可解释的变负荷下燃煤机组SCR反应器入口NO_(x)质量浓度预测模型

燃煤电厂灵活调峰过程NO_(x)测量往往存在滞后现象,导致选择性催化还原(selective satalytic reduction,SCR)脱硝喷氨控制系统响应不及时,易造成喷氨量过高或过低,从而造成SCR反应器出口NO_(x)质量浓度波动剧烈和氨逃逸率增大。为实现喷氨阀门的提前快速调节并考虑影响燃煤锅炉NO_(x)排放量的因素存在耦合性,提出了一种基于卷积神经网络(convolutional neural network,CNN)和长短时记忆(long short-term memory,LSTM)神经网络混合模型的SCR反应器入口NO_(x)预测模型。利用一台330 MW燃煤电站锅炉的运行参数,通过Pearson系数法计算特征变量之间的相关性,筛选出相关性较大的特征,并定义模型的输入矩阵和输出矩阵,采用随机搜索算法进行优化,以提高预测性能。进一步利用SHAP算法对黑箱模型进行解释,并通过Simulink仿真验证了带有NO_(x)预测的控制效果。结果表明:CNN-LSTM预测模型在调峰负荷变化时,能够以较高的精度预测SCR反应器入口NO_(x)质量浓度的变化,并能提前25s为喷氨控制系统提供反馈;优化后的喷氨控制策略降低了出口NO_(x)质量浓度与设定值间的标准差(降低28%),并提升了NH_(3)/NO_(x)的响应速度,减小最大氨逃逸量22%。该研究结果可为灵活调峰机组的智慧SCR脱硝技术及燃烧优化提出有效的指导。

基于火焰体积模型的航空发动机燃烧室NO_(X)排放预测方法

本文采用数值模拟与污染排放半经验模型相结合的方法,以新定义的无量纲火焰体积作为新的特征参数,以数值模拟结果作为火焰体积模型的输入,引用、推导并新建了适用于高效预测燃烧室NO_(X)排放的火焰体积模型,运用该模型对某直流燃烧室的NO_(X)排放性能进行了快速预测。验证结果表明,采用火焰体积模型计算的EINO_(X)相对误差最大为8.90%。

基于遗传算法—优化长短期记忆神经网络的柴油机瞬态NO_(x)排放预测模型研究

为实现选择性催化还原系统(selective catalytic reduction,SCR)尿素喷射量的精确控制,构建并评估了一套利用遗传算法(genetic algorithm,GA)优化长短期记忆(long short term memory,LSTM)神经网络的柴油机瞬态NO_(x)排放预测模型。针对柴油机瞬态运行特点,选择柴油机NO_(x)排放的主要影响因素进行相关性分析,确定模型的输入变量;为避免人为选取参数对神经网络预测性能的不良影响,采用遗传算法优化LSTM神经网络的参数,建立预测柴油机瞬态NO_(x)排放的GA-LSTM模型;最后对预测模型进行了性能测试。结果表明,该模型具有较好的预测能力。

循环流化床锅炉NO_(x)排放控制优化研究进展

循环流化床(CFB)锅炉因其污染控制成本低和负荷变化灵活,已成为目前利用最为广泛的煤燃烧清洁利用手段之一。随着超低排放标准的提出,CFB锅炉同样面临NO_(x)排放控制的问题。文章回顾了CFB锅炉的NO_(x)控制手段及存在的问题,在此基础上,从CFB锅炉NO_(x)排放预测调控和SNCR脱硝模拟优化两个方面,对提高CFB锅炉NO_(x)排放控制性能的研究进行了综述和分析,为CFB锅炉NO_(x)的排放控制优化改造提供了有价值的参考。

基于在线学习的柴油机起动过程NO_(x)排放预测模型

为了构建准确的柴油机起动过程NO_(x)排放预测模型,分析起动过程瞬态运行特点,基于非线性自回归神经网络,结合起动试验数据选取模型特征,对比自注意力机制模型与标准反向传播神经网络模型NO_(x)排放预测效果,发现自注意力机制模型预测效果良好,且均方根误差较小;对比自注意力机制模型在在线梯度下降算法和FTRL算法2种在线学习的预测效果,发现采用FTRL算法可以使模型在未知工况下获得更好的预测性能;对比自注意力机制模型学习前、后的预测效果,发现学习后的模型均方根误差增大,但预测结果能力良好;对比在线学习模型与全数据训练集离线学习模型预测效果,发现两者的决定系数与均方根误差相差不大,预测效果都较好,但在线学习所用数据量和训练时间分别减少了68.7%和73.6%,大幅降低了存储和训练成本。采用FTRL算法的自注意力机制模型可减少数据存储和训练资源成本,并实时反馈预测需求。

基于CNN-LSTM的燃气轮机NO_(x)排放预测研究

为了建立精准的NO_(x)预测模型,解决燃气轮机电站存在NO_(x)超标排放的问题,提出一种基于卷积神经网络(Convolutional Neural Network, CNN)和长短期记忆神经网络(Long Short-term Memory, LSTM)组合模型的NO_(x)排放预测方法。将NO_(x)排放历史数据和燃气轮机燃烧的状态参数通过滑动窗口法构建成特征图格式输入到CNN中,利用其卷积层和池化层提取表征NO_(x)动态变化的特征向量,并转化为时间序列格式输入到LSTM中进一步挖掘内部规律,从而实现NO_(x)的排放预测。以某三菱燃气轮机的历史运行数据进行试验。结果表明:CNN-LSTM的相对均方误差eRMSE为1.811 mg/m^(3),并通过与PCA-BP,PCA-RNN和PCA-LSTM模型进行比较,验证了方法的可行性。