[发明专利]循环流化床生活垃圾焚烧锅炉NOx排放的预测系统及方法

说明书

技术领域

本发明涉及能源工程领域，特别地，涉及一种循环流化床生活垃圾焚烧锅炉NOx排放预测系统及方法。

背景技术

垃圾焚烧由于能够良好实现垃圾处理技术的减容化、减量化、无害化和资源化，近十几年内，在国家相关产业政策的引导下，国内垃圾焚烧行业取得了蓬勃的发展。从上世纪90年代开始，国内多家科研结构对中国城市生活垃圾(Municipal Solid Waste,MSW)燃烧机理进行了大量深入研究，掌握了混合收集、水分高、成分复杂的城市生活垃圾的燃烧特性，根据我国对煤、煤矸石等劣质燃料循环流化床(Circulating Fluidized Bed,CFB)燃烧技术的开发经验的基础上，开发出了循环流化床垃圾焚烧锅炉，从1998年浙江大学开发的第一台流化床垃圾焚烧炉投入运行开始，表现出了适用于对国内高水分、热值偏低且波动性很大的生活垃圾进行大规模的焚烧处理的特点。目前，CFB垃圾焚烧技术已经在国内的多个城市进行了推广应用，截止2015年底，国内已建成垃圾焚烧锅炉70余台，日处理垃圾量6.9万吨，为我国的垃圾焚烧处理行业做出了重要的贡献。

锅炉尾部烟气NOx排放量是衡量锅炉是否环保运行的重要标志之一，《生活垃圾焚烧污染控制标准》(GB 18485-2014)规定NOx排放浓度的1小时均值和24小时均值分别不得超过300mg/m³和250mg/m³，否则将面临环保部门停产整顿的处罚。同时，生产人员和管理人员有可能需要某种运行工况下NOx的排放情况，以便于对锅炉的运行进行优化调整。因此，构建一个足够精度的NOx排放预测模型具有十分重要的意义。

国内外的研究人员对循环流化床锅炉的NOx排放特性建模进行了研究，主要有以下几种方法。一种是根据CFB锅炉燃烧动力学、流体力学、传热传质的特性，在经过合理的简化假设之后建立，通过数学描述的方式建立机理模型。这种方法能够反映NOx排放量的变化趋势，但由于假设模型和真实模型之间的偏差而无法达到足够的精确度；另一种方法是在大量的试验台试验或者现场试验的基础上，通过回归分析的方法建立关于NOx排放变化特性的经验模型。这种方法需要耗费大量的人力物力，时间成本高，同时无法保证试验覆盖所有的工况，具有一定局限性；第三种方法利用计算流体力学、计算传热学和化学反应的简化机理模拟炉内燃烧过程，精确地求解NOx的生成情况，显示了良好的效果具有很大的发展潜力。但这种方法主要受限于流体力学模型和化学反应的简化机理与实际情况的差距，需要高端的计算机配置和很长的计算时间，因此采用这种方法仍处于初步发展阶段。此外，CFB垃圾焚烧锅炉的给料系统均匀性较差，入炉垃圾的热值波动性大、组分复杂、多边性强，是NOx排放建模过程中的面临的主要困难之一，它要求所建立的NOx排放特性模型具有良好的自适应能力，上述三种建模方法在这方面仍有所欠缺。

随着电子技术、计算机技术和信息技术的发展，集散控制系统(Distributed Control System,DCS)广泛的应用于CFB生活焚烧锅炉的运行过程，包含温度、压力、流量等参数在内的过程数据都被完善得保存下来，这些历史数据中包含丰富过程信息，是人们认识和了解生产过程的重要途径之一，具有很高的挖掘价值，为智能数据挖掘算法的应用研究和应用提供了绝佳的软硬件平台。误差反传人工神经网络(Back Propagation Artificial Neural Network,BPANN)是一种典型多层感知器(Multilayer Perceptron,MLP)，神经网络的一个重要特征就是输入与输出之间的黑箱特性，它将待建模系统视为一个黑箱，不关心待求解问题的内部机制如何复杂，只关心系统的输入与输出。这使得神经网络特别适合用于电站锅炉的NOx排放特性的建模，采用这种方法可以绕开NOx生成过程中带有的滞后性、非线性和时变性等难点，实现NOx排放量与各影响因素之间的复杂映射关系。同时，BP网络具有自学习能力，能够根据新鲜样本进行训练，自适应调整网络的参数。当煤种、积灰以及设备性能(如垃圾给料系统的性能变化等)发生变化时，NOx排放特性模型也将随之发生变化。利用BP网络的自学习特性可以在线训练调整NOx排放特性模型，保证模型的精度。