CN116702593A - 一种计算分析污泥掺烧对锅炉效率影响程度的方法 - Google Patents
一种计算分析污泥掺烧对锅炉效率影响程度的方法 Download PDFInfo
- Publication number
- CN116702593A CN116702593A CN202310577507.2A CN202310577507A CN116702593A CN 116702593 A CN116702593 A CN 116702593A CN 202310577507 A CN202310577507 A CN 202310577507A CN 116702593 A CN116702593 A CN 116702593A
- Authority
- CN
- China
- Prior art keywords
- real
- sludge
- boiler
- time
- boiler efficiency
- 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.)
- Pending
Links
- 239000010802 sludge Substances 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000002485 combustion reaction Methods 0.000 title abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000002156 mixing Methods 0.000 claims description 38
- 239000003245 coal Substances 0.000 claims description 24
- 239000007789 gas Substances 0.000 claims description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 17
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 12
- 239000001301 oxygen Substances 0.000 claims description 12
- 229910052760 oxygen Inorganic materials 0.000 claims description 12
- 238000010344 co-firing Methods 0.000 claims description 11
- 239000000446 fuel Substances 0.000 claims description 5
- 238000012821 model calculation Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims 1
- 238000003062 neural network model Methods 0.000 abstract description 2
- 125000004122 cyclic group Chemical group 0.000 description 3
- 239000000843 powder Substances 0.000 description 3
- 239000010865 sewage Substances 0.000 description 3
- 239000000428 dust Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006477 desulfuration reaction Methods 0.000 description 1
- 230000023556 desulfurization Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B35/00—Control systems for steam boilers
- F22B35/18—Applications of computers to steam boiler control
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明提供了一种计算分析污泥掺烧对锅炉效率影响程度的方法,利用机组历史运行数据和BP神经网络模型,有效筛查机组最佳运行效率数据集,通过在锅炉效率计算模型中代入不同运行数据,分析得到污泥相关数据对锅炉效率影响最大时的锅炉出力,为现场工作提供理论依据。
Description
技术领域
本发明涉及污泥掺烧技术领域,尤其涉及一种计算分析污泥掺烧对锅炉效率影响程度的方法。
背景技术
随着城市生活污水量的急剧增加,污泥作为污水处理厂污水处理后的附属产品,其产量也在不断上升。污泥焚烧是最“彻底”的污泥处理方式,不仅处理速度快,而且减量化程度高,能源可再利用,是一种相对比较可行的污泥处理方式。
但同时,污泥在锅炉中掺烧带来的问题也逐渐浮现,污泥含水率高,飞灰含量高,对锅炉燃烧和效率会产生一定的影响。现有常见的锅炉效率计算方法主要是反平衡计算法,其计算过程中多有经验数值,不能很好的匹配锅炉实际情况,且计算过程具有一定的滞后性,不能对掺烧过程中提供直接的指导作用。
CN113790456A公开了一种燃煤锅炉最大污泥掺烧量的计算方法及系统,所述方法包括:分别计算典型负荷下燃煤锅炉最低炉膛温度承受值的目标最大污泥掺烧量,磨煤机燃料量最大承受值的目标最大污泥掺烧量,脱硝系统NO最大承受值的目标最大污泥掺烧量,脱硫系统SO2最大承受值的目标最大污泥掺烧量,除尘系统粉尘最大承受值的目标最大污泥掺烧量,废水系统重金属最大可排放值的目标最大污泥掺烧量,取各个目标最大污泥掺烧量中的最小值,根据燃煤机组目标发电功率和实际发电功率实时修正最小值后为燃煤锅炉最大污泥掺烧量。
CN115951012A公开了一种确定燃煤耦合污泥最大掺烧率的方法及应用,其中确定燃煤耦合污泥最大掺烧率的方法包括:获取锅炉标准理论效率下降幅度小于或者等于第一预设值时的理论污泥最大掺烧率;基于制粉约束污泥掺烧率,获取所有磨煤机的出力以及出口风粉混合物的温度,根据磨煤机的出力和温度,获得制粉约束污泥掺烧率;基于燃烧约束掺烧率,获取锅炉的炉膛温度及火焰充满度,获得燃烧约束掺烧率。所述确定燃煤耦合污泥最大掺烧率的方法,在理论计算的基础上,通过掺烧试验的方法,以磨煤机的工作条件、锅炉燃烧器的工作条件、锅炉实际效率和污染物排放为限制条件,逐步确定污泥最大掺烧量,可以为燃煤锅炉安全环保地焚烧处置污泥提供技术支持。
但上述方法并不能计算分析污泥掺烧对锅炉效率影响程度,不能很好地指导锅炉掺烧。
发明内容
鉴于现有技术中存在的问题,本发明提供一种计算分析污泥掺烧对锅炉效率影响程度的方法,利用机组历史运行数据和BP神经网络模型,有效筛查机组最佳运行效率数据集,通过对锅炉效率计算模型代入不同运行数据,分析得到污泥相关数据对锅炉效率影响最大时的锅炉出力,为现场工作提供理论依据。
为达此目的,本发明采用以下技术方案:
本发明提供一种计算分析污泥掺烧对锅炉效率影响程度的方法,所述方法包括:
S1,获取机组历史运行数据,形成数据集P;
S2,以锅炉负荷为基准,对上述历史运行数据进行排序,锅炉负荷从0依次排至最大负荷,对其依次编号ai,形成数据集Pai;
S3,步骤S2所述数据集Pai以锅炉效率为标签参数,利用BP神经网络计算数据集Pai内各组锅炉效率计算模型;
S4,以锅炉效率为基准,对步骤S2所述数据集Pai按照锅炉效率进行降序排序,每组数据集内选取前1/20作为各自的最佳样本Qk;
S5,采用机组正常运行的实时运行数据分别逐一地替换最佳样本Qk中对应的参数后,分别带入锅炉效率计算模型,得到锅炉效率的模型计算值;分别计算出每个被替换参数对锅炉效率的影响程度,并找出对锅炉效率下降影响最大的参数;
当实时污泥含水率、实时入炉污泥热值、实时污泥掺烧比为最大影响因素时,标记该数据,形成数据集RL;
S6,将所有被标记的数据RL进行汇总,得到在该负荷下,不建议污泥掺烧比或污泥含水率超出此标准。
本发明所述的计算分析污泥掺烧对锅炉效率影响程度的方法机组历史运行数据,利用机组历史运行数据,通过BP神经网络拟合得到锅炉效率计算模型,之后将机组正常运行的实时运行数据分别逐一地替换最佳样本Qk中对应的参数后,分别带入锅炉效率计算模型,计算出每个被替换参数对锅炉效率的影响程度,并找出对锅炉效率下降影响最大的参数,分析得到污泥相关数据对锅炉效率影响最大时的锅炉出力,找到最适合的污泥掺烧比。
优选地,步骤S1所述历史运行数据包括锅炉负荷、污泥含水率、入炉污泥热值、污泥掺烧比和锅炉效率。
优选地,步骤S1所述历史运行数据还包括主蒸汽流量、主蒸汽压力、主蒸汽温度、主给水温度、再热蒸汽压力、再热蒸汽温度、环境温度、入炉总燃料量、入炉燃煤热值、锅炉总风量、排烟氧量和排烟温度。
优选地,步骤S2所述数据集Pai除锅炉效率外其余的数据作为特征参数。
优选地,步骤S3所述BP神经网络的输入层的输入数据包括主蒸汽流量、主蒸汽压力、主蒸汽温度、主给水温度、再热蒸汽压力、再热蒸汽温度、环境温度、锅炉总煤量、入炉燃煤热值、锅炉总风量、排烟氧量、排烟温度、锅炉负荷、污泥含水率、污泥热值和污泥掺烧比。
优选地,步骤S3所述BP神经网络的隐含层包括隐含一层、隐含二层、隐含三层和隐含四层。
优选地,步骤S3所述BP神经网络的输出层的输出数据为锅炉效率。
优选地,步骤S5所述实时运行数据包括实时污泥含水率、实时入炉污泥热值、实时污泥掺烧比、实时主蒸汽压力、实时主蒸汽温度、实时主给水温度、实时再热蒸汽压力、实时再热蒸汽温度、实时环境温度、实时入炉煤质平均水分、实时锅炉总煤量、实时锅炉总风量、实时排烟氧量和实时排烟温度。
优选地,步骤S5所述最大影响因素为该实时运行数据的锅炉效率与模型计算值的差值最大。
优选地,机组的运行新数据返回至S2步骤循环计算,增加数据集Pai的数据样本量,提高锅炉效率计算模型精确度。
本发明所述的计算分析污泥掺烧对锅炉效率影响程度的方法不断采用新数据进行循环计算,实现了对锅炉效率计算模型的优化。
作为本发明优选的技术方案,所述方法包括:
S1,获取机组历史运行数据,形成数据集P;
所述历史运行数据包括锅炉负荷、污泥含水率、入炉污泥热值、污泥掺烧比、锅炉效率、主蒸汽流量、主蒸汽压力、主蒸汽温度、主给水温度、再热蒸汽压力、再热蒸汽温度、环境温度、入炉总燃料量、入炉燃煤热值、锅炉总风量、排烟氧量和排烟温度;
S2,以锅炉负荷为基准,对上述历史运行数据进行排序,锅炉负荷从0依次排至最大负荷,对其依次编号ai,形成数据集Pai;
S3,步骤S2所述数据集Pai以锅炉效率为标签参数,其余的数据作为特征参数,利用BP神经网络计算数据集Pai内各组锅炉效率计算模型;
所述BP神经网络的输入层的输入数据包括主蒸汽流量、主蒸汽压力、主蒸汽温度、主给水温度、再热蒸汽压力、再热蒸汽温度、环境温度、锅炉总煤量、入炉燃煤热值、锅炉总风量、排烟氧量、排烟温度、锅炉负荷、污泥含水率、污泥热值和污泥掺烧比;
所述BP神经网络的隐含层包括隐含一层、隐含二层、隐含三层和隐含四层;
所述BP神经网络的输出层的输出数据为锅炉效率;
S4,以锅炉效率为基准,对步骤S2所述数据集Pai按照锅炉效率进行降序排序,每组数据集内选取前1/20作为各自的最佳样本Qk;
S5,采用机组正常运行的实时运行数据分别逐一地替换最佳样本Qk中对应的参数后,分别带入锅炉效率计算模型,得到锅炉效率的模型计算值;分别计算出每个被替换参数对锅炉效率的影响程度,并找出对锅炉效率下降影响最大的参数;
所述实时运行数据包括实时污泥含水率、实时入炉污泥热值、实时污泥掺烧比、实时主蒸汽压力、实时主蒸汽温度、实时主给水温度、实时再热蒸汽压力、实时再热蒸汽温度、实时环境温度、实时入炉煤质平均水分、实时锅炉总煤量、实时锅炉总风量、实时排烟氧量和实时排烟温度;
所述最大影响因素为该实时运行数据的锅炉效率与模型计算值的差值最大;
当实时污泥含水率、实时入炉污泥热值、实时污泥掺烧比为最大影响因素时,标记该数据,形成数据集RL;
S6,将所有被标记的数据RL进行汇总,得到在该负荷下,不建议污泥掺烧比或污泥含水率超出此标准;
S7,机组的运行新数据返回至S2步骤循环计算,增加数据集Pai的数据样本量,提高锅炉效率计算模型精确度;
S8,结束。
与现有技术相比,本发明至少具有以下有益效果:
本发明提供的计算分析污泥掺烧对锅炉效率影响程度的方法可有效指导现场污泥掺烧工作,为现场工作提供理论依据;所述锅炉效率计算模型可根据实际掺烧数据的增加,不断扩充数据库,对其进行优化调整。
附图说明
图1是本发明具体实施方式提供的一种计算分析污泥掺烧对锅炉效率影响程度的方法的流程图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
下面对本发明进一步详细说明。但下述的实例仅仅是本发明的简易例子,并不代表或限制本发明的权利保护范围,本发明的保护范围以权利要求书为准。
作为本发明的一个具体实施方式,提供一种计算分析污泥掺烧对锅炉效率影响程度的方法,其流程图如图1所示。
所述方法包括:
S1,获取机组历史运行数据,形成数据集P;
所述历史运行数据包括锅炉负荷、污泥含水率、入炉污泥热值、污泥掺烧比、锅炉效率、主蒸汽流量、主蒸汽压力、主蒸汽温度、主给水温度、再热蒸汽压力、再热蒸汽温度、环境温度、入炉总燃料量、入炉燃煤热值、锅炉总风量、排烟氧量和排烟温度;
S2,以锅炉负荷为基准,对上述历史运行数据进行排序,锅炉负荷从0依次排至最大负荷,对其依次编号ai,形成数据集Pai;
S3,步骤S2所述数据集Pai以锅炉效率为标签参数,其余的数据作为特征参数,利用BP神经网络计算数据集Pai内各组锅炉效率计算模型;
所述BP神经网络的输入层的输入数据包括主蒸汽流量、主蒸汽压力、主蒸汽温度、主给水温度、再热蒸汽压力、再热蒸汽温度、环境温度、锅炉总煤量、入炉燃煤热值、锅炉总风量、排烟氧量、排烟温度、锅炉负荷、污泥含水率、污泥热值和污泥掺烧比;
所述BP神经网络的隐含层包括隐含一层、隐含二层、隐含三层和隐含四层;
所述BP神经网络的输出层的输出数据为锅炉效率;
S4,以锅炉效率为基准,对步骤S2所述数据集Pai按照锅炉效率进行降序排序,每组数据集内选取前1/20作为各自的最佳样本Qk;
S5,采用机组正常运行的实时运行数据分别逐一地替换最佳样本Qk中对应的参数后,分别带入锅炉效率计算模型,得到锅炉效率的模型计算值;分别计算出每个被替换参数对锅炉效率的影响程度,并找出对锅炉效率下降影响最大的参数;
所述实时运行数据包括实时污泥含水率、实时入炉污泥热值、实时污泥掺烧比、实时主蒸汽压力、实时主蒸汽温度、实时主给水温度、实时再热蒸汽压力、实时再热蒸汽温度、实时环境温度、实时入炉煤质平均水分、实时锅炉总煤量、实时锅炉总风量、实时排烟氧量和实时排烟温度;
所述最大影响因素为该实时运行数据的锅炉效率与模型计算值的差值最大;
当实时污泥含水率、实时入炉污泥热值、实时污泥掺烧比为最大影响因素时,标记该数据,形成数据集RL;
S6,将所有被标记的数据RL进行汇总,得到在该负荷下,不建议污泥掺烧比或污泥含水率超出此标准;
S7,机组的运行新数据返回至S2步骤循环计算,增加数据集Pai的数据样本量,提高锅炉效率计算模型精确度;
S8,结束。
综上所述,本发明提供的计算分析污泥掺烧对锅炉效率影响程度的方法,可有效指导现场污泥掺烧工作,为现场工作提供理论依据;所述锅炉效率计算模型可根据实际掺烧数据的增加,不断扩充数据库,对其进行优化调整。
申请人声明,以上所述仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,所属技术领域的技术人员应该明了,任何属于本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,均落在本发明的保护范围和公开范围之内。
Claims (10)
1.一种计算分析污泥掺烧对锅炉效率影响程度的方法,其特征在于,所述方法包括:
S1,获取机组历史运行数据,形成数据集P;
S2,以锅炉负荷为基准,对上述历史运行数据进行排序,锅炉负荷从0依次排至最大负荷,对其依次编号ai,形成数据集Pai;
S3,步骤S2所述数据集Pai以锅炉效率为标签参数,利用BP神经网络计算数据集Pai内各组锅炉效率计算模型;
S4,以锅炉效率为基准,对步骤S2所述数据集Pai按照锅炉效率进行降序排序,每组数据集内选取前1/20作为各自的最佳样本Qk;
S5,采用机组正常运行的实时运行数据分别逐一地替换最佳样本Qk中对应的参数后,分别带入锅炉效率计算模型,得到锅炉效率的模型计算值;分别计算出每个被替换参数对锅炉效率的影响程度,并找出对锅炉效率下降影响最大的参数;
当实时污泥含水率、实时入炉污泥热值、实时污泥掺烧比为最大影响因素时,标记该数据,形成数据集RL;
S6,将所有被标记的数据RL进行汇总,得到在该负荷下,不建议污泥掺烧比或污泥含水率超出此标准。
2.根据权利要求1所述的方法,其特征在于,步骤S1所述历史运行数据包括锅炉负荷、污泥含水率、入炉污泥热值、污泥掺烧比和锅炉效率。
3.根据权利要求1或2所述的方法,其特征在于,步骤S1所述历史运行数据还包括主蒸汽流量、主蒸汽压力、主蒸汽温度、主给水温度、再热蒸汽压力、再热蒸汽温度、环境温度、入炉总燃料量、入炉燃煤热值、锅炉总风量、排烟氧量和排烟温度。
4.根据权利要求1~3任一项所述的方法,其特征在于,步骤S2所述数据集Pai除锅炉效率外其余的数据作为特征参数。
5.根据权利要求1~4任一项所述的方法,其特征在于,步骤S3所述BP神经网络的输入层的输入数据包括主蒸汽流量、主蒸汽压力、主蒸汽温度、主给水温度、再热蒸汽压力、再热蒸汽温度、环境温度、锅炉总煤量、入炉燃煤热值、锅炉总风量、排烟氧量、排烟温度、锅炉负荷、污泥含水率、污泥热值和污泥掺烧比。
6.根据权利要求1~5任一项所述的方法,其特征在于,步骤S3所述BP神经网络的隐含层包括隐含一层、隐含二层、隐含三层和隐含四层。
7.根据权利要求1~6任一项所述的方法,其特征在于,步骤S3所述BP神经网络的输出层的输出数据为锅炉效率。
8.根据权利要求1~7任一项所述的方法,其特征在于,步骤S5所述实时运行数据包括实时污泥含水率、实时入炉污泥热值、实时污泥掺烧比、实时主蒸汽压力、实时主蒸汽温度、实时主给水温度、实时再热蒸汽压力、实时再热蒸汽温度、实时环境温度、实时入炉煤质平均水分、实时锅炉总煤量、实时锅炉总风量、实时排烟氧量和实时排烟温度。
9.根据权利要求1~8任一项所述的方法,其特征在于,步骤S5所述最大影响因素为该实时运行数据的锅炉效率与模型计算值的差值最大。
10.根据权利要求1~9任一项所述的方法,其特征在于,机组的运行新数据返回至S2步骤循环计算,增加数据集Pai的数据样本量,提高锅炉效率计算模型精确度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310577507.2A CN116702593A (zh) | 2023-05-22 | 2023-05-22 | 一种计算分析污泥掺烧对锅炉效率影响程度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310577507.2A CN116702593A (zh) | 2023-05-22 | 2023-05-22 | 一种计算分析污泥掺烧对锅炉效率影响程度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116702593A true CN116702593A (zh) | 2023-09-05 |
Family
ID=87844301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310577507.2A Pending CN116702593A (zh) | 2023-05-22 | 2023-05-22 | 一种计算分析污泥掺烧对锅炉效率影响程度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702593A (zh) |
-
2023
- 2023-05-22 CN CN202310577507.2A patent/CN116702593A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111030B (zh) | 一种配煤掺烧评价方法及系统 | |
CN105276611B (zh) | 火电厂锅炉燃烧调整优化方法与系统 | |
CN109376945A (zh) | 一种基于多煤种的配煤掺烧优化系统 | |
CN101876449B (zh) | 加热炉内氧量气氛场的控制方法 | |
CN110263452B (zh) | 一种烟道内烟气时间分布特性分析方法、系统及脱硝系统 | |
CN101063872A (zh) | 锅炉氧量优化系统 | |
CN110889638B (zh) | 一种火电厂操作评价方法及相关设备 | |
CN105485714B (zh) | 一种确定锅炉运行氧量的方法、装置及自动控制系统 | |
CN104268433B (zh) | 煤气锅炉运行参数变化引起的机组发电煤耗偏差监测方法 | |
CN112131517B (zh) | 一种垃圾焚烧电厂入炉垃圾低位热值的测算方法 | |
CN111457392B (zh) | 城市生活垃圾焚烧过程风量智能设定方法 | |
CN103208035A (zh) | 机组节能调度优化方法 | |
CN104598761A (zh) | 混烧锅炉运行参数变化对机组发电煤耗影响的分析方法 | |
CN103679549A (zh) | 火电机组节能潜力分析方法 | |
CN105160499B (zh) | 一种火力发电厂的燃料分析系统与方法 | |
CN103823971A (zh) | 一种燃煤电站锅炉烟气含氧量检测方法 | |
CN112664975B (zh) | 一种适用于煤粉锅炉的风量控制方法 | |
CN108021027B (zh) | 一种超临界循环流化床机组输出功率预测系统及方法 | |
CN116702593A (zh) | 一种计算分析污泥掺烧对锅炉效率影响程度的方法 | |
Chong et al. | Prediction of gaseous emissions from a chain grate stoker boiler using neural networks of ARX structure | |
WO2020166126A1 (ja) | Kpi改善支援システム及びkpi改善支援方法 | |
CN112418664B (zh) | 一种基于粒子群算法的分仓组合掺烧方法及系统 | |
Parsa et al. | Combustion efficiency optimization by adjusting the amount of excess air | |
CN115111601A (zh) | 多变负荷下内嵌算法融合的多目标锅炉燃烧优化控制方法 | |
CN113946789B (zh) | 一种实时计算四炉三机垃圾焚烧发电厂垃圾焚烧量的方法 |
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 |