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AMESim的柴油机SCR系统NO_(X)转化率仿真与验证

为研究车用柴油机SCR系统催化转化效率的影响因素,利用AMESim软件建立SCR系统仿真模型,结合台架试验,分析了排气温度、NO_(2)/NO_(X)值以及排气流量对系统NO_(X)转化率的影响。将不同温度下SCR系统仿真输出的NO_(X)转化率数据进行了实验验证,结果表明模型预测误差小于5%。仿真结果显示:SCR系统的NO_(X)转化率会随排气温度升高而明显增大,370~450℃为系统性能的最佳温度区间,NO_(X)转化率最大值均在88%以上。NO_(X)转化率随着NO_(2)/NO_(X)值的提高而增加,且当NO_(2)/NO_(X)值为55%~60%时达到峰值。当排气温度处于400~450℃之间时,NO_(X)转化率受排气流量影响较小,转化率稳定在90%左右。确定了SCR系统在发动机不同工况条件下的工作性能,为后续的尿素喷射控制研究提供指导依据。

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。

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。

Cu离子分子筛催化材料在去除NO_(x)方面应用的研究进展

控制大气中氮氧化物的排放对环境和人体健康有着至关重要的作用,应用于NO_(x)去除的技术有很多,其中选择性催化还原(NH3-SCR)技术是去除NO_(x)极有效的技术之一,利用CO去除NO_(x)为烟气脱硝(CO-SCR)提供了一种简单且低成本的技术,直接催化分解NO_(x)被认为是去除NO_(x)最理想、最环保的技术。Cu离子分子筛作为去除NO_(x)的高效催化剂,具有宽温度窗口和良好的水热稳定性。本文综述了Cu交换分子筛在去除NO领域的研究进展,讨论了Cu离子分子筛在NH3-SCR、CO-SCR以及直接催化分解NO中的应用,着重总结了Cu离子参与去除NO的反应机理,归纳了分子筛中Cu活性位点对脱硝性能的影响,还讨论了铜离子分子筛的抗H_(2)O和SO_(2)中毒性能,展望了Cu离子分子筛未来可能的发展方向。

330 MW旋流对冲锅炉低负荷运行的低NO_(x)燃烧优化

以某热电厂一台330 MW旋流对冲燃煤锅炉为研究对象,通过数值模拟分析了锅炉在150 MW低负荷运行、不同配风比下炉内的流动、传热及NO_(x)排放情况。结果表明,当二次风配比和燃尽风率增大时,NO_(x)的生成趋势并不呈线性变化,而是存在一个最低点,可得到一个NO_(x)排放值最低的最佳配风方式。为了验证该最佳工况的优化效果及实际运行的可行性,又将数值研究中的3个典型工况进行了现场实验。实验结果表明:与原运行工况相比,采用最佳配风方式的实际炉膛出口NO_(x)浓度下降20%,锅炉效率提高0.41%。该配风优化方案经济可行,为同类型工程问题提供了优化思路。

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。

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。

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).

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。

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。

大型乙烯裂解炉用低NO_(x)燃烧器的结构优选

随着大能力大型化裂解炉的不断发展,国内首台单炉膛20万吨/年产能乙烯裂解炉对燃烧器提出了更高的设计要求,在稳定燃烧的同时还要满足特定的工艺要求和严苛的环保要求。采用CFD技术和热态试验方法优选新型乙烯裂解炉用低NO_(x)燃烧器,通过数值分析方法研究不同底部与侧壁供热比(底侧比)下裂解炉内的燃烧状态(火焰形状、火焰长度、炉内温度分布及NO_(x)排放量等),结果表明:在底侧比为70:30时燃烧状态最优,炉膛内温度分布均匀且满足工艺要求和环保要求。在热态试验炉上对最终设计工况(底侧比72:28)进行热态试验,结果显示:炉内燃烧状态良好,温度分布均匀且满足热通量曲线,NO_(x)排放量也较低。

不均匀喷氨的NO_(x)通量获取方法和喷氨格栅阻力特性

不均匀喷氨的方法是根据喷氨格栅建立不同分区的NO_(x)通量,设计分区不同的喷氨量,而NO_(x)通量由两个参数即烟气流速和NO_(x)浓度决定,试验和数值模拟方法是获得这两个参数的重要手段。通过对比发现,数值模拟的边界条件在实际中难以确定,无法较好地模拟流速场,而试验是更优的一种方法。试验结果显示,不同负荷和煤种下,喷氨格栅截面的流速分布基本不变,某些区域始终高,某些区域始终低。同时得到NO_(x)浓度的不均匀系数相对于流速不均匀系数很小,且考虑喷氨截面到催化剂还有一段扩散距离,可以仅考虑主要影响因素即烟气流速对不均匀喷氨的喷氨量进行设计,该方法简单有效,在工程实际中应用效果较好。同时对喷氨支管的阻力特性进行了试验研究,利用多孔介质代替该区域可以极大简化数值模拟区域。

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.

核准制下超超临界火电机组NO_(x)排放特性的数值模拟

围绕新建火电项目核准制度,以某新建超超临界火电机组1000 MW四墙切圆燃煤锅炉为研究对象,运用FLUENT数值计算软件对其进行1:1实体建模,选择对应的数学模型,采用数值模拟的方法对燃煤锅炉在不同过量空气系数、磨煤机组合方式以及锅炉负荷率下的NO_(x)生成特性规律进行了研究。结果表明:炉内过量空气系数在1.1~1.15时可取得较低的NO_(x)排放及较高的燃烧效率。6层燃烧器全部投运工况下,锅炉燃烧NO_(x)生成量较多,投运5层燃烧器时,磨煤机组合方式为ABCDE可取得最低的NO_(x)排放,组合方式为BCDEF时NO_(x)排放浓度最高。随负荷减小炉内温度下降,NO_(x)生成量减少,而气流组织和燃尽度较差。

武汉东西湖区物流园柴油车NO_(x)和PM_(2.5)排放特征

为探究物流园货运柴油机动车的污染排放情况,文章选取武汉市东西湖区A、B和C3家物流园为研究对象,基于现场调查和武汉市机动车监管平台获取的数据进行了柴油机动车活动水平分析,并在物流园出入口断面开展NO_(x)与PM_(2.5)实地监测。结果显示,进出物流园的货车均以重型柴油车为主,占比超78.1%;其中,国Ⅴ+国Ⅵ排放标准类型的柴油机动车占比均超50%,并且仍有少量国Ⅲ标准的柴油机动车。研究表明,相关物流园柴油机动车活动水平与物流园占地面积无直接相关性,工作日与非工作日车流量变化与城市道路交通量呈现不同的变化趋势;3家物流园8月期间NO_(x)、PM_(2.5)、PM_(10)、CO和HC的排放总量分别为36.958、0.529、0.586、16.588和1.157 t;8月和11月进出物流园断面的NO_(2)和PM_(2.5)监测浓度,分别是相邻街道空气质量监测站的1.24~2.41倍和2.70~2.82倍,显示出物流园柴油机动车尾气排放对周边区域大气环境质量有明显影响,物流园柴油机动车结构类型同样关联到物流园的绿色转型。

Fe和Cu分子筛催化剂同时催化NO_(x)还原和N_(2)O分解

采用离子交换法制备了Fe-Beta和Cu-SSZ-13催化剂并采用不同混合方式制备了复合催化剂,考察了催化剂同时催化NO_(x)还原和N_(2)O分解的性能.以实现NO_(x)和N_(2)O同时高效去除、拓宽活性温度窗口为目标,优选出了上Fe下Cu分层填充、Fe-Beta和Cu-SSZ-13质量比为4:1的Fe_(0.4)Cu_(0.1)催化剂,进一步考察了进气组成对NO_(x)、N_(2)O和NH_(3)转化率的影响,并采用N_(2)吸脱附、XRD、NH_(3)-TPD、UV-Vis DRS和H_(2)-TPR等手段对催化剂理化特性进行了表征.结果表明,Cu-SSZ-13和Fe-Beta分别具有更优的催化NO_(x)还原和N_(2)O分解性能.采用Fe_(0.4)Cu_(0.1)催化剂、[NH_(3)]/[NO_(x)]为1时考察的温度范围内NH_(3)仅还原NO_(x),而N_(2)O通过分解去除,450℃时NO_(x)和N_(2)O转化率分别为93.4%和100%.高温(>350℃)下NH_(3)被O_(2)氧化导致NO_(x)转化率随温度升高而降低;高温(≥350℃)下N_(2)O分解形成的氧物种可使NO_(x)在进气中无O_(2)条件下实现高效还原.进气中含2%H_(2)O对高温(450℃)下Fe_(0.4)Cu_(0.1)表面NO_(x)的还原和NH_(3)的氧化无显著影响,但对N_(2)O的转化存在一定的可逆抑制作用.Cu-SSZ-13表面存在大量孤立的Cu^(2+)离子,可为NH_(3)-SCR反应提供充足的活性中心.Fe-Beta表面同时存在能够催化NO氧化的孤立Fe^(3+)离子和催化N_(2)O分解的Fe_(x)O_(y)物种.采用上Fe下Cu分层填充的混合方式时Fe-Beta表面NO氧化过程会消耗N_(2)O分解形成的氧物种,从而有利于低温(≤450℃)下N_(2)O的转化.但由于N_(2)O分解的温度范围内NO_(x)转化率本身较高,NO氧化对于脱硝的促进作用不显著.