Test signals for NOx emission identification of coal boiler

• Autorzy: Lichota J. , Sąsiadek J.

Warianty tytułu

PL

Sygnały testowe do identyfikacji emisji NOx z kotla węglowego

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono dane pomiarowe, które zostały zastosowane do nauczenia sztucznej sieci neuronowej przewidywania emisji dwutlenku azotu oraz tlenku węgla z kotła OP-650. Obejmują one: strumienie powietrza do młynów 1...5 (0 32.84 m3u/h), całkowity strumień powietrza do kotła (246.35 664.38 m3u/h), strumienie powietrza do palników UG11...UG54 (0.40 29.54 m3u/h), strumień spalin za wentylatorem WR1 (8.58 60.10 m3u/h), strumienie powietrza do dysz OFA - z przodu, z tyłu, z lewej i prawej strony (7.07 37.26 m3u/h), całkowita ilość powietrza do kotła (0 319.35 t/h), strumień wody zasilającej kocioł (0 314.83 t/h), strumień pary świeżej (27.17 665.96 t/h), temperaturę spalin za ECO po prawej i lewej stronie (258.21 401.69 C), temperaturę powietrza przed podgrzewaczem powietrza LP1 oraz LP2 (20.71 30.56 C), temperaturę powietrza na wlocie do kotła (42.63 58.49 C), prędkości podajników węgla LW01...LW05 (0 79.84 %), zawartość tlenu w spalinach za ECO po prawej i lewej stronie (1.67 20.44 %), położenie zasów wentylatorów spalin WS1 oraz WS2 (15.82 59.78 %), różnicę w położeniu zasów wentylatorów (2.53 7.42 %), ciśnienie spalin recyrkulacyjnych za wentylatorem WR1 (-0.14 0.15 MPa), moc elektryczną brutto generatora (0 221.08 MW), emisję NOx (0 679.28 mg/m3u), emisję CO (5.17 123.72 mg/m3u). Podstawowe sygnały stanowiły zmiany prędkości podajników węgla. Zostały one dobrane w ten sposób, aby zbadać nieliniowe własności kotła w kilku punktach. Własności dynamiczne kotła zawarte w sieci neuronowej mogą zostać wykorzystane do budowy neuronowego regulatora spalania. Zaproponowano wskaźniki oceny jakości regulatora neuronowego: emisję NOx, emisję CO, zawartość węgla w popiołach, różnicę temperatur pary, temperaturę pary świeżej, temperaturę spalin wylotowych oraz stężenie O2 przy ścianach membranowych.

EN

This paper presents real test signals used to identify neural network boiler model parameters. The obtained model can be used to control NO2 and CO emission. The method was tested for OP-650 power boiler installed in Dolna Odra Power Plant Station. It has been demonstrated that the neural network model properly predicts NO2 and CO emission.

Słowa kluczowe

PL

redukcja emisji NOx; redukcja emisji CO; metoda identyfikacji; kocioł grzewczy; sztuczne sieci neuronowe

EN

NOx emission reduction; CO emission reduction; identification methods; power boiler; artificial neural networks

• Wydawca: KAPRINT
• Czasopismo: Rynek Energii
• Rocznik: 2006
• Tom: nr 6
• Strony: 59--67
• Opis fizyczny: Bibliogr. poz. 12, tab., rys.

Twórcy

autor

Lichota J.

autor

Sąsiadek J.

• Politechnika Wrocławska, Instytut Techniki Cieplnej i Mechaniki Płynów, Wybrzeże Wyspiańskiego 27, 50-370 Wrocław,

Bibliografia

• [1] Chong A.Z.S., Wilcox S.J., Ward J.: Prediction of gaseous emissions from a chain grate stoker boiler using neural networks of ARX structure, IEE Proc.-Sci. Meas. Technol., Vol. 148, No. 3, 2001.
• [2] Chong A.Z.S., Wilcox S.J., Ward J.: Neural network models of the combustion derivatives emanating from a chain grate stoker fired boiler plant, Institution of Electrical Engineers, IEE, Savoy Place, London, 2000.
• [3] Dyjakon A., Głąbik R., Lichota J., Wiśniewski T., Tomczuk K.: Analiza przeprowadzonych w Elektrowni Dolna Odra kompleksowych modernizacji bloków 1,2,5-8 z określeniem dalszych potrzeb modernizacyjnych według najnowszych trendów rozwojowych energetyki, Raporty Inst. Tech. Ciepl. PWroc. 2004 Ser. SPR nr 18.
• [4] Hao Zhoun, Kefa Cen, Jianren Fan: Multi-objective optimization of the coal combustion performance with artificial neural networks and genetic algorithms, International journal of energy research, 2005, 29:499–510, Wiley InterScience.
• [5] Jankowska A.: Neural models of air pollutants emission inpower units combustion processes, konferencja Artificial Intelligence Methods AI-METH 2003, październik 5-7, Gliwice.
• [6] Kruczek S.: Kotły, Oficyna Wydawnicza Politechniki Wrocławskiej, 2001.
• [7] Li K., Thompson S.: A Cascaded Neural Network and Its Application to Modelling Power Plant Pollutant Emission, Proceedings of the 3d World Congress on Intelligent Control and Automation June 28-July 2,2000, Hefei, P.R. China.
• [8] Li K.: A New Input Selection Method for Neural Modeling of - Nonlinear Complex Systems, Proceedings of the 5m World Congress on Intelligent Control and Automation, June 15-19, 2004, Hangzhou. PR China
• [9] Lichota J., Przygodzki P.: Identyfikacja emisji tlenków azotu i węgla w kotle OP-650 za pomocą sztucznych sieci neuronowych, Rynek Energii 2005 nr 5 s. 58-66.
• [10] Matsumoto H., Ohsawa Y., Takahasi S., Akiyama T., Ishiguro 0.: An expert system for startup optimization of combined cycle plants under NOx emission regulation and machine life management, IEEE Transactions on Energy Conversion, Vol. 11, No. 2, June 1996.
• [11] Swidenbank E., Garcia J.A., Flynn D., Raplin J.L.: On-line optimization and monitoring of power plant performance through moachine learning techniques, UKACC International Conference on CONTROL ’98, 1-4 September 1998, Comference publication No. 455, IEE 1998.
• [12] Ćojbašić Ž., Stephan V., Gross H.-M., Wernstedt J.: Intelligent control of complex combustion processes, Mechanical Engineering Vol. 1, No 10, 2003, pp. 1393 – 1406.