简介:应用有限时间热力学理论和方法(finitetimethermodynamics,FTT)建立了闭式不可逆回热布雷顿热电冷联产(combinedcoolingheatandpower,CCHP)装置模型,导出了装置无量纲可用能率、[火用]输出率、利润率、第一定律效率和[火用]效率的解析式。通过数值计算得到了各个性能指标与压比的关系,优化了压比。分析了设计参数对最优性能的影响,发现回热能够显著增大第一定律效率和[火用]效率;增大压气机和透平效率、压力恢复系数能够增大5个性能指标,但前者使相应压比增大,后者使相应压比减小;增大热电比能够显著增大可用能率和第一定律效率;分别存在最佳的供热温度使5个最优性能指标取得最大值;提高冷库温度能增大可用能率和第一定律效率,但会降低[火用]输出率、娴效率和利润率;通过各个最优性能之间的相互比较发现在实际设计中要选择折衷的方案使装置同时具有较好的热力学性能和经济性能。
简介:由于锅炉设备庞大,运行条件复杂,煤种多变等因素,很难建立锅炉NOx排放与效率的函数模型。利用最小二乘支持向量机(LS—SVM)建立了以锅炉NOx排放与热效率为输出的混合模型,并对此模型进行了校验。结果表明,该模型具有调节参数少、运算速度快、结果稳定、预测精度高等优点,可以根据燃煤特性以及各操作参数准确预报锅炉在不同工况下的NOx排放和效率。针对模型的多目标优化问题,采用多目标粒子群优化算法MOPSO(multipleobjectiveparticleswarmoptimization)对某工况进行优化仿真,在提高效率的同时降低了NOx排放。
简介:燃煤锅炉是复杂的多变量系统,其飞灰的含碳量形成机理复杂,不能用简单的数学公式估算。现场实炉测试这些数据具有工作量大,测试工况有限等缺点;燃煤锅炉运行参数及燃料特性等因素影响着飞灰的含碳量,其相互耦合,导致分析数据过程困难。神经网络建模将燃煤锅炉视为黑箱,应用该方法可以良好的描述其输入输出之间的黑箱特性,因此,人工神经网络应用广泛。利用燃煤锅炉试验数据,采用3层BP(backpropagation)神经网络构建了锅炉飞灰的含碳量排放特性模型。通过锅炉的实测数据验证,该BP神经网络对飞灰含碳量相对预测误差在0.19%~0.50%,预测效果良好。测试结果表明,建立的神经网络预测模型可以准确逼近验证样本数据,也能够较好的逼近非验证样本数据,具有良好的泛化能力。