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。
简介:通过对机械蒸汽压缩(mechanicalvaporcompression,MVC)-多效蒸馏(multi-effectevaporator,MEE)海水淡化系统建立模型,研究了压缩机输入功率与海水淡化系统运行参数之间的关系,分析了系统中压缩机与多效蒸发器之间相互耦合的匹配关系,探讨了辅助能源加热对系统运行状态及产水率的影响,并通过耦合风力发电机模型,研究了系统淡水产率随风电功率随机变化的响应曲线。结果表明:随压缩机输入功率的增加,多效蒸发器效间的传热温差增大,产水率也近似线性增加;辅助能源虽然有助于提高产水率,但其添加量不能超过一定的上限;对于一组平均为7.1m/s的随机风速,海水淡化系统的平均产水率为5.00t/h,平均产水能耗10.2kWh/t,而若采用20%辅助能源加热,可以使平均产水率提高0.21t/h。