基于组合时域特征提取和Stacking集成学习的燃煤锅炉NO_(x)排放浓度预测

为提高火电厂锅炉出口NO_(x)排放浓度的预测精度,提出一种考虑组合时域特征的Stacking集成学习模型。首先,为挖掘数据深层信息,采用时序分析、完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise analysis,CEEMDAN)和统计学计算数据标准差、偏度等特征的方法进行组合时域特征提取以构建重构数据;其次,考虑到重构数据中存在的冗余变量对模型的精度有所影响,利用遗传算法(genetic algorithm,GA)对重构数据进行特征降维;最后,为充分发挥各个模型的优势以提高模型的预测精度,构建以极限学习机(extreme learning machines,ELM)、深度神经网络(deep neural networks,DNN)、多层感知器(multilayer perceptron,MLP)、极限梯度提升算法(extreme gradient boosting,XGBoost)为基模型和以回声状态网络(echo state network,ESN)为元模型的Stacking集成学习NOx排放浓度预测模型。实验结果表明:该预测模型在不同数据集下都有着不错的预测效果,预测误差均小于2%,能够对锅炉NOx排放浓度实现精准预测。

基于LSTM-SAFCN模型的生物质锅炉NO_(x)排放浓度预测

针对生物质锅炉燃烧过程的动态特性,提出一种改进的长短期记忆-自注意力机制全卷积神经网络(LSTM-SAFCN)模型用于预测NO_(x)排放浓度。首先利用完全自适应噪声集合经验模态分解法(CEEMDAN)对数据进行预处理,消除数据噪声对NO_(x)排放浓度预测的影响;其次融合自注意力机制与长短时记忆-全卷积神经网络(LSTM-FCN)进行特征提取与预测建模,该拓展方法能够同时兼顾时间序列数据的局部细节与长期趋势特征;最后,利用生物质热电联产系统的实际运行数据验证了所提算法的有效性。

重型柴油车NO_(x)排放因子与其浓度相关性研究

重型柴油车排放的NO_(x)污染物对环境空气质量影响较大,受排放标准、排放控制技术水平、检测方法、驾驶工况等众多因素的影响,当前较难整体评估在用重型柴油车的实际排放状况.本研究首先通过发动机排放台架试验及实际道路排放(PEMS)循环试验,探究了重型柴油车NO_(x)排放因子与NO_(x)平均浓度之间的内在联系;其次,研究了远程监控有效数据筛选规则,提出了一种基于NO_(x)日均浓度评估远程监控重型柴油车NO_(x)排放因子的方法.结果表明:重型柴油车发动机排放台架、PEMS循环试验的NO_(x)排放因子均与NO_(x)平均浓度呈较强相关性,相关系数(R^(2))为0.99.通过远程监控平台监测数据验证了重型柴油车的NO_(x)排放因子与NO_(x)日均浓度有一定相关性,R^(2)高于0.9(p<0.01).因此,可用重型柴油车排放的NO_(x)日均浓度来表征整车污染物排放情况.研究显示,安装远程终端的第五和第六排放阶段的重型柴油车,分别按照NO_(x)日均浓度低于200×10^(−6)和50×10^(−6)来判定排放稳定达标重型柴油车,按照NO_(x)日均浓度高于900×10^(−6)和500×10^(−6)来判定高排放重型柴油车,监管部门和车辆生产企业可利用该指标快速筛选排放稳定达标以及高排放重型柴油车.

混合策略在水泥窑炉煅烧NO_(x)浓度预测中的应用

NO_(x)体积分数是反映水泥窑炉煅烧过程中氮排放的一个关键环保指标。水泥煅烧过程具有大噪声、大时滞和非线性等复杂特性。为了解决以上难点,提出基于互补集合经验模态分解(Complemementary Ensemble Empirical Mode Decomposition,CEEMD)、熵原理的互信息(Mutual Information,MI)、最大相关最小冗余算法(Max-Relevance and Min-Redundancy,mRMR)和天牛须搜索算法(Beetle Antennae Search,BAS)优化神经网络(Back Propagation Neural Network,BPNN)的混合策略,并用于NO_(x)体积分数预测。首先,CEEMD和中值平均滤波用于处理大噪声。同时,利用熵原理的MI和mRMR进行时滞分析和变量选择,解决大时滞问题。其次,利用BAS提高多层前馈(Back Propagation,BP)神经网络的预测能力,并解决非线性工况问题。最后,将该策略进行工业应用。结果显示,在25900个工业测试样本中,两组的均方根误差(Root Mean Squared Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)分别仅为0.3024、0.2059和0.2153、0.2013。预测模型结果可指导水泥脱硝操作人员精准喷氨,减少NO_(x)排放并降低氨水用量和氨逃逸情况。

基于蜣螂优化-集成加权融合的NO_(x)浓度动态预测

针对SCR入口NO_(x)浓度单一预测模型无法满足在不同工况下保持预测精度的问题,提出了一种基于蜣螂优化(dung beetle optimizer,DBO)集成模型加权融合的预测SCR入口NO_(x)浓度的动态模型。首先使用CatBoost与LightGBM的混合模型在筛选辅助变量的同时,求取辅助变量的迟延时间和阶次信息,并根据以上信息确定预测模型的输入变量;然后建立由LightGBM,XGBoost与CatBoost组成的集成模型,并使用蜣螂优化算法对预测结果进行加权融合;最后将DBO-集成加权融合动态预测模型与3种单模型和蜣螂算法优化2种模型加权融合的预测模型进行对比。结果证明DBO综合加权融合动态预测模型的评价指标优于其他模型,具有更高的预测精度、实时性和适应性,能够更好地满足不同工况下的NO_(x)浓度预测要求。

基于改进蜣螂优化算法的电站NO_(x)排放预测

锅炉燃烧优化在电厂锅炉经济稳定运行中起着重要作用,NO_(x)排放预测是其中的一个基本环节,因此提出了一种基于改进蜣螂优化算法优化卷积神经网络(convolutional neural network,CNN)与双向长短期记忆神经网络(long short term memory,LSTM)的组合模型超参数的超超临界锅炉NO_(x)排放预测的方法。首先通过Pearson相关性判定与NO_(x)排放相关的特征参数;其次建立CNN-LSTM预测模型,利用卷积神经网络CNN提取分层数据结构,长短期记忆网络挖掘长期依赖关系,然后结合佳点集、t分布变异策略对蜣螂算法进行改进,用改进后的算法对LSTM超参数进行优化得到最终预测模型;最后与其他神经网络模型进行对比验证。以某660 MW机组锅炉深度调峰实际数据进行预测,结果得到NO_(x)排放浓度实际值与预测值的平均绝对误差为3.3516,平均相对误差为2.4667,数据结果表明该预测模型具有更准确的预测效果。

一种基于卷积特征的NO_(x)排放浓度深度预测模型

为提高燃煤锅炉出口NO_(x)排放浓度的预测精度,该文提出一种基于卷积特征提取的NO_(x)排放浓度深度学习预测模型。首先,分析锅炉燃烧产生NO_(x)的机理,确定模型初选变量;然后,计算不同初选变量与NO_(x)排放浓度之间的最大相关系数,确定变量延迟时间;其次,为挖掘输入变量深层交互信息,设计二维卷积网络进行特征提取,获得高维预测模型输入候选集合;同时,通过偏最小二乘法计算候选集变量与NO_(x)排放浓度之间相关性,降低输入变量维数,确定最终模型的输入变量;最后,设计深度神经网络建立NO_(x)排放预测模型,预测NO_(x)排放浓度。基于1000MW锅炉实际运行数据的实验结果表明,所提出卷积深度神经网络预测算法的平均相对百分比误差小于4%,预测精度能够满足实际生产的需求。

基于数据驱动的燃煤锅炉NO_(x)排放浓度动态修正预测模型

NO_(x)浓度实时预测对于燃煤电厂污染物排放控制和机组运行具有重要意义。为了克服燃烧过程大时延及强非线性特性,提出一种考虑时间延迟的动态修正预测模型。利用最大信息系数(maximum information coefficient MIC)计算相关参数与NO_(x)浓度的延迟时间,重构建模数据集;然后,构建基于Lasso和ReliefF的自适应特征选择算法,筛选与NO_(x)浓度相关程度高的参数;最后,建立结合误差校正的极限学习机(extreme learning machine,ELM)模型,达到动态预测氮氧化物浓度的目的。基于实际数据的实验结果表明:相同变量在升、降、平稳等负荷工况下的延迟时间不同;且不同负荷工况下模型特征变量存在差异;动态误差校正策略有效提升建模精度;所提出算法在不同工况下的预测误差均小于2%,能够准确预测燃烧出口的NO_(x)浓度,为NO_(x)排放监测和燃烧过程优化提供指导。

基于混合建模方法循环流化床锅炉深度调峰NO_(x)排放预测

为响应碳达峰,碳中和目标,我国循环流化床锅炉大规模参与深度调峰运行,导致锅炉NO_(x)排放浓度波动范围大,控制效果不佳,难以满足污染物超低排放需求,因此对深度调峰NO_(x)排放浓度进行精准建模预测有重要意义。以即燃碳模型为基础,深度剖析炉内NO_(x)生成和还原机理,建立炉内即燃碳燃烧模型、O2动态平衡模型、CO软测量模型、NO_(x)生成与还原模型,完成SNCR入口NO_(x)浓度机理计算;选取给煤量、床温、烟气温度及含氧量、一二次风量、尿素溶液流量作为NO_(x)排放浓度的输入变量,将SNCR入口NO_(x)浓度计算值作为拓展输入变量,对所有输入变量与NO_(x)排放浓度进行相关性分析和迟延补偿,完成数据集重构;采用长短期记忆神经网络对重构数据集进行训练和预测,并将鲸鱼优化算法用于长短期记忆神经网络的参数优化,建立循环流化床锅炉深度调峰NO_(x)排放浓度机理——数据混合预测模型。仿真验证表明混合预测模型不同工况下预测性能和泛化能力好,能够实现循环流化床锅炉变负荷时NO_(x)排放浓度的实时预测,相较其他预测模型的各项误差性能指标均显著提升,平均绝对误差δMAE达2.14 mg/m^(3),平均相对百分误差δMAPE达5.68%,决定系数R^(2)达0.902 1。混合预测模型能精准预测循环流化床锅炉深度调峰下NO_(x)排放浓度,为循环流化床锅炉超低排放智能控制系统的设计提供参考。

超临界660 MW循环流化床锅炉NO_(x)排放控制困难分析及处理

为解决某电厂超临界660 MW循环流化床(circulating fluidized bed,CFB)锅炉满负荷运行NO_(x)排放较难控制、瞬时值易超过超低排放限值且选择性非催化还原(selective non-catalytic reduction,SNCR)脱硝系统氨耗量较大氨逃逸严重的问题,现场进行了NO_(x)原始排放、SNCR脱硝效率、CO质量浓度及底渣可燃物的试验,并进行了二次风量布置优化试验。研究发现:锅炉原始NO_(x)排放较低,满负荷运行时不超过120 mg/m^(3)(标准状态,下同);中低负荷时NO_(x)质量浓度低于50 mg/m^(3),但炉膛前后NO_(x)质量浓度偏差较大,烟气中的NO_(x)主要在炉膛前部产生。NO_(x)排放较难控制的原因是SNCR脱硝效率较低和炉膛给煤不均。6台分离器入口的SNCR脱硝效率均低于50.0%,其中B、C、E、F 4台分离器脱硝效率低于40.0%。此外,从原始NO_(x)生成来看,根据炉膛深度方向上床温分布、底渣可燃物质量分数和CO质量浓度变化可以确定,炉膛给煤不均也对满负荷NO_(x)排放控制影响显著。当前,电厂若不进行给煤系统改造暂无法实现给煤均匀,但可以通过调整炉膛深度方向二次风量配比降低原始NO_(x)生成,降幅可达9.77%。

考虑实际路况下排气温度的重型柴油车NO_(x)排放模型

选择性催化还原技术(SCR)是降低重型柴油车氮氧化物(NO_(x))排放的常用技术之一,且SCR系统内的NO_(x)转化率与尾气温度密切相关。然而,现有的NO_(x)排放测算模型主要考虑车辆行驶工况,缺少与排气温度的关联分析,从而增加了NO_(x)排放测算结果的不确定性,对排放清单的建立和减排政策的评估提出了挑战。本研究基于车辆实际运行工况和实测排放数据,建立NO_(x)排放速率库和NO_(x)排放率模型。随后,建立基于机动车比功率(VSP)和热损失系数的尾气温度模型。在此基础上,根据SCR系统中的化学反应原理,建立基于尾气温度的NO_(x)排放模型。最后,利用建立的NO_(x)模型和MOVES模型(移动源排放测算模型)分别估算NO_(x)排放量,并与实际排放情况进行比较分析。结果表明,本研究所提出的考虑实际路况下尾气温度的NO_(x)排放模型可以有效提高NO_(x)排放测算的准确性,在3辆重型柴油公交车上的NO_(x)测算相对误差分别为9.1%、3.9%和3.3%。相较于MOVES模型,相对误差分别降低了24.0、13.1和16.3个百分点。对不同运行工况下的NO_(x)排放特性分析表明,重型柴油货车的平均NO_(x)转化率比柴油公交车高39.2个百分点。

重型柴油机排气电加热NO_(x)排放控制技术研究

为解决重型柴油机在冷起动工况下的NO_(x)排放恶化问题,基于重型柴油机冷起动试验平台,自主设计了排气电加热系统,并研究了不同电加热功率对后处理后的NO_(x)排放和每度电可处理的NO_(x)排放的影响.结果表明:随着电加热功率从2 kW升高至8 kW,NO_(x)排放逐渐降低,每度电可处理的NO_(x)排放逐渐升高;电加热功率固定为8 kW时,NO_(x)排放达到最低(140.3 mg/(kW·h)),相比原机减少了51.55%;电加热功率固定为2 kW时,每度电可处理的NO_(x)排放最多为1 900.8 mg.基于此,通过仿真进行排气电加热器控制策略的开发,控制策略引入NO_(x)转化效率和燃油消耗量作为判据,每度电可处理的NO_(x)排放增加了19.27%.此时,仅消耗0.21 kW·h电能,即可将后处理后的NO_(x)排放从274.76 mg/(kW·h)降低至231.42 mg/(kW·h).

200 kW煤纯化-燃烧和宽负荷NO_(x)排放特性

为了适应当今我国的能源结构和降低煤炭发电等利用过程中产生的污染物排放问题,提出了煤炭纯化-燃烧的新型煤炭反应方式,将整个煤炭的燃烧途径分为纯化和柔和燃烧2个步骤,其中纯化包括中温活化过程(对煤进行性能活化)和高温还原过程(在高温下进行煤中杂质的去除),从而实现煤的纯化和在后续反应中的N元素的定向转化和NO_(x)排放的降低。并在搭建好的200 kW纯化-燃烧试验台上,对宽负荷下系统的纯化-燃烧特性和N元素的转化机理进行了研究。结果表明,系统能够在53%~89%的负荷内实现稳定运行,纯化单元和柔和燃烧单元温度分布均匀,系统的温度随负荷的升高而增加,纯化单元的高温区位于高温还原单元底部,最高可达1378℃,而柔和燃烧单元的高温区则出现在距顶端3700 mm处。在纯化单元出口的煤气中,CO、H_(2)和CH_(4)的体积分数在89%负荷时最高可达23.28%、4.97%、1.52%,随着负荷的增加,燃料中C、H、N元素的转化率均有上升,且高温还原单元出口的元素转化率明显大于中温活化单元出口,达到了88.63%、96.83%和93.91%。大部分的N元素均生成了N_(2),53%负荷下仅有1.27%的N转化生成了NO,NO_(x)排放最低可以达到47.38 mg/m^(3),此时燃烧效率可达99.01%。对氮的迁移路径转化的研究表明,系统在柔和燃烧单元沿程并没有检测到HCN的存在;而NH3则广泛存在于三级三次风喷口前;NO_(x)首先以N_(2)O和NO_(2)的形式分布在柔和燃烧单元沿程,在四级三次风喷入后转化为NO。

LOLIMOT模型在CNG发动机NO_(x)排放预测试验中的应用

为解决在选择性催化还原技术(selective catalytic reduction,SCR)的控制策略开发中局部线性模型树(local linear model tree,LOLIMOT)排放模型预测精度不足的问题,提出一种通过优化空间边界,将原模型的超矩形输入空间约束在物理意义范围内的改进LOLIMOT模型。通过某天然气发动机的辨识试验,从分布特征和计算原理角度,分析了该方法对预测结果的影响。结果表明:与原算法相比,改进算法的线性相关度R2提升了1.9%,验证了改进策略的有效性。改进LOLIMOT算法具备较高的收敛速度和稳定性,在排放模型领域具备一定的应用优势。

重型柴油车实际道路NO_(x)排放分析方法研究

利用PEMS对6辆典型国六重型柴油车开展实际道路排放测试,基于功基窗口法(中国和欧盟)、NTE法(美国EPA)和3B-MAW法(美国CARB)研究了重型柴油车实际道路NO_(x)排放特性,探讨了不同分析方法的特点及适用性。结果表明:基于功基窗口法的NO_(x)排放结果符合中国和欧盟的监管要求,但基于NTE法和3B-MAW法的NO_(x)排放合规性具有不确定性。NO_(x)排放数据利用率低导致NTE法无法有效分析实际道路NO_(x)排放,3B-MAW法对NO_(x)排放分类管理值得借鉴。冷起动NO_(x)排放占PEMS试验的47.3%~80.7%,重型柴油车冷起动NO_(x)排放应被重视。然而目前中国、欧盟和美国的重型车实际道路NO_(x)排放分析方法均无法有效评估冷起动NO_(x)排放。因此,下阶段排放法规对冷起动NO_(x)排放的监管应当提出相应测试循环、分析方法和排放限值,切实降低重型柴油车NO_(x)实际排放。

不同海拔下国Ⅵ重型柴油车实际道路NO_(x)排放特性

为了解不同海拔下国Ⅵ重型柴油车的NO_(x)排放特性,利用便携式排放测试系统(PEMS)在4个不同海拔城市(襄阳、昆明、丽江和香格里拉)对国Ⅵ重型柴油车进行实际道路排放测试。结果表明:随着海拔高度的升高,NO_(x)排放呈现增加趋势,高海拔下的平均NO_(x)排放速率是平原的4.65~20.58倍,NO_(x)综合排放因子是平原的2.80~13.75倍;不同载荷条件下香格里拉的NO_(x)综合排放因子是襄阳、昆明和丽江的1.27~13.75倍;市区路的NO_(x)排放因子是市郊路和高速路的1.05~6.49倍,且香格里拉市区路的排放因子超过400 mg/km;在Bin 11~Bin 14和Bin 21~Bin 28区间,随着机动车比功率(VSP)的升高,NO_(x)排放速率表现出先增大后减小的趋势;不同海拔下车辆从市区路到市郊路、市郊路到高速路行驶时,NO_(x)瞬时排放速率出现峰值;NO_(x)高排放区域集中在高转速、高扭矩区间;海拔与平均NO_(x)排放因子的决定系数为0.86,表现出较强的正相关关系。

NH_(3)/H_(2)掺混MILD燃烧及NO_(x)排放特性的数值模拟

化石能源的利用推动了人类社会的进步,但也造成了全球气候变化,威胁人类的生存与发展。在此背景下,氨和氢作为零碳燃料引起了人们的重视,但其燃烧利用面临诸多问题。MILD燃烧是一种新型燃烧方式,有望实现氨/氢混合燃料的清洁高效燃烧,但目前研究非常有限。采用数值模拟方法对预混NH_(3)/H_(2)射流火焰的MILD燃烧和排放特性进行研究。改变了射流中的氢气比例(X(H_(2))F)和当量比(Φ_(J)),并详细分析了温升、反应域、抬升高度、自由基浓度以及氮氧化物(NO_(x))排放等。结果表明,添加少量H_(2)可显著增强NH_(3)火焰的稳定性,降低自着火温度并消除火焰抬升。此外,X(H_(2))_(F)的增加能提高燃烧温度,加快H、O和OH自由基的产生,并使燃烧模式由MILD燃烧转变为高温燃烧。富燃料且氢气比例较低时,NH_(3)在燃烧前大量分解为H_(2),导致燃烧温度较高。关于NO_(x)排放,N_(2)O和NO是最主要来源,NO_(2)可忽略不计。整体上,N_(2)O和NO的排放随X(H_(2))_(F)的增加先升高再降低。当X(H_(2))_(F)较低时,N_(2)O的浓度峰值与排放量和NO相当。提高X(H_(2))_(F),温度升高,导致N_(2)O转化为NO和N_(2),因此NO变为主要的NO_(x)排放源。此外,富燃工况中,燃烧温度、OH浓度及射流对伴流中氧气的卷吸共同影响NO排放。

基于DDPG的锅炉NO_(x)排放和屏式过热器超温的多目标优化

锅炉空气分级燃烧技术的使用虽降低了NO_(x)排放,但同时造成了炉内高温火焰上移,导致位于炉膛上部的屏式过热器吸热量增加和超温加剧,影响机组的安全运行.因此,锅炉亟需一个可对NO_(x)排放和屏式过热器超温进行协调优化的多目标控制策略.针对目前基于机器学习的锅炉优化模型普遍局限于针对单一锅炉运行目标的优化,提出了基于深度强化学习的锅炉多目标优化模型,包括预测模型和优化模型:预测模型采用深度神经网络构建锅炉运行参数与NO_(x)浓度和屏式过热器温度的非线性映射;优化模型采用深度确定性策略梯度(DDPG)算法训练策略网络,通过优化运行参数实现锅炉的多目标协同控制.对某600MW锅炉的研究结果表明,通过锅炉配风和过热器减温水量等参数的调整,可实现NO_(x)排放和屏式过热器超温率的协同优化,NO_(x)排放平均降低22.6 mg/m^(3),屏式过热器超温率平均降低0.161.

针对SCR入口NO_(x)浓度的EMD-Informer长序列预测综合模型

准确预测选择性催化还原系统(SCR)入口NO_(x)浓度并量化喷氨是提高SCR效率和降低NO_(x)排放的关键。然而,用于测量发电厂NO_(x)浓度的连续排放监测系统(CEMS)存在严重的延迟问题,因此需要进行长序列预测来抵消这种延迟。本文提出了一种综合预测模型,结合了特征选择、数据预处理和深度学习,用于预测300 MW亚临界自然循环汽包锅炉的SCR入口NO_(x)浓度。首先,通过主成分分析法和基于知识的方法筛选特征变量,然后利用经验模态分解(EMD)将原始历史数据分解为一系列分量序列。随后,采用Informer模型对每个分量进行预测,最后将这些预测的分量重构得到NO_(x)浓度的预测。与其他深度学习预测方法相比,该模型在长序列预测任务中表现出色,为精确控制SCR系统提供了一种有前景的方法。

两级浓淡燃烧室内氨-氢-空气预混旋流燃烧过程的NO_(x)排放特性

为了掌握燃气轮机两级浓淡燃烧室内氨-氢-空气预混旋流火焰的NO_(x)排放特性和影响NO_(x)生成的动力学机制,对氨-氢-空气预混旋流燃烧过程进行了三维反应流数值模拟并开展了燃烧反应动力学特性研究.结果表明:在掺氢比为35%、压力为0.5 MPa且当量比为1.20的绝热燃烧工况下,NO_(x)排放可降至54×10^(-6)(15%O_(2)).H+O_(2)(+M)=HO_(2)(+M)是燃烧压力影响氨-氢燃料燃烧过程中NO_(x)排放的关键反应.燃烧压力的升高会促进NO与HO_(2)反应并转化为NO_(2).对于氨-氢混合燃料而言,过高的掺氢比(60%~80%)会导致NO_(x)排放显著升高,而根据壁面热损失程度的不同,适当的掺氢比(35%~55%)则有利于实现较低的NO_(x)排放(54×10^(-6)~86×10^(-6)(15%O_(2))).