基于耐久老化车辆的实际道路行驶NOx排放控制方法研究

为满足国六排放法规中在用车辆16万km RDE(real driving emission)检查要求,对两辆耐久老化车辆展开苛刻的1℃环境下转毂激进RDE试验研究。通过调整发动机的控制策略,对试验中NO_(x)排放偏高的两个极端工况:冷起动后急加速及热机起步急加速至超高速阶段的运行参数进行优化,然后在多种组合下的转毂循环及实际道路行驶排放中对优化前后的策略进行了对比验证。结果表明:VVT、过量扫气系数、目标空燃比及老化催化器窗口控制分别对耐久老化车辆的冷、热机超大负荷运行工况下NO_(x)排放量影响较大,合适的策略可使NO_(x)整体下降超40%;先基于耐久老化车辆开展转毂激进RDE开发,再进行实际道路行驶排放验证,是一种有效的RDE开发方法。

基于化学反应器网络方法的燃气轮机燃烧室NOx排放研究

为准确预测某重型燃气轮机燃烧室NO_(x)排放浓度并确定其内部各燃烧区的“贡献”,探明此类低排放燃烧室的设计准则,该文基于化学反应器网络(chemical reactor network,CRN)方法,首先通过敏感性分析研究各反应器体积、初始温度、燃料/空气掺混不均匀度等参数对计算准确性的影响,并分析CRN的负荷适用范围。通过CRN方法研究燃烧室负荷、燃烧模式和掺混孔径对NO_(x)排放的影响。结果表明,该低排放燃烧室中心区是NO_(x)的主要贡献者,其设计准则为:将环形区喷嘴和中心喷嘴按照“等功率”设计;通过计算可得满负荷下的NO_(x)排放低于限值20ppm(@15%O_(2))的掺混孔径为44.45mm。结果可为改进CRN方法的应用、优化低污染燃烧室的设计提供一定依据。

基于改进樽海鞘算法的锅炉NOx排放模型优化研究

为了建立高效的NO x排放质量浓度预测模型,以某330 MW的煤粉锅炉为研究对象,利用自适应樽海鞘算法(ASSA)优化快速学习网(FLN)建立预测模型。首先用8个基准测试函数检测ASSA的性能并与其它3种算法进行对比,结果显示ASSA算法的收敛速度更快,寻优结果更好;将该模型与差分进化算法(DE)、粒子群算法(PSO)和樽海鞘算法(SSA)优化的快速学习网进行比较,结果表明ASSA-FLN模型具有更好的预测精度和泛化能力,可有效准确地预测煤粉炉的NO x排放质量浓度。

NO_X排放控制技术进展及评价

控制燃烧过程中NOX的排放是当前防止环境污染实现经济可持续发展的一项重要内容。对NOX的生成途径及控制NOX排放的方法进行了综述和评价,着重阐述了再燃烧技术的原理和影响因素。

催化改性碳纤维降低柴油机NO_x排放的试验研究

在催化改性碳纤维作为还原剂转化NOx的化学试验基础上,使用普通柴油和低S柴油分别进行催化改性碳纤维催化器的柴油机台架试验,测试了不同催化剂对NOx转化的效果及使用条件,得到了一些试验结果。

正弦算法优化正则化ELM在NOx排放量建模中的应用

为优化锅炉配风配粉降低NO x排放浓度,以某1000 MW火电机组现场变工况运行数据为基础,采用正弦算法(Sine algorithm,SA)优化的正则化极限学习机(Regularized extreme learning machine,RELM)建立了NO x排放量的预测模型。为提高预测模型的精度,通过比较不同激活函数对RELM模型性能的影响,选用了新的Swish激活函数;采用奇异值分解法确定RELM的最佳隐含层节点个数,并引入一种自适应调整惯性权重的正弦算法对RELM的输入权值和阈值进行优化。将基于以上策略建立的SA-RELM模型与SA-ELM、RELM及PSO-RELM等模型的预测结果进行对比,表明基于SA-RELM的NO x排放量预测模型具有更高的精度和泛化能力。

基于互信息–图卷积神经网络的燃煤电站NOx排放预测

燃煤电站NO_(x)排放预测模型可提高脱硝经济性。NO_(x)排放机理复杂,相关性变量众多,有效的融合相关变量之间的信息,能提高NO_(x)排放预测精度。提出了一种基于互信息-图卷积神经网络的NO_(x)排放预测模型。基于某660MW燃煤电站的运行参数,计算影响NO_(x)排放的特征变量之间的互信息,设计特征变量间的邻接关系,获取特征邻接矩阵,构建了基于图卷积神经网络的NO_(x)排放预测模型。将所提出的NO_(x)预测模型与基于LSTM、BPNN和LS-SVM的典型NO_(x)预测模型进行对比,实验结果表明,MI-GCN预测模型具有较好的泛化能力和较高的预测精度。

不同中冷系统对柴油机瞬态循环中NO x排放的影响

指出了汽车中占比不高的柴油车排放的NO x权重占比高达60%,随着汽车产量的增加,为增强人民的蓝天幸福感,如何减少柴油机中NO x排放已经成为主要研究内容。不同的中冷系统直接影响中冷后进气温度进而影响NO x排放,主要介绍了两种不同的中冷系统对柴油机瞬态循环中的NO x排放的影响。试验结果表明:在ETC试验循环中,二级中冷系统的NO x比排放比一级中冷系统的NO x比排放低20%,且中冷后的进气温度对工况的敏感度较低。

基于模糊聚类的NOx排放多模型预测优化

火电机组广泛参与调峰导致运行工况频繁变动,使得锅炉出口NO_(x)排放的控制难度增大。基于对燃烧状态的影响将锅炉运行参数分为可调参数和不可调参数,并利用不可调参数分布将运行数据样本进行模糊均值聚类划分,以此实现锅炉出口NO_(x)排放特性的多模型预测。同时,利用粒子群算法对各工况所属子模型的可调参数进行寻优来实现NO_(x)排放的优化。对某1000 MW燃煤机组数据仿真表明,提出的NO_(x)排放多模型预测方法比单一模型具有更好的精度,且模型训练时间更短,经过粒子群算法参数优化后NO_(x)排放质量浓度降低了9.98%。

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。

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。

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。

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。

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。

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).

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。

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。