从流化床燃烧烟气排放数据的分析利用自组织映射

文摘

高效的燃料燃烧排放较低水平已成为一个要求高的任务在现代发电厂,和需要新的工具来诊断他们的能源生产。这项研究的目标是找到流程变量之间的依赖关系和气体排放的浓度组件,创建多元非线性模型描述他们在这个过程中形成。首先,创建一个通用的流程模型通过使用一个自组织映射,这是集群的k - means算法创建子集代表的不同状态的过程。典型,这些进程状态可能包括高-和低负载情况下和过渡状态,负载增加或减少。然后排放模型构建的整个过程和流程状态的锅炉高负荷。主要结论是,所使用的方法是能够揭示这种现象发生过程中的状态和,否则难以观察。

1。介绍

国际努力减少有害排放过程,如氮氧化物()、二氧化硫(),一氧化碳(CO),越来越多地影响能源的生产。例如,加强环境立法(1)和燃料价格的上涨增加了燃烧过程的效率要求。尽管如此,有效的燃料燃烧排放较低的是发电厂越来越困难。提升电力价格的压力造成了一个额外的挑战,因为制片人被迫寻找更便宜的燃料的低质量,如浪费,回收燃料或劣质煤。当涉及到减少排放,这些燃料都极具挑战性。

有几个不同的气体排放组件对环境和人类有害的影响。例如,,虽然不被认为是一种温室气体,会造成酸沉降物和参与光化学烟雾的形成和臭氧在大城市2]。二氧化硫有可能破坏植被和酸化淡水资源(3]。一氧化碳是一种有毒气体,对人类构成威胁4)和环境(5),也经常与二氧化碳含量的增加,这是一种温室气体。

幸运的是,从燃烧过程中收集的数据可能包括基本信息流程的性能和不同的现象影响形成的排放和燃烧的能源效率。这些信息可以通过使用适当的数据挖掘方法提取。如果使用和解释在一个适当的方法,这些信息是很有价值的分析和优化的过程。因此,它是合理开发这样的数据分析方法,可以应对新的挑战在生产的能量。

自组织映射(SOM) [6)最初是在1980年代初由Kohonen。此后,利用自组织映射算法不同的目的产生了多样化的应用范围。SOM被用在许多不同的实际应用,包括探索性数据分析、模式识别、语音分析、工业和医疗诊断、机器人技术和仪器,甚至控制(6,7]。此外,Kasslin et al。8)和Alhoniemi et al。9]介绍了SOM-based应用在许多工业过程监测和建模用例。

SOM提供了一个很好的平台,许多不同的智能应用程序(10- - - - - -17]。此外,一些我们的最近的研究(11,18- - - - - -20.表明SOM的力量在流化床燃烧过程的建模。这些贡献提供一个相对较大的各种各样的应用程序相关的流程建模,包括,例如,建模和识别的过程,排放建模、甚至变量选择和优化。在本文中,我们扩展的方法(20.)的分析建模的其他气体排放循环流化床电厂。

2。流程和数据

流化床燃烧发电技术是一种广泛使用。设计过程主要是燃烧的固体燃料,如煤或生物质。传统的循环流化床锅炉(见图1),或者一个循环流化床,组成燃烧室,分离器,恢复腿部循环床颗粒。床材料是由砂、灰,一些硫捕捉材料。从燃烧过程中烟气二氧化硫去除是可能的,例如,通过添加石灰石在床上,这被认为是最重要的优势之一流化床燃烧(21]。怜床材料的混合物的主要燃烧空气从底部的室。

在循环流化床床颗粒与烟气一致的运动因为高流化速度。粒子推进通过燃烧室分离器,大颗粒提取和转回室。同时,细颗粒分离的周期。在循环流化床锅炉燃烧特征温度和850之间。循环流化床的优点包括多燃料燃烧、低排放由于温度相对较低,脱硫在燃烧,这意味着不需要额外的清洁系统的硫排放。在早期阶段减少排放燃烧室的主要原因之一是采用流化床燃烧概念(22]。

最初的过程数据平均15分钟的决议。中使用的数据矩阵建模包括10 000行38列中的变量。

3所示。方法

自组织映射中使用了分析过程的排放。数据处理阶段和结果呈现在图2。锅炉高负荷的面积是最好选择分析,因为它提出了燃烧过程的典型情况。

3.1。自组织映射(SOM)

常用的自组织映射(SOM) [6)映射n维向量输入节点,或神经元举个例子,在一个二维晶格,或者地图。神经元的地图描述了输入数据,统计数据的变化和原始数据的拓扑组织维护的SOM通过连接的输入向量分享共同的特征相同或相邻的神经元。地图的大小可以根据应用程序不同;更大的地图,出现更多细节。相比之下,一个小地图可以选择,以确保一个适当的泛化能力。

SOM涉及一个无监督的学习过程。首先,参考向量随机初始化使用均匀分布的限制是由输入数据。在学习过程中,输入向量分类先后为最佳匹配单元,BMU年代,在地图上。BMU神经元的参考向量最小的n维欧几里得距离输入向量。与此同时,最近的邻居BMU被激活的,根据社区功能(如高斯分布)。最终所有激活神经元的参考向量更新。

总之,SOM的培训包括以下阶段:(1)初始化地图,(2)找到BMU输入向量,利用欧氏距离,(3)移动的参考向量BMU对输入向量,(4)移动的参考向量邻近的神经元对输入向量,(5)重复步骤(2)-(4)所有输入向量先后,(6)重复步骤(2)-(5)通过使用一个较小的学习速率因子(微调),(7)找到最后BMUs输入向量。

SOM工具箱(23)是用于分析在Matlab下(7.6版)软件(美国马Mathworks公司,纳蒂克,2008)平台。SOM的参数和地图的大小是由实验测试。线性初始化,批量训练算法(24),和一个高斯社区功能被用于训练。通过使用Matlab,批处理计算版本的SOM明显快于基本的SOM (23,24),因此更适用于工业过程参与大型数据集。地图是教10世纪,最初的社区有价值的6。

3.2。k - means聚类

k - means(25)是一个所谓partitional聚类算法(26基于平方误差的计算。k - means聚类算法,其中最流行的,因为它很容易实现。阶段的算法如下:(1)定义k集群中心和分配k随机数据向量,(2)地址的每个数据向量集群最相似集群中心,(3)更新聚类中心新会员,(4)如果不满足收敛条件,转到步骤(2)。例如,可以使用最小平方误差下降停止迭代。

最优数量的集群可以使用Davies-Bouldin指数(由27]。因此,先天的最优的知识集群结构是不必要的。

4所示。结果

4.1。通用模型和过程状态

一个自组织映射创建16个神经元获得通用流程模型。排放模型图3涉及到使用的整个数据集的识别过程之前。图中的标记代表SOM的神经元,绘制在一个二维的空间中对其变量组件中显示坐标轴。

建模后,进程状态的高、中、低锅炉负荷被确定。这是通过集群的参考向量与k - means算法,16 SOM呈现在图4。可以看到,在这种情况下,边界通过集群似乎遵循汽流的程度,也就是说,锅炉负荷。

4.2。高功率的流程状态

对于排放模型,SOM拥有14神经元中创建的流程状态高蒸汽流量。排放模型有限公司,提出了数据5(一个),5 (b),5 (c),分别。在数据6(一),6 (b),6 (c),每个发射组件是作为床温度的函数,和颜色规模表明床温度的偏差。这些数字代表的标记神经元的SOM,绘制在一个二维空间的尊重他们的变量组件中显示坐标轴。数据7(一)和7 (b)说明了内容的烟气流化床温度的函数和总石灰岩流,分别。颜色刻度表示炉内温度偏差的中间水平。

5。讨论

以前,SOM一直被认为是视觉和功能方法任务与过程监控、诊断和优化的循环流化床锅炉11,18- - - - - -20.]。本文的结果支持我们的早期发现。一起,SOM和k - means提供一个简单的和视觉诊断燃烧过程的方法。此外,结果表明,该方法可用于定义进程状态,说明他们以用户友好的方式。作为一个整体,它是有用的监测过程的状态,因为他们提供补充信息的操作能源植物和不同发射组件的形成。

减少有害排放可以是一个困难的任务在流化床能源植物,特别是因为他们使用非齐次燃料改变质量,如煤炭、树皮或生物量。这项研究的结果反映了问题的复杂性。图2表示排放的建模的难度。一氧化碳是唯一发射组件,可以建模容易没有在不同的进程状态的信息。

使用的方法可以进行深度诊断排放的形成。也许最重要的结论可以从图4是,发射率最低的地区差异彼此在高功率的流程状态。情况相对较低的和排放在地图上可以找到,但这些地区也以一个相对高浓度的有限公司。这将导致妥协排放的最小化。

在对一氧化氮(见图6(一)),最明显的因素参与其形成的高功率是床的温度;然而,还不清楚的关系对通用流程模型(见图3(一个))。看来,尽管如此,浓度增加时,床上的不稳定温度(见图6(一))。此外,一个重要的观察是,烟气含量可以减少高达10%(27毫克/)通过优化过程。

较高的床温度似乎倾向于减少烟气(见公司的数据3 (b)和6 (b))。在这方面,CO排放行为相反的排放。然而,床温度的偏差的影响在公司和相似浓度:稳定床温度通常更喜欢这些排放的减少。甚至高达18%(3毫克/)减少公司可以通过优化过程。

图6 (c)表明的形成可以减少流程状态的高功率高床温度;然而,似乎有情况浓度变得突然在更高的温度高。一般来说,看来的形成是一个更复杂的问题比其他发射组件进行了研究。

图7(一)表明高偏差的中间水平炉解释了高浓度的温度在床的温度就越高。然而,图7 (b)表明,一定程度的石灰岩应该保持保持流动浓度低于300 mg /。可能有的,燃料的硫含量的变化可以影响极大的形成二氧化硫在这个过程中,这可以解释高的偏差浓度较高的床的温度。

在更一般水平,结果表明,数据分析方法可以很好的在这种情况下,需要处理大量的数据快速诊断过程排放。此外,数据样本聚类到子类别,或过程,提供了附加价值和额外的排放模型的准确性。此外,揭示非线性方法的能力和多元互动是一个主要的优势。由于这些原因,分析方法是一种强大的首选工业过程建模。

6。结论

解决一些环境问题目前正在寻找。很明显,在未来能源植物也能产生能量较小数量的有害,气体排放。诊断的方法提供了一个富有成效的方法流程和提供新的可能性的分析过程排放在不久的将来。

例如,目前只有少数气体排放组件都包含在国际排放贸易。尽管如此,全球排放法规越来越严格,由于日益增长的利益在不同的环境问题。随着新的排放类型将被添加到在未来交易的排放,该方法可用于发射成本建模后适当的成本函数的定义。或者,可以使用更通用的流程优化的方法,例如,优化的总利润在流化床锅炉产生蒸汽。

引用

1. 指令2009/29 / EC的欧洲议会和理事会2009年4月23日修改指令2003/87 / EC,提高和扩展社区的温室气体排放限额交易计划。欧洲委员会,2009年。
2. r . Zevenhoven p Kilpinen et al .,“控制污染物的烟气和燃料气体,”报告TKK-ENY-4、实验室的能源工程与环境保护、赫尔辛基技术大学埃斯波,芬兰,2002年,http://users.abo.fi/rzevenho/gasbook.html。视图:谷歌学术搜索
3. j . n .角、d·福勒和a·戴维森”生态效应的二氧化硫、氟化物和小空气污染物:最近的趋势和研究的需求,”国际环境卷,29号2 - 3、201 - 211年,2003页。视图:出版商的网站|谷歌学术搜索
4. m·j·a . Raub Mathieu-Nolf: b .芬和s r·托姆一氧化碳poisoning-a公共卫生的角度来看,“毒理学,卷145,不。1、1 - 14,2000页。视图:出版商的网站|谷歌学术搜索
5. d . Schwela”,城市空气污染和健康。”评论环境卫生,15卷,不。1 - 2,13-42,2000页。视图:谷歌学术搜索
6. t . Kohonen自组织映射施普林格,柏林,德国,2001年。
7. m . Oja s Kaski, t . Kohonen”书目的自组织映射(SOM)论文:1998 - 2001附录,”神经计算调查,3卷,页1 - 156,2002。视图:谷歌学术搜索
8. m . Kasslin j .好的,o . Simula“流程状态监测使用自组织映射”人工神经网络2,即亚历山大·j·泰勒,Eds。,卷。1,North-Holland, Amsterdam, The Netherlands, 1992.视图:谷歌学术搜索
9. e . Alhoniemi j . Hollmen o . Simula, j . Vesanto”使用自组织映射过程监测和建模,”集成计算机辅助工程》第六卷,没有。1,3 - 14,1999页。视图:谷歌学术搜索
10. j . Abonyi s Nemth c Vincze, p . Arva”过程分析和产品质量评估通过自组织映射应用聚乙烯生产,”计算机在工业领域,52卷,不。3、221 - 234年,2003页。视图:出版商的网站|谷歌学术搜索
11. m·嘉尼•海基宁t . Hiltunen m . Liukkonen A . Kettunen r . Kuivalainen y Hiltunen,”一个流化床电厂、建模和优化系统”专家系统与应用程序,36卷,不。7,10274 - 10279年,2009页。视图:出版商的网站|谷歌学术搜索
12. m·嘉尼•海基宁h . Poutiainen m . Liukkonen t·嘉尼•海基宁和y Hiltunen”SOM-based减法分析活性污泥处理厂的处理数据,”学报第六届国际会议上数学建模(MATHMOD ' 09),即Troch和f . Breitenecker Eds。,Vienna University of Technology, Vienna, Austria, 2009.视图:谷歌学术搜索
13. S.-L。Jamsa-Jounela, m . Vermasvuori, p . Enden, s .哈维斯托“过程监控系统基于Kohonen自组织映射,”控制工程实践,11卷,不。1,第92 - 83页,2003。视图:出版商的网站|谷歌学术搜索
14. t . Kohonen e . Oja o . Simula a .签证和j .好的“自组织映射的工程应用,”IEEE学报》,卷84,不。10日,1358 - 1383年,1996页。视图:谷歌学术搜索
15. m . Liukkonen e . Havia h . Leinonen, y Hiltunen,“应用自组织映射的波峰焊接过程的分析,“专家系统与应用程序,36卷,不。3、4604 - 4609年,2009页。视图:出版商的网站|谷歌学术搜索
16. m . Liukkonen e . Havia h . Leinonen, y Hiltunen,“素质优化的波峰焊接过程采用自组织映射,”应用软计算,11卷,不。1,第220 - 214页,2011。视图:谷歌学术搜索
17. m . Vermasvuori p . Enden s哈维斯托,S.-L。Jamsa-Jounela”,使用Kohonen自组织映射的过程监控,”学报第一国际研讨会智能系统,3卷,2 - 7日,2002页。视图:谷歌学术搜索
18. m .嘉尼•海基宁a . Kettunen e . Niemitalo r . Kuivalainen和y Hiltunen”SOM-based方法流程状态监控和优化流化床能源植物”学报》第15届国际会议上人工神经网络(ICANN 05)卷,3696在计算机科学的课堂讲稿施普林格,页409 - 414年,2005年。视图:出版商的网站|谷歌学术搜索
19. m . Liukkonen m .嘉尼•海基宁t . Hiltunen e . Halikka r . Kuivalainen和y Hiltunen”通过使用人工神经网络建模的流程状态在流化床能源植物”学报第六届国际会议上数学模型,即Troch和f . Breitenecker Eds。,Vienna University of Technology, Vienna, Austria, 2009.视图:谷歌学术搜索
20. m . Liukkonen m .嘉尼•海基宁e . Halikka r . Kuivalainen和y Hiltunen”排放分析流化床锅炉利用自组织映射”学报》国际会议自适应和自然计算算法(ICANNGA ' 09)m . Kolehmainen p Toivanen, b . Beliczynski Eds。施普林格,卷。5495年,2009年。视图:谷歌学术搜索
21. Ž。Ćojbašić,l .Ćojbašić诉Nikolić:Radojković,和m . Vukić”计算智能建模和控制流化床燃烧器的烟气排放过程中,“机械工程,1卷,不。9日,第1274 - 1263页,2002年。视图:谷歌学术搜索
22. b . Leckner”流化床燃烧:混合和污染物的限制”,能量和燃烧科学的进步,24卷,不。1、31 - 61年,1998页。视图:谷歌学术搜索
23. j . Vesanto j . Himberg大肠Alhoniemi, j . Parhankangas”Matlab中自组织映射:SOM工具箱”《Matlab DSP会议,1999岁的35 - 40页。http://www.cis.hut.fi/projects/somtoolbox/。视图:谷歌学术搜索
24. t . Kohonen”分析流程和大型数据集的自组织方法,”第二届国际会议上智能加工制造的材料,1卷,页27-36,IEEE服务中心,1999年。视图:谷歌学术搜索
25. j . MacQueen“一些分类方法和多变量分析观察,”第五伯克利分校学报》研讨会上数理统计和概率,1卷,页281 - 297,加州大学出版社,1967年伯克利,加州,美国。视图:谷歌学术搜索
26. a . k . Jain m . n . Murty p•j•弗林,“数据聚类:审查,”ACM计算调查没有,卷。31日。3、316 - 323年,1999页。视图:谷歌学术搜索
27. d·l·戴维斯和d . w . Bouldin集群分离的人制定出的措施”,IEEE模式分析与机器智能,1卷,不。2、224 - 227年,1979页。视图:谷歌学术搜索

版权

版权©2010米卡Liukkonen et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。