CN106503380B - 炼焦烟气中氮氧化物浓度预测方法及预测系统 - Google Patents

炼焦烟气中氮氧化物浓度预测方法及预测系统 Download PDF

Info

Publication number
CN106503380B
CN106503380B CN201610971457.6A CN201610971457A CN106503380B CN 106503380 B CN106503380 B CN 106503380B CN 201610971457 A CN201610971457 A CN 201610971457A CN 106503380 B CN106503380 B CN 106503380B
Authority
CN
China
Prior art keywords
temperature
concentration
field
nitrous oxides
indicates
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610971457.6A
Other languages
English (en)
Other versions
CN106503380A (zh
Inventor
王学雷
李亚宁
谭杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN201610971457.6A priority Critical patent/CN106503380B/zh
Publication of CN106503380A publication Critical patent/CN106503380A/zh
Application granted granted Critical
Publication of CN106503380B publication Critical patent/CN106503380B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G06N3/065—Analogue means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Neurology (AREA)
  • Game Theory and Decision Science (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种炼焦烟气中氮氧化物浓度预测方法及预测系统。其中，该预测方法包括：建立焦炉内燃烧室、炭化室及立火道的三维物理模型；设定三维物理模型中燃料及其相关的初始条件与边界条件；基于初始条件与边界条件，并利用气体动力学和燃烧学方法，进行数值模拟，建立温度场和气流场；基于温度场和气流场，根据一氧化氮生成速率，确定氮氧化物浓度。通过该技术方案解决了传统仅凭物料守恒或纯数据驱动的方法进行预测而带来的精度低的问题；提高了预测氮氧化物浓度的精度，操作方便，省时省力，有助于工作人员改进生产的工艺条件，对操作人员来说无论是分析工艺制度还是进行理论研究都很有帮助。

Description

炼焦烟气中氮氧化物浓度预测方法及预测系统
技术领域
本发明涉及焦化工业废气治理技术领域，尤其涉及一种炼焦烟气中氮氧化物浓度预测方法及预测系统。
背景技术
我国是世界上最大的炼焦生产国，2015年1月1日起正式实施的《炼焦化学污染物排放标准》对焦化工业的氮氧化物的排放指标提出了严格和明确的量化要求。一方面，各焦化厂纷纷改进技术，争取将废气中相关污染物浓度降到标准之下；另一方面，具有条件的焦化厂重金引入脱硫脱销设备，期望能够达到好的烟气处理效果。在此情况下，废气中氮氧化物浓度的预测就显得十分重要，既可以作为现有焦化厂浓度超标的警报和技术改进效果的预测，其预测模型或逆模型也是各种脱硫脱销工程所需要的炼焦工况识别的重要工具。
然而，对于氮氧化物，因为其生成机理过于复杂，不确定性因素多，无法进行定量计算，若仅利用数值模拟进行预测，则效果很差。
有鉴于此，特提出本发明。
发明内容
为了解决现有技术中的上述问题，即为了解决如何提高预测氮氧化物浓度精度的技术问题而提供一种炼焦烟气中氮氧化物浓度预测方法。
为了实现上述目的，一方面，提供以下技术方案：
一种炼焦烟气中氮氧化物浓度预测方法，所述方法包括：
建立焦炉内燃烧室、炭化室及立火道的三维物理模型；
设定所述三维物理模型中燃料及其相关的初始条件与边界条件；
基于所述初始条件与所述边界条件，并利用气体动力学和燃烧学方法，进行数值模拟，建立温度场和气流场；
基于所述温度场和所述气流场，根据一氧化氮生成速率，确定所述氮氧化物浓度。
较佳地，所述初始条件为煤气和空气的初始温度、装炉煤的水份及密度以及炭化室墙的初始温度；所述边界条件为煤气种类、炭化室顶部和底部及中心面的绝热情况、燃烧室煤气入口处和空气入口处的气体流速、温度和燃烧室煤气出口处压力。
较佳地，所述基于所述初始条件与所述边界条件，并利用气体动力学和燃烧学方法，进行数值模拟，建立温度场和气流场，具体包括：
基于所述燃烧室内流动、燃烧、传热的稳态控制方程进行数值模拟，建立所述温度场和所述气流场。
较佳地，所述一氧化氮生成速率通过下式确定：
式中：所述T表示温度；所述P表示压力；所述X表示氮气或氧气的摩尔数；所述t表示时间；所述NO表示一氧化氮浓度。
较佳地，在所述建立温度场和气流场之后还包括：
将所述燃烧室物理模型或所述炭化室物理模型的所述温度场与所述气流场的指标与预定指标进行比较，若相同，则执行所述确定氮氧化物浓度的步骤。
较佳地，所述方法还包括：
读取与所述炼焦烟气中一氧化氮浓度有关的工况数据；
将所述工况数据输入神经网络，利用所述神经网络对所确定的所述氮氧化物浓度进行动态补偿。
较佳地，所述将所述工况数据输入神经网络，利用所述神经网络对所确定的所述氮氧化物浓度进行动态补偿，具体包括：
将所述工况数据输入所述神经网络，通过所述神经网络的训练算法最小化所确定的所述氮氧化物浓度值与预定氮氧化物浓度值之差，从而对所确定的所述氮氧化物浓度值进行动态补偿。
较佳地，在所述读取与所述炼焦烟气中一氧化氮浓度有关的工况数据之后还包括：对读取的所述工况数据进行异常值剔除、平滑去噪、特征筛选、降维及归一化处理。
较佳地，所述方法还包括：
利用定时长误差平方和的方法对所确定的所述氮氧化物浓度值进行评价。
为了实现上述目的，另一方面，还提一种炼焦烟气中氮氧化物浓度预测系统，所述系统包括：
模型建立模块，用于建立焦炉内燃烧室、炭化室及立火道的三维物理模型；
条件设定模块，与所述模型建立模块相连，用于设定所述三维物理模型中燃料及其相关的初始条件与边界条件；
数值模拟模块，与所述条件设定模块相连，用于基于所述初始条件与所述边界条件，并利用气体动力学和燃烧学方法，进行数值模拟，建立温度场和气流场；
浓度确定模块，与所述数值模拟模块相连，基于所述温度场和所述气流场，根据一氧化氮生成速率，确定所述氮氧化物浓度。
本发明实施例提供一种炼焦烟气中氮氧化物浓度预测方法及预测系统。其中，该预测方法包括：建立焦炉内燃烧室、炭化室及立火道的三维物理模型；设定三维物理模型中燃料及其相关的初始条件与边界条件；基于初始条件与边界条件，并利用气体动力学和燃烧学方法，进行数值模拟，建立温度场和气流场；基于温度场和气流场，根据一氧化氮生成速率，确定氮氧化物浓度。本发明实施例利用数值模拟技术，并结合焦炉相关机理与适合非线性问题的神经网络理论，实现了对各工况下焦化废气中氮氧化物浓度的准确预测，有助于炼焦工艺的分析与烟气浓度的监测。解决了传统仅凭物料守恒或纯数据驱动的方法进行预测而带来的精度低的问题；提高了预测氮氧化物浓度的精度，操作方便，省时省力，有助于工作人员改进生产的工艺条件；而且输出的数据大量、详实、输出形式多样，对操作人员来说无论是分析工艺制度还是进行理论研究都很有帮助。
附图说明
图1为根据本发明实施例的炼焦烟气中氮氧化物浓度预测方法的流程示意图；
图2为根据本发明实施例的焦炉燃烧室-炭化室的三维物理模型的示意图；
图3为。根据本发明实施例的炼焦烟气中氮氧化物浓度预测系统的结构示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
本发明实施例可应用于焦化厂，其包括引风机、余热回收锅炉、增压风机、脱硫塔、脱硝塔、硫酸铵循环槽、固液分离器、尿素溶解槽、管道与辅助泵等相关设备、过程参数检测装置、过程参数调节装置、DCS系统(Distributed Control System，分布式控制系统或集散控制系统，是一种计算机控制系统)等。
为了提高预测氮氧化物浓度的精度，本发明实施例提供一种炼焦烟气中氮氧化物浓度预测方法。如图1所示，该方法可以包括：
S100：建立焦炉内燃烧室、炭化室及立火道的三维物理模型。
一座焦炉可以有多个燃烧室，每个燃烧室内的情况类似，本发明实施例可以选择任意一个燃烧室来建立模型。焦炉内的燃烧室和炭化室是间隔分布的，例如：如果一座焦炉有10个炭化室，则就有11座燃烧室。在实际应用中，可以选取一座焦炉中的一套炭化室和燃烧室进行预测。一个燃烧室内可以有多个立火道。例如：一个燃烧室内有10个立火道。其中，5个立火道走上升气流，5个立火道走下降气流。在具体实施过程中，可以从上升气流和下降气流立火道中各选一个来代表燃烧室。图2示例性地示出了焦炉燃烧室-炭化室的三维物理模型。
S110：设定三维物理模型中燃料及其相关的初始条件与边界条件。
其中，初始条件包括但不限于煤气和空气的初始温度、装炉煤的水份及密度、炭化室墙的初始温度。边界条件包括但不限于煤气种类、炭化室顶部和底部及中心面的绝热情况、燃烧室煤气入口处和空气入口处的气体流速、温度和燃烧室煤气出口处压力。
在本发明的一个实施例中，初始条件与边界条件可以设置为：炭化室顶部、底部及中心面处均可以设为绝热边界。煤气种类可以选择为焦炉煤气。空气入口处：V’＝V1，T’＝T1，其中，V’表示空气入口处的空气流速，V1表示空气流速的常数；T’表示空气入口处的空气温度，T1表示空气温度的常数。燃烧室煤气入口处：Vr＝V0，Vr表示煤气流速，V0表示煤气流速的常数；Tr＝T0，Tr表示煤气温度，T0表示煤气温度的常数；燃烧室烟气出口处：p’＝p0，p’表示出口压力，p0表示出口压力的常数。初始基本工况：煤气、空气的初始温度可以设为1300K，炭化室炉墙的初始温度可以设为1380K，入炉煤的初始温度可以设为293K，密度可以设为740kg/m3，水分含量可以设为8.5％。
S120：基于初始条件与边界条件，并利用气体动力学和燃烧学方法，进行数值模拟，建立温度场和气流场。
其中，数值模拟例如可以利用诸如Fluent工具等流体力学分析工具，并结合有限元或有限容积的有关知识进行，在此不再赘述。
温度场模块可以用于描述煤气在燃烧室燃烧、炭化室煤干馏等过程的温度分布。气流场可以用于描述空气、煤气、废气及荒煤气等的密度、流速、压力、动能、位能等。
气体动力学和燃烧学方法可以为诸如煤气燃烧物料守恒、导热定理、NOX运输方程、焦炉气体伯努利方程、变量气流基本方程等的方程、定理等。
在一些可选的实施例中，本步骤可以包括：基于如下燃烧室内流动、燃烧、传热的稳态控制方程进行数值模拟，建立温度场和气流场：
连续方程：
式中，ρ表示流体密度，kg/m3；xi表示x、y、z方向；ui表示i方向流体速度，i＝1、2、3，m/s；τ表示时间，dτ即求变化率。
动量方程：
式中，ui表示i方向流体速度，i＝1、2、3，m/s；uj表示j方向流体速度，j＝1，2，3，m/s；μ表示流体粘性系数，单位为Pa/s；P表示压力，单位为Pa。xi表示x、y、z方向。
能量方程：
式中，ρ表示流体密度，kg/m3；α表示热扩散系数，单位为㎡/s；H表示流体温度，单位为J/kg；xj表示x、y、z方向，j＝1，2，3。
辐射传热模型：
式中：a表示吸收系数，σ5表示散热系数，G表示入射系数；c表示比热。
焦炉气体伯努利方程：
式中，gZ表示位能；表示压力能；表示动能；Σhf表示损耗能。
S130：基于温度场和气流场，根据一氧化氮生成速率，确定氮氧化物浓度。
燃烧过程中生成的NOX(氮氧化物)主要是NO和NO2，其中NO占90％以上。所以，本发明实施例通过分析NO的生成速率来预测氮氧化物浓度。
具体地，根据下式确定一氧化氮生成速率：
式中：T表示温度；P表示压力；X表示氮气或氧气的摩尔数；t表示时间；NO表示一氧化氮浓度，以ppm为单位；exp表示以自然常数e为底的指数函数。
通过温度场和气流场的建立，可以确保本步骤中温度与压力变化的准确性，从而能保证一氧化氮浓度预测的准确性。
在一些可选的实施方式中，在建立温度场和气流场之后，本发明实施例提供的方法还可以包括：
将燃烧室物理模型或炭化室物理模型的温度场与气流场的指标与预定指标进行比较，若相同，则执行步骤S130；否则，执行步骤S100至步骤S120。
其中，温度场可以描述气体(例如：煤气、废气等)在燃烧室燃烧、炭化室煤干馏等过程的温度分布。气流场可以描述空气、煤气、废气及荒煤气等的密度、流速、压力、动能、位能等。
其中，预定指标可以为焦炉实际可测指标或理论计算值。焦炉实际可测指标例如可以为焦炉关键位置的温度与流速。
焦炉均采用DCS系统进行管控。焦炉实际可测指标可以通过传感器检测到。
如果燃烧室或炭化室的温度场与气流场的指标与预定指标不同，则调整三维物理模型结构、气体动力学和燃烧学方法以及初始条件和边界条件。在本发明的一个实施例中，对于燃烧室立火道的燃烧分布图，模拟燃烧的最高温度与理论计算得出的平均温度相比，如果相对误差在5％以内，则可认为燃烧室的温度场建立准确。
在一些可选的实施方式中，本发明实施例提供的方法还可以包括：步骤S140和步骤S150。
S140：读取与炼焦烟气中一氧化氮浓度有关的工况数据。
S150：将工况数据输入神经网络，利用神经网络对所确定的氮氧化物浓度进行动态补偿。
其中，炼焦烟气与一氧化氮浓度有关的工况数据可以通过DCS系统读取。与炼焦烟气有关的工况数据可以包括但不限于焦化厂DCS系统中配合煤成分与装煤量、煤气流量与成分、机侧压力与温度、焦侧压力与温度、结焦时间废气中O2浓度、废气中CO、CO2的浓度和氮氧化物浓度等反应当前废气指标与生产工况的数据。
具体地，将工况数据输入神经网络，利用神经网络对所确定的氮氧化物浓度进行动态补偿还可以包括：将工况数据输入神经网络，通过神经网络的训练算法最小化所确定的氮氧化物浓度值与预定氮氧化物浓度值之差，从而对所确定的氮氧化物浓度值进行动态补偿。
其中，神经网络优选为RBF神经网络(径向基函数神经网络)。RBF神经网络有很强的非线性拟合能力，且学习规则简单，具有很强的鲁棒性、记忆能力、且具有全局逼近能力。
预定氮氧化物浓度值可以为实际的检测值，其可以通过焦化段的化验工或DCS系统中的传感器采集得到。
神经网络的训练算法包括但不限于：梯度下降法、共轭梯度法、拟牛顿算法、正交最小二乘法等。训练算法不断优化神经网络的权值，使误差极小化。
在实际应用中，可以通过设置神经网络的类型、层数及权重，并采用训练算法，来训练神经网络。
举例来说，当前数值模拟预测的NO浓度是100，而实际NO浓度是130，那么此时其差值30就是神经网络进行修正的梯度基础值，神经网络的输出就是为了动态弥补这30的差值。
在一些可选的实施方式中，在读取与炼焦烟气与一氧化氮浓度有关的工况数据之后还包括：对读取的工况数据进行异常值剔除、平滑去噪、特征筛选、降维与归一化处理。
在实际应用中，本步骤对工况数据中的变量进行异常值剔除和平滑去噪处理，然后对工况数据中的主成份分析，进行特征筛选与降维处理，最后，进行归一化处理。
其中，在具体实施过程中，可以使用matlab中的小波去噪工具对工况数据中的变量进行平滑去噪处理，其中参数设定为软阈值，并且可以采用2层sym8小波。
在进行归一化的过程中，可以利用如下公式进行数据的归一化：
x’＝0.1+(x-min)/(max-min)×(0.9-0.1)
其中，x’表示归一化后的数据；x表示原始数据；min表示数据集中的最小值，max表示数据集中的最大值。
本发明实施例通过归一化去除了量纲的影响。
在归一化处理之后，将归一化处理后的数据作为输入数据，利用神经网络进行动态补偿处理。
具体地，将归一化处理后的数据作为输入数据，通过神经网络的训练算法最小化所确定的氮氧化物浓度值与预定氮氧化物浓度值之差，从而对所确定的浓度值进行动态补偿。
在一些可选的实施方式中，本发明实施例还可以包括：利用定时长误差平方和的方法对所确定的氮氧化物浓度值进行评价。
本步骤利用定时长误差平方和的方法对对所确定的氮氧化物浓度值进行检验、评价。
作为示例，由于《炼焦化学污染物排放标准》中规定废气污染物检测方法为任何1小时内废气浓度的平均值。所以，本发明实施例可以根据下式进行判别：
式中，t0表示当前时间；n＝60/T；T表示采样周期(min)。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
基于与方法实施例相同的技术构思，本发明实施例还提供一种炼焦烟气中氮氧化物浓度预测系统。如图3所示，该系统可以包括：模型建立模块32、条件设定模块34、数值模拟模块36和浓度确定模块38。其中，模型建立模块32用于建立焦炉内燃烧室、炭化室及立火道的三维物理模型。条件设定模块34与模型建立模块32相连，用于设定三维物理模型中燃料及其相关的初始条件与边界条件。数值模拟模块36与条件设定模块34相连，用于基于初始条件与边界条件，并利用气体动力学和燃烧学方法，进行数值模拟，建立温度场和气流场。浓度确定模块38与数值模拟模块36相连，基于温度场和气流场，根据一氧化氮生成速率，确定氮氧化物浓度。
需要说明的是，上述实施例提供的炼焦烟气中氮氧化物浓度预测系统在进行工作时，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块再分解或者组合，不视为对本发明保护范围的不当限定。本领域技术人员应清楚，在具体实施过程中，管控系统还可以包括必不可少的接口(例如：OPC(OLE for Process Control,用于过程控制的OLE(ObjectLinking and Embedding))接口等)，用于与MATLAB、CFD(例如：CFX、FLUENT等)等工具相连，以进行协同仿真、计算或数值模拟。其中，OPC是一个工业标准，其包括一整套接口、属性和方法的标准集，用于过程控制和制造业自动化系统。此外，管控系统还可以包括处理器和存储器及总线等公知的结构。
如本文中所使用的，术语“模块”可以指代在计算系统上执行的软件对象或例程。可以将本文中所描述的不同模块实现为在计算系统上执行的对象或过程(例如，作为独立的线程)。虽然优选地以软件来实现本文中所描述的系统和方法，但是以硬件或者软件和硬件的组合的实现也是可以的并且是可以被设想的。
至此，以上显示和描述了本发明的基本原理、主要特征和优点，并已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (9)

1.一种炼焦烟气中氮氧化物浓度预测方法，其特征在于，所述方法包括：
建立焦炉内燃烧室、炭化室及立火道的三维物理模型；
设定所述三维物理模型中燃料及其相关的初始条件与边界条件；
基于所述初始条件与所述边界条件，并利用气体动力学和燃烧学方法，进行数值模拟，建立温度场和气流场；
基于所述温度场和所述气流场，根据一氧化氮生成速率，确定所述氮氧化物浓度；
所述方法还包括：
根据所述温度场和所述气流场分别获取燃烧过程中的温度和压力；
根据所述温度和压力并通过下式获取一氧化氮生成速率：
式中：所述T表示温度；所述P表示压力；所述分别表示氮气和氧气的摩尔数；所述t表示时间；所述NO表示一氧化氮浓度。
2.根据权利要求1所述的预测方法，其特征在于，所述初始条件为煤气和空气的初始温度、装炉煤的水份及密度以及炭化室墙的初始温度；所述边界条件为煤气种类、炭化室顶部和底部及中心面的绝热情况、燃烧室煤气入口处和空气入口处的气体流速、温度和燃烧室煤气出口处压力。
3.根据权利要求1所述的预测方法，其特征在于，所述基于所述初始条件与所述边界条件，并利用气体动力学和燃烧学方法，进行数值模拟，建立温度场和气流场，具体包括：
基于所述燃烧室内流动、燃烧、传热的稳态控制方程进行数值模拟，建立所述温度场和所述气流场。
4.根据权利要求1所述的预测方法，其特征在于，在所述建立温度场和气流场之后还包括：
将所述燃烧室物理模型或所述炭化室物理模型的所述温度场与所述气流场的指标与预定指标进行比较，若相同，则执行所述确定氮氧化物浓度的步骤。
5.根据权利要求1所述的预测方法，其特征在于，所述方法还包括：
读取与所述炼焦烟气中一氧化氮浓度有关的工况数据；
将所述工况数据输入神经网络，利用所述神经网络对所确定的所述氮氧化物浓度进行动态补偿。
6.根据权利要求5所述的预测方法，其特征在于，所述将所述工况数据输入神经网络，利用所述神经网络对所确定的所述氮氧化物浓度进行动态补偿，具体包括：
将所述工况数据输入所述神经网络，通过所述神经网络的训练算法最小化所确定的所述氮氧化物浓度值与预定氮氧化物浓度值之差，从而对所确定的所述氮氧化物浓度值进行动态补偿。
7.根据权利要求5或6所述的预测方法，其特征在于，在所述读取与所述炼焦烟气中一氧化氮浓度有关的工况数据之后还包括：对读取的所述工况数据进行异常值剔除、平滑去噪、特征筛选、降维及归一化处理。
8.根据权利要求1所述的预测方法，其特征在于，所述方法还包括：
利用定时长误差平方和的方法对所确定的所述氮氧化物浓度值进行评价。
9.一种炼焦烟气中氮氧化物浓度预测系统，其特征在于，所述系统包括：
模型建立模块，用于建立焦炉内燃烧室、炭化室及立火道的三维物理模型；
条件设定模块，与所述模型建立模块相连，用于设定所述三维物理模型中燃料及其相关的初始条件与边界条件；
数值模拟模块，与所述条件设定模块相连，用于基于所述初始条件与所述边界条件，并利用气体动力学和燃烧学方法，进行数值模拟，建立温度场和气流场；
浓度确定模块，与所述数值模拟模块相连，基于所述温度场和所述气流场，根据一氧化氮生成速率，确定所述氮氧化物浓度；
所述系统还用于通过以下方式获取一氧化氮生成速率：
根据所述温度场和所述气流场分别获取燃烧过程中的温度和压力；
根据所述温度和压力并通过下式获取一氧化氮生成速率：
式中：所述T表示温度；所述P表示压力；所述分别表示氮气和氧气的摩尔数；所述t表示时间；所述NO表示一氧化氮浓度。
CN201610971457.6A 2016-10-28 2016-10-28 炼焦烟气中氮氧化物浓度预测方法及预测系统 Active CN106503380B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610971457.6A CN106503380B (zh) 2016-10-28 2016-10-28 炼焦烟气中氮氧化物浓度预测方法及预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610971457.6A CN106503380B (zh) 2016-10-28 2016-10-28 炼焦烟气中氮氧化物浓度预测方法及预测系统

Publications (2)

Publication Number Publication Date
CN106503380A CN106503380A (zh) 2017-03-15
CN106503380B true CN106503380B (zh) 2019-11-15

Family

ID=58323112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610971457.6A Active CN106503380B (zh) 2016-10-28 2016-10-28 炼焦烟气中氮氧化物浓度预测方法及预测系统

Country Status (1)

Country Link
CN (1) CN106503380B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110869728A (zh) * 2017-07-19 2020-03-06 林德股份公司 用于确定工艺工程装置的材料中的应力水平的方法
CN107726358B (zh) * 2017-10-12 2018-11-09 东南大学 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法
CN110681254B (zh) * 2019-08-26 2022-07-08 光大环保技术研究院（南京）有限公司 一种基于模型的半干法烟气处理控制系统
CN111859822B (zh) * 2020-07-15 2023-12-05 武汉理工大学 一种玻璃熔窑中氮氧化物生成量的预测方法
CN112521955B (zh) * 2020-11-04 2021-08-31 中南大学 一种焦饼中心温度检测方法及系统
CN112435716B (zh) * 2020-11-16 2023-04-07 天华化工机械及自动化研究设计院有限公司 一种高温碳化炉内氧浓度动态分布特性可视化的模拟方法
WO2022099715A1 (zh) * 2020-11-16 2022-05-19 天华化工机械及自动化研究设计院有限公司 一种高温碳化炉内氧浓度动态分布特性可视化的模拟方法
CN112484075B (zh) * 2020-12-01 2023-04-21 中国航发沈阳发动机研究所 一种燃烧室出口温度场修正方法
CN113780639B (zh) * 2021-08-29 2024-04-02 北京工业大学 基于多任务学习框架的城市固废焚烧氮氧化物NOx排放预测方法
CN116705183A (zh) * 2022-02-25 2023-09-05 隆基绿能科技股份有限公司 状态预测方法、装置、电子设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105020705A (zh) * 2015-03-04 2015-11-04 内蒙古瑞特优化科技股份有限公司 循环流化床锅炉燃烧性能实时优化控制方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
MX2011008148A (es) * 2009-02-02 2012-01-25 Planetary Emissions Man Sistema de sistemas para monitorear flujos de gas de invernadero.

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105020705A (zh) * 2015-03-04 2015-11-04 内蒙古瑞特优化科技股份有限公司 循环流化床锅炉燃烧性能实时优化控制方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BP人工神经网络在环境空气S02质量浓度预侧中的应用;申浩洋等;《监测与评价》;20140628;正文第1-2节 *
张代生.燃煤锅炉改烧低热值煤层气数值模拟与燃烧稳定性实验.《中国优秀硕士学位论文全文数据库.工程科技II辑》.2011,(第03期), *
燃煤锅炉改烧低热值煤层气数值模拟与燃烧稳定性实验;张代生;《中国优秀硕士学位论文全文数据库.工程科技II辑》;20110315(第03期);正文第2.2-2.6、3.1、3.5节 *

Also Published As

Publication number Publication date
CN106503380A (zh) 2017-03-15

Similar Documents

Publication Publication Date Title
CN106503380B (zh) 炼焦烟气中氮氧化物浓度预测方法及预测系统
Krzywanski et al. Artificial intelligence treatment of SO 2 emissions from CFBC in air and oxygen-enriched conditions
Arias et al. Demonstration of steady state CO2 capture in a 1.7 MWth calcium looping pilot
CN108549792B (zh) 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法
CN107016455B (zh) 循环流化床生活垃圾焚烧锅炉炉膛出口烟气含氧量的预测系统及方法
CN106248864B (zh) 一种基于海量运行数据的scr脱硝催化剂寿命预测方法
CN107103176A (zh) 基于多源信息融合技术的燃煤锅炉scr催化剂寿命评价方法
CN103197549B (zh) 循环流化床锅炉烟气中二氧化硫的软测量及优化控制方法
Krzywański et al. Neurocomputing approach for the prediction of NOx emissions from CFBC in air-fired and oxygen-enriched atmospheres.
JP2001518175A (ja) 高効率の直接接触型凝縮方法および装置
CN104696952B (zh) 一种基于模型在线辨识的流化床锅炉引风量控制方法
Wang et al. SO3 removal from flue gas with Ca (OH) 2 in entrained flow reactors
CN106647259B (zh) 焦化烟气脱硫脱硝一体化设备集中管控系统
Jadoon et al. An intelligent sensing system for estimation of efficiency of carbon-capturing unit in a cement plant
CN106594794A (zh) 一种混合智能锅炉效率燃烧优化模型更新方法
CN111564184A (zh) 燃煤电厂石灰石-石膏湿法脱硫so3协同脱除效率预测方法
CN108460508B (zh) 基于循环流化床锅炉工作特性在线节能监测方法
CN111401652A (zh) 一种基于co在线检测的锅炉优化方法及系统
Brodny et al. Applying an automatic gasometry system and a fuzzy set theory to assess the state of gas hazard during the coal mining production process
CN112613237B (zh) 一种基于LSTM的CFB机组NOx排放浓度的预测方法
CN116085823A (zh) 锅炉燃烧控制方法及系统
CN116128136A (zh) 一种基于LSO-CatBoost的燃煤电厂锅炉NOX排放预测方法
Zhao et al. Hybrid modeling and real-time predictive scheduling of wet flue gas desulfurization for energy saving and life extension
Gu et al. A new approach for clustering in desulfurization system based on modified framework for gypsum slurry quality monitoring
CN103324991B (zh) 煤粉锅炉NOx排放预测的方法与系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant