CN114958395A - 一种生物质炭化炉余热利用方法及其利用系统 - Google Patents
一种生物质炭化炉余热利用方法及其利用系统 Download PDFInfo
- Publication number
- CN114958395A CN114958395A CN202210620507.1A CN202210620507A CN114958395A CN 114958395 A CN114958395 A CN 114958395A CN 202210620507 A CN202210620507 A CN 202210620507A CN 114958395 A CN114958395 A CN 114958395A
- Authority
- CN
- China
- Prior art keywords
- combustion chamber
- temperature
- flue gas
- waste heat
- pipeline
- 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.)
- Granted
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
- C10B—DESTRUCTIVE DISTILLATION OF CARBONACEOUS MATERIALS FOR PRODUCTION OF GAS, COKE, TAR, OR SIMILAR MATERIALS
- C10B1/00—Retorts
- C10B1/02—Stationary retorts
- C10B1/06—Horizontal retorts
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D17/00—Arrangements for using waste heat; Arrangements for using, or disposing of, waste gases
- F27D17/004—Systems for reclaiming waste heat
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E50/00—Technologies for the production of fuel of non-fossil origin
- Y02E50/10—Biofuels, e.g. bio-diesel
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P20/00—Technologies relating to chemical industry
- Y02P20/10—Process efficiency
- Y02P20/129—Energy recovery, e.g. by cogeneration, H2recovery or pressure recovery turbines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mechanical Engineering (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Materials Engineering (AREA)
- Organic Chemistry (AREA)
- Incineration Of Waste (AREA)
Abstract
本发明公开了一种生物质炭化炉余热利用方法及其利用系统,该方法包括以下步骤:启动卧式炭化炉,并将产生的炭及可燃气体排入炭箱;将炭箱中的可燃气体输送至燃烧室进行燃烧;将燃烧室产生的高温烟气输送至卧式炭化炉为炭化炉炭化反应提供热源;将炭化反应后的烟气输送至余热锅炉产生蒸汽输送至热用户;利用改进BP神经网络模型分析预测循环管道中调节阀的实时开度;将余热回收后的烟气输送至燃烧室进行烟气温度调节;调整排放管路中调节阀的实时开度,并将烟气引至烟囱进行排放。本发明可以有效地提高热能的利用率,降低热能损失,且通过设置的再循环管道可以稳定燃烧室的出烟温度,提高炭化效率和出炭质量。
Description
技术领域
本发明涉及余热回收技术领域,具体来说,涉及一种生物质炭化炉余热利用方法及其利用系统。
背景技术
生物质炭化技术是生物质热化学转化技术中的一种,其是将切碎或成型后的生物质原料,在限氧或绝氧环境下加热升温引起分子内部分解,进而形成生物炭、木醋液、木焦油和不可冷凝气体产物的过程。生物质炭可作为高品质能源、土壤改良剂,也可作为还原剂、肥料缓释载体和二氧化碳封存剂等,已广泛应用于固碳减排、水源净化、重金属吸附和土壤改良等领域。其可在一定程度上为气候变化、环境污染和土壤功能退化等全球关切的热点问题提供解决方案,故生物炭的生产和应用已引起国内外广泛关注。
随着技术的发展,生物质资源利用受到越来越多的关注,目前生物质炭化已实现产业化,其核心设备生物质炭化炉种类繁多,主要有窑式干馏炭化炉和螺旋推进的连续炭化炉两大类,炭化炉的产物除了炭以外,还会产生大量可燃气体以及大量热量,本发明主要针对连续炭化炉,提出一种生物质炭化炉余热利用方法及其利用系统,使得其能够在低能耗的同时充分利用炭化炉产生的多余热量,通过余热锅炉实现余热回收再利用。
发明内容
针对相关技术中的问题,本发明提出一种生物质炭化炉余热利用方法及其利用系统,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了一种生物质炭化炉余热利用方法,该利用方法包括以下步骤:
S1、启动卧式炭化炉,并将产生的炭及可燃气体排入炭箱;
S2、利用送风机向燃烧室内通入空气,并通过变频增压风机将炭箱中的可燃气体输送至燃烧室进行燃烧;
S3、将燃烧室产生的高温烟气输送至卧式炭化炉为炭化炉炭化反应提供热源;
S4、通过管道将炭化反应后的烟气输送至余热锅炉,并利用余热锅炉产生蒸汽输送至热用户;
S5、利用预先构建的改进BP神经网络模型分析预测余热锅炉与燃烧室之间的循环管道中调节阀的实时开度;
S6、基于调节阀的实时开度,利用循环变频风机将余热回收后的烟气通过循环管道输送至燃烧室进行烟气温度调节;
S7、基于循环管道中调节阀的实时开度调整排放管路中调节阀的实时开度,并利用引风机将烟气通过排放管路引至烟囱进行排放。
进一步的,所述燃烧室产生的高温烟气的温度为900-1000℃,具体的,燃烧室产生的高温烟气的温度约为950℃;
所述炭化炉中炭化反应后的烟气温度为700-800℃,具体的,炭化炉中炭化反应后的烟气温度约为750℃;
所述余热回收后的烟气温度为150-200℃,具体的,余热回收后的烟气温度约为180℃。
进一步的,所述利用预先构建的改进BP神经网络模型分析预测余热锅炉与燃烧室之间的循环管道中调节阀的实时开度包括以下步骤:
S51、基于历史数据构建改进BP神经网络模型,并进行训练;
S52、分别获取燃烧室输出的高温烟气的排放温度、燃烧室输入烟气的输入温度、燃烧室内燃烧产生的烟气温度及燃烧室内烟气体积;
S53、利用训练好的改进BP神经网络模型结合排放温度、输入温度、烟气温度及烟气体积分析得到燃烧室输入烟气的体积;
S54、利用燃烧室输入烟气的体积分析计算得到循环管道中调节阀的实时开度。
进一步的,所述基于历史数据构建改进BP神经网络模型,并进行训练包括以下步骤:
S511、采集燃烧室以及循环管道中调节阀的历史数据,并分别获取历史数据中燃烧室输出的高温烟气的排放温度、燃烧室输入烟气的输入温度、燃烧室内燃烧产生的烟气温度、燃烧室内烟气体积及循环管道中调节阀的实时开度;
S512、将历史数据中的排放温度、输入温度、烟气温度及烟气体积作为输入参数,循环管道中调节阀的实时开度作为输出参数构建改进BP神经网络模型,并进行训练。
进一步的,所述改进BP神经网络模型的构建包括以下步骤:
S5121、确定输入层、隐含层及输出层的节点个数,构建三层网络模型;
S5122、对历史数据中排放温度、输入温度、烟气温度、烟气体积及循环管道中调节阀的实时开度的样本数据进行归一化处理;
S5123、将排放温度、输入温度、烟气温度及烟气体积作为输入参数,循环管道中调节阀的实时开度作为输出参数;
S5124、确定输出层节点的个数,并初始化学习精度,确定最大训练次数及学习训练参数学习率;
S5125、利用模拟退火遗传算法迭代得到优化的BP神经网络的连接权重值和神经元阈值,并带入神经网络模型中;
S5126、基于BP神经网络算法进行重新训练,并判断误差或训练次数,若误差小于学习精度或训练次数超过预设值,则终止训练,得到改进BP神经网络模型,否则返回S5125,继续进行学习;
其中,所述利用模拟退火遗传算法迭代得到优化的连接权重值和神经元阈值包括以下步骤:
S51251、选择适应度函数,模拟退火遗传算法叙述利用该函数确定种群个体适应度大小,并判断个体是否被选择;
S51252、初始化BP神经网络参数,并给出训练参数;
S51253、计算种群个体的适应度及总适应度,并判断是否达到预定值,若是,则执行S51255,若否,则执行S51254;
S51254、采用模拟退火遗传算法对种群进行进化,并对种群个体进行相应的选择、交叉和变异操作,采用最优个体保留策略在繁殖过程中选择优异个体组成优异群体,直至群体的适应度趋于稳定,完成后返回S51253;
S51255、使用BP网络进行迭代计算,并判断是否达到全局误差要求,若否,则返回S51254,若是,则执行S51256;
S51256、输出此时的种群,得到优化的BP神经网络的连接权重值和神经元阈值。
其中,种群表示连接权重值的数据集和神经元阈值的数据集,个体表示连接权重值的数据集和神经元阈值的数据集中的单个数据,优异群体表示连接权重值的数据集和神经元阈值的数据集中优异数据的组合。
进一步的,所述初始化BP神经网络网络参数,并给出训练参数包括以下步骤:
利用rand函数产生一组(-1,1)之间的随机数,并选择训练结果最优的一次作为BP神经网络的初始连接权重值和神经元阈值;
按照模拟退火遗传算法对BP神经网络的训练参数进行预处理,形成二进制编码形式。
进一步的,所述排放温度采用预先安装于燃烧室排烟口的温度传感器实时获取;所述输入温度采用利用预先安装于燃烧室进烟口的温度传感器实时获取;所述烟气温度采用利用预先安装于燃烧室内的温度传感器获取,所述烟气体积采用利用预先安装于燃烧室内流量计获取。
进一步的,所述分别获取燃烧室输出的高温烟气的排放温度、燃烧室输入烟气的输入温度、燃烧室内燃烧产生的烟气温度及燃烧室内烟气体积还包括以下步骤:
采用动态补偿算法分别对获取的排放温度、输入温度及烟气温度进行动态补偿,其中,动态补偿算法的计算公式如下:
y(n)=2.1x(n)-1.9869x(n-1)+0.8869y(n-1);
式中,y()表示补偿后的温度数据,x()表示补偿前的温度数据,n表示时间。
根据本发明的另一个方面,提供了一种生物质卧式炭化炉余热利用系统,该系统包括卧式炭化炉、炭箱、燃烧室、余热锅炉、热用户及烟囱;
所述卧式炭化炉的出炭口通过管道与所述炭箱连通,所述卧式炭化炉的烟气出口通过管道与所述余热锅炉连通,所述卧式炭化炉的烟气入口通过管道与所述燃烧室连通;
所述燃烧室的进气口通过变频增压风机及管道与所述炭箱连通,且所述燃烧室的进气口通过管道与送风机连接,所述燃烧室的进烟口通过循环管道及循环变频风机与所述余热锅炉连通;燃烧室的排烟口通过管道将其产生的高温烟气输送至卧式炭化炉为炭化炉炭化反应提供热源;
所述余热锅炉的出烟口通过管道分别与所述热用户及所述烟囱连接,且所述烟囱与所述余热锅炉之间设置有引风机;
所述燃烧室的排烟口、进烟口及内部均设置有温度传感器,所述燃烧室的内部还设置有流量计,所述循环管道及所述烟囱与所述余热锅炉之间的管道均设置有调节阀。
进一步的,所述余热利用系统还包括控制单元,所述控制单元包括处理器、采集模块、控制模块及显示模块;
所述处理器用于利用基于改进BP神经网络模型来分析得到循环管道及余热锅炉与烟囱管道中调节阀的实时开度,并控制调节阀的实时开度;
所述采集模块用于采集燃烧室输出的高温烟气的排放温度、燃烧室输入烟气的输入温度、燃烧室内燃烧产生的烟气温度及燃烧室内烟气体积;
所述控制模块用于控制循环管道及余热锅炉与烟囱之间管道中调节阀的实时开度;
所述显示模块用于显示控制单元中的采集数据及处理分析数据。
本发明的有益效果为:
1)通过将炭化炉产生的炭及可燃气体排入炭箱,并将炭箱中的可燃气体输送至燃烧室进行燃烧,便可将燃烧室产生的高温烟气输送至卧式炭化炉为炭化炉炭化反应提供热源,并将炭化反应后的烟气输送至余热锅炉进行余热回收利用,同时可以利用改进BP神经网络模型来分析得到各管道中调节阀的实时开度,实现对循环管道中返回烟气量的实时调控,从而实现对燃烧室排放温度的调节,进而使得其能够实时保持在炭化炉炭化反应所需的温度范围内,达到最佳的炭化效果,进而有效地提高了热能的利用率,降低了热能损失,且通过设置的再循环管道稳定了燃烧室的出烟温度,提高炭化效率和出炭质量。
2)本发明通过设置的再循环管道稳定了燃烧室的出烟温度,提高炭化效率和出炭质量,还可以利用循环管道返回的烟气对进入燃烧室内的可燃气体及空气起到预热效果,从而可以有效地降低燃烧室内燃烧时所需要消耗的能源,起到节能环保的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种生物质炭化炉余热利用方法的流程示意图;
图2是根据本发明实施例的一种生物质炭化炉余热利用系统的结构框图;
图3是根据本发明实施例的一种生物质炭化炉余热利用系统中控制单元的结构框图。
图中:
1、卧式炭化炉;2、炭箱;3、燃烧室;4、余热锅炉;5、热用户;6、烟囱;7、变频增压风机;8、送风机;9、循环变频风机;10、引风机;11、处理器;12、采集模块;13、控制模块;14、显示模块。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种生物质炭化炉余热利用方法及其利用系统。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明的一个实施例,提供了一种生物质炭化炉余热利用方法,该利用方法包括以下步骤:
S1、启动卧式炭化炉,并将产生的炭及可燃气体排入炭箱;具体的,本实施中的卧式炭化炉为卧式连续炭化炉;
S2、利用送风机向燃烧室内通入空气,并通过变频增压风机将炭箱中的可燃气体输送至燃烧室进行燃烧;
S3、将燃烧室产生的高温烟气输送至卧式炭化炉为炭化炉炭化反应提供热源;
其中,所述燃烧室产生的高温烟气的温度为900-1000℃,优选的,通入炭化炉炭化反应的高温烟气的温度为950℃,所述炭化炉中炭化反应后的烟气温度为700-800℃,所述余热回收后的烟气温度为150-200℃。
S4、通过管道将炭化反应后的烟气输送至余热锅炉,并利用余热锅炉产生蒸汽输送至热用户;
S5、利用预先构建的改进BP神经网络模型分析预测余热锅炉与燃烧室之间的循环管道中调节阀的实时开度;
由于BP神经网络中各连接权重值和神经元阈值的初始值依靠随机选取,其分布范围较大,网络优化时需要多次迭代才能找到最优解,鉴于此,本实施例中提出了基于遗传算法的BP神经网络,根据遗传算法的特点,可有效地减少优化时的迭代次数,提高收敛速度。
其中,所述利用预先构建的改进BP神经网络模型分析预测余热锅炉与燃烧室之间的循环管道中调节阀的实时开度包括以下步骤:
S51、基于历史数据构建改进BP神经网络模型,并进行训练;
具体的,所述基于历史数据构建改进BP神经网络模型,并进行训练包括以下步骤:
S511、采集燃烧室以及循环管路中调节阀的历史数据,并分别获取历史数据中燃烧室输出的高温烟气的排放温度、燃烧室输入烟气的输入温度、燃烧室内燃烧产生的烟气温度、燃烧室内烟气体积及循环管道中调节阀的实时开度;具体的,本实施例中的余热回收系统为与生物质炭化炉余热利用方法相对应的系统,即本实施例中后续的生物质炭化炉余热利用系统。
S512、将历史数据中的排放温度、输入温度、烟气温度及烟气体积作为输入参数,循环管道中调节阀的实时开度作为输出参数构建改进BP神经网络模型,并进行训练。
具体的,所述改进BP神经网络模型的构建包括以下步骤:
S5121、确定输入层、隐含层及输出层的节点个数,构建三层网络模型;
S5122、对历史数据中排放温度、输入温度、烟气温度、烟气体积及循环管道中调节阀的实时开度的样本数据进行归一化处理;
S5123、将排放温度、输入温度、烟气温度及烟气体积作为输入参数,循环管道中调节阀的实时开度作为输出参数;
S5124、确定输出层节点的个数,并初始化学习精度,确定最大训练次数及学习训练参数学习率;
S5125、利用模拟退火遗传算法迭代得到优化的BP神经网络的连接权重值和神经元阈值,并带入神经网络模型中;
S5126、基于BP神经网络算法进行重新训练,并判断误差或训练次数,若误差小于学习精度或训练次数超过预设值,则终止训练,得到改进BP神经网络模型,否则返回S5125,继续进行学习;
其中,所述利用模拟退火遗传算法迭代得到优化的连接权重值和神经元阈值包括以下步骤:
S51251、选择适应度函数,模拟退火遗传算法叙述利用该函数确定种群个体适应度大小,并判断个体是否被选择;
S51252、初始化BP神经网络参数,并给出训练参数,包括以下步骤:
利用rand函数产生一组(-1,1)之间的随机数,并选择训练结果最优的一次作为BP神经网络的初始连接权重值和神经元阈值;
按照模拟退火遗传算法对BP神经网络的训练参数进行预处理,形成二进制编码形式。
S51253、计算种群个体的适应度及总适应度,并判断是否达到预定值,若是,则执行S51255,若否,则执行S51254;
S51254、采用模拟退火遗传算法对种群进行进化,并对种群个体进行相应的选择、交叉和变异操作,采用最优个体保留策略在繁殖过程中选择优异个体组成优异群体,直至群体的适应度趋于稳定,完成后返回S51253;
S51255、使用BP网络进行迭代计算,并判断是否达到全局误差要求,若否,则返回S51254,若是,则执行S51256;
S51256、输出此时的种群,得到优化的BP神经网络的连接权重值和神经元阈值,并输出对应的匹配结果。
其中,种群表示连接权重值的数据集和神经元阈值的数据集,个体表示连接权重值的数据集和神经元阈值的数据集中的单个数据,优异群体表示连接权重值的数据集和神经元阈值的数据集中优异数据的组合。
其中,模拟退火遗传算法是以遗传算法为主体流程,引人模拟退火机制,该算法在执行时首先通过遗传算法进行全局搜索,产生出较优良的群体,再利用模拟退火算法进行局部搜索,对基因个体进行优化调整,避免了遗传算法收敛性差的缺点,可高效地找到最优解。
本实施例中的改进BP神经网络先利用模拟退火遗传算法局部搜索能力强的特点,将神经网络的权值和阈值优化到一个较小的范围,然后利用BP算法进行预测,从而建立成熟神经网络结构,两种算法的结合能显著提高BP网络的性能。
S52、分别获取燃烧室输出的高温烟气的排放温度T、燃烧室输入烟气的输入温度T1、燃烧室内燃烧产生的烟气温度T2及燃烧室内烟气体积V2;
具体的,所述排放温度T采用预先安装于燃烧室排烟口的温度传感器实时获取;所述输入温度T1采用利用预先安装于燃烧室进烟口的温度传感器实时获取;所述烟气温度T2采用利用预先安装于燃烧室内的温度传感器获取,所述烟气体积V2采用利用预先安装于燃烧室内流量计获取。
其中,所述分别获取燃烧室输出的高温烟气的排放温度T、燃烧室输入烟气的输入温度T1、燃烧室内燃烧产生的烟气温度T2及燃烧室内烟气体积V2还包括以下步骤:
采用动态补偿算法分别对获取的排放温度T、输入温度T1及烟气温度T2进行动态补偿,其中,动态补偿算法的计算公式如下:
y(n)=2.1x(n)-1.9869x(n-1)+0.8869y(n-1);
式中,y()表示补偿后的温度数据,x()表示补偿前的温度数据,n表示时间。
S53、利用训练好的改进BP神经网络模型结合排放温度T、输入温度T1、烟气温度T2及烟气体积V2分析得到燃烧室输入烟气的体积V1;
S54、利用燃烧室输入烟气的体积V1分析计算得到循环管道中调节阀的实时开度。
S6、基于调节阀的实时开度,利用循环变频风机将余热回收后的烟气通过循环管道输送至燃烧室进行烟气温度调节;
具体的,本实施例中采用循环管道将余热回收后的烟气返回至燃烧室内,从而可以利用返回的烟气对燃烧室内燃烧的产生的烟气温度起到综合调节效果,从而可以利用返回的一定体积的烟气温度与燃烧室内燃烧产生的烟气温度进行综合调节,使得燃烧室内产生的高温烟气保持在炭化炉炭化反应所需的温度(约950℃)范围内;
其中,燃烧室内燃烧产生的烟气温度即排放温度由燃烧室内燃烧产生的烟气温度与返回的烟气的温度结合各自的烟气体积综合反应得到,因此,本实施中可以采用循环管道中返回烟气的量来实现燃烧室排放温度的调节,使得其能够实时保持在炭化炉炭化反应所需的温度范围内,达到最佳的炭化效果。又由于燃烧室内的烟气返回量与循环管道中调节阀的开度有关,故本实施例中可以采用调节阀的实时开度来调节燃烧室内返回的烟气量,进而来实现对温度的综合,使得燃烧室内产生的高温烟气保持在炭化炉炭化反应所需的温度(约950℃)范围内。
同时,本实施例中还可以利用循环管道返回的烟气对进入燃烧室内的可燃气体及空气起到预热效果,从而可以有效地降低燃烧室内燃烧时所需要消耗的能源,起到节能环保的效果。
S7、基于循环管道中调节阀的实时开度调整排放管路中调节阀的实时开度,并利用引风机将烟气通过排放管路引至烟囱进行排放。
本实施例中,由于经过余热锅炉后的烟气总量不变,因此在调节循环管道中调节阀开度的同时需要对余热锅炉与烟囱之间管道中调节阀的开度进行实时调节,且二者的关系成反比。
根据本发明的另一个方面,如图2-3所示,提供了一种生物质炭化炉余热利用系统,该系统包括卧式炭化炉1、炭箱2、燃烧室3、余热锅炉4、热用户5及烟囱6;
所述卧式炭化炉1的出炭口通过管道与所述炭箱2连通,所述卧式炭化炉1的烟气出口通过管道与所述余热锅炉4连通,所述卧式炭化炉1的烟气入口通过管道与所述燃烧室3连通;燃烧室3的排烟口通过管道将其产生的高温烟气输送至卧式炭化炉1为炭化炉炭化反应提供热源;
所述燃烧室3的进气口通过变频增压风机7及管道与所述炭箱2连通,且所述燃烧室3的进气口通过管道与送风机8连接,所述燃烧室3的进烟口通过循环管道及循环变频风机9与所述余热锅炉4连通;
所述余热锅炉4的出烟口通过管道分别与所述热用户5及所述烟囱6连接,且所述烟囱6与所述余热锅炉4之间设置有引风机10;
所述燃烧室3的排烟口、进烟口及内部均设置有温度传感器,所述燃烧室3的内部还设置有流量计,所述循环管道及所述烟囱6与所述余热锅炉4之间的管道均设置有调节阀。
所述余热利用系统还包括控制单元,所述控制单元包括处理器11、采集模块12、控制模块13及显示模块14;
所述处理器11用于利用基于改进BP神经网络模型来分析得到循环管道及余热锅炉与烟囱管道中调节阀的实时开度,并控制调节阀的实时开度;
所述采集模块12用于采集燃烧室输出的高温烟气的排放温度、燃烧室输入烟气的输入温度、燃烧室内燃烧产生的烟气温度及燃烧室内烟气体积;
所述控制模块13用于控制循环管道及余热锅炉与烟囱之间管道中调节阀的实时开度;
所述显示模块14用于显示控制单元中的采集数据及处理分析数据。
此外,本实施中的利用系统为单台卧式炭化炉独立系统,也可以使多台卧式炭化炉同时并联使用,可产生更多热烟气,用于余热发电。本系统应用于实际工程时,根据工程所在地环保要求,应在余热锅炉后增加除尘器、脱硫脱硝等相关设备。
为了方便理解本发明的上述技术方案,以下就本发明在实际过程中的工作原理或者操作方式进行详细说明。
在实际应用过程中,卧式连续炭化炉在启动运行后,产生的炭及可燃气体进入炭箱中,炭箱上部开口,通过管道与变频增压风机相连,通过变频增压风机将炭箱中的可燃气体送至燃烧室燃烧,送风机将燃烧所需空气送至燃烧室,产生约950℃的高温烟气,送至炭化炉本体中,为炭化炉炭化反应提供热源;烟气经炭化炉后,出口烟气温度降至约750℃,出口烟气通过烟道送至余热锅炉,完成余热回收,产生蒸汽送至热用户;同时余热锅炉烟气出口温度降至约180℃,经引风机引至烟囱排放。余热锅炉烟气出口设置烟气再循环管道,利用控制单元基于改进BP神经网络模型来分析得到余热锅炉与燃烧室之间循环管道及余热锅炉与烟囱管道中调节阀的实时开度,并控制调节阀的实时开度,从而可以将所需的烟气经再循环变频风机送回燃烧室,用于调节燃烧室烟气温度,使其出口烟气温度稳定在950℃左右,满足炭化炉最佳工作需求,提高出炭质量。
综上所述,借助于本发明的上述技术方案,通过提供一种生物质炭化炉余热利用方法,首先将炭化炉产生的炭及可燃气体排入炭箱,并将炭箱中的可燃气体输送至燃烧室进行燃烧,然后便可将燃烧室产生的高温烟气输送至卧式炭化炉为炭化炉炭化反应提供热源,并将炭化反应后的烟气输送至余热锅炉进行余热回收利用,同时可以利用改进BP神经网络模型来分析得到各管道中调节阀的实时开度,实现对循环管道中返回烟气量的实时调控,从而实现对燃烧室排放温度的调节,进而使得其能够实时保持在炭化炉炭化反应所需的温度范围内,达到最佳的炭化效果,进而有效地提高了热能的利用率,降低了热能损失。
此外,本发明通过设置的再循环管道稳定了燃烧室的出烟温度,提高炭化效率和出炭质量,还可以利用循环管道返回的烟气对进入燃烧室内的可燃气体及空气起到预热效果,从而可以有效地降低燃烧室内燃烧时所需要消耗的能源,起到节能环保的效果。
在本发明中,除非另有明确的规定和限定,术语“安装”、“设置”、“连接”、“固定”、“旋接”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种生物质炭化炉余热利用方法,其特征在于,该利用方法包括以下步骤:
S1、启动卧式炭化炉,并将产生的炭及可燃气体排入炭箱;
S2、利用送风机向燃烧室内通入空气,并通过变频增压风机将炭箱中的可燃气体输送至燃烧室进行燃烧;
S3、将燃烧室产生的高温烟气输送至卧式炭化炉为炭化炉炭化反应提供热源;
S4、通过管道将炭化反应后的烟气输送至余热锅炉,并利用余热锅炉产生蒸汽输送至热用户;
S5、利用预先构建的改进BP神经网络模型分析预测余热锅炉与燃烧室之间的循环管道中调节阀的实时开度;
S6、基于调节阀的实时开度,利用循环变频风机将余热回收后的烟气通过循环管道输送至燃烧室进行烟气温度调节;
S7、基于循环管道中调节阀的实时开度调整排放管路中调节阀的实时开度,并利用引风机将烟气通过排放管路引至烟囱进行排放。
其中,S5中所述利用预先构建的改进BP神经网络模型分析预测余热锅炉与燃烧室之间的循环管道中调节阀的实时开度包括以下步骤:
S51、基于历史数据构建改进BP神经网络模型,并进行训练;其包括以下步骤:
S511、采集燃烧室以及循环管道中调节阀的历史数据,并分别获取历史数据中燃烧室输出的高温烟气的排放温度、燃烧室输入烟气的输入温度、燃烧室内燃烧产生的烟气温度、燃烧室内烟气体积及循环管道中调节阀的实时开度;
S512、将历史数据中的排放温度、输入温度、烟气温度及烟气体积作为输入参数,循环管道中调节阀的实时开度作为输出参数构建改进BP神经网络模型,并进行训练;其中所述构建改进BP神经网络模型包括以下步骤:
S5121、确定输入层、隐含层及输出层的节点个数,构建三层网络模型;
S5122、对历史数据中排放温度、输入温度、烟气温度、烟气体积及循环管道中调节阀的实时开度的样本数据进行归一化处理;
S5123、将排放温度、输入温度、烟气温度及烟气体积作为输入参数,循环管道中调节阀的实时开度作为输出参数;
S5124、确定输出层节点的个数,并初始化学习精度,确定最大训练次数及学习训练参数学习率;
S5125、利用模拟退火遗传算法迭代得到优化的BP神经网络的连接权重值和神经元阈值,并带入神经网络模型中;
S5126、基于BP神经网络算法进行重新训练,并判断误差或训练次数,若误差小于学习精度或训练次数超过预设值,则终止训练,得到改进BP神经网络模型,否则返回S5125,继续进行学习;
其中,S5125中所述利用模拟退火遗传算法迭代得到优化的BP神经网络的连接权重值和神经元阈值包括以下步骤:
S51251、选择适应度函数,模拟退火遗传算法叙述利用该函数确定种群个体适应度大小,并判断个体是否被选择;
S51252、初始化BP神经网络参数,并给出训练参数;
S51253、计算种群个体的适应度及总适应度,并判断是否达到预定值,若是,则执行S51255,若否,则执行S51254;
S51254、采用模拟退火遗传算法对种群进行进化,并对种群个体进行相应的选择、交叉和变异操作,采用最优个体保留策略在繁殖过程中选择优异个体组成优异群体,直至群体的适应度趋于稳定,完成后返回S51253;
S51255、使用BP神经网络进行迭代计算,并判断是否达到全局误差要求,若否,则返回S51254,若是,则执行S51256;
S51256、输出此时的种群,得到优化的BP神经网络的连接权重值和神经元阈值;
S52、分别获取燃烧室输出的高温烟气的排放温度、燃烧室输入烟气的输入温度、燃烧室内燃烧产生的烟气温度及燃烧室内烟气体积;
S53、利用训练好的改进BP神经网络模型结合排放温度、输入温度、烟气温度及烟气体积分析得到燃烧室输入烟气的体积;
S54、利用燃烧室输入烟气的体积分析计算得到循环管道中调节阀的实时开度。
2.根据权利要求1所述的一种生物质炭化炉余热利用方法,其特征在于,所述燃烧室产生的高温烟气的温度为900-1000℃,所述炭化炉中炭化反应后的烟气温度为700-800℃,所述余热回收后的烟气温度为150-200℃。
3.根据权利要求1所述的一种生物质炭化炉余热利用方法,其特征在于,所述初始化BP神经网络网络参数,并给出训练参数包括以下步骤:
利用rand函数产生一组(-1,1)之间的随机数,并选择训练结果最优的一次作为BP神经网络的初始连接权重值和神经元阈值;
按照模拟退火遗传算法对BP神经网络的训练参数进行预处理,形成二进制编码形式。
4.根据权利要求1所述的一种生物质炭化炉余热利用方法,其特征在于,所述排放温度采用预先安装于燃烧室排烟口的温度传感器实时获取;所述输入温度采用利用预先安装于燃烧室进烟口的温度传感器实时获取;所述烟气温度采用利用预先安装于燃烧室内的温度传感器获取,所述烟气体积采用利用预先安装于燃烧室内流量计获取。
5.根据权利要求4所述的一种生物质炭化炉余热利用方法,其特征在于,所述分别获取燃烧室输出的高温烟气的排放温度、燃烧室输入烟气的输入温度、燃烧室内燃烧产生的烟气温度及燃烧室内烟气体积还包括以下步骤:
采用动态补偿算法分别对获取的排放温度、输入温度及烟气温度进行动态补偿,其中,动态补偿算法的计算公式如下:
y(n)=2.1x(n)-1.9869x(n-1)+0.8869y(n-1);
式中,y()表示补偿后的温度数据,x()表示补偿前的温度数据,n表示时间。
6.一种生物质炭化炉余热利用系统,用于实现权利要求1-5中任意一项所述的生物质炭化炉余热利用方法的步骤,其特征在于,该系统包括卧式炭化炉(1)、炭箱(2)、燃烧室(3)、余热锅炉(4)、热用户(5)及烟囱(6);
所述卧式炭化炉(1)的出炭口通过管道与所述炭箱(2)连通,所述炭化炉(1)的烟气出口通过管道与所述余热锅炉(4)连通,所述炭化炉(1)的烟气入口通过管道与所述燃烧室(3)连通;
所述燃烧室(3)的进气口通过变频增压风机(7)及管道与所述炭箱(2)连通,且所述燃烧室(3)的进气口通过管道与送风机(8)连接,所述燃烧室(3)的进烟口通过循环管道及循环变频风机(9)与所述余热锅炉(4)连通;燃烧室(3)的排烟口通过管道将其产生的高温烟气输送至卧式炭化炉(1)为炭化炉炭化反应提供热源;
所述余热锅炉(4)的出烟口通过管道分别与所述热用户(5)及所述烟囱(6)连接,且所述烟囱(6)与所述余热锅炉(4)之间设置有引风机(10);
所述燃烧室(3)的排烟口、进烟口及内部均设置有温度传感器,所述燃烧室(3)的内部还设置有流量计,所述循环管道及所述烟囱(6)与所述余热锅炉(4)之间的管道均设置有调节阀。
7.根据权利要求6所述的一种生物质炭化炉余热利用系统,其特征在于,所述余热利用系统还包括控制单元,所述控制单元包括处理器(11)、采集模块(12)、控制模块(13)及显示模块(14);
所述处理器(11)用于利用基于改进BP神经网络模型来分析得到循环管道及余热锅炉与烟囱管道中调节阀的实时开度,并控制调节阀的实时开度;
所述采集模块(12)用于采集燃烧室输出的高温烟气的排放温度、燃烧室输入烟气的输入温度、燃烧室内燃烧产生的烟气温度及燃烧室内烟气体积;
所述控制模块(13)用于控制循环管道及余热锅炉与烟囱之间管道中调节阀的实时开度;
所述显示模块(14)用于显示控制单元中的采集数据及处理分析数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210620507.1A CN114958395B (zh) | 2022-06-02 | 2022-06-02 | 一种生物质炭化炉余热利用方法及其利用系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210620507.1A CN114958395B (zh) | 2022-06-02 | 2022-06-02 | 一种生物质炭化炉余热利用方法及其利用系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114958395A true CN114958395A (zh) | 2022-08-30 |
CN114958395B CN114958395B (zh) | 2023-04-18 |
Family
ID=82960473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210620507.1A Active CN114958395B (zh) | 2022-06-02 | 2022-06-02 | 一种生物质炭化炉余热利用方法及其利用系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114958395B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116931437A (zh) * | 2023-09-12 | 2023-10-24 | 深圳碳中和生物燃气股份有限公司 | 一种生物质气化炭化炉的控制方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100032279A1 (en) * | 2005-12-05 | 2010-02-11 | Struan Glen Robertson | Apparatus for Treating Materials |
CN104598686A (zh) * | 2015-01-24 | 2015-05-06 | 安徽大学 | 基于电磁计算及神经网络的水泵电机建模与优化方法 |
CN205014337U (zh) * | 2015-08-14 | 2016-02-03 | 上海运能能源科技有限公司 | 用于提高余热发电系统换热效率的给水装置 |
CN205228189U (zh) * | 2015-12-09 | 2016-05-11 | 漳州微水固体废物处置有限公司 | 一种双筒回转窑烟气回用净化装置 |
CN105680426A (zh) * | 2016-03-16 | 2016-06-15 | 江苏省电力公司常州供电公司 | 一种基于神经网络的35kv线路故障失电事故智能处理方法 |
CN107586549A (zh) * | 2017-10-09 | 2018-01-16 | 神雾环保技术股份有限公司 | 一种蓄热式隔绝烟气热解炉 |
CN107760321A (zh) * | 2017-11-29 | 2018-03-06 | 贺守印 | 一种炭化炉保温结构及其炭化炉余热利用控温装置 |
CN108036306A (zh) * | 2017-12-10 | 2018-05-15 | 罗碧婉 | 旋涡式锅炉烟气燃烧室 |
CN110669538A (zh) * | 2019-11-05 | 2020-01-10 | 天津农学院 | 连续实现热量自循环的生物质炭-热联产工艺及装置 |
CN110849149A (zh) * | 2019-10-23 | 2020-02-28 | 同济大学 | 基于能源感知的烧结配料方案级联优化获取方法及装置 |
CN210601764U (zh) * | 2019-07-05 | 2020-05-22 | 合肥顺昌余热利用科技有限公司 | 一种烟气余热回收控制器 |
CN212669621U (zh) * | 2020-07-24 | 2021-03-09 | 上海运能能源科技有限公司 | 一种催化裂解生物质燃气的气体处理装置 |
CN212864671U (zh) * | 2020-09-02 | 2021-04-02 | 乔治洛德方法研究和开发液化空气有限公司 | 生物质的热解气化与工业炉的一体化装置 |
-
2022
- 2022-06-02 CN CN202210620507.1A patent/CN114958395B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100032279A1 (en) * | 2005-12-05 | 2010-02-11 | Struan Glen Robertson | Apparatus for Treating Materials |
CN104598686A (zh) * | 2015-01-24 | 2015-05-06 | 安徽大学 | 基于电磁计算及神经网络的水泵电机建模与优化方法 |
CN205014337U (zh) * | 2015-08-14 | 2016-02-03 | 上海运能能源科技有限公司 | 用于提高余热发电系统换热效率的给水装置 |
CN205228189U (zh) * | 2015-12-09 | 2016-05-11 | 漳州微水固体废物处置有限公司 | 一种双筒回转窑烟气回用净化装置 |
CN105680426A (zh) * | 2016-03-16 | 2016-06-15 | 江苏省电力公司常州供电公司 | 一种基于神经网络的35kv线路故障失电事故智能处理方法 |
CN107586549A (zh) * | 2017-10-09 | 2018-01-16 | 神雾环保技术股份有限公司 | 一种蓄热式隔绝烟气热解炉 |
CN107760321A (zh) * | 2017-11-29 | 2018-03-06 | 贺守印 | 一种炭化炉保温结构及其炭化炉余热利用控温装置 |
CN108036306A (zh) * | 2017-12-10 | 2018-05-15 | 罗碧婉 | 旋涡式锅炉烟气燃烧室 |
CN210601764U (zh) * | 2019-07-05 | 2020-05-22 | 合肥顺昌余热利用科技有限公司 | 一种烟气余热回收控制器 |
CN110849149A (zh) * | 2019-10-23 | 2020-02-28 | 同济大学 | 基于能源感知的烧结配料方案级联优化获取方法及装置 |
CN110669538A (zh) * | 2019-11-05 | 2020-01-10 | 天津农学院 | 连续实现热量自循环的生物质炭-热联产工艺及装置 |
CN212669621U (zh) * | 2020-07-24 | 2021-03-09 | 上海运能能源科技有限公司 | 一种催化裂解生物质燃气的气体处理装置 |
CN212864671U (zh) * | 2020-09-02 | 2021-04-02 | 乔治洛德方法研究和开发液化空气有限公司 | 生物质的热解气化与工业炉的一体化装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116931437A (zh) * | 2023-09-12 | 2023-10-24 | 深圳碳中和生物燃气股份有限公司 | 一种生物质气化炭化炉的控制方法及系统 |
CN116931437B (zh) * | 2023-09-12 | 2023-11-14 | 深圳碳中和生物燃气股份有限公司 | 一种生物质气化炭化炉的控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114958395B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及系统 | |
CN114958395B (zh) | 一种生物质炭化炉余热利用方法及其利用系统 | |
CN103939941B (zh) | 一种融入了不可逆热力学的锅炉燃烧优化方法 | |
CN104268712A (zh) | 基于改进的混合多种群进化算法的能源平衡与调度方法 | |
WO2024060488A1 (zh) | 一种基于深度循环神经网络和进化计算的工业锅炉燃烧优化方法 | |
CN110207094A (zh) | 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法 | |
Ye et al. | Multi-objective modeling of boiler combustion based on feature fusion and Bayesian optimization | |
CN112232603A (zh) | 一种计及电转气协同的虚拟电厂优化调度方法 | |
CN114427684A (zh) | 一种天然气净化过程中燃烧炉的控制方法及控制装置 | |
Xiao et al. | Node dynamic adaptive non-structural model for efficient synthesis of heat exchanger networks | |
CN116993128B (zh) | 一种综合能源系统深度强化学习低碳调度方法及系统 | |
CN114621794B (zh) | 一种生物质气化炉多能耦合智慧联供生产系统及方法 | |
CN111428906B (zh) | 一种基于图像变换的工业锅炉蒸汽量预测方法 | |
Jin et al. | Machine learning-aided optimization of coal decoupling combustion for lowering NO and CO emissions simultaneously | |
Olszewski | Heat recovery investigation from dryer–thermal oxidizer system in corn-ethanol plants | |
Parsa et al. | Combustion efficiency optimization by adjusting the amount of excess air | |
CN115330164A (zh) | 一种基于碳约束的控排企业多能优化方法及装置 | |
Zhang et al. | Optimization analysis based on intelligent control of the process of the blast furnace | |
CN118070678B (zh) | 一种基于流程模拟和机器学习的煤气化装置智能优化方法 | |
CN114855224B (zh) | 用于平衡多个电解槽集气罩烟气收集量的方法 | |
CN116088318A (zh) | 一种生物质循环流化床锅炉多目标优化控制方法和系统 | |
CN111520740B (zh) | 一种多个多孔介质燃烧器协调优化运行的方法 | |
CN113780384B (zh) | 基于集成决策树算法的城市固废焚烧过程关键被控变量预测方法 | |
CN113298351B (zh) | 基于时域分析动态可控性指标的冷热电能源系统规划方法 | |
Yin et al. | Selection of Factors Affecting NOx Emissions Concentration Forecast Modeling Based on BP Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |