论文部分内容阅读
火力发电目前仍然是我国主要的发电方式,燃烧过程中会产生大量的例如NOx、粉尘等污染性气体,不仅会严重的污染环境引起酸雨、pm2.5等,而且危害了人体的健康,随着国家相关政策的指定和人们环保意识的日益加强,减少NOx的排放势在必行。本文以某燃煤电厂660MW超超临界锅炉为研究对象,从低NOx燃烧和尾部脱硝两方面针对该机组在中高负荷和低负荷下的运行工况下进行NOx减排,以达到全负荷工况下的NOx低排放。针对中高负荷运行工况下,SCR设备正常运行,利用Python编程语言及Scikit-learn拓展库为工具,选取运行工况为550MW和660MW负荷下的运行数据为样本,分别采用梯度提升树、随机森林和支持向量机三种模型建立NOx排放预测模型,其中550MW负荷下梯度提升树预测模型测试集中的最大相对误差为3.16%,平均相对误差1.93%;随机森林预测模型测试集中的最大相对误差为3.40%,平均相对误差2.28%;支持向量机预测模型测试集中的最大相对误差为2.98%,平均相对误差2.17%,660MW负荷下梯度提升树预测模型测试集中的最大相对误差为2.62%,平均相对误差1.67%;随机森林预测模型测试集中的最大相对误差为2.23%,平均相对误差2.03%;支持向量机预测模型测试集中的最大相对误差为2.66%,平均相对误差1.94%。结果表明这三个模型都有较高的预测精度和较强的泛化性,综合预测精度和运行效率,最后选择支持向量机作为最终预测模型。在以支持向量机作为预测模型的基础上,借由粒子群算法对支持向量机模型的参数进行优化,优化后的参数取值C=14.3,gamma=0.0065,利用优化后的支持向量机测模型测试集中的最大相对误差为2.50%,平均相对误差1.78%,相比于优化前误差明显降低,表明使用粒子群算法对模型的参数进行优化能够提高预测模型的精确性,以优化后的支持向量机为基础,利用粒子群算法对NOx排放进行优化,结果表明优化后NOx排放下降,但锅炉热效率也随之降低,为保证在NOx排放降低的情况下锅炉的高效率燃烧,利用多目标粒子群算法对锅炉燃烧进行多目标优化,以NOx排放浓度和锅炉热效率为目标函数,得到由多组可行解组成的pareto解集,从解集中选择合适的解可以在降低NOx的排放前提下保证锅炉的热效率。当锅炉实际运行负荷过低时,SCR脱硝设备停运,此时若只采用上述优化算法对锅炉运行参数进行调整,对NOx排放浓度影响很小,针对这一实际工程问题,提出了对燃煤锅炉尾部烟道进行工程改造,SCR入口烟温提升到正常反应温度,SCR设备正常脱硝,对改造方案进行热力计算,计算结果表明在50%BMCR工况下,后省煤器调节烟气份额为0.5时,烟气温度提升到323℃;给水旁路给水份额为0.8左右时,烟气温度提升到322℃;后省煤器面积为总面积的0.3时,烟温提升到325℃,均达到SCR脱硝设备正常运行所需的320℃最低烟温,从而达到了低负荷下的NOx减排。