基于遥感监测的大气污染物减排成效评估——以湖北省“十一五”以来SO_(2)与NO_(x)减排为例

我国从“十一五”开始实施了一系列严格的大气污染物减排措施.然而,由于大气污染源复杂多样,尤其对分散污染源监测上存在盲区;相关的统计数据可能无法准确反映切实的减排成效.卫星遥感技术作为一种大范围全覆盖的监测手段,能反映大气污染物的时空变化趋势,从而客观反映减排成效.因此,研究通过对OMI卫星遥感长时序大气污染监测产品的时空趋势分析,解析了湖北省内“十一五”以来SO_(2)与NO_(x)减排成效,结果显示湖北省内大部分地区SO_(2)浓度呈显著下降趋势,NO_(2)浓度则无显著变化趋势,宜昌、荆门等地区表现为显著增加,亟需重点关注.

基于延迟特性的NO_(x)浓度软测量与喷氨优化

针对NO_(x)浓度测量延迟导致NO_(x)排放浓度波动较大的问题,为提升脱硝系统运行的稳定性,试验分析了NO_(x)浓度测量的延迟时间和锅炉关键控制参数改变后SCR入口NO_(x)浓度的响应时间,建立了表征锅炉运行动态特性的SCR入口NO_(x)浓度软测量的数据结构,进一步建立了基于XGBoost算法的动态工况下SCR入口NO_(x)浓度实时软测量模型。结果表明:SCR入口NO_(x)质量浓度的测量延迟时间约为1 min,软测量模型能够提前近1 min得到实际NO_(x)质量浓度,软测量曲线与实际曲线具有理想的跟随性和准确性;软测量模型在660 MW机组上投入应用后,喷氨流量曲线和NO_(x)排放质量浓度曲线的稳定性得到显著提升。

基于DJMI-GRU的SCR烟气脱硝系统出口NO_(x)动态软测量建模

燃煤电站烟气连续监测系统(CEMS)反向吹灰时,烟气NO_(x)质量浓度信号容易失真,从而造成喷氨量不匹配、NO_(x)排放超限等问题。本文考虑选择性催化还原(SCR)烟气脱硝系统的时延特性,采用差分联合互信息(DJMI)方法确定影响SCR反应器出口NO_(x)质量浓度的辅助变量时延和动态模型输入的历史数据长度,提出了一种基于门控循环单元(GRU)神经网络的DJMI-GRU动态软测量方法。利用某660 MW机组历史数据对软测量模型进行验证,并与普通循环神经网络(RNN)模型进行比较。结果表明:与RNN模型相比,GRU神经网络结构具有遗忘更新机制,利用全工况数据训练时具有较好的泛化能力;采用DJMI方法估计时延信息并重构输入数据集能有效去除DJMI-GRU模型输入中的冗余信息,更好地表现脱硝过程的动态特性并加速模型训练;使用局部工况数据进行模型训练时计算量小且能取得更高的拟合精度,能在CEMS反向吹灰时为喷氨优化、NO_(x)排放监测提供指导。

基于Elastic Net特征变量选择的SCR入口NO_(x)软测量模型

在传统选择性催化还原反应器(selective catalytic reduction,SCR)入口NO_(x)软测量研究中,选取相关变量大多是基于机理分析方法,具有一定主观性。针对这一问题,提出Elastic Net方法结合最小二乘支持向量机(least squares support vector machine,LSSVM)的SCR入口NO_(x)软测量模型。首先采用Elastic Net对潜在相关变量进行变量选择,该方法无需机理分析,避免变量选择的主观性。此外,Elastic Net克服最小绝对收敛和选择算子(least absolute shrinkage and selection operator,LASSO)变量选择时因数据内部存在共线性和群组效应而影响选择效果的问题。然后利用LSSVM具有的训练速度较快、泛化性能优良和非线性逼近能力强等优点,建立Elastic Net-LSSVM软测量模型。现场数据仿真结果表明:Elastic Net-LSSVM与LSSVM相比,在预测时均方根误差减小8.45%,使预测更准确,验证软测量模型的有效性,可为烟气脱硝系统的控制优化提供参考。

基于LSTM的燃煤电厂NO_(x)排量软测量

燃煤电厂煤粉在燃烧过程中产生的有害气体会对大气环境造成污染,NO_(x)为其中之一。针对燃煤电厂生产过程中NO_(x)排放量测量成本高、过程复杂等问题,考虑到机组运行数据具有的时间序列特征,提出一种基于长短期记忆神经网络的软测量方法对NO_(x)排放量进行预测。在分析NO_(x)产生机理的基础上,利用来自陕西省榆林市某电厂2019年1月至6月的实际生产数据,初步选取与NO_(x)排放量紧密相关的20个辅助变量;将数据进行预处理以消除粗大误差和随机误差,并利用灰色关联度分析进一步精选出15个辅助变量;将实际生产数据划分训练集和测试及对LSTM模型进行训练和测试,并将LSTM模型与BP神经网络模型和支持向量机模型的软测量结果比较。结果表明:基于LSTM的测量方法均方误差较基于BP神经网络与SVM的方法均有减小,说明该方法测量准确度较高,泛化能力更强。

基于MI-LSSVM的NO_x生成量动态软测量模型

燃煤机组NO_x生成量的准确测量是改善脱硝控制品质的关键因素。针对电站锅炉长期处于变工况的动态过程,并考虑到辅助变量存在的时间异步以及NO_x生成量测量存在的迟延问题,提出基于最小二乘支持向量机与互信息(MI-LSSVM)的燃煤机组NO_x生成量的动态软测量方法。首先,介绍了数据预处理及辅助变量的选择;其次,根据理论知识及实际情况确定NO_x生成量的测量迟延,以互信息最大化为准则,确定各个辅助变量的时间迟延;最后,将包含迟延信息的辅助变量数据与过去时刻的NO_x测量数据作为输入,建立最小二乘支持向量机(LSSVM)模型,实现动态软测量。基于某电厂330 MW机组的一段历史运行数据,验证了模型的预测效果。验证结果表明:基于MI-LSSVM的模型精度较单独使用LSSVM模型有明显的提高,且MI-LSSVM模型具有一定的提前预测功能。该模型不仅具有良好的预测效果,而且为脱硝系统喷氨量的准确控制奠定了良好的基础。

基于振动信号的柴油机NO_(x)排放虚拟传感研究

对行驶过程中车辆的NO_(x)排放进行实时监测有助于缸内燃烧过程的控制和改善,实现对排放的闭环控制和瞬态排放的有效评估,从而满足日益严苛的排放要求。提出了一种基于结构振动信号的NO_(x)虚拟传感方法。基于振动信号和缸压信号的时频图谱相似性分析方法实现了缸压信号的重构并从中提取与排放相关的信息,建立了用于预测NO_(x)的主成分回归(principal component regression,PCR)模型。在单缸柴油机试验台架上对预测模型进行了验证。结果表明:所提出的PCR模型对各种工况下的NO_(x)排放都能较好预测,与红外光谱式排放测量系统相比具有更快的响应速度。

基于带时间尺度PCA-RBF的脱硝系统入口NO_(x)质量浓度软测量技术

选择性催化还原(selective catalytic reduction,SCR)脱硝系统入口NO_(x)质量浓度是控制NO_(x)排放的重要参数之一,高精度的测量值可以有效提高脱硝系统的控制效果。为此,提出基于带时间尺度PCA-RBF的脱硝系统入口NO_(x)质量浓度软测量方法。首先对原始数据样本进行主元分析(principal components analysis,PCA)及T 2统计量监测,从若干个影响入口NO_(x)质量浓度的因子中选出关键变量,进一步分析入口NO_(x)质量浓度与关键变量的时间尺度,通过径向基函数(radial basis function,RBF)神经网络训练,获得高精度软测量模型。仿真分析RBF、PCA-RBF、带时间尺度PCA-RBF这3种软测量模型,结果表明:带时间尺度PCA-RBF模型比PCA-RBF模型和RBF模型具有更高的预测精度、更快的收敛速度和更好的泛化能力;采用带时间尺度PCA-RBF模型时,脱硝系统入口NO_(x)质量浓度预测值与实测值之间的均方差为0.0506%,满足现场实际需求。

基于两种燃烧模型的重型燃气轮机燃烧室污染物排放预估研究

为有效预估重型燃气轮机NO_(x)的排放量,以某重型燃气轮机的燃烧室为研究对象,基于预混燃烧和柔和燃烧两种燃烧模型,应用数值模拟的方法研究燃烧室内温度分布的情况;采用响应面优化方法研究进口压力、燃烧区平均温度、一次风温对NO_(x)排放的影响;通过公式拟合方法,拟合出针对该重型燃气轮机燃烧室的污染物排放预估公式。结果表明:在操作压力及燃料相同的情况下,使用柔和燃烧模型对减少NO_(x)排放的效果更好;对比两种燃烧模型数值的优化结果及污染物排放预估公式,可发现燃烧区平均温度对污染物排放的影响最大,在基于预混燃烧模型的NO_(x)排放预估公式中,燃烧区的平均温度指数为-9.7;在基于柔和燃烧模型的NO_(x)排放预估公式中,燃烧区的平均温度指数为-76.69。

燃煤机组脱硝智能控制关键技术研究及应用

针对燃煤机组现有脱硝控制中存在的测量失真、控制滞后等问题展开研究,并形成系统的解决方案。首先利用智能寻优技术综合考量脱硝系统经济性与安全性,设计具有自寻优功能的控制目标值;然后采用数据挖掘技术对锅炉燃烧相关控制因素分析处理,提取影响氮氧化物生成的主导因素,并利用长短期记忆网络方法构造氮氧化物生成预测模型,根据烟气流动通道各脱硝测点间的关联特性,实现对脱硝出口氮氧化物实际浓度的软测量;最后结合自适应、模糊等先进算法设计形成脱硝先进控制系统,实现对燃煤机组脱硝控制水平的综合提升。

两种燃烧模型对重型燃气轮机燃烧室污染物排放影响对比研究

为研究重型燃气轮机燃烧室NO_(x)排放预估问题,以M701型重型燃气轮机的燃烧室为研究对象,基于预混燃烧与柔和燃烧两种燃烧模型,应用数值模拟的方法研究燃烧室内的温度分布情况,采用优化分析的方法研究一次风量、二次风量、一次风温及二次风温对NO_(x)排放的影响。将两种燃烧模型的数值优化结果进行对比分析,结果表明:在燃料相同的情况下,采用柔和燃烧模型(适当提高一次风温)可以有效减少NO_(x)排放。