大型火力发电机组脱硫系统的烟气换热器(gas gas heater,GGH)容易积垢堵塞,严重影响锅炉的安全运行,必须对其进行清洗除垢。为此,介绍了清洗火电厂脱硫系统GGH的专用化学WP-T04清洗剂的清洗原理、清垢方法、清洗工艺,并以静态、动态试...大型火力发电机组脱硫系统的烟气换热器(gas gas heater,GGH)容易积垢堵塞,严重影响锅炉的安全运行,必须对其进行清洗除垢。为此,介绍了清洗火电厂脱硫系统GGH的专用化学WP-T04清洗剂的清洗原理、清垢方法、清洗工艺,并以静态、动态试验验证清洗剂的清洗效果,以腐蚀试验说明清洗剂对脱硫装置无腐蚀作用。该清洗方法在广东某火电厂的应用取得良好效果。展开更多
针对石灰石-石膏湿法烟气脱硫系统(wet flue gas desulfurization, WFGD)工作过程中浆液pH难以精准测量、不利于WFGD作业的问题,建立一种基于双向门控循环单元的脱硫系统pH预测模型。首先,对原始数据进行清洗和归一化处理;其次,基于最...针对石灰石-石膏湿法烟气脱硫系统(wet flue gas desulfurization, WFGD)工作过程中浆液pH难以精准测量、不利于WFGD作业的问题,建立一种基于双向门控循环单元的脱硫系统pH预测模型。首先,对原始数据进行清洗和归一化处理;其次,基于最大信息系数分析得出13个特征值为输入变量,pH为输出变量,并建立浆液pH模型;最后,运行模型,并对结果进行评价。研究结果显示,与长短期记忆和门控循环相比,所选用的数学模型的平均绝对误差分别下降了11.95%、24.92%,均方根误差分别下降了10.64%、19.49%,决定系数分别提高了1.79%、3.08%。表明基于双向门控循环单元的pH预测模型具有较高的精确度和稳定性,具有工程应用价值,为现有脱硫塔pH预测模型提供了工程参考。展开更多
针对复杂化工过程非平稳性、事件驱动性导致的关键指标参数难以精确软测量的问题,提出了一种事件驱动的深度信念网络(event-driven deep belief network,EDDBN)软测量模型设计方法。首先,获取化工过程运行数据并搭建深度信念网络(driven...针对复杂化工过程非平稳性、事件驱动性导致的关键指标参数难以精确软测量的问题,提出了一种事件驱动的深度信念网络(event-driven deep belief network,EDDBN)软测量模型设计方法。首先,获取化工过程运行数据并搭建深度信念网络(driven deep belief network,DBN)模型,以数据驱动的方式对DBN模型进行训练,获得基于DBN的软测量模型。其次,根据DBN模型的训练误差变化特性定义事件,当积极事件发生时会加速当前模型参数的学习步长,当消极事件发生时会跳过当前数据样本并直接进入下一时刻的数据样本学习。这种事件驱动的选择性学习策略不仅能够有效地优化软测量模型训练过程,而且还能降低计算复杂度。同时,通过构造基于马尔可夫链的动态学习过程,分析任意连续两次事件对应输出性能势之差的有界性,给出了EDDBN训练过程的收敛性分析。最后,将EDDBN软测量模型用于湿法烟气脱硫系统二氧化硫(SO_(2))浓度软测量实验,结果表明所提出的EDDBN软测量模型能够在非平稳运行工况下实现对SO_(2)浓度快速、精确地预测分析,并且计算复杂度在数据集(1)和数据集(2)上分别降低约63.83%和63.33%。展开更多
文摘大型火力发电机组脱硫系统的烟气换热器(gas gas heater,GGH)容易积垢堵塞,严重影响锅炉的安全运行,必须对其进行清洗除垢。为此,介绍了清洗火电厂脱硫系统GGH的专用化学WP-T04清洗剂的清洗原理、清垢方法、清洗工艺,并以静态、动态试验验证清洗剂的清洗效果,以腐蚀试验说明清洗剂对脱硫装置无腐蚀作用。该清洗方法在广东某火电厂的应用取得良好效果。
文摘针对石灰石-石膏湿法烟气脱硫系统(wet flue gas desulfurization, WFGD)工作过程中浆液pH难以精准测量、不利于WFGD作业的问题,建立一种基于双向门控循环单元的脱硫系统pH预测模型。首先,对原始数据进行清洗和归一化处理;其次,基于最大信息系数分析得出13个特征值为输入变量,pH为输出变量,并建立浆液pH模型;最后,运行模型,并对结果进行评价。研究结果显示,与长短期记忆和门控循环相比,所选用的数学模型的平均绝对误差分别下降了11.95%、24.92%,均方根误差分别下降了10.64%、19.49%,决定系数分别提高了1.79%、3.08%。表明基于双向门控循环单元的pH预测模型具有较高的精确度和稳定性,具有工程应用价值,为现有脱硫塔pH预测模型提供了工程参考。
文摘针对复杂化工过程非平稳性、事件驱动性导致的关键指标参数难以精确软测量的问题,提出了一种事件驱动的深度信念网络(event-driven deep belief network,EDDBN)软测量模型设计方法。首先,获取化工过程运行数据并搭建深度信念网络(driven deep belief network,DBN)模型,以数据驱动的方式对DBN模型进行训练,获得基于DBN的软测量模型。其次,根据DBN模型的训练误差变化特性定义事件,当积极事件发生时会加速当前模型参数的学习步长,当消极事件发生时会跳过当前数据样本并直接进入下一时刻的数据样本学习。这种事件驱动的选择性学习策略不仅能够有效地优化软测量模型训练过程,而且还能降低计算复杂度。同时,通过构造基于马尔可夫链的动态学习过程,分析任意连续两次事件对应输出性能势之差的有界性,给出了EDDBN训练过程的收敛性分析。最后,将EDDBN软测量模型用于湿法烟气脱硫系统二氧化硫(SO_(2))浓度软测量实验,结果表明所提出的EDDBN软测量模型能够在非平稳运行工况下实现对SO_(2)浓度快速、精确地预测分析,并且计算复杂度在数据集(1)和数据集(2)上分别降低约63.83%和63.33%。
