火电机组污染物排放模型与减排成本优化模型的研究-动力工程专业论文.docx

华北电力大学硕一}：学位论文摘 华北电力大学硕一}：学位论文 摘 要 利用煤最主要的方式就是燃烧，但燃烧过程中必然伴随着大量污染物的释 放，所以煤是一种不清洁能源。在煤炭的燃烧过程中，释放出的主要污染物有二 氧化硫(S02)、氮氧化物(NOx)等。控制污染物的排放始终都是全世界关注 的焦点。 煤燃烧过程中，虽然二氧化硫(S02)与氮氧化物(NOx)的生成机理不同， 但在两者之间存在着协同作用，氮硫污染物彼此相互影响，或促进或抑制，所 以彼此都是对方的影响因素。燃烧条件不同时，一种污染物排放量的变化往往 引起另一种污染物随之发生变化，或是同增或是同减也或是此消彼长，所以针对 单一污染物的预测模型无法准确的掌握机组运行的情况。 本文通过BP神经网络建模，采用经典变量筛选方法MIV，在原有输入变量 中，以协同作用为根据，引入上一时刻的二氧化硫(S02)与氮氧化物(NOx) 浓度也作为模型的输入变量，随后再以遗传算法优化该BP神经网络模型，预测 污染物排放量的精度得到了提高。本文在此预测模型的基础上再进行参数寻优模 型的构建。根据机组脱除S02和NOx的成本计算，脱硝的成本较脱硫要高出很 多，而单位排烟中S02的含量却又要高出NOx很多，除此之外由于存在协同作 用，两者生成量之间互有影响，或是同增或是同减也或是此消彼长，因此造成不 同的运行参数下单位排烟脱除污染物的总成本存在差异。在参数寻优模型中以单 位排烟污染物脱除总成本为寻优适应度函数，最小化总成本为寻优目标，通过极 值寻优找到最佳可操作运行参数，对配风方式，含氧量等不断优化，以实现降低 污染物脱除总成本的目的，可以为电厂的运行提供参考。 关键词：氮硫污染物；协同作用；BP神经网络；成本比较；极值寻优 万方数据 华北电力大学硕：E学位论文Abstract 华北电力大学硕：E学位论文 Abstract Combustion is the main way of using coal，but inevitably accompanied by the release of a large number of pollutants in the process of combustion，SO coal is not a kind of clean energy．In the process of coal combustion，the main pollutants are sulfur dioxide(SOD，nitrogen oxide(NOx)，etc．How to better control the emissions of pollutants become the focus of attention all over the world．The pursuit of economic benefits must be in place to ensure that the premise of environmental benefits， environmental benefits and economic benefits and win．win iS our unremitting efforts to target．From the burning of coal sulfur dioxide(S02)，nitrogen oxide fNOx) although the generating mechanism of different，but in the process of generating synergy,sulfur nitrogen pollutants affect each other,or to promote or inhibit，SO both are the influence factors of the other party each other．Combustion conditions are not at the same time，a kind of pollutant emissions change CaUSeS another kind of pollution subsequently change，or same increase or decrease or shift，SO the prediction model for single pollutant can’t accurately grasp the situation of the unit operation．Based on the BP neural network model，using the classic MIV variabl