。

基于负荷划分数据和支持向量机的火电厂燃烧过程建模

为建立燃烧过程稳态模型,首先利用稳态检测算法提取稳态样本;针对稳态数据中的不均衡性,提出了一种基于负荷划分数据的方法,即根据负荷工况将样本划分成训练子集与测试子集,以提高模型的泛化性能。利用单因素图形分析方法确定3个模型参数的搜索范围,将网格搜索与交叉验证相结合选择最优的模型参数,在此基础上建立了一个300MW燃煤火电厂机组锅炉燃烧过程的支持向量机模型,包括锅炉效率、NOx排放量、排烟温度和飞灰含碳量4个过程输出。结果表明,经过参数优化的4个输出模型均具有很好的泛化性能。

基于遗传算法优化BP神经网络的锅炉燃烧建模

针对传统BP神经网络存在着容易陷入局部极小点、训练时间长等缺点，本文利用遗传算法对BP神经网络进行优化，将其用于锅炉燃烧系统的建模中。结果表明：本文的模型比文献8中单用BP神经网络建立的模型精度更高，故可行性好，对电厂燃烧的模拟与运行的经济性有帮助。

基于极端随机树和声波测温的电站锅炉NO_(x)排放预测方法

针对某电厂330MW亚临界燃煤锅炉,利用极端随机树算法,以影响NO_(x)排放的主要因素为输入,以NO_(x)排放浓度为输出建立NO_(x)排放预测模型并与随机森林算法做对比,结果表明极端随机树模型能够更加准确地预测锅炉NO_(x)排放量。在此基础上,采用声波测温技术采集炉膛截面温度加入到NO_(x)排放预测模型输入端以优化其预测性能。优化结果表明:加入炉膛温度信息可以有效提高NO_(x)排放模型准确度,更加符合工程需求。