摘要
本文致力于配煤掺烧的全过程研究，构建混煤燃烧前的动力掺配模型和入炉煤质快速计算方法，研究混煤燃烧后的NOx污染物排放特性。 为适应电厂燃煤复杂多变和缺乏配煤方案指导的现状，构建针对性的配煤掺烧模型。首先对入厂煤发热量、挥发分和硫分等煤质参数进行k均值聚类分析和正态分布拟合，得到煤质分布函数和区间概率；其次采用t假设检验法和线性拟合分析30组混煤煤质的试验值和理论加权值间的误差，得到适用性较高的混煤煤质计算方法；确定锅炉对煤质指标的约束边界和权重，构建了以配煤目标为输入的掺配模型，可输出配煤指导方案，包括供煤煤种和掺配比例，并将多目标决策法应用于掺配方案的评价。 为较好解决入炉煤采样化验时间滞后的问题，提出了正向跟踪和逆向溯源的研究思路。基于来煤入厂至入炉燃烧的环节跟踪和溯源，开展掺配条件下的入炉煤质与入厂煤质化验结果的关联分析。结果表明，入炉煤快速计算模型得到的煤质参数更全面，误差也较为符合工业应用的要求。 为建立以NOx为代表的燃煤污染物预测模型，对影响NOx生成的因素进行筛选和预处理。基于NOx生成机理筛选出炉膛配风、锅炉负荷、烟气含氧量等有关的101个影响变量，进行相关性分析（CorrelationAnalysis，CA）和主成分分析（PrincipleComponentAnalysis，PCA）降维，甄选出关键变量和降低变量数据信息的耦合性。结果表明有59个变量与NOx的相关系数不低于0.40，选取包含原始数据98.34%信息的前8个主成分作为NOx浓度预测模型的输入变量。 本文以7489组时间间隔为1min的样本分别建立了基于相关性分析和主成分分析的BP神经网络模型，预测分析SCR系统入口NOx浓度和单一组分NO浓度。其中CA-BP模型预测NOx浓度的平均相对误差为2.22%，预测单一组分NO浓度的相对误差为1.54%；PCA-BP预测模型的相对误差分别为2.46%和1.76%。采用遗传算法（Genetic Algorithm，GA）优化模型参数，优化后的PCA-BP模型对NOx浓度预测的相对误差为2.15%，说明了优化后模型的预测精度更高。
NETL