基于贝叶斯网络的脱硫烟尘协同控制集成设计系统

doi:10.11930/j.issn.1004-9649.201606172

中国电力 ›› 2017, Vol. 50 ›› Issue (9): 129-134.DOI: 10.11930/j.issn.1004-9649.201606172

基于贝叶斯网络的脱硫烟尘协同控制集成设计系统

王艺霏

中国大唐集团科学技术研究院有限公司火力发电技术研究所,北京 102206

收稿日期:2017-06-07 出版日期:2017-09-25 发布日期:2017-09-11
作者简介:王艺霏（1986—）,女,吉林长春人,硕士,工程师,从事智能算法在火电厂应用研究。E-mail: wangyifei@cdt-kxjs.com

The Integrated Design Technology for Simultaneous Dust Control and Desulfurization System Based on Bayes Network Model

WANG Yifei

Department of Thermal Power Generation Technology Research, China Datang Corporation Science and Technology Research Institute, Beijing 102206, China

Received:2017-06-07 Online:2017-09-25 Published:2017-09-11

摘要/Abstract

摘要： 利用理论和数据分析找到影响脱硫系统协同除尘能力的脱硫系统参数,建立贝叶斯网络模型,并收集大量采用脱硫协同除尘技术机组的脱硫系统设计及运行参数训练模型。该模型量化了不同脱硫参数对烟尘脱除能力的影响程度。研究将该算法模型集成至烟尘协同控制设计系统中,用于指导未来燃煤机组烟尘协同控制改造,解决脱硫系统烟尘协同脱除技术在实际应用中存在的烟尘排放不达标问题。该系统成功应用于大唐集团多台燃煤机组超低排放改造项目中,改造后烟囱入口烟尘排放浓度达到了预期设计目标,实现了烟尘长期稳定达标排放。

关键词: 燃煤机组, 烟尘控制, 脱硫, 集成系统

Abstract: Based on the theoretical and data analysis, this paper finds out the design and operation parameters of the desulfurization system capable of removing the dust simultaneously, then builds up the Bayes Network Model and trains the model with a large number of the design and operation data collected from the units adopting simultaneous dust removal and desulfurization technology. The model quantifies the impacts of desulfurization parameters on dust removal efficiency and is integrated into the design system to conduct future reconstruction for dust simultaneous control, and solve the problem of excessive dust emission in the applications of the desulfurization system with simultaneous dust removal technology in coal fired power plants. The integrated design system has been successfully used in several coal fired power plant of China Datang Corporation. After reconstruction, the dust emissions at the inlet of the chimney have met the designed target and been stabilized for long term.

Key words: coal fired power plant, dust removal control, desulfurization, integrated system

中图分类号:

TK39
TM621

王艺霏. 基于贝叶斯网络的脱硫烟尘协同控制集成设计系统[J]. 中国电力, 2017, 50(9): 129-134.

WANG Yifei. The Integrated Design Technology for Simultaneous Dust Control and Desulfurization System Based on Bayes Network Model[J]. Electric Power, 2017, 50(9): 129-134.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.electricpower.com.cn/CN/10.11930/j.issn.1004-9649.201606172

https://www.electricpower.com.cn/CN/Y2017/V50/I9/129

参考文献

[1] 朱法华. 燃煤电厂烟气污染物超低排放技术路线的选择[J]. 中国电力,2017,50（3）：11-16.
ZHU Fahua. Methodologies on choosing appropriate technical route for ultra low emission of flue gas pollutants from coal-fired power plants [J]. Electric Power, 2017, 50(3): 11-16.
[2] 黄茹,马德彭,莫华,等. 基于CFB-FGD技术的烟气超低排放工程性能测试评估[J]. 中国电力,2017,50（3）：17-21.
HUANG Ru, MA Depeng, MO Hua, et al . Testing and assessment on performance of flue gas ultra low emission based on CFB-FGD technology [J]. Electric Power, 2017, 50(3): 17-21.
[3] 曾令可,牛艳鸽,刘涛,等. 湿法烟气脱硫除尘一体化技术[J]. 中国陶瓷工业,2009,16(1)：39-41.
ZENG Lingke, NIU Yange, LIU Tao, et al . The integrated wet flue gas desulfurization and dust separation technology [J]. China Ceramic Industry, 2009, 16(1): 39-41.
[4] 霍利民,朱永利,范高峰,等. 一种基于贝叶斯网络的电力系统可靠性评估新方法[J]. 电力系统自动化,2003,27（5）：36-40.
HUO Limin, ZHU Yongli, FAN Gaofeng, et al . A new method for reliability assessment of power system based on Bayeslan networks[J]. Automation of Electric Power Systems, 2003, 27(5): 36-40.
[5] 冯金煌,陈活虎. 脱硫喷淋塔除尘的影响因素及效果分析[J]. 环境工程,2010,28（3）：70-84.
FENG Jinhuang, CHEN Huohu. Analysis of dedusting influencing factors and effect of sprayer in desulphurization system[J]. Environmental Engineering, 2010, 28(3): 70-84.
[6] 岳焕玲,原永涛,宏哲. 石灰石-石膏湿法烟气脱硫喷淋塔除尘机理分析[J]. 电力环境保护,2006,22（6）：13-15.
YU Huanling, YUAN Yongtao, HONG Zhe. Analysis of dust removal mechanism in sprayer of limestone/gypsum wet flue gas desulfurization system[J]. Electric Power Environmental Protection, 2006, 22(6): 13-15.
[7] 夏力伟,张学锁,梁会友,等. 脱硫协同除尘技术在大型火电机组中的应用研究[J]. 中国高新技术企业,2016（12）：83-85.
[8] DAVID H. A tutorial on learning with Bayesian networks, in learning in graphical [M]. Cambridges MIT Press: 1997.
[9] MURPHY K. A brief introduction to graphical models and Bayesian networks [EB/OL]. [2017-01-05]. http://www.cs.ubc.ca/~murphyk/Bayes/bnintro.html.
[10] 郑慧萌,刘卫东,肖承地,等. 基于贝叶斯网络的硬件产品设计缺陷评估[J]. 计算机工程与应用,2016,52（19）：228-233.
ZHENG Huimeng, LIU Weidong, XIAO Chengdi, et al . Assessment of hardware product design defects using Bayesian networks[J]. Computer Engineering and Applications, 2016, 52(19): 228-233.
[11] FRIEDMAN N, GOLDSZMIDT M. Learning Bayesian networks with local structure[C]// Proceedings of the 12 th conference on uncertainty in artificial intelligence. Portland, August 1-4, 1996.
[12] 张孝远,张新萍,苏保平. 基于最小最大核 K 均值聚类算法的水电机组振动故障诊断[J].电力系统保护与控制,2015,43（5）：27-34.
ZHANG Xiaoyuan, ZHANG Xinping, SU Baoping. Vibrant fault diagnosis for hydro-turbine generating unit using minmax kernel K-means clustering algorithm[J]. Power System Protection and Control, 2015, 43(5): 27-34.
[13] 周志华. 机器学习[M]. 北京：清华大学出版社,2016：198-200.
[14] 蔡娜,王俊英,刘惟一. 一种基于小数据集的贝叶斯网络学习方法[J]. 云南大学学报（自然科学版）,2007,29（4）：359-363.
CAI Na, WANG Junying, LIU Weiyi. An approach to learning Bayesian networks from small data set[J]. Journal of Yunnan University(Natural Sciences Edition), 2007, 29(4): 359-363.
[15] 王双成,冷翠平,李小琳. 小数据集的贝叶斯网络结构学习[J]. 自动化学报,2009,35（8）：1063-1070.
WANG Shuangcheng, LENG Cuiping, LI Xiaolin. Learning Bayesian network structure from small data set[J]. Acta Autornatica Sinica, 2009, 35(8): 1063-1070.
[16] Ethem Alpaydin. 机器学习导论[M]. 范明,译. 北京：机械工业出版社,2015.

基于贝叶斯网络的脱硫烟尘协同控制集成设计系统

The Integrated Design Technology for Simultaneous Dust Control and Desulfurization System Based on Bayes Network Model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	刘东旭, 张潇元, 马青, 冯前伟, 杜振. 燃煤机组SO₃生成与控制技术路线分析[J]. 中国电力, 2024, 57(6): 235-242.
[2]	姜龙, 程亮, 李金晶, 李庆. 燃煤电厂湿法脱硫浆液品质及喷淋层运行状况定量评价[J]. 中国电力, 2023, 56(11): 217-225, 235.
[3]	赵宁, 冯永新, 林廷坤, 杨青山, 谢志文. 脱硫废水旋转喷雾蒸发与旁路烟道蒸发特性研究[J]. 中国电力, 2022, 55(7): 193-200.
[4]	刘毅. 燃煤电厂烟气中SO₃排放控制中试研究[J]. 中国电力, 2022, 55(7): 201-208.
[5]	杜振, 张成, 朱跃. 超低排放机组双塔双循环脱硫系统能耗物耗特性分析[J]. 中国电力, 2022, 55(6): 208-214.
[6]	张国柱, 张钧泰, 文钰, 杨凯旋, 刘明, 刘继平. 燃煤机组烟气余热及水回收系统变工况特性和调控策略[J]. 中国电力, 2022, 55(4): 214-220.
[7]	刘志坦, 姚杰, 庄柯, 喻乐蒙, 周凯. 燃气轮机与燃煤机组SCR脱硝催化剂特性比较[J]. 中国电力, 2021, 54(6): 145-152.
[8]	杜振, 王志东, 江建平, 朱跃. 湿法脱硫系统PM_2.5排放特性分析[J]. 中国电力, 2021, 54(6): 153-158.
[9]	李飞. 旋转雾化蒸发技术对脱硫废水和烟气的适应性研究[J]. 中国电力, 2021, 54(4): 213-220.
[10]	徐遵义, 刘文慧, 张旭冉, 张海燕. 基于数据驱动的浆液循环泵运行优化研究[J]. 中国电力, 2021, 54(3): 197-204.
[11]	李飞, 陈海杰, 刘峰均, 谷小兵, 车广民, 白玉勇, 杨林军. 脱硫废水旋转喷雾蒸发特性实验研究[J]. 中国电力, 2021, 54(1): 188-195.
[12]	杨阳, 胡大龙, 黄倩, 许臻, 王璟, 吴火强, 王博. 火电厂废水排放控制政策法规与技术路线综述[J]. 中国电力, 2020, 53(8): 131-138.
[13]	贾西部. 石灰石-石膏湿法脱硫废水排放量深度解析[J]. 中国电力, 2020, 53(8): 139-144,163.
[14]	王晋权, 赵周明, 张志华. 低温余热闪蒸脱硫废水处理系统设计及应用[J]. 中国电力, 2020, 53(8): 151-157,181.
[15]	刘文慧, 徐遵义, 张旭冉, 张海燕. 基于互信息和PCA理论的湿法烟气脱硫工况特征提取方法[J]. 中国电力, 2020, 53(8): 158-163.

模态框（Modal）标题

基于贝叶斯网络的脱硫烟尘协同控制集成设计系统

The Integrated Design Technology for Simultaneous Dust Control and Desulfurization System Based on Bayes Network Model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics