电厂配煤与锅炉运行的整体综合优化研究

  本文关键词：电厂配煤与锅炉运行的整体综合优化研究，由笔耕文化传播整理发布。

浙江大学 硕士学位论文 电厂配煤与锅炉运行的整体综合优化研究 姓名：张晓龙 申请学位级别：硕士 专业：热能工程 指导教师：杨建国；赵虹 20120305

浙江大学硕士学位论文

摘要

摘要
煤粉的燃烧特性是燃煤电站锅炉进行燃烧调整的基础。煤粉的燃烧特性取决于煤质， 而改变煤质的有效措施是进行动力配煤。以锅

炉燃烧特性为导向进行动力配煤，将促进煤 炭资源的优化配置和有效利用；同时，针对配煤方案进行锅炉燃烧调整，将更大限度地发 挥燃煤电站锅炉的优良燃烧特性。本文提出动力配煤与锅炉运行的一体式优化方法，实现 燃煤电站锅炉的高效低污染燃烧。 本文首先研究了单煤的煤粉燃烧特性预测模型和灰熔融性分类预测模型。煤粉燃烧 特性预测模型通过煤质指标预测动力学参数（活化能和频率因子预测结果的均方根误差分 别为２．５７１和０．５６５），再利用预测的动力学参数预测热重分析曲线，表征煤粉的整体燃烧 过程。煤灰熔融性分类预测模型通过煤质指标预测煤灰熔融性温度的高低水平，对６２个 训练样本和１５个检验样本的煤灰熔融性的预测精度分别高达１００％和８６．７％。应用动力配 煤煤质指标的可加性规律，单煤的两个预测模型可以应用于混煤，分析动力配煤后混煤的 燃烧特性和灰熔融性温度。 本文接着研究了煤粉特性（煤粉细度、煤粉颗粒表面性质）对燃烧特性的影响。通 过非等温热重试验，分析优混煤在煤粉细度分别为Ｒ９０＝ｌｏ％、１５％、２０％、２５％、３０％情 况下的燃烧特性。结果表明，煤粉细度越小，煤粉的综合燃烧性能越好。通过氮吸附试验 进一步研究了优混煤在具有不同表面性质时的燃烧特性。试验表明，平均孔径增大有利于 提高综合燃烧性能；在比表面积增大的过程中，中大孔的减少和微孔的增多对燃烧反应活 性分别起到抑制和促进的作用。 本文最后以浙江某电厂３３０ＭＷ燃煤机组为研究对象，建立该机组整体综合优化的数 学模型，利用差分进化算法实现动力配煤及锅炉运行的一体式优化。优化过程基于该机组 的实际运行工况，优化后的配煤燃烧特性与锅炉的运行控制方式更加匹配，各工况的飞灰 含碳量和排烟温度降低，锅炉热效率提高，ＮＯ。排放浓度均抑制在６５０ｍｇ／ｍ３以下，成功 实现该锅炉的高效低污染燃烧。

关键词：燃煤锅炉；燃烧特性；动力配煤；锅炉运行优化；锅炉效率；ＮＯ。排放

ＩＩ

浙江大学硕士学位论文

摘要

Ａｂｓｔｒａｃｔ
Ｃｏａｌ ｂｌｅｎｄｉｎｇ ｉｓ
ａｎ

ｉｍｐｏｒｔａｎｔ ｔｅｃｈｎｉｑｕｅ

ｔＯ ｐｒｏｄｕｃｅ ｃｏａｌｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｐｒｏｐｅｒｔｉｅｓ．Ａｎｄ ｔｈｅ ｔｏ ａｄａｐｔ ｔｏ ｄｉｆｆｅｒｅｎｔ ｃｏａｌ ｐｒｏｐｅｒｔｉｅｓ．Ｉｎ ｏｒｄｅｒ ｔｏ

ｏｐｅｒａｔｉｏｎ ｏｆ ｂｏｉｌｅｒｓ ｏｆｔｅｎ ｈａｖｅ ｔｏ ｂｅ

ａｄｊｕｓｔｅｄ

ｐｒｏｍｏｔｅ ｔｈｅ ｏｐｔｉｍａｌ ａｌｌｏｃａｔｉｏｎ ａｎｄ ｒａｔｉｏｎａｌ ｕｌｔｉｌｉｚａｔｉｏｎ ｏｆ ｃｏａｌ ｒｅｓｏｕｒｓｅｓ，ｔｈｅ
ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｃｏａｌ ｂｌｅｎｄｉｎｇ ａｎｄ ｂｏｉｌｅｒ ｏｐｅｒａｔｉｏｎ ｉｓ ｐｒｏｐｏｓｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ．

ｉｎｔｅｇｒａｔｅｄ

Ｔｈｅ ｃｏｍｂｕｓｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｓ ｏｆ ｃｏａｌ ｗｅｒｅ ｃｏｒｒｅｌａｔｅｄ ｔｏ ｃｏａｌ ｑｕａｌｉｔｙ ｕｓｉｎｇ ｔｗｏ ｎｏｎｌｉｎｅａｒ

ｍｏｄｅｌｓ ｗｈｉｃｈ ｗｅｒｅ ｂｕｉｌｔ ｂｙ ｓｕｐｐｏｒｔ

ｖｅｃｔｏｒ

ｒｅｇｒｅｓｓｉｏｎ ｍａｃｈｉｎｅ．Ｃｏｍｂｕｓｉｔｏｎ ｋｉｎｅｔｉｃ ｐａｒａｍｅｔｅｒｓ

ｗｅｒｅ ｐｒｅｄｉｃｔｅｄ ｆｒｏｍ ｃｏａｌ ｑｕａｌｉｔｙ．Ｔｈｅ ｐｒｅｄｉｃｔｅｄ ｒｅｓｕｌｔｓ ｏｆ ａｃｔｉｖａｔｉｏｎ ｅｎｅｒｇｙ ａｎｄ ｆｒｅｑｕｅｎｃｙ ｆａｃｔｏｒ ｓｈｏｗｅｄ ｔｈｅ ｍｅａｎ ｓｑｕａｒｅｄ ｄｅｆｍｅｄ
ｅｒｒｏｒｓ

ｏｆ ２．５７ １ ａｎｄ Ｏ．５６５．ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｉｃ ｃｈａｒａｔｅｒｉｚｅｄ ｔｈｅ ｗｈｏｌｅ

ｃｕｒｖｅｓ

ｂｙ ｔｈｅ ｐｒｅｄｉｃｔｅｄ ｋｉｎｅｔｉｃ ｐａｒａｍｅｔｅｒｓ

ｃｏｍｂｕｓｔｉｏｎ ｐｒｏｃｅｓｓ ａｓｈ ｆｕｓｉｂｉｌｉｔｙ ｏｆ ｃｏａｌ

ｓｕｃｃｅｓｓｆｕｌｌｙ．Ｉｎ ａｄｄｉｔｉｏｎ，ｔｈｅ ｎｏｎｌｉｎｅａｒ ｍｏｄｅｌ ｏｆ ｔｈｅ ｒｅｌａｔｉｏｎｓｈｉｐ ｑｕａｌｉｔｙ ｗａｓ ｓｔｕｄｉｅｄ ｕｓｉｎｇ ｓｕｐｐｏｒｔ
ｖｅｃｔｏｒ

ｂｅｔｗｅｅｎ

ａｎｄ ｃｏａｌ
ｑｕａｌｉｔｙ

ｍａｃｈｉｎｅ．Ｄｕｅ ｔｏ

ｔｈｅ ａｄｄｉｔｉｖｉｔｙ

ｐａｒａｍｅｔｅｒｓ，ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌｓ ｏｆ ｃｏｍｂｕｓｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｎｄ ａｓｈ ｆｕｓｉｂｉｌｉｔｙ ｃｏｕｌｄ ｂｅ
ｂｌｅｎｄｅｄ ｃｏａｌ． ａｐｐｌｉｅｄ ｆｏｒ ｎｏｔ ｏｎｌｙ ｓｉｎｇｌｅ ｃｏａｌ，ｂｕｔ Ｔｈｅ ｅｆｆｅｃｔｓ ｏｆ ｃｏａｌ ｆｉｎｅｎｅｓｓ ａｎｄ ｓｕｒｆａｃｅ ｐｒｏｐｅｒｔｉｅｓ ｅｘｐｅｒｉｍｅｎｔｓ ａｎｄ
ｏｎ

ｃｏｍｂｕｓｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｗｅｒｅ ａｄｓｏｒｐｔｉｏｎ ｍｅｔｈｏｄ．Ｔｈｅ

ｓｔｕｄｉｅｄ

ｂｙ

ｎｏｎ．．ｔｈｅｒｍａｌｇｒａｖｉｍｅｔｒｉｃ

ｎｉｔｒｏｇｅｎ

ｗｉｔｈ ｔｈｅ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｃｏｍｂｕｓｔｉｏｎ ｐｅｒｆｏｒｍａｎｃｅ ｉｍｐｒｏｖｅｄ ｗｉｔｈ ｃｏａｌ ｆｉｎｅｎｅｓｓ ｄｅｃｒｅａｓｉｎｇ，ｏｒ ｏｆ ｔｈｅ ｃｏｍｂｕｓｔｉｏｎ ｒｅａｃｔｉｏｎ ａｃｔｉｖｉｔｙ ｗｉｔｈ ｔｈｅ ａｖｅｒａｇｅ ｐｏｒｅ ｄｉａｍｅｔｅｒ ｉｎｃｒｅａｓｉｎｇ．Ｔｈｅ ｃｈａｎｇｅｓ ｓｐｅｃｉｆｉｃ ｓｕｒｆａｃｅ ａｒｅａ ｓｈｏｗｅｄ Ｂａｓｅｄ
ｏｎ ａ

ｄｅｃｒｅａｓｅ ｆｉｒｓｔ ａｎｄ ｔｈｅｎ ｉｎｃｒｅａｓｅｄ．

ｔｈｅ ｒｅａｌ ｗｏｒｋｉｎｇ ｃｏｎｄｉｔｉｏｎｓ ｏｆ ａ ３

３０ＭＷ

ｕｎｉｔ，ｔｈｅ ｉｎｔｅｇｒａｔｅｄ ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｃｏａｌ

ｄｉｆｆｅｒｅｎｔｉａｌ ｅｖｏｌｕｔｉｏｎ ａｌｇｏｒｉｔｈｍ．Ｔｈｅ ｂｏｉｌｅｒ ｂｌｅｎｄｉｎｇ ａｎｄ ｂｏｉｌｅｒ ｏｐｅｒａｔｉｏｎ ｗａｓ ｃａｒｒｉｅｄ ｏｕｔ ｕｓｉｎｇ

ｅｍｃｉｅｎｃｖ
６５０ｍｇ／ｍ３．

ｗａｓ

ｉｎｃｒｅａｓｅｄ ａｎｄ ｔｈｅ ｅｍｉｓｓｉｏｎ

ｃｏｎｃｅｎｔｒａｔｉｏｎ

ｏｆ ＮＯｘ ｗａｓ ｃｏｎｔｒｏｌｌｅｄ

ｂｅｌｏｗ

Ｋｅｙ ｗｏｒｄｓ：ｃｏａｌ．ｆｉｒｅｄ ｂｏｉｌｅｒ；ｃｏｍｂｕｓｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ；ｃｏａｌ ｂｌｅｎｄｉｎｇ；ｂｏｉｌｅｒ ｏｐｅｒａｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ；ｂｏｉｌｅｒ ｅｆｆｉｃｉｅｎｃｙ；ＮＯｘ ｅｍｉｓｓｉｏｎ

ＩＩＩ

浙江大学硕士学位论文

致谢

致谢
在本文完成之际，谨向导师杨建国副研究员、燃料组组长赵虹教授致以最诚挚的谢意。感谢二位 导师近３年来对我的悉心指导。课题从构思立意、研究分析到论文成稿倾注了二位导师大量的精力和 心血。杨老师忘我的科研精神、渊博的理论知识、温文尔雅的学者之风，赵老师豁达无私的人生态度、 高屋建瓴的大家风范，不仅使我在学业上深受启迪，也将使我在品德修养上终身受益。 感谢周永刚老师对课题研究方法的批评和建议，感谢冯国华老师在电厂现场试验方法上的指导！ 感谢郑航老师、翁善勇老师、凌柏林老师在科研和生活上提供的热心帮助。 感谢流化床组岑建孟师兄在学术科研和学校生活各方面的指点。感谢沈利师兄在优化算法方面的 指导和锅炉燃烧特性建模方面所提供的大力支持和帮助。感谢樊立安师弟牺牲暑假休息时间，协助完 成第六章的试验内容。同时，也要感谢我的师兄张骁博、崔福兴、李培、张翔宇，同学李帅英，师弟 张清福、余海明、范建勇，师妹杨扬、孔艳丽，舍友周天情、崔强和张超昱，是他们默默陪伴着我走 过研究生的求学之路，让我在消沉之际感受到激励，在孤寂忧伤时不忘坚强。感谢他们为我创造了一 个充满温暖和关怀的生活环境，带给我许许多多的欢乐和笑语。他们永远是我最真挚的朋友，我为他 们的美好理想和灿烂前途祝福！ 感谢燃料组的工作人员赵敏、龚振、周芳、符达辉、单银斌、姚悦、董标、马浩其师傅、郑书芳 师傅、胡美娣师傅，他们在本文试验上给予很大的帮助，使本文的进度更加顺利。 感谢我最亲的家人，他们对我的支持和鼓励，是我前进的精神动力，他们对我的奉献和关爱，需 要我用一辈子去回报。尤其感谢我敬爱的父亲，父爱如山，他用毕生的汗水和心血成就了我的大学梦， 他的笑容是我最珍贵最美好的回忆，他的教诲我永远铭记于心！愿亲爱的父亲一路走好！ 最后感谢所有关心和帮助过我的朋友们，祝他们永远幸福快乐！

张晓龙 ２０１２年１月于浙大求是园

浙江大学硕士学位论文

１绪论

１绪论 １．１课题背景
１．１．１

动力配煤的意义及相关国家政策 中国的煤炭资源储量丰富，不同煤矿的成煤环境不同，产煤品种繁多，煤质特征各

异。煤的合理高效利用和煤质特征紧密相关，同时也受燃煤锅炉对煤种设计要求的影响。 由于每一种煤炭有其独特的性质，而每一种用煤设备对煤质又有其特殊要求，因而大大增

大了单种煤炭合理供应和使用的难度，尤其受到资源分布、运输条件以及地区间平衡等因
素的制约‘１１。大力发展动力配煤技术对我国煤炭工业和电力行业具有重大的意义。通过动 力配煤，合理发挥单煤种的优点和长处，使混煤的综合性能满足用户的使用要求，从而提 高煤炭燃烧转化的利用率，同时减少污染排放。 目前国家已出台多项政策，支持大力发展动力配煤技术，发布的动力配煤文件（２００５） 以后主要如下［２］＝ １．国务院文件（国发［２００５］１８号），《国务院关于促进煤炭工业健康发展的若干意见》； ２．国家发展和改革委员会，《煤炭工业发展“十一五规划”》； ３．国务院文件（国发［２００７１１５号），《国务院关于印发节能减排综合性工作方案的通 知》； ４．国家发展改革委、国家环保总局（发改能源［２００７］１４５６号）《关于印发煤炭工业节 能减排工作意见的通知》。
ＧＢ／Ｔ

７５６２．２０１０《发电煤粉锅炉用煤技术条件》对发电煤粉锅炉的用煤技术条件进行

了具体规定。在进行动力配煤过程中，应该以国家标准为基础，保证混煤的各项煤质指标 符合要求。 １．１．２我国燃煤电站ＮＯ。排放现状及控制标准 大气中ＮＯ。主要来源于煤炭、石油、天然气等化石燃料的燃烧排放。燃煤锅炉作为 煤炭消耗大户，是ＮＯ。排放的主要来源之一。随着我国经济增长，电力需求促使火电厂装

机容量迅速提升和煤炭消耗量急剧增大，与此同时，ＮＯ。排放量随着火电行业的发展呈现
不断增长的趋势。图１．１为１９８７～２０１０年我国燃煤电站ＮＯ。排放情况［３巧］。根据火电增容 和燃煤量增耗预测，“十－－－Ｚ”期间我国ＮＯ。排放总量将由２０１０年的１０５０万ｔ增加到２０１１
年的１２００万ｔ［６］。

我国燃煤电站对ＮＯ。的监测控制起步较晚。１９９７年１月１日起开始实施ＧＢ

浙江大学硕士学位论文

１绪论

１３２２３－１９９６《火电厂大气污染物排放标准》，环境影响报告书待审查的批准新、扩、改建 燃煤电站３００ＭＷ及以上机组，ＮＯｘ排放浓度不得超过６５０ｍｇ／ｍ３。原国家环保总局于２００４ 年３月修订的《中华人民共和国大气污染防治法》中，加大了控制ＮＯ。控制的力度，要求 对新、老机组都实行同样严格的排放浓度限制‘７１。最新国家标准ＧＢ １３２２３．２０１１《火电厂 大气污染物排放标准》将于２０１２年１月１日实施，并调整火电锅炉ＮＯ。排放浓度限制为
１００ｍｇ／ｍ３。

为了提高环境质量，防止大气污染物排放造成大气污染，目前燃煤电站锅炉脱氮任 务紧迫，需要采用相应的技术措施，降低ＮＯ。排放浓度。

ｅ／ｌＲ＝藿缨控雨×ｏｚ

年份 图１．１ １９８７～２０１０年我国燃煤电站ＮＯｘ排放情况

１．２课题研究的意义
煤炭在长时间内仍然是我国的主要能源资源，我国煤炭资源储量丰富，但利用率却 较低，这是我国贵为能源大国却无法晋升能源强国的重要原因之一。研究煤的燃烧特性， 进行煤粉燃烧特性优化，有利于从源头上提高煤炭工业综合利用水平；针对煤炭资源的消 耗大户电站锅炉，研究其燃烧过程的运行方式，降低发电煤耗和污染物排放量，有利于煤 炭资源的节约利用和环境保护，是一项关乎社会经济、能源安全和环境保护的具有重大意
义的科研课题。

浙江大学硕士学位论文

１绪论

１．３国内外研究状况
１．３．１

煤质特征对煤粉燃烧特性影响的研究状况 对煤粉燃烧特性的深刻理解是合理利用煤炭的前提和基础。许多研究表明，煤粉的

燃烧特性和煤质之间存在着密切的关系。首先，煤质影响煤粉的着火性能。Ｍａｎ等人试验 研究表明，煤粉着火和煤级有着相同的顺序［８１。Ｆａｕｎｄｅｚ等人研究表明，从次烟煤到高挥 发分烟煤，着火机理从非均相着火随之改变到均相着火例。根据Ｋｉｚｇｕｔ的试验结果，着火 温度呈现出与平均最大镜质组反射率、氢碳比和燃料比之间的高度线性关系‘９１。Ｍａｎ等人 对１３个不同煤级的煤样进行了着火倾向性检测试验，结果表明低挥发分煤需要较少的Ｏ： （约３５％体积浓度），高挥发分煤一般只需要３０％Ｎ ０２［８１。Ｖｌｅｅｓｋｅｎｓ等人研究发现灰分具 有增大热容量的能力，降低煤粉颗粒内部的传热速度，从而延缓煤粉的着火［１０］。其次，热 重分析曲线上的最大失重速率是反映煤粉燃烧反应活性的重要指标，根据Ｋｉｚｇｕｔ的研究结 果，最大失重速率与平均最大镜质组反射率和氢碳比具有较好的线性关系［１１１。Ｓｍｉｔｈ利用 微分热重分析对６６个不同煤级的煤样进行了燃烧试验研究，结果表明煤粉在５０％转化率 时的温度与氧量、含碳量具有线性关系［１２１。最后，煤粉的燃烧效率与煤质密切相关。许多 的学者对煤粉的燃尽性能进行了试验研究和理论分析。Ｄｕ和Ｓｈｅｎ等人的研究结果表明： 煤粉的燃尽率随煤种燃料比的降低而增大‘１３１；高挥发分煤具有更强的脱挥发分能力，因而 具有更高的燃尽率［１ ４１。另外，Ｖｌｅｅｓｋｅｎｓ等人的沉降炉试验表明高灰分、高惰质组含量和 高氧化镜质组含量将会降低煤粉的燃尽性能［１ ０１。 １．３．２煤质特征对燃烧反应动力学影响的研究状况 煤粉燃烧过程的不同阶段体现出不同的燃烧特性，可以用不同的特征参数对燃烧过 程进行描述。着火温度反应了燃烧前期氧化反应的难易程度。最大失重速率反应了燃烧中 期反应的剧烈程度。燃尽温度反应了燃烧后期煤粉的燃尽性能。实际上，煤粉的燃烧反应 速率可以用动力学方程进行描述。在科学研究中，一般认为煤粉的燃烧反应为一级反应 ［１５－２３１，而且遵循阿累尼乌斯定律，则动力学方程
ｒ

ｌＩｌ掣：ｉｎ—ＡＲ（１一墼）一旦
肛
Ｅ ＲＴ

（１．１）

由动力学参数唯一确定。因此煤粉的整个燃烧反应过程可以通过动力学参数进行表征。煤 粉燃烧动力学一直是广大科研人员和学者数十年来持续关注的学科领域，而许多的精力也 投入到煤质对煤粉燃烧动力学参数的影响的研究方向上。Ｋｕｃｕｋｂａｙｒａｋ和Ｈａｙｋｉｒｉ－Ａｃｍａ利 用非等温热重试验对２５个褐煤进行了燃烧反应性的研究，通过将褐煤的燃烧反应性和工
气

浙江大学硕士学位论文

１绪论

业分析、元素分析、物理性质相关联起来，发现随着挥发分的增加、含碳量或固定碳的增 加，活化能有逐渐降低的趋势［２４１。他们进一步将煤种扩展到泥煤、褐煤、烟煤和无烟煤， 通过对燃烧反应性的研究，发现不同的煤种具有相同结论［２ ５｜。然而，Ｗａｎｇ通过试验研究， 却得到了截然相反的结论。试验结果表明活化能和频率因子均随着煤粉中含碳量的增大而 明显降低［２６］。 １．３．３煤灰熔融性预测的研究状况 灰熔融性是衡量煤灰熔融行为的重要参数，通过灰熔融性指标能够判断煤粉在燃烧 过程中是否会导致电站锅炉结渣或积灰问题［２７１。迄今为止，有大量的方法试图准确地预测 灰熔融温度。传统的方法是挖掘灰成分数据，利用部分最小二乘回归‘２７１或多重线性回归‘２８］ 拟合出各相关参数与灰熔融温度之间的线性关系式。然而，当煤种在较大范围内变化时， 这些经验公式的计算值与真实灰熔融温度之间往往存在较大的差距，预测精度并不理想［２
９１。

为了解决灰熔融温度预测精度不高的问题，有学者利用人工神经网络‘２９，３０１和支持向量机‘３１］ 建立了灰熔融性与灰成分之间的非线性关系模型，在一定程度上提高了灰熔融性的预测精 度。
１．３．４

电站锅炉运行优化的研究状况 “十二五”期间电力行业将开展更加严格的大气污染物排放控制，其中ＮＯ。排放标

准低至１００ｍｇ／ｍ３，在国家政策指挥棒的驱动之下，国内燃煤电站锅炉纷纷采取相应的技 术措施，主要包括低ＮＯ。燃烧技术和尾部烟气脱销技术。低ＮＯ。燃烧技术和尾部脱销技 术相结合是现在电厂锅炉普遍采用的技术方案。低ＮＯ。燃烧技术的使用在一定程度上降低 了锅炉的燃烧效率，影响锅炉的运行经济性。为此，针对电站锅炉高效、低ＮＯ。燃烧的相 关研究课题引起了广大科研工作者的兴趣。清华大学张毅等人针对锅炉运行提出３种优化 目标，分别侧重于运行利润最大化、环保要求及利润环保相协调进行锅炉运行优化，取得 了比实际运行工况更佳的综合运行效果［３２］。东南大学的周建新等人提出一种锅炉运行优化 的框架，对锅炉运行参数进行优化，在保证锅炉经济性和安全性的同时，可以有效地降低 锅炉ＮＯ。的排放［３３１。吕玉坤等采用ＢＰ神经网络建立了以锅炉热效率和ＮＯ。排放为目标的 优化模型，并研究了锅炉热效率和ＮＯ。排放相互协调过程中锅炉的最佳运行参数，为锅炉 优化运行提供指导‘３训。许昌利用改进的最小资源分配网络建立锅炉效率和ＮＯ。排放模型， 并利用遗传算法对锅炉效率和ＮＯ。排放进行整体优化，通过调整两个优化目标的关注度 （权重）探索优化对锅炉运行特性的影响‘３引。陈庆文等建立了７００ＭＷ四角切圆燃煤电厂
４

浙江大学硕士学位论文

１绪论

锅炉的锅炉效率和ＮＯ。特性预测模型，并在此基础上，利用遗传算法对大型电厂混煤掺烧 进行优化，锅炉效率的提高和ＮＯ。排放的抑制都得到了较好的效果［３
６Ｉ。

１．４本文研究的内容及方法
１．４．１煤粉燃烧特性非线性预测的研究方法 煤粉燃烧特性的相关研究表明，煤粉的燃烧动力学和煤质之间存在较高的相关性。 但是，关于煤粉燃烧动力学和煤质之间的定量关系的研究较为少见，仍有待进一步探索研 究。煤粉燃烧特性的研究现状可以用图１．２表示。

图１．２目前煤粉燃烧特性的研究现状

本文将煤粉燃烧动力学参数（活化能和频率因子）和煤质（工业分析和部分元素分 析）相关联。本文将选取尽可能多的国内外常用动力用煤，以覆盖全面的煤种，利用非等 温热重对这些动力煤的燃烧过程进行分析，通过热重数据探索煤粉燃烧过程的动力学信息， 利用支持向量机建立动力学参数预测模型：Ｍｏｄｅｌ．Ｅ和Ｍｏｄｅｌ．Ａ分别表示活化能和频率因 子，与煤质指标（工业分析和部分元素分析）之间的非线性关系模型。燃烧特性非线性预 测建模的研究思路如图１．３所示。

图１．３煤粉燃烧特性非线性预测建模的方法

浙江大学硕士学位论文

１绪论

煤粉燃烧动力学参数预测模型是否准确合理，将分别通过训练样本进行经验误差验 证和通过检验样本进行过拟合问题验证。在预测模型能够正确表达煤质与燃烧特性的关系 的基础上，再进一步检验动力学参数预测模型的泛化性能，可以考虑使用检验样本对预测 模型的泛化性能检验，这是因为检验样本在建模过程中不可见，能够类比实际新煤样。燃 烧特性非线性预测模型的直接输出是煤粉燃烧反应动力学参数，可以根据动力学方程预测 出煤粉的热重分析曲线，而热重分析曲线表征了煤粉的燃烧特征，从而达到利用煤质指标 预测煤粉燃烧特性的目的。 １．４．２煤灰熔融性非线性预测模型的研究方法 灰熔融性主要应用于锅炉辐射受热面结渣问题和对流受热面积灰问题的判别，表１．１ 为国内外常用的判别界限【３
７１。

表１．１灰熔融性判别结渣程度的一般判别界限 判别界限
＞１３９０

预测结渣程度
轻微 中等 严重 轻微 结渣 结渣性低

哈电成套所

１２６０～１３９０ ＜１２６０

国内
日，本

＞１３５０ ＜１３５０ ＞１２３０ ＜１２３０

结渣性高

哈电成套所利用最优分类法研究了２５０个中国煤的结渣情况，提出软化温度的分类 系统，用于判别煤粉燃烧的结渣倾向性。按照软化温度ＳＴ＜１２０６。Ｃ，ＳＴ＝１２０６～１３９０℃， ＳＴ＞１３９０。Ｃ将煤灰分类为严重、中等、轻微结渣倾向性。 本文研究的内容是：分析灰熔融性和煤质特征之间的非线性关系，建立非线性分类 模型，对灰熔融性进行预测。思路是：以哈电成套所的科研成果为基础，将灰熔融性分为 ３个级别，即Ｌ．ＳＴ（软化温度低），Ｍ．ＳＴ（软化温度中等），Ｈ．ＳＴ（软化温度高）；利用支 持向量机建立一个灰熔融性的分类模型；该模型以煤质特征为输入参数，经过智能分析计 算之后，预测出相应的灰熔融性级别。灰熔融性分类预测模型能够为用户提供灰熔融温度 信息，有利于锅炉运行人员合理地选择入炉煤种或确定配煤方案，降低燃烧锅炉结渣或积
灰的几率，提高燃煤锅炉运行的安全性。
１．４．３

电厂配煤及锅炉运行整体综合优化的研究方法 混煤掺烧是电厂寻求适烧煤种的常用手段，目前电厂现有煤种并非单一不变，配煤

掺烧存在多种方案，使电站锅炉入炉煤质成为了运行可控参数［３８１，对锅炉燃烧产生重大的

浙江大学硕士学位论文

ｌ绪论

影响。本文提出“动力配煤与锅炉运行的一体式优化”的概念。将配煤优化融入到锅炉运 行优化之中，使入炉煤质与锅炉的运行能够联动优化调节。以锅炉热效率和ＮＯ。排放为判 据，利用差分进化算法对电厂配煤和锅炉运行进行整体综合优化，确定电厂最佳配煤方案， 提供锅炉运行调控指导，达到锅炉高效低污染排放协调控制的目标。

浙江大学硕士学位论文

２支持向量机基本理论

２支持向量机基本理论 ２．１支持向量机分类原理
Ｖａｐｎｉｋ等人在１９９５年根据统计学习理论结构风险最小化的原则提出一种新的分类算 法：支持向量机（ＳＶＭ）。ＳＶＭ通过构造最优分类面对空间的数据样本进行分类，并且最 大化分类间隔使ＳＶＭ分类器的泛化性能得到提高，在过去的十几年里ＳＶＭ被应用于信 号处理‘３引、时间序列预测［４０１、模式识别［４１１、文本分类‘４２１、生物信息学［４３１等不同领域的复 杂问题。 对于输入空间中的训练样本
（ｘｌ，Ｙ１），…（ｘ，．ｊｊ），ｘ∈Ｒ”，Ｙ∈｛－１，１），

（２－１）

如果这些样本线性可分，则可以构造一个超平面
Ｗｏ－Ｘ＋６＝０

（２－２）

使训练样本位于超平面的两侧，如图２．１所示。满足不等式约束
Ｙｉ（ｗ－ｘ，＋６）≥１，ｉ＝１，…，，

（２—３）

的超平面将能够按照Ｙ，的值将训练样本正确分类。在所有符合要求的超平面中，分类间隔 最大的称为最优超平面，最优超平面具有最好的泛化性能。求解最优超平面必须最小化泛
函 Ｒ（ｗ?ｗ）＝ｗ?Ｗ

（２－４）

这个二次优化问题可以在拉格朗日乘子∞空间中进行求解。先构造拉格朗日方程

Ｌ（ｗ，６，口）＝去ｗ?ｗ一∑ａｉ［ｙ／（Ｗ?Ｘｉ＋６）一１］
厶
ｉ＝１

（２－５）

且
％≥０

（２－６）

求式（２．５）在ｗ，ｂ处的奇点，得到

ｗ＝∑ａｉＹｉＸ， ∑％Ｙｉ＝０
泞ｌ

（２－７）

（２—８）

将（２．７）和（２．８）代入（２．５），整理得到
， ，

∥（口）＝∑ｑ—ｉ１∑ａｉｒＪＹ，Ｙ，ｘ。一，
ｉ＝Ｉ

（２－９）

厶ｆ．ｊ＝ｌ

至此，在满足等式约束（２．８）和不等式约束（２．６）的条件下，最大化（２—９），则最优分类面求解

浙江大学硕士学位论文

２支持向量机基本理论

可转化为凸二次规划寻优的对偶问题

ｍａｘ∥（口）－－Ｅ％一去∑ｑ哕。，ｘ，一，
Ｊ＿ｌ 厶，．７－ｌ

Ｓ．ｔ－ｔ∑％Ｙ，＝ｏ
口．≥０

（２－１０）

式（２．１０）的最优解口。＝（口；，…．蟛’）确定了最优分类面的系数
，

ｗ。＝∑ａ。ｙ，ｘ．
ｉ＝ｌ

（２－１１）

上式中，对应于口．０不为０的训练样本，成为支持向量。最优分类面可以表示为
ｌ

∑ａ。ｙ，ｘ，?ｘ＋ｂ。＝０
Ｉ＝ｌ

（２－１２）

式中ｂ。根据 ｑＯ眈（ｗｏ?ｘ，＋ｂｏ）一１］－１ （２－１３）

确定，使分类间隔为最大。

图２．１最优分类面

２．２支持向量回归机的原理
对于线性回归的情况，支持向量回归机（ＳＶＲ）利用输入空间中的训练样本
｛（ｘ１，Ｙ１），…，（ｘ，，－）｝ｃＲ”×Ｒ

（２－１４）

进行训练，并获得一个函数
ｆ（ｘ，ｗ）＝Ｗ一。＋６

（２－１５）

使．ｆ（ｗ，ｘ）在ｘ，处的函数值近似等于似训练样本的目标值），，，ｆ（ｗ，，ｘ。）与Ｙ。之间的差值由占不 敏感损失函数［删控制。ＳＶＲ的目的是寻找一个最优的函数ｆ（ｗ，ｘ），使．ｆ（ｗ，，ｘ，）与Ｙ，之间的 最大偏差小于占并且函数保持最大的－－ｙ－滑性‘４５１，即

堑兰奎兰翌圭堂堡垒茎

一————上堑堕塑
肌ｎ，－）Ｗｌｌ ｆＷ?ｘ；＋ｂ—Ｙｉ≤占
且六１ｙ。一ｗ．ｘ。一６≤占
（２．１ ６）

函数的平滑性与训练误差是相互矛盾的，为了提高函数的泛化性能，可允许某些训练样本 不满足（２．１６），对于这些训练样本，引入松弛因子专和等，并引入常数Ｃ对平滑性和训练 误差进行折中处理，式（２．１６）转化为

ｍｉｎ如ｗ卜ｃＺ＜＋等）
ｆｗ．Ｘｉ＋ｂ—ｙ。≤占＋占 ｓ．ｔ．｛Ｙ，－－Ｗ?ｘ，一ｂ≤占＋善
（２－１７）

ｌ专，占≥０
构造拉格朗日方程如下

三５却１２＋Ｃ善／（丢＋等）一酗丢＋讲占）（２－１８）
一之口如＋夤一只＋ｗ．ｘｆ＋ｂ）－∑ａ？（占＋占¨一ｗ－ｘｉ－ｂ）
式中，砩，坑，％，ａｉ’是拉格朗日乘子。求方程（２—１８）的奇点，可以得到：

∑（ａｉ—ａｉ）＝ｏ ｗ一∑（口ｉ一口？）］【，＝ｏ
Ｃ一口，一ｒ／，＝０

（２－１９）

Ｃ一口＞ｒ／ｊ＝０ 将式（２．１９）代入式（２．１８）中，得到一个对偶优化问题：

一毛私枷旷诅ｘ一吖弘棚＂酗／旷囝
“．』善（旷。划
ｌ％，口■［ｏ，ｃ］
由式（２．１５）和（２．１９）知道，回归函数可以表示为 厂（ｘ）：∑１（口。一口ｊ）ｘ，．ｘ＋６（２－２１） 对于非线性回归的情况，需要执行映射ｘ，一≯（ｘ，）将输入空间中的训练样本ｘ，映射成为高维 特征空间Ｆ中的新样本矽（ｘ，）。在高维特征空间中，涉及到两个向量的点积运算：≯（ｘ，）’驴（ｘ）。 ／口－，要一个函数尼（ｘ，，ｘ）满足Ｍｅｒｃｅｒ条件，我们就可以利用它来替代高维特征空间中的内积，

浙江大学硕士学位论文

２支持向量机基本理论

即：ｋ（ｘ。，ｘ）＝≯（ｘ。）．≯（ｘ）。因此，非线性回归函数转化为

．厂（ｘ，口）＝∑（ｑ－ａ。）ｋ（ｘ，，ｘ）＋６
ｉ＝１

（２＿２２）

求解式（２．２２）Ｉ约所有计算都可以直接在输入空间中进行。线性和非线性问题中，拉格朗日 乘子（％口？）通过对偶优化问题求解，ｂ的求解方法与分类问题相同，可参考相关文献（Ｋ．
ＭＣｉｌｌｅｒ，Ａ．Ｓｍｏｌａ，ｅｔ ａ１．，１９９７；Ａ．Ｊ．Ｓｍｏｌａ，Ｂ．Ｓｃｈｏｌｋｏｐｆ，２００４）［４０，４５］。

２．３模型选择对支持向量机性能的影响
支持向量机的性能是由训练误差和泛化能力来评价的。为了减小训练误差和提高对 新样本的泛化能力，支持向量机的模型选择必须合理。支持向量机的模型选择包括特征选 择、核函数选择、超参数选择。 特征选择由实际问题决定。支持向量机依据样本输入特征的不同，识别数据的类别 或估算函数值的大小。在一个具体的问题中，通常包含多个特征，但并非所有的特征都与 问题相关，也并非所有的特征都是同等的重要【４６１。选择密切相关的变量作为输入特征，是 支持向量机正确建模和正确预测或估算的基础；与问题无关的特征会给支持向量机的预测 和估算带来不利的影响。所以特征选择是通过提取与问题相关的，剔除与问题无关的，达 到提高支持向量机整体性能同时降低支持向量机建模计算量的目的。 理论上所有满足Ｍｅｒｃｅｒ条件的函数都可以作为核函数，常用的核函数有多项式核函 数、径向基核函数（ＲＢＦ）和两层神经网络核函数。其中，ＲＢＦ具有最少的参数，拥有和 其他函数相近的全局性能，因此，ＲＢＦ的在实际中应用最多，ＲＢＦ的表达式如下：

Ｋ（ｕ，ｖ）＝＝ｘｐ（－ｙｌｌｕ—ｖｉｉ。）

（２－２３）

式中，Ｙ为核参数。核参数ｙ影响特征空间中训练样本的分类结果。Ｙ过大会导致过拟合， 过小会导致欠拟合问题№４７１。 合理选择超参数是支持向量机建模的关键。正则化参数Ｃ起到折中的作用，在支持 向量机模型的复杂度和对误差容忍度之间取得平衡。在回归问题中，还涉及到损失函数的 不敏感系数占，其大小决定了模型中支持向量的个数［“，４８１。支持向量的个数随占的降低而 增加，同时支持向量机的训练过程变慢，训练误差变小；但是，占并不是越小越好，占太 小会恶化支持向量机的泛化能力。因此，正则化参数Ｃ和不敏感系数占的选择需协调考虑。

２．４基于差分进化算法的模型优化选择
由于支持向量机性能对超参数的设置十分敏感，而且，核参数，，和正则化参数ｃ（如

浙江大学硕士学位论文

２支持向量机基本理论

果是回归问题还要同时考虑不敏感系数占）不是独立发挥作用，存在着某一个最优的参数 组合，能使支持向量机的性能达到最佳。超参数的确定一直是一个棘手的问题，至今仍没 有一个通用的参数选择方法。本文利用差分进化算法（ＤＥ）进行模型优化选择。差分进

化算法的详细原理可参考文献（Ｒ．Ｓｔｏｍ，Ｋ．Ｐｒｉｃｅ，１９９５和１９９７）【４９，５０１。
１９９５年Ｓｔｏｒｅ第一次提出差分进化算法，用于解决非线性和不可微函数的最小化问题 ［４９１。首先，随即产生一个种群，包含ⅣＰ个参数向量
ｘｉ－Ｇ＇ｉ＝ｌ，２＇Ｊ，．３一，ＮＰ

（２－２４）

式中，Ｘｉ，Ｇ表示第Ｇ代种群中的第ｉ个参数向量，也表示当前参数向量。在优化的过程中， ⅣＰ的值保持不变。初始产生的种群应该尽量覆盖参数空间。对于当前向量，利用“变异” 操作产生扰动变量：
Ｋ．Ｇ＋ｌ＝一｜１Ｇ＋Ｆ?（‘２．Ｇ一‘３．Ｇ）

（２—２５）

式中，Ｘｒ。．Ｇ、Ｘｒ：．。和Ｘｒ，．Ｇ是第Ｇ代种群中不同于＂－３前向量的３个随即向量，，为权重系数， 控制对差值的缩放倍数。为了引入多样性，需要对扰动向量执行“交叉”操作，得到一个
Ｄ维试验向量
Ｕｉ胁ｌ＝（％ｉ．Ｇ＋ｌ

Ｕ２洒Ｊ，＿一，“肪肛｛）

（２－２６）

式中，Ｕｊｉ，Ｇ＋Ｉ表示Ｇ＋１代第ｉ个试验向量的第／维，由下式决定
１，邶“ｉｆ（ｒａｎｄｂ（ｊ）≤．ｃＲ）ｏｒｊ＝ｒｎｂｒ（ｉ）

‰＋ｌ。ｋＧ ｉｆ（Ｍ，ｚｄｂ（ｊ）＞ＣＲ）ａ１１ｄｊ≠砌相
＿，＝１，２，…。Ｄ

（２．２７）

式中，ｒａｎｄｂ（ｊ）∈（ｏ，１），是随机概率产生的对应于每一维的随机数；ＣＲ是一个固定不变的 交叉率；ｒｎｂｌ?（ｆ）是从（１，２，…，Ｄ）中随机选择的一个索引，保证“粕＋，至少有一维来自ｖｍＧ＋。。试 验向量Ｕｊｉ，Ｇ＋Ｉ和当前向量Ｘｉ．Ｇ通过“选择”操作进行优劣竞争，目标函数是衡量这两个向量 优劣性的标准。如果“邶＋。能够取得比Ｘｉ，Ｇ更小的目标函数值，那么ｔ，Ｇ＋，的值设置为“正Ｇ＋。； 否则，Ｘｉ，Ｇ＋ｌ保持为当前向量Ｘｉ．Ｇ。按照这种模式，差分进化算法对种群的每一代进行优化， 最终得到一个最优解，也就是我们希望得到的参数向量。 差分进化算法概念简单、收敛性能好且适用于多参数的并行优化，这些优势有利于 解决支持向量机超参数遍历寻优所来的巨大计算开销的问题。因此，本文利用差分进化算 法进行超参数寻优，并且称这种智能寻优的支持向量机为：ＤＥ．ＳＶＭ（分类问题）和ＤＥ—ＳＶＲ （回归问题）。本文第４章和第６章分别基于ＤＥ．ＳＶＲ和ＤＥ．ＳＶＭ对煤粉燃烧特性和煤灰
１’

浙江大学硕士学位论文

２支持向量机基本理论

熔融性进行建模研究。

２．５本章小结
简单介绍了支持向量机的分类原理和回归分析原理。支持向量机对小样本的适应性 好，能够摆脱局部最小值，保证模型的全局最优解，具有较高的泛化能力。核函数使支持 向量机在高维特征空间中的计算与输入数据的维数无关，使复杂的非线性问题得到巧妙的 解决。 支持向量机的模型选择包括特征选择、核函数选择、超参数选择。特征选择由实际 问题决定，通过提取与问题相关的因素，剔除与问题无关的因素，达到提高支持向量机整 体性能同时降低支持向量机建模计算量的目的。常用核函数中，径向基函数具有最少的核 参数，且具有较好的全局性能，应用最为广泛，核参数影响训练样本在特征空间的输出结 果。超参数选择是支持向量机建模的关键，影响支持向量机模型的复杂度、训练速度和泛
化性能。

支持向量机的整体性能包括经验误差大小、是否过拟合或欠拟合、泛化性能，这些 方面由不同的超参数决定。超参数的组合至今仍没有统一的最优标准，在实数空间内对超 参数寻优是一项棘手的问题。本文利用差分进化算法对超参数进行优化，并且称这种智能

寻优的支持向量机为：ＤＥ．ＳＶＭ（分类问题）和ＤＥ．ＳＶＲ（回归问题）。本文第４章和第６
章分别基于ＤＥ．ＳＶＲ和ＤＥ．ＳＶＭ对煤粉燃烧特性和煤灰熔融性进行建模研究。

浙江大学硕士学位论文

３煤粉燃烧反应的化学动力学

３煤粉燃烧反应的化学动力学
３．１

化学动力学分析方法的研究进展
为了更加深入地研究热分析曲线所蕴含的动力学信息，许多学者提出了不同的化学

动力学分析方法。Ｆｒｅｅｍａｎ和Ｃａｒｒｏｌｌ提出利用热重曲线和容积曲线计算平均活化能和反应 级数的方程［５１１。Ｈｏｒｏｗｉｔｚ和Ｍｅｔｚｇｅｒ提出热重分析过程的数学描述，使热解反应的动力学 参数能够方便地求解［５２１。Ｆｒｉｅｄｍａｎ通过比较成碳塑料在４种不同升温速率下的热重分析 曲线，提出一种获取成碳塑料降解反应动力学参数的技术‘５３，５４１。Ｃｏａｔｓ和Ｒｅｄｆｅｍ利用线 性方程计算活化能Ｅ，并且选择不同的反应级数拟合草酸钙（一水合物）脱水反应过程曲 线，根据最佳拟合效果确定正确的反应级数‘５５１。Ｏｚａｗａ．Ｆｌｙｎｎ．Ｗａｌｌ法可以根据多个升温速 率下的失重曲线计算不同转化率时所对应的动力学参数［５６－５８］。Ｍａｄｈｕｓｕｄａｎａｎ对温度积分 进行了近似处理，采用２项近似的方法，提出ＭＫＮ方程并且根据热重分析曲线获得了动 力学参数ｐ］。分步法是Ｈａｋｖｏｏｒｔ提出的，用于分析煤粉燃烧动力学，其优点是无须对反 应速率方程进行假设［６…。Ｐｏｐｅｓｃｕ测得不同升温速率曲线上同一温度处的转化率，通过分 析这些转化率设计出研究动力学参数和反应机理的积分方法［６¨。Ｍｉｕｒａ于１９９５年提出估 算分布式活化能模型（ＤＡＥＭ）中的活化能函数ｆ（Ｅ）和频率因子函数ｋｏ（Ｅ）的方法，该方 法需要３组不同升温速率下的实验数据，但无需对ｆ（Ｅ）和ｋ（Ｅ）做预知性的假设（６２１；１９９８ 年Ｍｉｕｒａ对这个方法进行了改进，简化了计算过程｛６３１。 由于计算机技术的限制，大多数的经典动力学分析方法都是通过线性化速率方程， 进行线性作图，从斜率和截距得到动力学参数。在近年来，随着计算智能的发展，出现了 曲线拟合方法。Ｄｈｕｍａｌ利用遗传算法对典型印度煤的热重分析数据进行分析，计算ＤＡＥＭ 中的动力学参数，这种方法不仅可以应用于线性升温的热分析过程，也适用于非线性升温 的热分析过程［６４１。Ｓｈｅｔｈ对榛子壳的热解反应进行建模，以两个竞争反应代表反应过程中 挥发分的析出和焦炭的燃烧，预测热解反应过程中剩余质量的变化曲线，利用差分进化算 法优化预测曲线和试验曲线之间的偏差，从而获得了动力学参数［６ ５｜。Ｈｉｌｌｉｅｒ利用模拟退火 方法从常升温速率热重分析试验曲线估算动力学参数，这种方法要求热重分析数据的积分
曲线和微分曲线同时具有较高的拟合度【６ ６｜。

３．２应用Ｃｏａｔｓ．Ｒｅｄｆｅｒｎ法进行动力学分析
Ｃｏａｔｓ．Ｒｅｄｆｅｍ法是最常用的动力学分析方法之一，由于分析方法简单易用而被广泛 地应用于热重分析数据的动力学分析‘１５，１８艺１，６７。７４１。
１４

浙江大学硕士学位论文

３煤粉燃烧反应的化学动力学

对于如下反应过程
彳（ｓ）＝Ｂ（ｓ）＋Ｃ（ｇ）

（３—１）

反应物Ａ的反应速率可以用动力学方程

譬：ｋ（１一口）一
口Ｚ

（３－２）

表示。式中口是反应物Ａ在ｔ时刻的剩余质量分数； ｋ是反应速率常数，可以用阿累尼鸟 斯公式表示为
ｋ＝Ａｅｘｐ（－Ｅ／Ｒ、

（３－３）

对于线性升温过程，有
ｄｔ ２口』／ａ

３ ４
＿

式中，∥为线性升温速率。将（３．２）和（３．３）代入（３．４），积分得到

ｒ尚＝号ｒｅ卅ｐＥ
设“＝Ｅ／ＲＴ，上式转化为

ｄ丁

３

－

鬟禹＝Ａ俐。。Ｅｆ。。ｅ＿－ｉｔ－２幽
根据如下近似式［７５】

３ －５（Ｕ

。Ｉ。ｕ。。ｅ－ＵＨ－２幽划。６矿砉警
取前２项近似，式ｆ３．６）转化为

／ｌＬＩ＼，ｆ／●＼

３ ７ 、， 、Ｊ ，
－

墨 争咩
：～ 眦
ｒ２ 口Ｅ、 Ｅ’ Ｒ，

假设反应过程为１级反应，即ｉｖ／＝１上式取对数后得到Ｃｏａｔｓ－Ｒｅｄｆｅｒｎ方程Ｈ ｂ，川Ｊ

式中，Ｔｍ表示拟合温度区间绝对温度的平均值。画直线１１１掣ＶＳｉｌ，从直线的斜率和
截距可以分别求得活化能Ｅ和频率因子彳。

ｈ｛攀地箦（?一等）一寺（３－９）

３．３应用Ｆｌｙｎｎ．Ｗａｌｌ法进行动力学分析
Ｌ（３．１）中反应物Ａ的反应速率除了用式（３．２）来表示之外，还可以用积分形式表示为

浙江大学硕士学位论文

３煤粉燃烧反应的化学动力学

Ｇ＠）＝Ａ／ｆｌＪ（：ｅｘｐ（一Ｅ／Ｒｒ）ｃｔＴ
本身性质决定。用“：Ｅ／ＲＴ代入上式，重新整理得到

ｆ３－１０）

其中，Ｇ（口）是反应过程的机理函数，表示反应速率与转化率的某种函数关系，由反应过程

Ｇ（班嚣￡等ｄｕ＝筹荆（３－１１）
其中，尸（“）即为著名的温度积分函数。温度积分函数不存在有限的精确解，非常多的学者 提出了对温度积分的近似表达式［５５，５９，７８。８４１，Ｆｌｙｎｎ．Ｗａｌｌ所采用的近似式形式如下 ｌｎ只Ｍ）：一５．３３０８—１．０５１６∥７９１ 联立（３．１１）和（３．１２）得到
（３．１２）

ｋ∥地志－５．３３０８－１．０５１６ＥＲ，（３－１３）
。

ＲＧｆ口１

Ｒ，

７

对于１级反应，机理函数的形式是
Ｇ（口）＝一Ｉｎ（１一口）

（３－１４）

将（３．１４）代入（３．１３）得ＮＪ Ｆｌｙｒｍ．Ｗａｌｌ方程［５７］
尺丁 １１１，ａ＝－ｔｎ而：Ａ瓦Ｅ面一５．３３０８－１．０５１６面Ｅ（３－１５） 月１ｎｆｌ一口１

按照等转化率的思想，口为固定值，１１１∥和１／Ｔ成线性关系，通过求直线ｌｎ，６＇ＶＳｌ／Ｔ的斜率 则可以得到活化能Ｅ。

３．４本章小结
回顾国内外学者对化学动力学分析方法的研究进展。经典的动力学分析方法主要是 通过线性化速率方程，进行线性作图，根据斜率和截距确定动力学参数。随着现代计算机 的发展和智能计算理论的成熟，各种进化算法被应用于化学动力学分析：利用遗传算法、 差分进化算法、模拟退火等对热分析的微分数据或积分数据进行拟合，根据拟合度确定最 佳的动力学参数和机理函数。 Ｃｏａｔｓ．Ｒｅｄｆｅｍ方法是一种单速率扫描方法，简单易用，被广泛应用于热重数据的动 力学分析，本章对Ｃｏａｔｓ．Ｒｅｄｆｅｍ方法进行了描述，作为第４章研究煤粉燃烧反应动力学
的理论基础。

Ｆｌｙｒｍ．Ｗａｌｌ方法在进行化学动力学分析过程中，无须对反应机理进行假设，使化学动 力学分析结果更加可靠，因此成为国际热分析及量热学学会（ＩＣＴＡＣ）推荐的化学动力学
分析方法之一。

浙江大学硕士学位论文

４煤粉燃烧特性预测模型研究

４煤粉燃烧特性预测模型研究
４．１样本介绍
选取国内外共８０个常用动力用煤作为煤粉燃烧特性预测建模的研究。根据国家标准
ＧＢ／Ｔ ２１２—２００８，ＧＢ／Ｔ ４７６－２００８，ＧＢ／Ｔ

２１４－２００７和ＧＢ／Ｔ １９２２７．２００８对所有样本进行工业

分析和元素分析试验。样本挥发分的分布特性见图４．１所示，可以看出，８０个煤样的挥发 分（干燥无灰基）范围是７．６１％～５６．１９％，煤种范围覆盖了无烟煤、烟煤和褐煤。

７．０

１１．５

１６．０

２０ ５

２５．０

２９．５

３４．０

３８．５

４３．Ｏ

４７．５

５２．０

５６ ５

Ｖｏｌａｔｉｌｅ ｍａｔｔｅｒ

ｏｎ ａ

ｄａｆ

ｂａｓｉｓ（ｗ／ｗ）

图４．１ ８０个煤样的挥发分的分布特性。

４．２煤粉燃烧反应的非等温动力学研究
热重分析是分析固体燃料的热解、燃烧和气化反应特性的常用技术手段。与其它传 统方法相比，非等温热重的优势在于无须关注固体燃料开始分解的起始温度和起始时间， 而且所需的参数能够从单一的试验曲线中直接获得［８５１。一方面，煤粉的燃烧特性对热重分 析曲线的形状起决定性作用；另一方面，热重曲线可以用煤粉燃烧反应的化学动力学方程 表示，蕴含着煤粉燃烧反应的动力学信息。因此，可以通过对热重数据进行动力学分析， 获取动力学参数，利用动力学参数来研究煤粉的燃烧特性。 将煤样研磨至颗粒小于９０／ｔｍ，取煤粉样本１０ｍｇ放置于瓷坩埚中，使煤粉平铺均匀， 并置于ＮＥＴＺＳＣＨ
ＴＧ

４０９Ｃ热重分析仪进行空气气氛下的热重分析试验。升温范围是５０。Ｃ

～１００。Ｃ，升温速率是１５。Ｃ／ｍｉｎ，空气流量是９５ｍＬ／ｍｉｎ。８０个煤样均按照相同的试验条件 进行了热重分析试验。 本文利用Ｃｏａｔｓ．Ｒｅｄｆｅｒｍ方法对８０个煤样的热重分析数据进行动力学分析，获得了 动力学参数：活化能Ｅ和频率因子Ａ。Ｃｏａｔｓ—Ｒｅｄｆｅｍ方程见式（３．９）。所有煤样的动力学参
数范围是Ｅ＝７８．８～１６２．９ｋＪ／ｍｏｌ，ｌｎＡ＝１１．３～２１．７ｍｉｎ～。

浙江大学硕士学位论文

４煤粉燃烧特性预测模型研究

４．３煤粉燃烧特性预测的非线性建模
４．３．１经验数据的归一化 经验数据的数值范围对支持向量机的学习效果具有一定的影响，大数据范围有可能 会降低支持向量机的性能［８６１。为了统一经验数据的统计特性，需要对数据样本进行预处理， 常用的预处理方法是归一化。本文中，按照Ｋ（４．１）对经验数据样本进行归一化。

ｘ＝（ｘ—ｋ。）／（ｋ—ｋ）
值，ｘ表示归一化后的变量。 ４＿３．２燃烧特性预测模型的输入特征选择

（４—１）

上式中，Ｘ表示经验数据向量的每个变量，墨。。和‰ｉ。表示相应于ｘ变量的最大值和最小

为了降低输入空间维数和提高支持向量机预测能力，需要对影响煤粉燃烧过程的因 素进行甄别，提取重要的因素作为支持向量机建模的变量，去除不相关的变量。本文对不 同组合的煤质指标进行建模，通过对比预测结果的精度来选择最佳的输入特征。通过比较 筛选，确定了煤粉燃烧特性预测模型的输入特征为：空气干燥基水分（Ｍ。。）、干燥基固定 碳（ＦＣｄ）、干燥无灰基挥发分（Ｖｄａｆ）、干燥基氢含量（Ｈｄ）和干燥基硫分（Ｓｄ）。因此， 煤粉燃烧特性预测可以表示为式（４．２）和式（４．３）

Ｅ＝厂㈦。，心，‰，％，Ｓ．。）
１ｈＡ＝厂（心。，ＦＣｄ，‰，％，Ｓ扪Ｅ）

（４—２）

（４—３）

在建立频率因子的预测模型时，把活化能Ｅ和煤质指标一起作为模型的输入特征进 行训练，因为活化能Ｅ和频率因子ｌｎＡ存在动力学补偿效应［８７－９０］，两者存在紧密的关联。 ４．３．３训练样本和检验样本的确定 训练样本为支持向量机建立燃烧特性预测模型提供必要的“学习资料”，而检验样本 独立于训练样本，为检验预测模型提供新的信息。为此，将所有的经验数据分成两部分： 从８０个煤样数据样本中随即抽取７０个作为训练样本，剩余１０个数据样本作为检验样本。 ４．３．４差分进化算法控制参数设置 在利用差分进化算法对支持向量机进行优化之前，用户需要对差分进化算法的控制 参数进行设置。差分进化算法的控制参数包括：种群大小ⅣＰ、缩放倍数Ｆ和交叉率ＣＲ。 已有许多学者‘５咿１。９３１对控制参数的选择原则做了总结，指导用户对控制参数进行正确的设 置。本文采用ＤＥ／ｒａｎｄ／ｌ／ｂｉｎ优化策略，各控制参数的设置为：ＮＰ＝１００，Ｆ＝０．７，ＣＲ＝Ｏ．８５。

浙江大学硕士学位论文

４煤粉燃烧特性预测模型研究

４．３．５支持向量机超参数优劣评估 支持向量机模型优化相当于超参数的最优化设计，超参数的优劣性由目标函数评定， 要获得最优的超参数，就要寻找使目标函数值最小的超参数组合。本文利用１０重交叉验 证法【９４，９５１来计算目标函数值的大小。训练样本被分成１０个相等的子集，其中９个子集作 为交叉验证过程中的训练样本，另外１个子集作为交叉验证过程中的检验样本，通过轮流 替换检验样本子集，可以有１０种不同的方案。对于每一个超参数，通过对９个训练样本 子集进行训练，建立燃烧特性预测模型，接受１个检验样本子集的检验，预测检验样本子 集的燃烧反应动力学参数。用预测的动力学参数和检验样本子集的动力学参数之间的均方 根误差（ＲＭＳＥ）表示检验误差。因为存在１０种方案，所以每一个超参数都有１０个检验 误差，取检验误差的平均值作为该超参数的得分。因此，得分最低的超参数即最优的超参 数。 ４．３．６利用最优超参数建模 支持向量机的超参数按照４．３．５的方法进行优化设计，搜索空间和最优结果列于表４．１。 表中，Ｍｏｄｅｌ．Ｅ表示活化能和煤质指标之间的非线性关系模型，Ｍｏｄｅｌ．Ａ表示频率因子和 煤质指标之间的非线性关系模型。Ｍｏｄｅｌ．Ｅ和Ｍｏｄｅｌ．Ａ可以用于动力学参数的预测，进而 利用动力学参数研究煤粉的燃烧特性。将最优超参数应用于燃烧特性预测模型的建模，可 以保证预测模型具有合理的训练误差和很好的泛化能力。
表４．１动力学参数的搜索空间和最优搜索结果
ＤＥ．ＳＶＲ ｍｏｄｅｌｓ Ｃ Ｓｅａｒｃｈ ｓｐａｃｅ
ｙ
Ｓ

Ｔｈｅ ｏｐｔｉｍｉｚｅｄ ｖａｌｕｅｓ Ｃ １ ６５．８０４５ １ ８２．７４６１ ｙ ７．７４６９ １．５７８９
Ｓ

Ｍｏｄｅｌ．Ｅ Ｍｏｄｅｌ．Ａ

［１，２５０］ ［１，２００］

［０．０００ １，５０］ 【０．０００１，１０］

［０．０ １，０．０５］ ［０．０ １，Ｏ．０５］

０．０３５０ ０．０１６５

４．４煤粉燃烧预测模型的验证
为了检验煤粉燃烧特性预测模型能否正确反映煤粉燃烧特性与煤质指标之间的非线 性关系，利用预测模型分别对训练样本和检验样本的动力学参数进行预测，预测结果如 图４．２所示。从图中可以看出，不管是训练样本还是检验样本，预测的数据点都几乎形成 一条直线。对于利用训练样本进行检验的情况，预测的活化能和真实活化能之间的ＲＭＳＥ 为２．７０７，预测的频率因子和真实的频率因子之间的ＲＭＳＥ为０．１４３，说明预测的动力学参 数和真实动力学参数之间具有很高吻合度，表明所建立的预测模型具有较小的经验误差， 而且动力学参数和煤质指标之间的非线性关系已经通过预测模型建立起来。对于利用检验

样本进行检验的情况，预测活化能和真实活化能之间的ＲＭＳＥ为２．５７１，预测频率因子和 真实频率因子之间的ＲＭＳＥ为０．２４５。因为检验样本没有参与预测模型的建模ｉ；ｌｌ练，所以 预测结果的准确性说明预测模型在建模过程中并未出现过拟合问题。

＝ｏ严上Ｊ、ｒ＇）Ｉ一∞＿可口亡一ｃ∞．Ｉ一ｃ州－ｏ山口∞一ｕ口ｏ＿ＪＬ

，．ｃ—Ｉ＿ｌＪ一∞叮口Ｅ亡一 毋．Ｉ＿∞ｃ一ｏ≮［口∞一ｕ刁ｏ．１正

一ｏＥ、ｆ）Ｉ一毋∞可一３０ ｏｃ∞一－山口∞一。可∞Ｌ乱 一．ｃ广一町＝Ｉ口＿３０一ｏＬ｜∞工＿Ｉｏ《ｃ一口∞芑 ．Ｉ山
Ａｃｔｕａｌ

Ｅ（ｋＪ／ｍ０１）

Ａｃｔｕａｌ

ＩｎＡ（ｒａｉｎ。１）

图４．２利用７０个训练样本和１０个检验样本对煤粉燃烧特性预测模型Ｍｏｄｅｌ—Ｅ和Ｍｏｄｅｌ．Ａ进行验证：图４．２ａ 和图４．２ｂ是预测模型对训练样本的预测结果，表明预测模型具有较低的经验误差而且煤粉燃烧动力学参数 和煤质指标之间的非线性模型已经建立起来。图４．２ｃ和图４．２ｄ是预测模型对检验样本的预测结果，表明预 测模型没有出现过拟合问题。

４．５煤粉燃烧特性预测模型的应用
４．５．１

动力学参数预测 从ｇ（４．２）和（４．３）中可以看出，通过煤质指标可以预测得到煤粉燃烧反应的活化能，

不同的是，频率因子的预测还需要活化能作为输入参数，因此，在实际应用，活化能和频
率因子并不是同时预测得到的，而是先利用煤质指标预测活化能，再将预测的活化能和煤

质指标一起作为输入参数预测频率因子。 为了研究所建立的燃烧特性预测模型在实际应用中的性能，按照先活化能后频率因 子的预测方法预测１０个检验样本的动力学参数。活化能的预测结果和图４．２ ｃ的结果一样，
２０

浙江大学硕士学位论文

４煤粉燃烧特性预测模型研究

频率因子的预测结果如图４．３所示。以正确的活化能作为频率因子预测模型的输入参数， 预测的频率因子和真实频率因子之间的ＲＭＳＥ为ｏ．２４５；以预测的活化能作为频率因子预 测模型的输入模型，预测的频率因子和真实频率因子之间的ＲＭＳＥ为０．５６５。这两种情况 的预测误差相差不大，表明利用预测的活化能代替正确的活化能作为输入参数并没有带来 较大误差，所以，在实际应用中，先预测活化能再预测频率因子的方法是合理的，煤粉燃 烧特性预测模型的联立使用能够准确地预测煤粉燃烧反应的动力学参数。

Ａｃｔｕａｌ ＩｎＡ ｏｆ ｔｈｅ ｔｅｓｔ ｓａｍｐｌｅｓ（ｍｉｎ。）

图４．３联合Ｍｏｄｅｌ—Ｅ和Ｍｏｄｅｌ．Ａ预测１０个检验样本的频率因子

４．５．２基于神经网络的煤粉燃烧特性预测模型 反向传播神经网络（ＢＰＮＮ）是一种基于误差反向传播算法的多层前向网络［９６１。ＢＰＮＮ 在诸多领域具有广泛的一个用，因为其具有很多的优点，包括：复杂的动态特性、并行处 理机制、自学习能力、联想记忆、推理意识、自组织自适应能力、故障容许和鲁棒性［９７１。 因此，可以考虑利用ＢＰＮＮ进行煤粉燃烧特性预测研究。利用ＢＰＮＮ建立煤粉燃烧特性 预测模型的过程可以用式（４—２）和（４．４）表示。

ｌｎＡ＝厂（Ｍｏｄ，ＦＣｄ，‰，Ｉ－Ｉ，，Ｓ．ｄ）

（４—４）

以５个煤质指标作为输入参数，以活化能和频率因子作为输出参数，可以确定ＢＰＮＮ模型 的输入节点数和输出节点数分别为５和２。理论上，３层神经网络能够实现对任意函数进 行任意精度的逼近，从简化网络结构的角度出发，本文采用３层神经网络结构进行建模， 并从２个方面对ＢＰＮＮ模型进行优化：隐层节点数和训练函数。通过逐一改变隐层节点数
（１～１ ５）改变模型的结构，同时，对每一个模型结构分别试验了１３个不同的ｉｌｌＩ练函数，

最终，根据训练样本和检验样本的预测精度挑选最优的网络结构为５×６×２网络，最优训 练函数为ｔｒａｉｎｓｃｇ。ＢＰＮＮ模型通过训练，获取训练样本的信息，将经验知识存储在网络 权重中，最终形成煤粉燃烧特性和煤质指标之间的隐性映射关系。从某种程度来讲，ＢＰＮＮ
，１

浙江大学硕士学位论文

４煤粉燃烧特性预测模型研究

和ＳＶＭ在原理上是相似的，因此，本文引入ＢＰＮＮ模型，和支持向量机模型（简称为 ＤＥ．ＳＶＲ模型）进行比较。 ４．５．３热重分析曲线预测 根据方程（３．９），热重分析曲线是动力学参数的函数。ＢＰＮＮ模型和ＤＥ．ＳＶＲ模型预 测得到的动力学参数分别确定了不同的热重分析曲线，简称为ＢＰ．ｃ１．１１ｗｅ和ＳＶＲ－ｃｕｒｖｅ。预 测的热重分析曲线在不同程度上偏离试验分析曲线。以试验分析曲线为标准，计算 ＢＰ．ｃｕｒｖｅ和ＳＶＲ．ｃｕｒｖｅ相对于试验分析曲线的ＲＭＳＥ。由ＲＭＳＥ反映ＢＰＮＮ模型和ＤＥ．ＳＶＲ 模型的预测精度，可以衡量这两种模型的优劣。检验样本的热重分析数据预测值的ＲＭＳＥ 如图４．４所示，其中，ＳＶＲ．ｃｕｒｖｅ的ＲＭＳＥ平均值和最大值分别为０．０２９和ｏ．０５２，ＢＰＮＮ．ｃｕｒｖｅ 的ＲＭＳＥ的平均值和最大值分别为０．０４９和０．１３２。总体上，ＤＥ．ＳＶＲ模型的预测精度高 于ＢＰＮＮ模型。 ＳＶＲ．ｃｕｒｖｅ对试验热重分析数据的拟合情况如图４．５所示：样本３的拟合效果最好， 预测的热重分析曲线和试验热重数据完全重合；样本７的拟合效果中等，预测的热重分析 曲线和试验热重数据偏离较小；样本９的拟合效果最差，但偏差在可以接受得范围之内。 这三个不同预测精度的样本代表了预测的热重分析。换言之，ＤＥ．ＳＶＲ模型能够利用煤质 指标较好地预测煤粉的燃烧特性。

４．６本章小结
选取８０个国内外常用动力煤，进行了工业分析、元素分析和非等温热重分析。利用 Ｃｏａｔｓ．Ｒｅｄｆｅｍ方法对热重分析数据进行了化学动力学分析，计算煤粉燃烧反应的活化能和

Ｔｅｍｐｅｒａｔｕｒｅ（。Ｃ） 图４．４ ＤＥ．ＳＶＲ模型和ＢＰＮＮ模型对热重分析曲线的 图４．５ ３个典型的检验样本的预测热重分析曲线对试

预测精度的比较。

验数据的拟合效果。

浙江大学硕士学位论文

４煤粉燃烧特性预测模型研究

频率因子。以８０个煤样的工业分析、元素分析、动力学参数为支持向量机的样本数据，
建立煤粉燃烧特性和煤质特征之间的非线性关系模型（ＤＥ．ＳＶＲ模型）。同时，建立一个
５×６

ｘ２神经网络模型（ＢＰＮＮ模型），，和ＤＥ．ＳＶＲ模型进行比较。 １．利用训练样本和检验样本对ＤＥ．ＳＶＲ模型进行验证，结果表明，模型具有较小的

经验误差，并且训练过程没有出现过拟合问题。 ２．对检验样本的动力学参数进行预测，其中活化能预测的均方根误差（ＲＭＳＥ）为 ２．５７１，频率因子预测的均方根误差为０．５６５，误差足够小，表明ＤＥ—ＳＶＲ模型具有很好的
泛化性能。

３．联合两个ＤＥ．ＳＶＲ模型，能够准确地预测煤粉燃烧反应的动力学参数。 ４．通过ＤＥ．ＳＶＲ模型预测动力学参数，并进一步预测得到的热重曲线，与实际热重 试验数据具有很好的拟合度。 ５．ＤＥ．ＳＶＲ模型比ＢＰＮＮ模型均能利用煤质特征预测动力学参数，但ＤＥ．ＳＶＲ模型 具有更高的预测精度。

浙江大学硕士学位论文

５

煤灰熔融性预测模型研究

５煤灰熔融性预测模型研究
一方面，煤质指标代表了特定地质年代的煤系特征。同一地质历史过程中形成并发 育而成的含煤岩系，其煤质特征具有诸多的共性；不同地质年代的煤系受成煤环境的影 响，煤质表现出各具特色的性质。另一方面，地质年代对煤灰熔融性的控制作用显著， 通过地质年代可以大致估计煤灰的熔融性温度。因此可以认为，煤质指标通过成煤地质 年代与煤灰熔融性相关联。本文尝试建立煤质和煤灰熔融性之间的关系模型。
５．１

成煤环境对煤质的控制作用
自然界中的高等植物遗体堆积于泥炭沼泽内，经过泥炭化作用逐渐转变为泥炭；低

等植物及浮游生物堆积于泥炭沼泽内，经过腐泥化作用逐渐转化为腐泥。在煤化作用下， 泥炭转变为褐煤、烟煤和无烟煤，腐泥则转变为腐泥褐煤、腐泥烟煤和腐泥无烟煤‘９８１。 所以，煤的性质不仅受到成煤原始物质的影响，还取决于成煤过程中所经历的成煤环境。 在泥炭化阶段，控制煤质的因素主要是泥炭沼泽环境；在煤化作用阶段，控制煤质的因 素主要是煤系沉浸环境。 ５．１．１泥炭沼泽环境 泥炭沼泽的垂直剖面可划分为３层：氧化环境的表层，过渡条件的中间层，还原环 境的底层［９８１。由于泥炭沼泽不同深度的氧化还原条件不同，植物残骸经过生物化学作用 之后，转变为丝质组、镜质组和壳质组。镜质组富氢、低碳，热解过程有粘性，属于工 艺过程中的活性组分；丝质组贫氢、富碳，热解过程中不产生胶质体，是惰性组分。煤 岩组分的工艺特性差异，造成相同变质程度的煤的煤质特征和煤类发生明显变化【９９１。因 为煤岩组成直接受泥炭沼泽环境的影响，所以泥炭沼泽环境对煤质特征起着重要的控制
作用。

５．１．２煤系沉积环境 当泥炭表面河流活动频繁，沼泽环境经常不稳定，使煤层厚度变化较大；成煤植物 被多次搬运，使煤岩显微组分破碎并混杂一起，煤中矿物质多，煤灰含量增大。河流退 去后，湖泊出现，由泛滥盆地、湖泊三角洲演化而成的泥炭沼泽环境相对比较稳定，形 成分布面积大，矿物少，煤灰分含量低得煤层。总的而言，泥炭沼泽持续发育的地带较 间断发育的地带煤中矿物杂志含量低，成煤环境越稳定，进入泥炭沼泽的矿物质越少， 形成的煤层灰分就越低［９９］。

５．２地质年代对煤灰熔融性的控制作用
我国大型煤炭基地包括神东、晋北、晋东、蒙东（东北）、云贵、河南、鲁西、晋
’４

浙江大学硕士学位论文

５煤灰熔融性预测模型研究

中、两淮、黄陇（华亭）、冀中、宁东和陕北共１３个基地，各矿区含煤地层的沉积环境 差异和聚煤特征差异，使矿区煤质特征和煤种类别产生巨大的影响，同时煤灰熔融性也 随地质年代发展呈现出一定的规律。我国１３个动力煤生产基地各矿区的含煤地层所属 地质年代和煤灰熔融性温度归纳总结于表５．１和表５．２（续），不同地质年代的煤灰软化 温度分布范围如图５．１所示，石炭、二叠纪煤系总体而言比侏罗纪煤系和第三纪煤系具 有更高的煤灰软化温度。

５．３煤灰熔融性预测模型样本介绍
以７７个不同煤矿的煤种作为研究的对象，这些煤种覆盖了我国动力煤的常用来源。 根据ＧＢ
ＧＢ／Ｔ ２１２．２００８，ＧＢ／Ｔ ４７６．２００８，ＧＢ ２１４．２００７，ＧＢ／Ｔ １９２２７．２００８，ＧＢ／Ｔ ２１３．２００８，

２１９．２００８，对７７个煤样进行了工业分析、元素分析和弱还原气氛下的灰熔融性检

测试验。图５．２是７７个煤样根据挥发分（干燥无灰基）的统计结果。Ｖｄａｆ的范围是 ７．６％～５４．１％，表明７７个煤样包含了无烟煤、烟煤和褐煤。图５．３是７７个煤样根据软化 温度（ＳＴ）的统计结果。其中，软化温度最低的是１１２１℃，最高的软化温度大于１５００。Ｃ。
５．４

ＤＥ．ＳＶＭ在煤灰熔融性预测建模中的应用

５．４．１煤样数据预处理 煤样数据按照软化温度随即分成训练样本和检验样本２部分，训练样本和检验样本 的比例约为４：Ｉ，训练样本和检验样本在各软化温度范围内的个数列于表５．３中。煤灰熔 融性预测模型基于６２个训练样本进行训练建模，利用其余的１５个检验样本进行检验模 型的综合性能。煤灰熔融性预测模型以煤质指标作为输入变量：空干基水分（Ｍａｄ），干 燥基灰分（Ａｄ），干燥基氢含量（Ｈｄ），干燥基全硫分（Ｓ。．ｄ），空干基氧量（Ｏ。ｄ），低位 发热量（Ｑ。。。．ａｄ）。各输入变量按照Ｌ（４．１）进行归一化处理。

浙江大学硕士学位沦文

５煤灰熔融性预测模型研究

表５．１我国１３个煤炭基地各矿区的含煤地层所属地质年代及煤灰熔融性温度１２】 煤炭基地 神华集团煤炭基地 矿区 保德矿 其它各矿 大同矿区 晋北煤炭基地 朔州矿区 潞安矿区 晋东煤炭基地 晋城矿区 阳泉矿区 蒙东煤炭基地 铁法矿区 小龙潭煤田 昭通矿区 云贵煤炭基地 先锋矿区 水城矿区 盘江矿区 煤炭基地 河南煤炭基地 矿区 义马煤矿 永城矿区 兖州矿区 枣庄矿区 安徽两淮煤炭基地 淮南煤矿 淮北矿区 黄陇矿区 黄陇（华亭）矿区 华亭矿区 霍林河矿区 石炭、二叠纪煤系 晚石炭世、早二叠世 石炭、二叠系 石炭、二叠系 上侏罗统霍林河组 晚侏罗世煤系
日《｝笛＝纪煤桑 日６｝笛＝纪煤桑
ｚ

含煤地层 石炭、二叠纪煤系 中．下侏罗统延安组 早．中侏罗世煤系

变形温度ＤＴ（℃）
＞１４００

软化温度ｓＴ（℃）
＞１５００ ＜１２５０

流动温度ＦＴ（℃）
＞１５００ ＜１３００ “１２４５ ＊１６００ ＞１４５０

ｚ

１１０１ １４５０

≈１１６９
ｚ

ｚ

１５００

＞１４２０

＞１４００ “１２６２

＞１５００ ＞１５００
ｚ

１３６０ １３４０

＞１４５０
ｚ

１３１４

ｚ

１３６７

１０３０～１２７０

１１２０～１３３０ １１８０～１２４０

１１７０～１３６５ １２３０～１２８０ ≈１３９５ 搿１４１５
ａ

晚第三纪煤系 晚二叠世宣威煤系 晚二叠世宣威煤系 含煤地层

ｚ

１２７５

≈１３５０ ≈ｌ ３１５ ≈１３５０

“１２３０
ｚ

１２７５

１３９５

变形温度ＤＴ（℃）
ｚ

软化温度ＳＴ（℃）
≈１ ３１５
ｚ

流动温度ＦＴ（℃）
≈１４１５
ｚ

早冲侏罗世煤系
石炭、二叠系 石炭、二叠系 石炭、二叠系 石炭、二叠系 石炭、二叠系 侏罗系下统延安组 下侏罗世华亭组

１２３０
１２５０

ｚ

１４００

１５００

１３７０－１５００ ≈１３５０ ＝１４４０
≈１３９ｌ

１４２０～１５００

鲁西煤炭基地

＞１４００
ｚ

１４５７
１４０２

＝１４７５
ｚ

ｚ

１４２２

１ ０６０～１２３０
ｚ

１１００～１２９０
ｚ

１１３０～１３２０
ｚ

１１６０

１２２０

１２４０

注：表格数据来源于煤炭科学研究总院北京煤化工研究分院。

２６

雹

，＿、

ｐ
、－一

卜 ‰

划
赠 状害刮掣蚕器掣锺艘《蝼ｎ

窬 烬

ｏ ｏ ∽ 一 ２ ｏ ｏ 寸 一

－●●。●●●●●●●＿＿＝：霭｜｜｜｜惑｜｜｜｜｜｜｜｜｜｜｜｜｜｜｜｜｜｜｜｜｜｜｜｜｜｜ｊ｜｜ｊ｜｜ｊ
ｏ ｏ Ｎ 一
疆

ｏ ｏ ｎ
Ｖ

ｏ ｏ
－ｎ

一
＾

，＿、

卜∞－Ｉｌ兰ｏ≯．Ｉｏ＿＝一

ｐ
、－，

卜 ∽

ｏ ｎ ｍ —
ｎ

ｏ
Ｉｎ

ｏ ｎ 一 Ｎ 一 —
琏 Ｖ

ｏ ｏ ｎ 一 ２ ｏ
ｖ、

—、

一

《一
ｓａｌｄｔｕＢｓ ＩＢＯ：，ｊｏ
，＿、

眯好ｒ｝１螺留Ｌ∽巡赠ｇ餐掌娶婪囊七譬ｃ－”团
ｍｎｏＤ

ｐ
、一

卜 。

蟋
赠 絷 制

ｏ ｏ 一 一
ｎ

ｏ ｏ 寸 一 ２ ｏ ｏ
—、

一

、灏 髅

地 螂 喇 聋 １１ １１ 喽 如 粼 粼
， ，

№ 旧

垛 蜒 矧 舷 划 越 弧 送 昨

垛 囊 蟋 嫩 职 测 喇
职

弧 送 粼
，

姐

宝

器

寓

竺

２

呐

。

眯旱手ｉ螺留众《杰｝举晕繁蝼七瓮Ｎ．ｎ圈

ｓａｌｄｍＢｓ ＩＢ０３ ｊｏ ｌｕｎ０２）

凶 凶 】型 协 奄

日 阻 蟋 囊 职 赋 喇

。遮太状枣Ｈ芒蠖长累迟避承拳特箕越囊岫憋率《饕啭一翅

奄 镁 鬃 景 譬

除

逑 粼 颦 阻 延 ＿ Ⅵ
基

霉 张

霉 瑚

田

粼
蝼 导

粼
蟋

蝼 婚 伽

霉 辅 划 蜒 ＿ —阿 餐 困擦梧众。巡赠暮《 囊墨鬈廿峻舞匣佟一．ｎ圈

澈

以袋堪朴１二晕特长域接

（３。）上Ｓ莓暇计骆

浙江大学硕士学位论文

５煤灰熔融性预测模型研究

表５．３灰熔融性类别的分类标准和各类别中训练样本与检验样本的个数 灰熔融性类别 分类标准 训练样本个数 检验样本个数
Ｌ．ＳＴ

Ｍ—ＳＴ
ＳＴ＝１２０６～１ １２ ３

Ｈ．ＳＴ

ＳＴ＜１２０６［ｏＣ］
２５ ６

３９０［。Ｃ］

ＳＴ＞１３９０［。Ｃ】
２５ ６

５．４．２支持向量机超参数的优化过程 利用支持向量机对６２个煤样数据（训练样本）进行，建立煤灰熔融性温度与煤质之 间的非线性关系模型。支持向量机超参数控制了支持向量机对煤样信息的甄别准则。支持 向量机按照超参数设定好的准则决定煤样信息数据的提取或丢弃。支持向量机在分类问题 中涉及两个重要的超参数：正则化参数ｃ和核参数ｙ。参数Ｃ的作用是对小训练误差和大 分类间隔进行折中‘４７１。Ｃ值越大，表示在建模过程中越注重降低训练误差，但Ｃ值太大， 将是分类间隔太小而泛化能力降低；反之，ｃ值太小将使训练误差太大，模型无法正确表 示煤质与煤灰熔融性之间的关系。核参数ｙ越小，分类面越复杂，能够越好地吻合每一个 训练样本数据，但是过分小的／值会导致过拟合问题［４刀。 本文利用差分进化算法对支持向量机的超参数进行优化，最优超参数组合确定为 （ｃ，ｙ）：（３５９．０２９，７．９９６４）。差分进化算法的优化策略的一般表示为：ＤＥ／Ｘ／Ｙ／Ｚ‘５ ０１。按照这种 表示方法，本文的优化策略可以写为：ＤＥ／ｂｅｓｔ／１ ｗｉｔｈｊｉｔｔｅｒ／ｂｉｎ。当前种群的变异向量Ｍ… 的构造方法为： Ｍ。＝ｖ６。．ｆ。＋（Ｆ＋（１一ｏ．９９９９）ｘＲ）ｘ（ｖ，１，纽，一Ｖｒ２，ｌａｓｔ），ｉｅ［１，＾明≠ｒｌ≠７’２
（５－１）

式中，ｖ№胁为上一代中的最优解；（ｖｎ蛔一Ｖｒ２，／ａｓｔ）为两个随即向量的差；缩放Ｎ子Ｆ ｅ［０，２］， 用于控制差向量的缩放倍数［５０１；随机数Ｒ∈（ｏ，１）使变异向量产生扰动，从而提高种群的多 样性。 超参数的优化的原理如图５．４所示，主要步骤解释如下。 １．超参数组合（ｃ，ｙ）表示为一个２维的解向量，解向量的搜索范围预先设置，最小为 ［１００，０．００１］，最大为［１０００，１００］。 ２．在预设置的搜索范围内随机产生第一代种群，表示未经任何优化的解向量初始值，
种群大小ＮＰ＝－１００，表示每一代种群中包含１００个待优化的解向量，种群的大小在进化过

程中保持不变。 ３．利用１０重交叉验证评估种群中每一个解向量的适应度值。６５个训练样本分成１０ 个大小大致相等的子集，确保每一个子集都包含煤灰熔融性的３个类别。取当前种群的一

浙江大学硕士学位论文

５煤灰熔融性预测模型研究

个解向量作为建模的超参数，对其中的９个子集进行训练，利用另一个子集检验所建模型 的预测精度。所谓１０重，就是轮流替换１０个子集作为检验样本，获得解向量对１０个检 验样本的预测精度，取１０个预测精度的平均值作为该解向量的适应度值。将１０重交叉验 证应用于种群中的每一个解向量，可以评估出种群中具有最高预测精度的解向量，即当前 种群的最优解。 ４．选择当前种群中适应度值最大的解向量，作为局部最优解。 ５．如果终止条件满足，则选择局部最优解作为全局最优解；否则，继续优化，转第
六步。

６．利用差分进化算法对种群进行更新。首先，上一代的最优解Ⅵ。妇参与构造变异向 量，如Ｌ（５．１）所示，可以将上一代种群中最优的基因传递到当前种群，提高优化的速率。 然后，将变异向量和上一代种群向量“交叉”，产生ⅣＰ个试验向量，与上一代种群中的

御个解向量相对应。最后，上一代种群每一个解向量和相应的试验向量按照随机概率，
组合出新的解向量，即当前种群。经过差分进化算法对种群的更新，种群将朝着最优解的 方向进化。之后，优化过程转到第三步，直至满足终止条件为止。 ５．４．３煤灰熔融性预测模型训练过程 支持向量机对６７个煤样数据进行训练，根据支持向量确定能够正确区分煤灰熔融性 的最优分类面，建立煤灰熔融性分类预测模型。支持向量机在超参数的限制下，从训练样 本中提取关键信息，调整支持向量的位置和个数，使分类面能够以足够的准确率把不同类 别的煤样区分开来。当分类面的分类间隔最大时，所确定的分类面为最优分类面，所建立 的煤灰熔融性预测模型为最优模型。

５．５煤灰熔融性预测结果与分析
５．５．１

对训练样本的预测结果与分析 支持向量作为煤灰熔融性预测模型的骨架，来自训练样本的一个稀疏子集，能够有

效降低模型的复杂性和提高建模效率。但是，支持向量毕竟不包含训练样本的所有信息， 因此，煤灰熔融性预测模型新建立之初，需要对其正确性进行验证。本文利用训练样本对
煤灰熔融性预测模型进行验证，图５．５为煤灰熔融性预测模型对６２个训练样本的预测结

果。从图中可见，６２个煤样的实际煤灰熔融性类别和预测类别完全吻合，表明所建立的 煤灰熔融性预测模型能够正确地表达煤质与煤灰熔融性类别之间的非线性关系。

浙江大学硕士学位论文

５煤灰熔融性预测模型研究

５．５．２对检验样本的预测结果与分析 检验样本因为没有参与煤灰熔融性预测模型的训练过程，对模型而言，检验样本是 不可见的，是全新的，所以，检验样本可以检验煤灰熔融性预测模型对新煤样的泛化能力。 煤灰熔融性预测模型对１５个检验样本的预测结果如图５．６所示。从图可见，大多数的检 验样本的煤灰熔融性类别能够被准确地预测，总体预测准确率为１３／１５＝８６．７％。尽管检验 样本的数据分布存在不均衡情况，即中等没灰熔融性类别（Ｍ．ＳＴ）样本个数相对高煤灰 熔融性类别（Ｈ—ＳＴ）和低煤灰熔融性类别（Ｌ．ＳＴ）少，但是模型各类别的煤样预测精度 并没有失衡，Ｍ．ＳＴ煤样的预测准确率为２／３＝６６．７％。另外，Ｌ．ｓＴ和Ｈ．ｓＴ煤样的预测准 确率分别为８３．３％和１００％。因此，可以得出结论：煤灰熔融性预测模型能够利用煤质指 标准确地对煤灰熔融性类别进行预测。

５．６本章小结
煤的性质不仅受到成煤原始物质的影响，还取决于成煤过程中所经历的成煤环境。 在泥炭化阶段，控制煤质的因素主要是泥炭沼泽环境；在煤化作用阶段，控制煤质的因素 主要是煤系沉浸环境。一方面，煤质指标代表了特定地质年代的煤系特征。同一地质历史 过程中形成并发育而成的含煤岩系，其煤质特征具有诸多的共性；不同地质年代的煤系受 成煤环境的影响，煤质表现出各具特色的性质。另一方面，地质年代对煤灰熔融性的控制 作用显著，通过地质年代可以大致估计煤灰的熔融性温度。因此可以认为，煤质指标通过 成煤地质年代与煤灰熔融性相关联。 本章研究了煤质特征和煤灰熔融性类别之间的非线性关系。以７７个不同煤种样本数 据为基础，利用支持向量机建立了煤灰熔融性预测模型。７７个煤样按照煤灰熔融性软化 温度分为３个类别：Ｌ．ＳＴ（ＳＴ＜１２０６℃），Ｍ．ＳＴ（ＳＴ＝１２０６－１３９０。Ｃ），Ｈ—ＳＴ（ＳＴ＞１３９０。Ｃ）。 煤灰熔融性类别通过支持向量机模型与煤质特征相关联，并利用差分进化算法对支持向量 机超参数进行了优化。煤灰熔融性预测模型对６２个训练样本的预测准确率为１００％，对剩 余１５个检验样本的预测准确率为８６．７％。结果表明，煤灰熔融性预测模型能够准确地利 用煤质指标预测煤灰熔融性类别。

浙江大学硕士学位论文

５煤灰熔融性预测模型研究

图５．４差分进化算法优化超参数流程

∞一ｏ≯ｏ一≯＝Ｉ ｏＩｓｎＪ ＩＩ∞＜

∞一ｏ＞一≯＝一 。一∞ｎＪ ＬＩ∞＜

Ｔｈｅ ｔｒａｉｎｉｎｇ ｃｏａｌ ｓａｍｐｌｅｓ

Ｔｈｅ ｔｅｓｔｉｎｇ ｃｏａｌ ｓａｍｐｌｅｓ

图５．５训练样本（６２个）煤灰熔融性的预测结果

图５．６检验样本（１５个）煤灰熔融性的预测结果

３１

浙江大学硕士学位论文

６煤粉特性对燃烧影响的实验研究

６煤粉特性对燃烧影响的实验研究
空气分级燃烧技术存在低ＮＯ。排放和锅炉高效燃烧的相互协调问题。低ＮＯ。空气分 级燃烧技术能有效降低燃煤电站锅炉的ＮＯ。生成量，同时，该技术使炉膛出现局部还原性 气氛，导致飞灰可燃物增多，锅炉效率降低。因此，研究煤粉特性对燃烧的影响，保证煤 粉较高的燃烧效率，有利于增大ＮＯ。排放量的可降低空间，对空气分级燃烧技术的实际应 用具有推动作用。

６．１煤粉细度对燃烧特性影响的实验研究
煤粉细度是影响燃烧特性的重要因素，通过改变煤粉粒径，改变煤粉的物理结构和 化学性质，提高煤粉的燃烧性能，逐渐成为学术界和工程中关注的焦点之一［１００１。本节通 过热重试验，研究不同煤粉细度的优混煤的燃烧特性，探索煤粉细度对燃烧特性的影响。 试验煤种的煤质指标列于表６．１中。利用钢球磨煤机对试验煤样进行研磨，通过控制 研磨时间制备煤粉细度分别为Ｒ９０＝１０％、１５％、２０％、２５％、３０％的煤样。将这５种不同 细度的煤样放置于ＮＥＴＺＳＣＨ
ＴＧ

４０９Ｃ热重分析仪中，控制空气流量为９５ｍＬ／ｍｉｎ，以

１５Ｋ／ｍｉｎ的升温速度将煤样从５０。Ｃ加热到１０００。Ｃ，并自然冷却至室温。对热重曲线进行 分析，获取煤粉燃烧过程的基本特征参数。
表６．１不同煤粉细度试验煤种的煤质指标 煤种
Ｍ。ｄ
５．４０

Ａｄ
１６．２８

Ｖｄａｆ ３８．５２

Ｈｄ
３．９０

Ｏ。ｄ ９．９４

Ｎ。ｄ １．０６

ｓ。，ｄ ０．７２

Ｑ。。ｔ，。ｄ
２４．８２

ＳＴ

ｌ优混ｌ

Ｉ＞１４００

从图６．１～图６．３中可以看出，煤粉的挥发分析出温度和着火温度随煤粉细度的增大而

增大，可燃性指引１０１１减小，说明煤粉细度增大使煤粉着火变得困难。
燃尽温度和燃尽特性指数［１０２］反映了煤粉在燃烧后期的反应活性，如图６．４所示，煤 粉细度Ｒ９０从１０％增加到３０％过程中，燃尽温度提高了２０。Ｃ，燃尽特性指数从６７．６降低 到５９．３，说明细度越大的煤粉越难完全燃烧。因此，为了提高煤粉的燃烧利用率，煤粉细 度不应过大。 随着煤粉细度的增大，煤粉燃烧的剧烈程度有所降低，体现为最大失重速率的降低， 同时，峰值温度从４６０。Ｃ推迟到４８０。Ｃ．平均燃烧速率变小，如图６．５～图６．７所示。

综合燃烧特性指引１０２１是一个全面反应煤粉燃烧性能的综合性指数，综合燃烧特性指
数越大，表明煤粉的着火性能和燃尽越好。如图６．８所示，煤粉细度越小，综合燃烧特性 指数越大。从提高煤粉燃烧性能的角度而言，降低煤粉细度是非常有利的。

浙江大学硕士学位论文

６煤粉特性对燃烧影响的实验研究

草
、一

篓
兰

蚕
二

萎
划 鞑

零
襄

Ｒ们（％）

图６．１挥发分析出温度随煤粉细度的变化曲线

图６．２着火温度随煤粉细度的变化曲线

。醵磐型餐口

懒脓。（％）
图６．３可燃性指数随煤粉细度的变化 图６．４燃尽温度和燃尽特性指数随煤粉细度的变化

釜

姜

√

料
捌

藜 ＜
蜢

＾ｕ ）越— 趋磐

懒积。（％）
图６．５最大失重速率随煤粉细度的变化曲线

涮辨啵Ｒ。（％）

图６．６峰值温度随煤粉细度的变化曲线

３３

浙江大学硕士学位论文

６煤粉特性对燃烧影响的实验研究

图６．７平均燃烧速率随煤粉细度的变化曲线

图６．８综合燃烧特性指数随煤粉细度的变化曲线

６．２煤粉表面性质对燃烧影响的实验研究
６．２．１氮吸附试验 煤粉经过研磨之后，煤粉颗粒的表面性质将会发生改变。以优混煤为试验煤种，研 磨至Ｒ９０介于１０％和３０％之间的５个不同细度的煤样，按下式
估算比表面积（ｍ２／ｇ）×煤样质量（ｇ）＝５ｍ２／ｇ

（６－１）

取合适的煤样质量，使实验样品的总表面积约为５ｍ２，进行氮吸附试验，分析煤样的表面 性质参数。试验样本的煤粉细度和质量列于表６．２中。
表６．２氮吸附实验煤样的煤粉细度及样品质量 煤样１ 煤样２
１５．４５ １．２２

煤样３
２０．３３ １．２６

煤样４
２４．９１ １．２４

煤样５
２９．７４ １．２１

煤粉细度Ｒ如（％）
样品质量（ｇ）

１０．０８ １．２６

氮吸附试验在美国康塔公司氮吸附仪上进行。煤样先在２００。Ｃ下真空脱气３小时，除 去吸附在煤粉孔隙中的空气分子。以９９．９９％的氮为吸附质和分析气体，在相对压力ｐ／ｐｏ （Ｐ为样品管内压力，ＰＤ为参比站内氮蒸汽饱和压力）为０．０～１．０范围内的４０个不同测量 点处，测量煤样对氮分子的吸附量和脱附量。 ６．２．２等温吸附线和吸附回线分析 各煤样的等温吸附线如图６．９～图６．１３所示，呈倒ｓ线，属于第２类等温吸附线：低 压区吸附量小，吸附速度慢，吸附线上凸，存在拐点；高压区氨吸附量急剧上升，直到饱 和蒸汽压力仍未出现吸附饱和‘１０３１。吸附回线发生在０．４５１～１．０范围内，按国际纯化学与应
用化学联合会（ＩＵＰＡＣ）推荐的分类方法，吸附回线属于Ｈ３类型，裂缝形孔或板状粒子 产生这种回线‘１０３１。

浙江大学硕士学位论文

６煤粉特性对燃烧影响的实验研究

图６．９煤样１的等温吸附线

图６．１０煤样２的等温吸附线

ｂ
Ｕ

暖
窨！

。

相对压力ｐ，ｐ０

相对压ＣＪｐ／ｐ。

图６．１ １煤样３的等温吸附线

图６．１２煤样４的等温吸附线

茜
ｂ

３ ｍ｝ 萎 爸

相对医力ｐ／ｐ。

图６．１３煤样５的等温吸附线

利用康塔公司的Ａｕｔｏｓｏｒｂ软件对等温吸附线和吸附回线进行分析，获得各煤样的表
面性质参数，如表６．３所示，试验煤样的ＢＥＴ比表面积范围是３．５１～３．７４ｍ２／ｇ，ＢＪＨ累积

脱附孔体积范围是０．０２０２～０．０２５７ｃｍ３／ｇ，平均孔径范围是２０．６０～２７．７８ｎｍ。

浙江大学硕士学位论文

６煤粉特性对燃烧影响的实验研究

表６．３试验煤样的表面性质参数 煤样１ ＢＥＴ比表面积（ｍ２／ｇ）
３．５３ ２．５７ ２７．７８

煤样２
３．５ｌ ２．４７ ２７．０７

煤样３
３．７４ ２．５１ ２５．６０

煤样４
３．７２ ２．０４ ２０．６０

煤样５
３．６３ ２．０２ ２０．８５

ＢＪＨ累积脱附孔体积（１０．２ｃｍ３／ｇ） 平均孔径（ｎｌｎ）

６．２．３煤粉表面性质对燃烧特性的影响 在煤粉燃烧的前期，挥发分吸热后从煤炭颗粒中析出，开始了燃烧过程的第一步， 煤粉颗粒的表面性质将对挥发分在固体煤炭颗粒中的迁移会产生影响。在煤粉燃烧的核心 阶段，焦炭和氧气的反应非常剧烈，放出大量的温度，分子具有较高的活性，能够比较容 易地突破活化能壁垒，同时氧化反应消耗大量的氧气，因而在这个阶段，气体扩散成为限 制反应速度的主因。如上节所述，煤样１～煤样５具有不同的表面性质。本节结合热重分 析试验，研究优混煤在具有不同表面性质时的燃烧特性。 从图６．１４中可以看出，挥发分析出温度、着火温度、峰值温度和燃尽温度呈现相同 的变化规律，都随着煤粉平均孔径的增大而降低，分析可能的原因是：发达的孔隙结构更 加有利于热量向煤粉颗粒内部传递，使挥发分在较低的温度下能够向固体表面迁移、析出、 扩散，挥发分的提前析出将促使整个燃烧过程提前，使着火温度、峰值温度和燃尽温度降 低。图６．１５表明，增大煤粉的平均孔径对煤粉的着火、稳燃和燃尽是有利的，综合燃烧 性能随平均孔径的提高而提高。 图６．１６和图６．１７是煤粉ＢＥＴ比表面积对煤粉燃烧特征参数的影响。煤粉孔隙包含大 孔、中孔和微孔。微孔对构成煤粉表面积起主要作用，中大孔的减少和微孔的增多将使煤 粉比表面积增大，这将带来两个方面的影响。一方面，中大孔的减少使平均孔径增大，从 图６．１４和图６．１５的分析中知道，这将煤粉的各特征温度增大，各项燃烧性能指标降低； 另一方面，颗粒表面是煤粉燃烧反应发生的场所，微孔的增多会增大煤粉的表面积，使燃 烧反应能够得到更加充足的氧气供应，同时向外排出ＣＯｚ，这将使煤粉的反应活性得到提 高。在比表面积增加的过程中，中大孔和微孔对燃烧反应起双向作用，使煤粉的挥发分析 出温度、着火温度、峰值温度和燃尽温度呈现先增后减的变化规律，可燃性指数、稳燃性
指数、燃尽特性指数和综合燃烧特性指数呈现先减后增的变化规律。

浙江大学硕士学位论文

６煤粉特性对燃烧影响的实验研究

２９２

４１６

２９１

４１ｄ

４１２ ２９。

４１０

９

ｏ
２８９

骜

?＊蓬
２８８ ４０６ ２８７ ４０４

２∞

４０２

４８０

６０５

４７７ ６０６ ４７４

５９５ ４７１

Ｕ

９

４６８

５９０悭：

篓。。。
５８５ ４６２ ４５９ ５８０

鸡

４５６ ５７５ ２０ ２１ ２２ ２３ ２４ ２５ ２６ ２７ ２８ ２９ ２０ ２１ ２２ ２３ ２４ ２５ ２６ ２７ ２８ ２９

平．均孔径ｎｍ

平均孔径ｎｍ

图６．１４煤粉燃烧反应的特征温度随煤粉平均孔径的变化规律
６．２ ＳＳ

６１

５ ４

６０

５ ３

５９

５ ２

∞

暑ｓ
口皿

ｅ

５ １

鼎５ ７
删５．６

５０

４９

簦５５
５４

∞。－ａ鞒娑盟篓淫
４８ ４７

５３

４６

５．２

４５

７０

４４

４３

６８

４２

４１

之６６ 寸 ｏ
∞

４０

３９

鼎６４
口正

３８

３７

券６２
啮 蟹６０
５８ ２０ ２１ ２２ ２３ ２４ ２５ ２６ ２７ ２Ｂ ２９ ２０ ２１ ２２ ２３ ２４ ２５ ２６ ２７

３６

舍．ａ辐罂坦坐蓥餐如蜷

３５ ３４

３３

平均孑临ｎｍ平嘶临ｎｍ
图６．１５煤粉燃烧反应的综合性能指标随平均孔径的变化规律

３７

———————————————————————————————————————————————————————一一
２９２

堂兰查兰堡圭堂堡垒奎．

６煤粉特性对燃烧影响的实验研究 ：：：：：：：．：．．．．．：：．：：：：：：＝：＝：

４１４

４１３ ２９１ ４１２

２９。

４１１

?，ｏ

９

９：。。

蓬
２８８ ２８７

?。。蓬
４。８ ４。７ ４。６

４。５

２脯

４０４

４８。

６。５

４７５

６。。

５９５

Ｌ）４７。

９

髦。。。
４６。

跏筵
５８５ ５８。

４５５ ３，４５ ３ ５０ ３．５５ ３．６０ ３．６５ ３ ７０ ３．７５ ３ ８０ ３ ４５ ３５０ ３．５５ ３６０ ３ ６５ ３．７０ ３．７５ ３８０

５７５

ＢＥＴ比表面积ｍ２／ｇ

ＢＥＴ Ｌ匕表面积ｍ２／ｇ

图６．１６煤粉燃烧反应的特征温度随ＢＥＴ比表面积的变化规律
¨ 眦
鲥 ∞ ＂

鲫 聃
”

驰
＂ ¨

¨

∞。＿９籁霉虹襞口

¨ ¨ ¨ 。；｝

吣。＿ａ黎霉趟蠡口
盯

¨ “ ＂ 邶
¨

加

∞

∞

阻

盆：

¨

譬＿ａ巅靼赳娶哟篓 Ｌ－ｕｌ山葛－ａ糕靼盘弈吆簦
∞ ¨

嚣
３４５ ３５０ ３．５５ ３ ６０ ３６５ ３ ７０ ３．７５ ３．８０ ３ ４５ ３ ５０ ３ ５５ ３６０ ３ ６５ ３７０ ３．７５ ３ ８０

弛

ＢＥＴ匕表面积ｍ２／ｇ

ＢＥＴ比表面积ｍ２／ｇ

图６．１７煤粉燃烧反应的综合性能指标随ＢＥＴ比表面积的变化规律

３８

浙江大学硕士学位论文

６煤粉特性对燃烧影响的实验研究

６．３本章小结
本章研究煤粉特性对燃烧的影响，目的在于保证煤粉较高的燃烧效率，为降低ＮＯ。 排放量提供空间。 通过非等温热重试验，分析优混煤在煤粉细度分别为Ｒ９０＝１０％、１５％、２０％、２５％、 ３０％情况下的燃烧特性，探索煤粉细度对燃烧特性的影响。试验结果表明随着煤粉细度的 增大，挥发分析出温度、着火温度、燃尽温度随之增大，通过可燃性指数和燃尽特性指数 可以看出，煤粉细度的增大会降低煤粉的着火性能和燃尽性能。同时，随着煤粉细度的增 大，煤粉燃烧的剧烈程度有所降低，体现为最大失重速率的降低，峰值温度增大，所以， 煤粉细度的增大会使燃烧过程中焦炭的燃烧反应性降低，从而影响燃烧速率。综合而言， 煤粉细度越小，煤粉的综合燃烧性能越好。 通过氮吸附试验，研究优混煤的表面性质。从试验结果可见，优混煤的的氮吸附过 程呈现第２类等温吸附线的特征，吸附回线属于Ｈ３类型，表明优混煤中存在裂缝形孔或 板形粒子。通过对等温吸附线和吸附回线进行分析，获得了各个煤样的表面性质参数，如 ＢＥＴ比表面积、ＢＪＨ累积脱附孔体积和平均孔径。 对上述具有不同表面性质的煤样进行非等温热重分析，研究优混煤在具有不同表面 性质时的燃烧特性。发达的孔隙结构更加有利于热量向煤粉颗粒内部传递，使挥发分在较 低的温度下能够向固体表面迁移、析出、扩散，挥发分的提前析出将促使整个燃烧过程提 前，使着火温度、峰值温度和燃尽温度降低。试验表明，增大煤粉的平均孔径对煤粉的着 火、稳燃和燃尽是有利的，综合燃烧性能随平均孔径的提高而提高。煤粉孔隙包含大孔、

中孔和微孔。微孔对构成煤粉表面积起主要作用，中大孔的减少和微孔的增多将使煤粉比
表面积增大，这将带来两个方面的影响。一方面，中大孔的减少使平均孔径增大，这将煤 粉的各特征温度增大，各项燃烧性能指标降低；另一方面，颗粒表面是煤粉燃烧反应发生 的场所，微孔的增多会增大煤粉的表面积，使燃烧反应能够得到更加充足的氧气供应，同 时向外排出Ｃ０２，这将使煤粉的反应活性得到提高。在比表面积增加的过程中，中大孔和 微孔对燃烧反应起双向作用，使煤粉的挥发分析出温度、着火温度、峰值温度和燃尽温度
呈现先增后减的变化规律，可燃性指数、稳燃性指数、燃尽特性指数和综合燃烧特性指数

呈现先减后增的变化规律。

浙江大学硕士学位论文

７动力配煤及锅炉运行的整体优化研究

７动力配煤及锅炉运行的整体优化研究 ７．１动力配煤优化的关键因素
７．１．１

配煤方案的约束条件 动力配煤的性质具有各单煤的特征，这体现在混煤的煤质指标与单煤煤质指标存在

简单的线性可加性；同时，混煤在综合性能上又有所改变，体现在混煤的某些性质参数与 单煤之间存在复杂的非线，陛关系。 在确定动力配煤方案时，可以认为混煤的挥发分（Ｖｄ，Ｖｄａｆ）、灰分（Ａａｄ，Ａｄ）、发 热量（Ｑ乳ａｄ，Ｑ鼠ｄ，Ｑ乳ｄ。ｆ）和硫分（Ｓ。，ｄ）等于各单煤煤质指标的加权平均值，如下式

如＝∑％弓
ｊ＝Ｊ

（７—１）

式中

瓦表示混煤的第ｉ个煤质指标；
瓦表示第／个单煤第ｉ个煤质指标，／＝１，２，…川代表不同的单煤； 只，表示计算第ｉ个煤质指标时各单煤的配比。

混煤的灰熔点一般不满足线性可加性，一般通过现代计算智能方法建立非线性模型进行预
测，如下式

如＝厂（瓦，Ｆｏ）
式中

（７－２）

如表示混煤的灰熔点；
Ｋ表示影响灰熔点的各单煤煤质指标； ％表示计算灰熔点时各单煤的配比； 厂表示灰熔点的非线性预测模型。

各单煤配比必须为正数，即：
Ｅ＞０ （７—３）

配比之和为１００％，即：

∑鼻，＝１００％
‘＿一Ⅳ

（７－４）
、

ｊ＝ｌ

动力配煤作为一种新的煤种，必须满足常规动力用煤设备的技术要求。燃用无烟煤、烟煤、 贫煤、褐煤的锅炉对发热量都有一定的适应范围，发热量过低容易造成熄火，过高则容易 损坏受热面，发热量必须限制在一定的范围内；低灰熔点煤在燃烧过程中容易造成锅炉结 渣，混煤灰熔点最好能达到１３００＂Ｃ以上；高硫煤（Ｓｔ，ｄ＞２％）不适合单独作为动力用煤，
４ｎ

浙江大学硕士学位论文

７动力配煤及锅炉运行的整体优化研究

必须－９低硫煤进行掺配，使混煤硫分降低至１％甚至更低，以提高环保性和锅炉运行安全 性；高燃料比（ＦＣ／Ｖ）的煤种的着火性能较差，燃料比在１．８～２．０之间为宜，混煤的固定 碳和挥发分含量需要控制在合理范围内。因此，动力配煤的煤质指标具有一定的范围限制，
即：

乏乏麓羔（７－５，
。

Ｂｒ曼Ｘｎ曼ＵＴ

７．１．２配煤方案的优化目标 １．煤炭供应安全保障。受煤炭产量、交通运输条件、煤源及厂址地理位置、国内煤 炭市场变动等因素的影响，某些煤种供应紧张，电厂采购困难，因此不能作为常用的适烧 煤种。为了保证煤炭的供应安全，动力配煤方案应该尽量降低紧缺煤种的配比，同时提高

供应充足的煤种的配比。假设第１Ⅷ个煤种为紧缺煤种，第ｍ＋１￣ｎ个煤种为供应充足煤
种，则有

‰＝ｍｉｎ∑Ｃ
Ｆｍ。＝ｍａｘ∑Ｃ

（７—６）

（７—７）

２．配煤成本最低。动力配煤在满足电站锅炉对煤质要求的前提下，应该寻求最经济 的方案，以降低配煤成本。假设第／种单煤的成本为ｃｊ，配比为曩，那么配煤成本最小化
可表示为

‰＝∑ｑＣ
７．１．３配煤优化的数学模型

（７—８）

动力配是一个对单煤特性“取长补短”的优化过程，依据配煤方案所追求的目标和 既定的约束条件，动力配煤优化过程的数学模型可以用（７．９）进行描述。

７．２锅炉燃烧特性模型的建立
电站锅炉长时间运行所产生积累的大量信息数据，是对锅炉燃烧性能的反馈。通过 整理分析历史运行数据，提炼出相关规律性，建立锅炉燃烧特性模型，是进行锅炉运行优 化的基础。浙江大学热能工程研究所燃料组（简称浙大燃料组）［１０４３利用支持向量机理论， 建立了浙江某电厂３３０ＭＷ机组燃煤锅炉的燃烧特性模型。
７．２．１

飞灰含碳量预测模型

ｔＪ，１１个影响因素（煤质指标、发电负荷、炉膛出口氧量、一次风温、一次总风压、

浙江大学硕士学位论文

７

动力配煤及锅炉运行的整体优化研究

目标函数：民。＝ｒｎｊｎ∑Ｅ或
ｊ＝ｌ

‘。＝ｍａｘ∑Ｃ或
ｊ＝ｍ＋１

％。＝∑ｅＣ
，＝ｌ

Ｘ萨∑％弓
Ｊ＝１

（７．９）

Ｘｎ＝厂（％，易）
约束

∑弓＝１００％
ｉ＝１

ＢｌｓｘｌｈＳＵｌ ＢＴ ＳＸＴｈＳＵＴ ＦＨ，Ｂｉ，Ｕｌ，ＢＴ，ＵＴ＞０

磨煤机一次风量、二次风压、二次风温、二次风门开度、给煤机给煤量、给水温度）作为 输入参数，预测锅炉燃烧的飞灰含碳量。模型对测试样本的预测结果均方根误差为０．２３， 最大相对误差为１２．４％，平均相对误差为５．８％。 ７．２．２排烟温度预测模型 以１２个影响因素（煤质指标、发电负荷、炉膛出口氧量、一次风风温、一次风总风 压、磨煤机一次风量、二次风压、二次风温、二次风门开度、给煤机给煤量、给水温度和 尾部烟道挡板开度）作为模型输入参数，预测锅炉燃烧的排烟温度。模型对测试样本的预 测结果均方根误差为１．８２，最大相对误差为３．９％，平均相对误差为１．１％。
７．２．３

ＮＯ。排放浓度预测模型 以１２个影响因素（煤质指标、发电负荷、炉膛出口氧量、一次风风温、一次风总风

压、磨煤机一次风量、二次风压、二次风风温、二次风门开度、给煤机给煤量、磨煤机出 口温度、水平过热器进口烟气温度）作为模型的输入参数，预测锅炉燃烧的ＮＯ。排放浓度。 模型对测试样本的预测结果均方根误差为３９．２，最大相对误差为１９．８％，平均相对误差为
５．４％。

７．３动力配煤与锅炉运行的一体式优化
７．３．１

优化的目标

锅炉的热效率是评价锅炉运行经济性的一项综合指标，提高锅炉热效率是降低电厂 煤耗主要途径，动力配煤与锅炉运行的一体式优化的核心目标是寻求锅炉效率最大化，假 设，７㈩为优化前（后）的锅炉热效率，则：
４２

浙江大学硕士学位论文

７

动力配煤及锅炉运行的整体优化研究

ｚ１＝ｍａｘ（ｒｚ＋／７７）

（７－１０）

燃煤锅炉是大气ＮＯ。排放的主要来源之一，为提高环境质量，降低ＮＯ。的排放浓度 是优化的另一个重要目标，假设ＮＯ（＋）为优化前（后）ＮＯ。的排放浓度，则：
Ｚ２＝ｒｒｆｉｎ（ＮＯ‘／ＮＯ）

（７－１ １）

为了兼顾经济性和环保性，需要对锅炉效率和ＮＯ。排放浓度同时进行优化，本文采 用加权系数的方法将这个多目标优化问题转化为单目标优化问题：
Ｚ＝ｍｉｎ［ａ×（』ＶＤ＋／ＮＯ）一ｂ×（，７＋／７７）］

（７．１２）

式中，ａ和ｂ分别代表ＮＯ。排放浓度和锅炉效率的加权系数。通过调整加权系数的值，可 以改变一体式优化所侧重的方面。 ７．３．２优化的约束条件 电厂根据煤场现有煤种，选择２个以上单煤进行掺配，掺配的单煤数量没有限制。 假设煤场现有煤种个数为ｍ，掺烧单煤个数为咒，第／个单煤的配比仍为Ｆｊ，那么

∑跏（巧）＝，ｚ，ｊ＝ｌ，２，…！ｍ
各单煤配比应满足
０≤Ｆ＜１

（７—１３）

（７－１４）

Ｆｊ为０表示第／个单煤不参与配煤。混煤的硫分Ｓ．。控制在ｕ％；Ａ－Ｆ．

０＜∑Ｓ，。弓＜“％

（７－１５）

对于特定的发电负荷，总给煤量在小范围内变动是正常的，假设优化前总给煤量为Ｍ，优

化后的总给煤量为硝，优化过程中总给煤量的变动范围为已％，即

一ｅ％＜丁Ｍ＊－Ｍ＜ｅ％
Ｍ

（７．１６）

假设有ｑ台给煤机，各给煤机的给煤量占总给煤量的比例为巩，应满足

０≤％＜１００％，ｋ＝ｌ∥２．．，ｑ
若给煤机只运行Ｐ台，其它ｑ－ｐ台备用，则

（７－１７）

跏（∑％）＝Ｐ
各给煤机正常运行时，最小给煤量为尬，最大给煤量为尬，则
Ｍ１≤Ｍ‘吸＜ＭＥ

（７—１８）

（７—１９）

各层二次风风门开度ＯＦＡｋ与给煤机（磨煤机）的投停情况相协调。对于未投煤粉的一次

浙江大学硕士学位论文

７动力配煤及锅炉运行的整体优化研究

风喷口，其对应的二次风门保持较小开度，防止喷口烧毁，设其开度范围为Ｄ１切２；对于
已投煤粉的一次风喷口，其对应的二次风风门保持较大的开度，保证能够供应煤粉燃烧所 需的充足空气，开度范围设为Ｄ３～Ｄ４。因此有
０＜Ｄｌ＜皿＜Ｂ＜Ｄ４＜１００％ （７—２０） （７—２１）

Ｄ３一（Ｂ—ＤＩ）×［１一?跏（％）］＜ＯＦＡｋ＜Ｄ４一（ｑ—Ｄ２）×［１一跏（％）】
为了防止尾部低温受热面发生低温腐蚀，排烟温度昂ｙ应该高于烟气酸露点瓦： ％＞Ｚ ７．３．３优化的数学模型

（７—２２）

燃煤电站锅炉按照设计煤种进行设计，对煤质指标相差较大的其他煤种的适烧性相 对较差。煤质的变动对锅炉燃烧的安全性、经济性和环保性带来巨大的挑战。解决这个问 题的方法一般有两个：一是通过配煤优化调配出符合锅炉用煤要求的新煤种；二是通过锅 炉运行优化为煤粉燃烧提供一个组织良好的烟风系统。本文提出动力配煤和锅炉运行一体 式优化方法，综合考虑动力配煤和锅炉运行控制参数，实现煤质与锅炉运行联动调节，达 到燃煤电站锅炉高效低ＮＯ。燃烧的目的。根据７．３３节所述，动力配煤－０锅炉运行一体式 优化的数学模型可以表示为式ｆ７．２３）。
目标函数：Ｚ＝ｍｉｎ［ａ×（ＮＯ＋／ＮＯ）一ｂｘ（叩＋／叩）］

∑ｓｇｎ％）＝ｎ，ｊ＝ｌ，２，…．ｍ
ｊ＝ｉ

０≤Ｆ＜１

０＜∑Ｓ．。‘＜“％
ｊ＝ｌ

约束

—Ｐ％＜—Ｍ＊—－Ｍ＜ｅ％ Ｍ
０≤哌＜１００％，ｋ＝ｌ∥２一，ｑ

（７－２３）

跏（∑％）＝ｐ
ｋ＝ｌ

Ｍ１≤Ｍ＋％≤Ｍ２
０＜Ｄ１＜Ｄ２＜Ｄ３＜Ｄ４＜１００％

Ｄ３一（皿一Ｄ１）Ｘ［１一Ｓｇｎ（％）］＜饼鸪＜Ｂ一（Ｂ—Ｄ２）Ｘ［１一跏（％）］
Ｌ＞Ｌ

７．３．４优化在３３０ＭＷ机组燃煤锅炉的应用 以浙江某电厂３３０ＭＷ机组燃煤锅炉作为研究对象。该锅炉容量为１００４ｔ／ｈ，亚临界

参数、中间再热、单炉膛、自然循环汽包锅炉。设计煤种为晋北烟煤，４层旋流煤粉燃烧
器，每层８个前后墙对冲布置，制粉系统为直吹式，配４台ＭＰＳ．２２５摆辊磨盘式中速磨
４４

煤机和４台ＥＧ．２４型称重式给煤机。锅炉的燃烧系统和主要受热面布置如图７．１所示。

图７．１锅炉燃烧系统和主要受热面布置图

该机组４台磨煤机和４台给煤机分别标示为Ａ、Ｂ、ｃ和Ｄ，与四层煤粉燃烧器相对 应。４台磨煤机３台运行，１台备用。采用两单煤掺烧，掺配后的混煤硫分ｓ。．ｄ控制在１％ 以下。给煤机正常运行时最小给煤量为３０ｔ／ｈ，最大给煤量为４５ｔ／ｈ，总给煤量在优化前后 波动范围不超过２％。一次风喷口投煤粉时，相应的二次风门开度在４０％～８０％范围内；一 次风喷口不投煤粉时，二次风门开度为１０％～１５％。煤场现有６个煤种，各煤种煤质如表７．１ 所示。其中，南非煤（ＮＦＭ）挥发分低、灰分高，燃烧性能最差；富动１２（ＦＤｌ２Ｃ）硫 分最高，干燥基硫分达１．１７％。为提高ＮＦＭ和ＦＤｌ２Ｃ的合理、有效利用，本文分两个方 案对该机组进行整体综合优化：（１）为提高ＮＦＭ的燃烧性能，把ＮＦＭ作为配煤优化的 必选煤种，以动力配煤方案为基础，同时进行锅炉运行优化，实现锅炉高效低污染燃烧； （２）为降低ＦＤｌ２Ｃ的硫分含量，把ＦＤｌ２Ｃ作为配煤优化的必选煤种，以动力配煤方案 为基础，同时进行锅炉运行优化，实现锅炉高效低污染燃烧。
表７．１煤场单煤的煤质指标 煤种 富动４５ 富动１２ 南非煤 富动１２ 富动１２ 富动５２ 简称
ＦＤ４５ ＦＤｌ２Ａ

Ｍｔ．ａｒ
１２．８ ８．５ ９．７ １４ １２ １６．５

Ａｄ １９．１９ ２０．１６ ２０．５２ １７．１８ １５．９３ １４．３８

Ｖｄａｆ ４０．８ｌ ３６．０９ ３１．８７ ３３．３５ ３２．９６ ３６．７１

Ｑ㈣’ａｒ
２１．２７ ２２．７４ ２２．３４ ２２．４６ ２３．６３ ２２．１１

Ｃａｄ ６２．３９ ６３．４４ ６３．４３ ６６．９８ ６８．１ ６８．３８

Ｈｄ ４．１８ ３．８６ ３．６ ３．８３ ３．８７ ４．１８

Ｎａｄ Ｏ．９５ ０．９４ ０．８ ０．７５ ０．７６ １．０７

Ｓｄ ０．７６ ０．８６ ０．９８ １．１ １．１７ ０．５９

Ｏａｄ １０．８３ ９．４１ ９．０７ ８．８７ ８．３７ １０．１５

ＮＦＭ
ＦＤｌ２Ｂ ＦＤｌ２Ｃ ＦＤ５２

浙江大学硕士学位论文

７

动力配煤及锅炉运行的整体优化研究

本文利用差分进化算法实现该机组动力配煤及锅炉运行的一体式优化。以优化模型 （７－２３）的目标函数作为适应度函数。决策变量及变量寻优空间如表７．２所示。进化策略为
ＤＥ／ｂｅｓｔ／１

ｗｉｔｈｊｉｔｔｅｒ／ｂｉｎ，种群大小ＮＰ＝１５０，交叉率ＣＲ＝Ｏ．９５，缩放因子Ｆ－－－０．６，迭代次数

为２５０次。
表７．２动力配煤及锅炉运行一体式优化的决策变量及变量寻优空间

锅炉氧量
最小值 最大值
２．５ ７．９

４层二次风门的

４台给煤机的给
煤量
３０ ４５

４台磨煤机的煤
种
１ ７

开度
４０ ８０

４台磨煤机的投 停状况
０ ２

７．３．５优化结果与分析 一体式优化过程基于电厂实际运行工况，不同发电负荷工况的优化结果如表７．３所示。

在方案ｌ中，ＮＦＭ为配煤方案中的必选煤种，在方案２中，ＦＤｌ２Ｃ为配煤方案中的必选 煤种。不论是方案１还是方案２，优化后锅炉的飞灰含碳量和排烟温度都有所下降，排烟
温度均比烟气酸露点高。对比优化前后的锅炉热效率：方案２的锅炉效率＞方案１的锅炉 效率＞原工况的锅炉效率。说明通过配煤和锅炉运行的整体综合优化，煤质与锅炉的运行 控制方式更加匹配，燃烧效率得到提高。而方案１的锅炉效率非常接近方案２，说明ＮＦＭ 的燃烧性能得到了改善。在锅炉效率提高的同时，各工况的ＮＯ。排放浓度均有不同程度的 降低，且都抑制在６５０ｍｇ／ｍ３以下。

浙江大学硕士学位论文

７动力配煤及锅炉运行的整体优化研究

表７．３浙江某电厂３３０ＭＷ机组配煤与锅炉运行一体式优化前后的工况对比 二次风门的开度％ 炉 发 电 负 荷
ＭＷ

给煤机的给煤量讹

磨煤机的煤质指标
飞

膛 出
口

灰
Ａ Ｃ Ｂ层 层 Ｄ层

排 烟 温 度
℃

烟 气 酸 露 点
℃ ＮＯＸ

锅炉 热效
，室 ％

给煤机
Ａ

给煤机
Ｂ

给煤机
Ｃ

给煤机
Ｄ

含 磨Ａ 磨Ｂ 磨Ｃ 磨Ｄ 碳 量
％

排放 浓度
ｍｇ／ｍ３

氧 量 工况ｌ

层

原工况 方案１ 方案２

２２９

５．６
２．５

１０
４１

５ｌ
７０

５５

５７

Ｏ

３７
３０

３７
３０

３３
０

停运
ＦＤｌ ２ Ａ

３．６０

１１４
１１３ １１２

６０５ ４５３

９３．６
９３．９

２２９

４７

１０

４５

ＮＦＭ
ＦＤｌ２ Ｃ

ＦＤｌ２ Ａ ＦＤｌ２
Ｂ

Ｏ

３．５１

２２９

２．５

６０

７５

４０

１０

４５

３０

３０

０

ＦＤｌ２ Ｃ

０

３．６０

１１３

１１２

５０６

９４．０

工况２ 原工况 方案１ 方案２
２３４ ２３４ ５．１ ３．８ ５４ ５８ ５８ ７５ ６０ ５８ １４ １０ ３１ ３５ ３ ３０ ３１ ３０ ０
０

停运 ＮＦＭ
ＦＤｌ２

３．５４ ２．５９

１２７ １２０ １１４

４７０ ４５９

９２．５ ９３．４

ＦＤｌ２ Ａ ＦＤｌ２ Ｃ

ＦＤｌ２ Ａ
ＦＤｌ２

Ｏ

２３４

３．７

６ｌ

７４

６０

１０

３４

３０

３０

Ｏ

Ｏ

２ ７１

Ａ

Ａ

１１９

１１５

４６２

９３．６

工况３ 原工况 方案ｌ 方案２
２７３ ２７３ ４．０
２．６ １０ ５７ ５８

６６
１０

０

４０

４２

３７

停运 ＮＦＭ
ＦＤｌ２ ＦＤｌ２ Ａ ＦＤｌ２ Ｃ ＦＤｌ２
Ｏ

３．８３

１２４

６５２

９３．５

５７

７５

７０

４５

４０

３２

０

３，４８

１２０

１１４

４４４

９３．６

Ａ ＦＤｌ２
Ｏ

２７３

２．５

６０

７５

４０

１０

４５

３０

３０

Ｏ

Ａ

Ａ

３．５４

１２０

１１４

４３５

９３．６

工况４ 原工况 方案１ 方案２
３０１ ３０１
２．７

６４ ４０

２１ ７４

６６ ７０

６６
１０

４２ ４５

Ｏ

４１ ３４

３８

停运 ＮＦＭ
ＦＤｌ２

４．３７ ＦＤｌ２ Ａ
ＦＤｌ２ Ｏ

１３０ １２８ １１４

４７４ ４１３

９２．８ ９３．２

２．５

４０

ＦＤｌ２ Ａ ＦＤｌ２ Ｃ

Ｏ

０

３．５０

３０ｌ

２．５

４０

７４

７０

１０

４５

４０

３４

０

Ａ

Ａ

３．５２

１２７

１１４

４１５

９３．３

４７

浙江大学硕士学位论文

７

动力配煤及锅炉运行的整体优化研究

７．４锅炉燃烧特性模型的应用分析
探索锅炉运行控制参数和锅炉燃烧特性之间的关系，对指导锅炉燃烧调整具有现实 意义。本章利用锅炉燃烧特性模型，研究了炉膛出口氧量、二次风门开度和燃烧器投运组 合方式对锅炉燃烧特性的影响。
７．４．１

炉膛出口氧量对锅炉燃烧特性的影响 试验工况的发电负荷为３２７ＭＷ，四台磨煤机的煤种为富动１２，四层给煤机的给煤量

均为３２ｔ／ｈ，四层燃烧器全部投运，采用均等配风方式，四层二次风门的开度均保持８０％， ４台磨煤机的一次风量均为９０ｔ／ｈ，磨煤机出口温度均为７５℃，调节二次风压力使炉膛出 口氧量在２．５％～７．９％之间变化，研究氧量对锅炉燃烧特性的影响。 炉膛出口氧量对锅炉燃烧特性的影响如图７．２～图７．７所示。从图７．２和图７．３可以看 出，随炉膛出口氧量的增大，飞灰含碳量和固体未完全燃烧热损失降低，并在氧量为５．５％ 时达到最小值，随后飞灰含碳量和固体燃烧热损失开始增大。从图７．４和图７．５可以看出， 排烟温度随氧量的增大而降低，使排烟热损失增大。氧量对飞灰含碳量和排烟温度的影响 综合反映到锅炉热效率上，使锅炉热效率随氧量的增大而单调下降，氧量每提高１％，锅 炉效率平均降低０．３３％，如图７．６所示。ＮＯ。排放浓度随氧量的变化从５９０ｍｇ／ｍ３增大到 ６９０ｍｇ／ｍ３，氧量每降低１％，ＮＯ。排放浓度平均降低１８．５ｍｇ／ｍ３，如图７．７所示。 ７．４．２二次风门开度对锅炉燃烧特性的影响 通过４个不同的工况分别研究４层二次风门开度对锅炉燃烧特性的影响。以Ａ层二 次风门为例：发电负荷为３２７ＭＷ；炉膛出口氧量维持５．０％不变；４台磨煤机的煤种为富 动１２；４层燃烧器全部投入使用；Ａ层二次风门开度从３０％增大至７９％，其它各层二次风

图７．２炉膛出口氧量对飞灰含碳量的影响

图７．３炉膛出口氧量对ｑ４的影响

浙江大学硕士学位论文

７动力配煤及锅炉运行的整体优化研究

图７．４炉膛出口氧量对排烟温度的影响

图７．５炉膛出口氧量对排烟热损失的影响

图７．６炉膛出口氧量对锅炉热效率的影响

图７．７炉膛出口氧量对ＮＯ。排放浓度的影响

门保持８０％开度不变；给煤机Ａ的给煤量相应地从３０ｔ／ｈ增加至４５ｔ／ｈ，为保持总给煤量 １２０ｔ／ｈ不变，给煤机Ａ给煤量的变化平摊至其余３台给煤机；４台磨煤机的一次风量均为 ９０ｔ／ｈ；４台磨煤机的出口温度均为７５℃。 各层二次风门的开度对锅炉燃烧特性的影响如图７．８～图７．１３所示。从图７．８和图７．９ 可以看出：Ａ、Ｂ层二次风门呈现类似的特征，Ａ、Ｂ层二次风门开度增大使飞灰含碳量 降低；Ｃ、Ｄ层二次风门也呈类似特征，但风门开度增大使飞灰含碳量增大；固体未完全 燃烧热损失的变化规律与飞灰含碳量相同。从图７．１０和图７．１１中可以看出：二次风门的 开度保持在７０％左右时排烟温度最低，排烟热损失最小。图７．１２表明：４层不同的二次风 门的开度对锅炉效率的影响基本一致，在开度为７０％左右时锅炉效率最高，随开度的减小 或增大，锅炉效率均降低。从图７．１３中可以看出，各层二次风门对ＮＯ。排放浓度的影响 具有较大的差异。Ａ层和Ｂ层二次风门增大开度时，ＮＯ。排放浓度缓慢上升；在ｃ层二 次风门开度为７０％左右时，ＮＯ。排放浓度降至最低；随着Ｄ层二次风门开度增大，ＮＯ。 排放浓度迅速增大。

浙江大学硕士学位论文

７动力配煤及锅炉运行的整体优化研究

二次风门开度％

二次风门开度％

图７．８二次风门开度对飞灰含碳量的影响
６ ６

图７．９二次风门开度对ｑ。的影响

５

５ ５

５ ５

蛇∞ｇ；｛；；舛ｇｊ ５；

５

寮水要稚要末

５ ５

５

５ ５

髂：８¨跎∞蔼 二次风门开度％

二次风门开度％

图７．１０二次风门开度对排烟温度的影响

图７．１１二次风门开度对排烟热损失的影响

掌瓣鬏臻曼器

二次ｊｘＵ Ｊ＝卜ｒ发％

二？Ｙ＇０ｘｔ，Ｉ Ｊ升发％

图７．１２二次风门开度对锅炉热效率的影响

图７．１３二次风门开度对ＮＯ。排放浓度的影响

７．４．３燃烧器投运组合方式对锅炉燃烧特性的影响 ４层燃烧器投运３层，共有４种不同投运组合方式，以投运Ｂ、ｃ和Ｄ层燃烧器为例： 发电负荷为３２７ＭＷ；炉膛出口氧量为５．０％；Ａ层二次风门开度为１０％，防止燃烧器喷口 烧毁，其它二次风门开度为８０％；给煤机Ａ的给煤量为０，其余给煤机的给煤量均为４０ｔ／ｈ； 各磨煤机的煤种均为富动１２；磨煤机Ａ的一次风量为１５ｔ／ｈ，其余各磨煤机的一次风量均
Ｓｎ

浙江大学硕士学位论文

７

动力配煤及锅炉运行的整体优化研究

为１２０ｔ／ｈ；磨煤机Ａ的出口温度为１５℃，其余各磨煤机的出口温度均为７５℃。 图７．１４～图７．１９显示投运组合方式对锅炉燃烧特性的影响。从图７．１４和图７。１５可以 看出，随着燃烧器组合方式从上三层（ＢＣＤ层）变化到下三层（ＡＢＣ层），飞灰含碳量和 固体未完全燃烧热损失逐渐降低。可能原因是燃烧器投运组合方式的改变使火焰中心位置 下移，煤粉颗粒在炉膛内的停留时间变长，燃烧更加完全。图７．１６显示，当投运ＢＣＤ或 ＡＢＣ层燃烧器时，排烟温度较低。投运相邻的３层燃烧器时，炉膛内燃烧区域更加集中。 在放热量一定情况下，煤粉颗粒表面的温度得到提高。水冷壁与煤粉颗粒表面的辐射换热 量比例增大，同时，通过对流换热传递给烟气的热量减少，使排烟温度降低。排烟温度降 低使排烟热损失降低，如图７．１ ７所示。燃烧器投运组合方式对排烟损失的影响更加明显， 而且排烟热损失在各项锅炉热损失所占比例最大，因此锅炉效率总体上由排烟热损失所支
配。如图７．１ ８所示，当投运上三层或下三层燃烧器时，锅炉热效率明显较高。从图７．１９

可以看出，燃烧器投运组合方式对ＮＯ。排放浓度存在不同的影响。投运ＡＢＣ层燃烧器时 ＮＯ。排放浓度最低，投运ＡＣＤ层燃烧器时ＮＯ。排放浓度最高，两者相差约１５０ｍｇ／ｍ３。
３ ７５

３?５０

３?２５ ０

∞

ｐ
墼２
７５ ０ ２ ｓ０

弱

琴式乏豢理纂牟掣．＊基虽
２ ２５

２ ００

０

∞ ＢＣＤ层 ＡＣＤ层 ＡＢＤ层ＡＢｃ层

ＢＣＤ层

ＡＣＤ层

ＡＢＤ层

ＡＢＧ层

燃烧器投运组合方式

燃烧器投运组台方式

图７．１４燃烧器投运方式对飞灰含碳量的影响
∞３
耻２

图７．１５燃烧器投运方式对ｑ。的影响

¨， ∞Ｏ ∞９ 掌《ｇｔ｝！｝摹ｉ ¨８ ＂ ７ ¨６
ＢＣＤ层 ＡＣＤ是Ａ８Ｄ层ＡＢｃ层 ＢＧＤ层 ＡＣＤ层 ＡＢＤ层 ＡＢＣ层

燃烧器投运组合方式

燃烧器投运组合方式

图７．１６燃烧器投运方式对排烟温度的影响

图７．１７燃烧器投运方式对排烟热损失的影响

浙江大学硕士学位论文

７

动力配煤及锅炉运行的整体优化研究

ｇ｝

Ｏ

瑚 ㈣

ｓ！

９

啪 季｝
．Ｅ，６Ｅ

ｓｉ

８

垂｝

式＊《豢．＝ｌ Ｉ｜唔
ｓ：
７

珊
ｗ）＿≈麓是睾，ｏｚ 瑚

季ｉ
Ｓ：
６

瑚
ＢＣＤ层 ＡＣＤ层 ＡＢＤ层 ＡＢＣ层
ＢＣＤ层 ＡＣＤ层 ＡＢＤ层 ＡＢＣ层

燃烧器投运组合方式

燃烧器投运组合方式

图７．１８燃烧器投运方式对锅炉热效率的影响

图７．１９燃烧器投运方式对ＮＯ。排放浓度的影响

７．５本章小结
动力配煤与锅炉运行一体式优化是配煤优化和锅炉运行优化的整体综合优化过程。 以浙江某电厂３３０ＭＷ机组燃煤锅炉为研究对象，建立该机组的一体式优化数学模型，利 用差分进化算法实现该机组动力配煤及锅炉运行的一体式优化。 一体式优化过程基于电厂实际运行工况。为提高南非煤（ＮＦＭ）和富动１２（ＦＤｌ２Ｃ） 的合理、有效利用，分两个方案进行优化：（１）为提高ＮＦＭ的燃烧性能，把ＮＦＭ作为 配煤优化的必选煤种，以动力配煤方案为基础，同时进行锅炉运行优化，实现锅炉高效低 污染燃烧；（２）为降低ＦＤｌ２Ｃ的硫分含量，把ＦＤｌ２Ｃ作为配煤优化的必选煤种，以动力 配煤方案为基础，同时进行锅炉运行优化，实现锅炉高效低污染燃烧。 通过配煤和锅炉运行的整体综合优化，煤质与锅炉的运行控制方式更加匹配，各工 况的飞灰含碳量和排烟温度都有所下降，锅炉热效率提高，ＮＯ。排放浓度均有不同程度的 降低，且都抑制在６５０ｍｇ／ｍ３以下，ＮＦＭ的燃烧性能得到了改善。 应用锅炉燃烧特性模型研究锅炉控制参数对锅炉燃烧特性的影响。炉膛出口氧量在
２

５％～７．９％范围内越低越好：随炉膛出口氧量的增大，飞灰含碳量先降后升，排烟温度降

低，锅炉热效率降低，同时ＮＯ。排放浓度增大。各层二次风ｒ］开度在７０％时锅炉燃烧效 率最高；Ａ层和Ｂ层二次风门增大开度时，ＮＯ。排放浓度缓慢上升；在ｃ层二次风门开 度为７０％左右时，ＮＯ。排放浓度降至最低；随着Ｄ层二次风门开度增大，ＮＯ。排放浓度迅 速增大。投运相邻（上三层或下三层）燃烧器时，锅炉效率相对较高；投运上三层燃烧器 时，ＮＯ。排放浓度最低；投运ＡＣＤ层燃烧器时ＮＯ。排放浓度最高。因此，为实现该机组 锅炉高效低ＮＯ。燃烧，适宜投运上三层燃烧器，并使锅炉氧量保持在２ ５％左右，Ａ、Ｂ、 Ｄ层二次风ｒ］开度适中，ｃ层二次风门越大越好。
气’

浙江大学硕士学位论文

８全文总结及展望

８全文总结及展望
８．１全文总结
本文通过试验、应用非线性数学和现代计算智能方法研究煤粉的燃烧特性。以煤粉 燃烧特性优化为基础，并引入锅炉燃烧特性模型，提出动力配煤－９锅炉运行一体式优化的 研究方法。对浙江某电厂３３０ＭＷ机组燃煤锅炉进行整体综合优化，实现锅炉高效低污染 燃烧。具体的研究内容包括以下几个方面： １．煤粉燃烧特性预测模型研究。对８０个国内外常用动力煤进行了工业分析、元素分 析、非等温热重分析和化学动力学分析。利用支持向量机建立煤粉燃烧特性和煤质特征之 间的非线性关系模型（ＤＥ．ＳＶＲ模型）。该模型经验误差小，并且无过拟合现象。利用 ＤＥ—ＳＶＲ模型对检验样本的动力学参数进行预测，活化能预测结果的均方根误差为２．５７１， 频率因子预测结果的均方根误差为０．５６５，表明ＤＥ．ＳＶＲ模型具有很好的泛化性能。联合 两个ＤＥ－ＳＶＲ模型，预测新煤样的燃烧反应的动力学参数。预测的参数能够进一步准确地 预测煤样热分析曲线，使预测的曲线－９实际热重试验数据具有很好的拟合度。采用反向传 播神经网络（ＢＰＮＮ）建立煤粉燃烧特性与煤质之间的非线性关系模型（ＢＰＮＮ模型）。－９ ＢＰＮＮ模型相比，ＤＥ．ＳＶＲ模型对动力学参数的预测具有更高的精度。 ２．煤粉特性对燃烧特性影响的研究。通过非等温热重试验，分析优混煤在煤粉细度 分别为Ｒ９０＝１０％、１５％、２０％、２５％、３０％情况下的燃烧特性，探索煤粉细度对燃烧特性 的影响。试验结果表明随着煤粉细度的增大，挥发分析出温度、着火温度、燃尽温度随之 增大，通过可燃性指数和燃尽特性指数可以看出，煤粉细度的增大会降低煤粉的着火性能

和燃尽性能。同时，随着煤粉细度的增大，煤粉燃烧的剧烈程度有所降低，体现为最大失
重速率的降低，峰值温度增大，所以，煤粉细度的增大会使燃烧过程中焦炭的燃烧反应性 降低，从而影响燃烧速率。综合而言，煤粉细度越小，煤粉的综合燃烧性能越好。 通过氮吸附试验，研究优混煤的表面性质。从试验结果可见，优混煤的的氮吸附过 程呈现第２类等温吸附线的特征，吸附回线属于Ｈ３类型，表明优混煤中存在裂缝形孔或 板形粒子。通过对等温吸附线和吸附回线进行分析，获得了各个煤样的表面性质参数，包 括ＢＥＴ比表面积、ＢＪＨ累积脱附孔体积和平均孔径。 对上述具有不同表面性质的煤样进行非等温热重分析，研究优混煤在具有不同表面 性质时的燃烧特性。发达的孔隙结构更加有利于热量向煤粉颗粒内部传递，使挥发分在较 低的温度下能够向固体表面迁移、析出、扩散，挥发分的提前析出将促使整个燃烧过程提

浙江大学硕士学位论文

８全文总结及展望

前，使着火温度、峰值温度和燃尽温度降低。试验表明，增大煤粉的平均孔径对煤粉的着 火、稳燃和燃尽是有利的，综合燃烧性能随平均孔径的提高而提高。煤粉孔隙包含大孔、 中孔和微孔。微孔对构成煤粉表面积起主要作用，中大孔的减少和微孔的增多将使煤粉比 表面积增大，这将带来两个方面的影响。一方面，中大孔的减少使平均孔径增大，这将煤 粉的各特征温度增大，各项燃烧性能指标降低；另一方面，颗粒表面是煤粉燃烧反应发生 的场所，微孔的增多会增大煤粉的表面积，使燃烧反应能够得到更加充足的氧气供应，同 时向外排出ＣＯｚ，这将使煤粉的反应活性得到提高。在比表面积增加的过程中，中大孔和 微孔对燃烧反应分别起抑制和促进作用，使煤粉的挥发分析出温度、着火温度、峰值温度

和燃尽温度呈现先增后减的变化规律，可燃性指数、稳燃性指数、燃尽特性指数和综合燃
烧特性指数呈现先减后增的变化规律。 ３。煤灰熔融性预测模型研究。分析成煤环境对煤质的影响，整理国内１３个煤炭基地 各矿区的煤灰熔融性温度，研究地质年代对煤灰熔融性的控制作用。按照煤灰熔融性软化 温度，将煤分为３个类别：低灰熔点类别Ｌ．ＳＴ（ＳＴ＜１２０６℃），中灰熔点类别Ｍ．ＳＴ （ＳＴ＝１２０６～１３９０℃），高灰熔点类别Ｈ．ＳＴ（ＳＴ＞１３９０。Ｃ）。以７７个不同煤种样本数据为基 础，利用支持向量机建立了煤灰熔融性非线性预测模型，关联煤质与煤灰熔融性。利用差 分进化算法对支持向量机进行了优化。煤灰熔融性预测模型对６２个训练样本的预测准确 率为１００％，对剩余１５个检验样本的预测准确率为８６．７％。结果表明，煤灰熔融性预测模 型能够利用煤质指标准确地预测煤灰熔融性类别。 ４．以浙江某电厂３３０ＭＷ机组燃煤锅炉为研究对象，建立该机组的一体式优化数学 模型，利用差分进化算法实现该机组动力配煤及锅炉运行的一体式优化。整体综合优化过 程基于电厂实际运行工况。为提高南非煤（ＮＦＭ）和富动１２（ＦＤｌ２Ｃ）的合理、有效利 用，分两个方案进行优化：（１）为提高ＮＦＭ的燃烧性能，把ＮＦＭ作为配煤优化的必选 煤种，以动力配煤方案为基础，同时进行锅炉运行优化，实现锅炉高效低污染燃烧；（２） 为降低ＦＤｌ２Ｃ的硫分含量，把ＦＤｌ２Ｃ作为配煤优化的必选煤种，以动力配煤方案为基础， 同时进行锅炉运行优化，实现锅炉高效低污染燃烧。通过配煤和锅炉运行的整体综合优化，
煤质与锅炉的运行控制方式更加匹配，各工况的飞灰含碳量和排烟温度都有所下降，锅炉

热效率提高，ＮＯ。排放浓度均有不同程度的降低，且都抑制在６５０ｍｇ／ｍ３以下，ＮＦＭ的燃 烧性能得到了改善。 应用锅炉燃烧特性模型研究锅炉控制参数对锅炉燃烧特性的影响。炉膛出口氧量在

浙江大学硕士学位论文

８全文总结及展望

２．５％一７．９％范围内越低越好：随炉膛出口氧量的增大，飞灰含碳量先降后升，排烟温度降 低，锅炉热效率降低，同时ＮＯｘ排放浓度增大。Ａ、Ｂ和Ｄ层二次风门开度对锅炉燃烧特 性的影响具有相似的规律：随着单个二次风门开度的增大，锅炉热效率和ＮＯ。排放浓度升 高。然而，Ｃ层二次风门开度的增加能够同时提高锅炉效率并且降低ＮＯ。排放浓度。投运 相邻（上三层或下三层）燃烧器时，锅炉效率相对较高；投运上三层燃烧器时，ＮＯ。排放 浓度最低；投运ＡＣＤ层燃烧器时ＮＯｘ排放浓度最高。因此，为实现该机组锅炉高效低 ＮＯ。燃烧，适宜投运上三层燃烧器，并使锅炉氧量保持在２．５％左右，Ａ、Ｂ、Ｄ层二次风 门开度适中，Ｃ层二次风门越大越好。

８．２展望
１．煤粉燃烧特性预测模型能够利用煤质指标预测煤的动力学参数，所得到的动力学 参数能够准确预测热重分析曲线。其中煤粉燃烧反应机理的假设为ｌ级反应，在简化了计 算的同时，也忽略了煤粉燃烧的前期水分的脱除和挥发分的析出反应。为了能够更加准确 地表征煤粉燃烧的完整过程，可以对燃烧反应机理进行改进。 ２．由于煤质指标容易获得，煤灰熔融性温度的分类预测具有比较高的可操作性。该 模型未考虑煤灰成分对灰熔融性的影响，提高了实用性，但也带来了争议。 ３．以优混煤为试验煤种，研究煤粉特性对燃烧特性的影响，所得的结果及结论只适 应于优混煤。如果要更加全面系统地考察煤粉特性对燃烧特性的影响，还需要考察更多的 不同试验煤种。 ４．提出动力配煤与锅炉运行一体式优化方法，为锅炉燃烧调节提供了更加宽广的空 间。依据用户所追求的目标，既可以优化配煤，也可以调整锅炉运行控制参数，还能够两 者相结合进行控制，最终得到最高的产出。机组的综合经济性不仅与产出有关，也受到成

本输入的影响。对于燃煤电站锅炉来说，成本输入包括各主要辅机设备的运行费用、维护
费用和磨损折旧等。因此，动力配煤与锅炉运行一体式优化可以扩展到整个机组的综合经 济性优化。这将需要对各辅机设备的运行性能分别进行建模，对优化目标重新定位，对优 化模型的约束条件进行详尽的描述。通过对整个机组的综合经济性进行优化，可以了解机
组运行各环节的耗能情况，挖掘节能潜力。

浙江大学硕士学位论文

参考文献

参考文献
［１］郝临山．洁净煤技术［Ｍ］．北京：化学工业出版社，２００９．
ＨＡＯ Ｌｉｎ?ｓｈａｎ．Ｊｉｅ Ｊｉｎｇ Ｍｅｉ Ｊｉ Ｓｈｕ［Ｍ］．Ｂｅｉｊｉｎｇ：Ｃｈｅｍｉｃａｌ Ｉｎｄｕｓｔｒｙ Ｐｒｅｓｓ，２００９．

［２］姜英．动力煤和动力配煤［Ｍ］．北京：化学工业出版社，２０１２．
ＪＩＡＮＧ Ｙｉｎｇ．Ｄｏｎｇ Ｌｉ Ｍｅｉ Ｈｅ Ｄｏｎｇ Ｌｉ Ｐｅｉ

Ｍｅｉ［Ｍ］．Ｂｅｉｊｉｎｇ：Ｃｈｅｍｉｃａｌ

Ｉｎｄｕｓｔｒｙ Ｐｒｅｓｓ，２００９．

［３］张艳桥．我国火电行业ＮＯｘ排放现状及烟气脱氮技术发展［Ｊ］．环境保护与循环经济，２０１０，（２）：
６４—６６． ＺＨＡＮＧ Ｙａｎ—ｑｉａｏ．Ｔｈｅ ｃｕｒｒｅｎｔ ｓｉｔｕａｔｉｏｎ ｏｆ ＮＯｘ ｅｍｉｓｓｉｏｎ ａｎｄ ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｆｌｕｅ ｇａｓ ｄｅｎｉｔｒｉｆｉｃａｔｉｏｎ

ｔｅｃｈｎｏｌｏｇｙ［Ｊ］．Ｅｎｖｉｒｏｎ ［４］ＺＨＵ Ｆａ—ｈｕａ，ＷＡＮＧ
ｐｏｗｅｒ ｐｌａｎｔｓ ａｎｄ

Ｐｒｏｔ Ｃｉｒｃ

Ｅｃｏｎ，２０１０，（２）：６４－６６．

Ｓｈｅｎｇ，ＺＨＥＮＧ Ｙｏｕ—ｆｅｉ．ＮＯｘ ｅｍｉｔｔｉｎｇ ｃｕｒｒｅｎｔ ｓｉｔｕａｔｉｏｎ ａｎｄ ｆｏｒｅｃａｓｔ ｆｒｏｍ ｔｈｅｒｍａｌ

ｃｏｕｎｔｅｒｍｅａｓｕｒｅｓ［Ｊ］．Ｅｎｅｒｇｙ Ｅｎｖｉｒｏｎ Ｐｒｏｔ，２００４，１ ８（１）：１－５．
ｅｍｉｓｓｉｏｎｓ ｆｒｏｍ ｔｈｅｒｍａｌ ｐｏｗｅｒ ｐｌａｎｔｓ
Ｅｎｖｉｒｏｎ Ｓｃｉ，２０１

［５］ＺＨＡＯ

Ｙｉ，ＺＨＯＵ Ｊｉａｎ—ｇｕｏ，ＬＩＡＮＧ Ｈｕａｉ－ｔａｏ．Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ＮＯｘ
ｏｎ ａ

ｉｎ Ｃｈｉｎａ ｂａｓｅｄ

ｇｒｅｙ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｃｏｍｂｉｎａｔｉｏｎ

ｍｏｄｅｌ［Ｊ］．Ｒｅｓ

ｌ，２４（５）：

４８９－４９６．

［６］ＢＡＩ

Ｙｕａｎ，Ｌｉ Ｚｈｏｎｇ—ｈｕａ，Ｘｕｅ Ｊｉａｎ－ｍｉｎｇ．Ｓｔｕｄｙ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｃｏａｌ—ｆｉｒｅｄ ｆｌｕｅ ｇａｓ ｄｅｎｉｔｒｉｆｉｃａｔｉｏｎ ｗｉｔｈ
ａｓ

ｕｒｅａ ｓｅｒｖｉｎｇ

ｒｅｄｕｃｉｎｇ

ａｇｅｎｔ［Ｊ］．ＥｌｅｃＶ Ｐｏｗｅｒ

Ｔｅｃｈｎｏｌ ａｎｄ Ｅｎｖｉｒｏｎ Ｐｒｏｔ，２０１

１，２７（１）：１９—２２．

［７］段传和，夏怀祥．燃煤电站ＳＣＲ烟气脱销工程技术［Ｍ］．北京：中国电力出版社，２００９．
［８］Ｍａｎ
Ｃ Ｋ，Ｇｉｂｂｉｎｓ Ｊ Ｒ．Ｆａｃｔｏｒｓ ａｆｆｅｃｔｉｎｇ ｃｏａｌ ｐａｒｔｉｃｌｅ ｉｇｎｉｔｉｏｎ ｕｎｄｅｒ ｏｘｙｆｕｅｌ ｃｏｍｂｕｓｔｉｏｎ

ａｔｍｏｓｐｈｅｒｅｓ［Ｊ］．

Ｆｕｅｌ，２０ １ ｌ，９０（１）：２９４—３０４．

［９］Ｆａ

ｄ ｎｄｅｚ Ｊ，Ａｒｅｎｉｌｌａｓ Ａ，Ｒｕｂｉｅｒａ Ｆ，ｅｔ ａ１．Ｉｇｎｉｔｉｏｎ ｂｅｈａｖｉｏｕｒ ｏｆ ｄｉｆｆｅｒｅｎｔ ｒａｎｋ ｃｏａｌｓ ｉｎ

ａｎ

ｅｎｔｒａｉｎｅｄ ｆｌｏｗ

ｒｅａｃｔｏｒ［Ｊ］．Ｆｕｅｌ，２００５，８４（１７）：２１７２—２１７７． ［１ ０］Ｖｌｅｅｓｋｅｎｓ
Ｊ

Ｍ，Ｎａｎｄｉ

Ｂ Ｎ．Ｂｕｒｎｏｕｔ ｏｆ ｃｏａｌｓ：Ｃｏｍｐａｒａｔｉｖｅ ｂｅｎｃｈ—ｓｃａｌｅ ｅｘｐｅｒｉｍｅｎｔｓ

ｏｎ

ｐｕｌｖｅｒｉｚｅｄ ｆｕｅｌ

ａｎｄ ｆｌｕｉｄｉｚｅｄ ｂｅｄ

ｃｏｍｂｕｓｔｉｏｎ［Ｊ］．Ｆｕｅｌ，１９８６，６５（６）：７９７—８０２．

［１ １］Ｋ．ｉｚｇｕｔ Ｓ，Ｙｉｌｍａｚ Ｓ．Ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ａｎｄ ｎｏｎ－ｉｓｏｔｈｅｒｍａｌ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｋｉｎｅｔｉｃｓ ｏｆ ｓｏｍｅ Ｔｕｒｋｉｓｈ
ｂｉｔｕｍｉｎｏｕｓ ｃｏａｌｓ ｂｙｔｈｅｒｍａｌ ａｎａｌｙｓｉｓ［Ｊ］．ＦｕｅｌＰｒｏｃｅｓｓＴｅｃｈｎｏｌ，２００４，８５（２—３）：１０３—１１１。

［１２］Ｓｍｉｔｈ

Ｓ Ｅ，Ｎｅａｖｅｌ Ｒ Ｃ，Ｈｉｐｐｏ Ｅ Ｊ，ｅｔ ａ１．ＤＴＧＡ ｃｏｍｂｕｓｔｉｏｎ ｏｆ ｃｏａｌｓ ｉｎ ｔｈｅ Ｅｘｘｏｎ ｃｏａｌ

ｌｉｂｒａｒｙ［Ｊ］．Ｆｕｅｌ，

１ ９８ １，６０（６）：４５８－４６２．

［１３］Ｄｕ

Ｓ

Ｗ，Ｃｈｅｎ Ｗ

Ｈ，Ｌｕｃａｓ Ｊ Ａ．Ｐｕｌｖｅｒｉｚｅｄ ｃｏａｌ ｂｕｒｎｏｕｔ ｉｎ ｂｌａｓｔ ｆｕｒｎａｃｅ ｓｉｍｕｌａｔｅｄ ｂｙ

ａ

ｄｒｏｐ ｔｕｂｅ

ｆｕｒｎａｃｅ［Ｊ］．Ｅｎｅｒｇｙ，２０１０，３５（２）：５７６—５８１． ［１ ４】Ｓｈｅｎ
Ｙａｎ—ｓｏｎｇ，Ｇｕｏ Ｂａｏ—ｙｕ，Ｙｕ Ａｉ－ｂｉｎｇ，ｅｔ
ｏｎ

ａ１．Ｍｏｄｅｌ

ｓｔｕｄｙ ｏｆ ｔｈｅ ｅｆｆｅｃｔｓ ｏｆ ｃｏａｌ ｐｒｏｐｅｒｔｉｅｓ ａｎｄ ｂｌａｓｔ

ｃｏｎｄｉｔｉｏｎｓ

ｐｕｌｖｅｒｉｚｅｄ ｃｏａｌ

ｃｏｍｂｕｓｔｉｏｎ［Ｊ］．Ｉｓｉｊ Ｉｎｔ，２００９，４９（６）：８１９—８２６．

［１ ５］Ａｖｓａｒ

Ｇ，Ａｌｔｉｎｅｌ

Ｈ，Ｙｉｌｍａｚ Ｍ Ｋ，ｅｔ ａ１．Ｓｙｎｔｈｅｓｉｓ，ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ，ａｎｄ ｔｈｅｒｍａｌ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｏｆ
Ｓｃｈｉｆｆ ｂａｓｅ

ｆｌｕｏｒｉｎａｔｅｄ

ｓａｌｉｃｙｌａｌｄｅｈｙｄｅ

ｄｅｒｉｖａｔｉｖｅｓ（ｓａｌｅｎ）ａｎｄ

ｔｈｅｉｒ ｃｏｍｐｌｅｘｅｓ ｗｉｔｌｌ

ｃｏｐｐｅｒ（ＩＩ）［Ｊ］．Ｊ

ＴｈｅｒｍＡｎａｌ Ｃａｌｏｒｉｍ，２００９，１０１（１）：１９９—２０３．

［１ ６］Ｃｕｍｍｉｎｇ

Ｊ

ｗ

Ｒｅａｃｔｉｖｉｔｙ

ａｓｓｅｓｓｍｅｎｔ ｏｆ ｃｏａｌｓ ｖｉａ

ａ

ｗｅｉｇｈｔｅｄ

ｍｅａｎ ａｃｔｉｖａｔｉｏｎ

ｅｎｅｒｇｙ［Ｊ］．Ｆｕｅｌ，

１９８４，６３（１０）：１４３６—１４４０．

５６

浙江大学硕士学位论文

参考文献

［１７］Ｆｉｌｈｏ

Ｃ Ｇ ｄ Ｓ，Ｍｉｌｉｏｌ Ｆ Ｅ．Ａ ｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｉｃ ａｎａｌｙｓｉｓ ｏｆｔｈｅ ｃｏｍｂｕｓｔｉｏｎ ｏｆａ Ｂｒａｚｉｌｉａｎ ｍｉｎｅｒａｌ

ｃｏａｌ［Ｊ］．

Ｑｕｉｍ Ｎｏｖａ，２００８，３ ｌ（１）：９８－１０３． ［１８］Ｊａｎｋｏｖｉ６ Ｂ．Ｔｈｅｒｍａｌ
ｄｅｇｒａｄａｔｉｏｎ ｐｒｏｃｅｓｓ ｏｆ ｔｈｅ ｃｕｒｅｄ ｐｈｅｎｏｌｉｃ ｔｒｉａｚｉｎｅ ｔｈｅｒｍｏｓｅｔ ｒｅｓｉｎ（Ｐｒｉｍａｓｅｔ＠

ＰＴ－３０）．Ｐａｒｔ Ｉ．Ｓｙｓｔｅｍａｔｉｃ ［１ ９】Ｊｉａｎｇ
Ｘ

ｎｏｎ—ｉｓｏｔｈｅｒｍａｌ

ｋｉｎｅｔｉｃ

ａｎａｌｙｓｉｓ［Ｊ］．ＴｈｅｒｍｏｃｈｉｍＡｃｔａ，２０１１，５１９（１—２）：１１４—１２４．

Ｍ，Ｈａｎ

Ｘ Ｘ，Ｃｕｉ Ｚ Ｇ．Ｐｒｏｇｒｅｓｓ ａｎｄ ｒｅｃｅｎｔ ｕｔｉｌｉｚａｔｉｏｎ ｔｒｅｎｄｓ ｉｎ ｃｏｍｂｕｓｔｉｏｎ ｏｆ Ｃｈｉｎｅｓｅ ｏｉｌ

ｓｈａｌｅ［Ｊ］．Ｐｒｏｇ Ｅｎｅｒｇ Ｃｏｍｂｕｓｔ，２００７，３３（６）：５５２－５７９． ［２０］ＫＳｋ Ｍ Ｖ ［２ １］ＫＳｋ Ｍ Ｖ
Ｐｒｏｃｅｓｓ Ｔｈｅｒｍｏ—ｏｘｉｄａｔｉｖｅ ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ａｎｄ ｋｉｎｅｔｉｃｓ ｏｆｔａｒ

ｓａｎｄｓ［Ｊ］．Ｅｎｅｒｇｙ，２０１ １，３６（８）：５３３８—５３４２． ｔｅｃｈｎｉｑｕｅｓ［Ｊ］．Ｆｕｅｌ

Ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ｏｆ ｍｅｄｉｕｍ ａｎｄ ｈｅａｖｙ ｃｒｕｄｅ ｏｉｌｓ ｕｓｉｎｇ ｔｈｅｒｍａｌ ａｎａｌｙｓｉｓ

Ｔｅｃｈｎｏｌ，２０１１，９２（５）：１０２６—１０３１．
Ｃ，ｅｔ ａ１．Ｅｆｆｅｃｔ ｏｆ ｐａｒｔｉｃｌｅ ｓｉｚｅ
ｏｎ

［２２］Ｋ６ｋ Ｍ Ｖ，０ｚｂａｓ Ｅ，Ｈｉｃｙｉｌｍａｚ

ｔｈｅ

ｔｈｅｒｍａｌ

ａｎｄ ｃｏｍｂｕｓｔｉｏｎ ｐｒｏｐｅｒｔｉｅｓ ｏｆ

ｃｏａｌ［Ｊ］．ＴｈｅｒｍｏｃｈｉｍＡｃｔａ，１９９７，３０２（１—２）：１２５－１３０．
［２３］ＫＳｋ Ｍ Ｖ’Ｐｏｋｏｌ
Ｇ，Ｋｅｓｋｉｎ Ｃ，ｅｔ ａ１．Ｃｏｍｂｕｓｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｌｉｇｎｉｔｅ ａｎｄ ｏｉｌ ｓｈａｌｅ ｓａｍｐｌｅｓ ｂｙ

ｔｈｅｒｍａｌ ａｎａｌｙｓｉｓ ｔｅｃｈｎｉｑｕｅｓ［Ｊ］．Ｊ ＴｈｅｒｍＡｎａｌ Ｃａｌｏｒｉｍ，２００４，７６（１）：２４７—２５４．

［２４］Ｋｆｉｇｆｉｋｂａｙｒａｋ

Ｓ，ＨａｙｋｌｒＩ－Ａｇｍａ Ｈ，Ｅｒｓｏｙ－Ｍｅｒｉｇｂｏｙｕ Ａ，ｅｔ ａ１．Ｅｆｆｅｃｔ ｏｆ Ｃｏｎｖｅｒｓ

ｌｉｇｎｉｔｅ ｐｒｏｐｅｒｔｉｅｓ

ｏｎ

ｒｅａｃｔｉｖｉｔｙ ｏｆ

ｌｉｇｎｉｔｅ［Ｊ］．Ｅｎｅｒｇｙ

Ｍａｎａｇｅ，２００１，４２（５）：６１３—６２６．
Ａ，Ｋ ｎ ９ ｎ ｋｂａｙｒａｋ Ｓ．Ｃｏｍｂｕｓｔｉｏｎ ｒｅａｃｔｉｖｉｔｙ ｏｆ ｄｉｆｆｅｒｅｎｔ ｒａｎｋ

［２５】Ｈａｙｋｉｒｉ—Ａｇｍａ Ｈ，Ｅｒｓｏｙ—Ｍｅｒｉｇｂｏｙｕ ｃｏａｌｓ［Ｊ］．Ｅｎｅｒｇｙ ［２６］Ｗａｎｇ
Ｃｏｎｖｅｒｓ

Ｍａｎａｇｅ，２００２，４３（４）：４５９－４６５．
ＯＤ

Ｊ Ｈ，Ｃｈａｎｇ Ｌ Ｐ，Ｌｉ Ｆ，ｅｔ ａ１．Ａ ｓｔｕｄｙ

ｔｈｅ ｃｏｍｂｕｓｔｉｏｎ ｐｒｏｐｅｒｔｉｅｓ ｏｆ

Ｗｅｓｔｅｒｎ

Ｃｈｉｎｅｓｅ

ｃｏａｌｓ［Ｊ］．

Ｅｎｅｒｇｙ Ｓｏｕｒｃｅｓ，ＰａｒｔＡ：Ｒｅｃｏｖｅｒｙ，Ｕｔｉｌｉｚａｔｉｏｎ，ａｎｄ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｅｆｆｅｃｔｓ

２０１０，３２（１１）：１０４０—１０５１．

［２７］Ｓｅｇｇｉａｎｉ Ｍ，Ｐａｎｎｏｃｃｈｉａ Ｇ．Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｒｅｇｒｅｓｓｉｏｎ［Ｊ］．Ｉｎｄ ［２８］Ｗｉｎｅｇａｒｔｎｅｒ
Ｅｎｇ Ｃｈｅｍ

ｃｏａｌ

ａｓｈ ｔｈｅｒｍａｌ ｐｒｏｐｅｒｔｉｅｓ ｕｓｉｎｇ ｐａｒｔｉａｌ ｌｅａｓｔ—ｓｑｕａｒｅｓ

Ｒｅｓ，２００３，４２（２０）：４９１９－４９２６．

Ｅ Ｃ，Ｒｈｏｄｅｓ Ｂ Ｔ．Ｅｍｐｉｒｉｃａｌ ｓｔｕｄｙ ｏｆ ｔｈｅ ｒｅｌａｔｉｏｎ ｏｆ ｃｈｅｍｉｃａｌ ｐｒｏｐｅｒｔｉｅｓ ｔｏ ａｓｈ ｆｕｓｉｏｎ Ｅｎｇ

ｔｅｍｐｅｒａｔｕｒｅｓ［Ｊ］．Ｊ ［２９］Ｌｉｕ
Ｙ

Ｐｏｗｅｒ，１９７５，９７（３）：３９５－４０６．
Ｊ ｘ．Ｐｒｅｄｉｃｔｉｎｇ ｃｏａｌ ａｓｈ ｆｕｓｉｏｎ ｔｅｍｐｅｒａｔｕｒｅ ｂａｓｅｄ
ｏｎ

Ｐ，Ｗｕ Ｍ Ｇ，Ｑｉａｎ

ｉｔｓ ｃｈｅｍｉｃａｌ ｃｏｍｐｏｓｉｔｉｏｎ

ｕｓｉｎｇ ＡＣＯ—ＢＰ ｎｅｕｒａｌ

ｎｅｔｗｏｒｋ［Ｊ］．Ｔｈｅｒｍｏｃｈｉｍ Ａｃｔａ，２００７，４５４（１）：６４－６８．

［３０］ＹＩＮ

Ｃｈｕｎ—ｇｅｎ，ＬＵＯ Ｚｈｏｎｇ—ｙａｎｇ，ＮＩ

Ｍｉｎｇ－ｊｉａｎｇ，ｅｔ

ａ１．Ｐｒｅｄｉｃｔｉｎｇ ｃｏａｌ ａｓｈ ｆｕｓｉｏｎ ｔｅｍｐｅｒａｔｕｒｅ ｗｉｔｈ

ａ

ｂａｃｋ－ｐｒｏｐａｇａｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ

ｍｏｄｅｌ［Ｊ］．Ｆｕｅｌ，１９９８，７７（１５）：１７７７—１７８２．
ｏｆ ｃｏａｌ ａｓｈ

［３ １］ＺＨＡＯ

Ｂｉｎｇ—ｔａｏ，Ｚｈａｎｇ

Ｚｈｏｎｇ－ｘｉａｏ，Ｗｕ Ｘｉａｏ－ｊｉａｎｇ．Ｐｒｅｄｉｃｔｉｏｎ

ｆｕｓｉｏｎ ｔｅｍｐｅｒａｔｕｒｅ ｂｙ

ｌｅａｓｔ－ｓｑｕａｒｅｓ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ

ｍｏｄｅｌ［Ｊ］．Ｅｎｅｒｇｙ Ｆｕｅｌｓ，２０ １ ０，２４（５）：３０６６—３０７ １．
Ｈｏｎｇ－ｑｕａｎ，ｅｔ ａ１．Ｓｔｕｄｙ
ｏｎ

［３２］ＺＨＡＮＧ

Ｙｉ，ＤＩＮＧ

Ｙａｎ－ｊｕｎ，ＺＨＡＮＧ

ｏｐｔｉｍｉｚｅｄ ｂｏｉｌｅｒ ｏｐｅｒａｔｉｏｎ ｃｏｎｔｒｏｌ ｆｏｒ

ｈａｒｍｏｎｉｚｅｄ

ｃｏｏｒｄｉｎａｔｉｏｎ ｂｅｔｗｅｅｎ ｅｃｏｎｏｍｉｃ

ｅｆｆｉｃｉｅｎｃｙ

ａｎｄ ｅｎｖｉｒｏｎｍｅｎｔａｌ

ｐｒｏｔｅｃｔｉｏｎ［Ｊ］．Ｊ

Ｐｏｗｅｒ Ｅｎｇ，

２００５，２５（５）：６７６—６７９．

［３３］ＺＨＯＵ

Ｊｉａｎ—ｘｉｎ，ＳＩ

Ｆｅｎｇ—ｑｉ，ＷＡＮＧ

Ｊｕｎ，ｅｔ ａ１．Ｓｔｕｄｙ ａｎｄ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｂｏｉｌｅｒ ｏｐｅｒａｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｆｏｒ

ｔｏｗ ＮＯｘ ｅｍｉｓｓｉｏｎｓ ｉｎ ｃｏａｌ—ｆｉｒｅｄ ｐｏｗｅｒ

ｐｌａｎｔ［Ｊ］．Ｂｏｉｌｅｒ Ｔｅｃｈｎｏｌ，２０１ １，４２（４）：１８—２２．

［３４］ＬＵ

Ｙｕｋｒｕｎ，ＰＥＮＧ Ｘｉｎ，ＺＨＡＯ Ｋａｉ．Ｈｙｂｒｉｄ ｍｏｄｅｌｉｎｇ

ｏｐｔｉｍｉｚａｔｉｏｎ

ｏｆ ｔｈｅｒｍａｌ ｅｆｆｉｃｉｅｎｃｙ

ａｎｄ

ＮＯｘ

ｅｍｉｓｓｉｏｎ ｏｆｕｔｉｌｉｔｙ

ｂｏｉｌｅｒ［Ｊ］．Ｐｒｏｃ ＣＳＥＥ，２０１１，３１（２６）：１６—２２．

５７

［３５］ＸＵ Ｃｈａｎｇ，ＬＵ Ｊｉａｎ－ｈｏｎｇ，ＺＨＥＮ Ｙｕａｎ，ｅｔ
ｌｏｗ ＮＯ—ｘ ｅｍｉｓｓｉｏｎｓ

ａ１．Ａ ｂｏｉｌｅｒ ｃｏｍｂｕｓｔｉｏｎ ｇｌｏｂａｌ ｏｐｔｉｍｉｚａｔｉｏｎ

ｏｎ

ｅｆｆｉｃｉｅｎｃｙ ａｎｄ

ｏｂｊｅｃｔ［Ｊ］．Ｐｒｏｃ ＣＳＥＥ，２００６，２６（４）：４６．５０．
Ａｏ．Ｐｒｅｄｉｃｔｉｏｎ ａｎｄ ｏｐｅｒａｔｉｏｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｆｏｒ ＮＯｘ ｅｍｉｓｓｉｏｎ

【３６］ＣＨＥＮ Ｑｉｎｇ－ｗｅｎ，ＭＡ Ｘｉａｏ—ｑｉａｎ，ＬＩＵ

ｐｒｏｐｅｒｔｙ ｏｆｌａｒｇｅ—ｓｃａｌｅ ｍｉｘｅｄ ｃｏａｌ—ｆｉｒｅｄ ｕｔｉｌｉｔｙ

ｂｏｉｌｅｒ［Ｊ］．Ｐｒｏｃ ＣＳＥＥ，２００９，２９（２３）：２０．２６．
ｏｕｒ

［３７］ＨＥ Ｐｅｉ—ａｕ，ＺＨＡＮＧ

Ｚｈｏｎｇ—ｘｉａｏ．Ｓｔｕｄｉｅｓ １．

ｏｎ

ｔｈｅ ｓｌａｇｇｉｎｇ ｐｒｏｐｅｒｔｙ ｏｆ ｔｈｅ ｃｏａｌｓ ｕｓｅｄ ｂｙ ｔｈｅ ｕｔｉｌｉｔｉｅｓ ｉｎ

ｃｏｕｎｔｒｙ［Ｊ］．Ｐｏｗｅｒ Ｅｎｇ，１９８７，（２）：１－１ ［３ ８］ＹＡＯ Ｙａｏ．Ｏｐｔｉｍｉｚｉｎｇ ｍｅｔｈｏｄ ２００８，（１）：２７．３
１．

ｏｆ ｂｏｉｌｅｒ ｏｐｅｒａｔｉｏｎ ａｎｄ ｉｔｓ

ａｐｐｌｉｃａｔｉｏｎ［Ｊ］．Ｎｏｒｔｈ

Ｃｈｉｎａ Ｅｌｅｃｔｒ Ｐｏｗｅｒ，

［３９］Ｖａｐｎｉｋ ｖ，Ｇｏｌｏｗｉｃｈ

Ｓ Ｅ，Ｓｍｏｌａ Ａ．Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍｅｔｈｏｄ ｆｏｒ Ｆｕｎｃｔｉｏｎ Ａｐｐｒｏｘｉｍａｔｉｏｎ．Ｒｅｇｒｅｓｓｉｏｎ

Ｅｓｔｉｍａｔｉｏｎ，ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ［Ｍ］．Ｂｏｓｔｏｎ：ＭＩＴ Ｐｒｅｓｓ，１９９６。

［４０］Ｍ＠ｅｒ Ｋ

Ｓｍｏｌａ Ａ，Ｒ；ｉｔｓｃｈ

Ｇ，ｅｔ ａ１．Ｐｒｅｄｉｃｔｉｎｇ ｔｉｍｅ ｓｅｒｉｅｓ ｗｉｔｈ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ

ｍａｃｈｉｎｅｓ［Ｍ］／／ｗ．

Ｇｅｒｓｔｎｅｒ，Ａ．Ｇｅｒｍｏｎｄ，Ｍ．Ｈａｓｌｅｒ，Ｊ．Ｄ．Ｎｉｃｏｕｄ．Ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ
Ｓｐｒｉｎｇｅｒ－Ｖｅｒｔａｇ，１９９７：９９９－１００４．

ｆ ＩＣＡＮＮ’９７）．Ｂｅｒｌｉｎ：

［４ １］Ｐｏｎｔｉｌ Ｍ，Ｖｅｒｒｉ

Ａ．Ｓｕｐｐｏｎ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ ｆｏｒ ３Ｄ

ｏｂｊｅｃｔ ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＩＥＥＥ

Ｔｒａｎｓ Ｐａｔｔｅｍ Ａｎａｌ Ｍａｃｈ

Ｉｒｌｔｅｌｌ，１ ９９８，２０（６）：６３７—６４６．

［４２］Ｊｏａｃｈｉｍｓ

Ｔ．Ｔｅｘｔ

ｃａｔｅｇｏｒｉｚａｔｉｏｎ

ｗｉｔｈ

Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ：Ｌｅａｒｎｉｎｇ

ｗｉｔｈ

ｍａｎｙ ｒｅｌｅｖａｎｔ

ｆｅａｔｕｒｅｓ［Ｍ］／／Ｃ．Ｎ

６ ｄｅｌｌｅｃ，Ｃ．Ｒｏｕｖｅｋ０１．Ｍａｃｈｉｎｅ

Ｌｅａｒｎｉｎｇ：ＥＣＭＬ一９８．Ｂｅｒｌｉｎ：Ｓｐｒｉｎｇｅｒ Ｂｅｒｌｉｎ／

Ｈｅｉｄｅｌｂｅｒｇ，１９９８：１３７—１４２．

［４３］Ｙｕ

Ｇ

Ｘ，Ｏｓ仃ｏｕｃｈｏｖ

Ｇ，Ｇｅｉｓｔ

Ａ，ｅｔ

ａ１．Ａｎ

ＳＶＭ—ｂａｓｅｄ

ａｌｇｏｒｉｔｈｍ

ｆｏｒ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ

ｏｆ

ｐｈｏｔｏｓｙｎｔｈｅｓｉｓ－ｓｐｅｃｉｆｉｃ ｇｅｎｏｍｅ ｆｅａｔｕｒｅｓ，１ １－１４

Ａｕｇ．２００３［Ｃ］＿［Ｓ．Ｉ．］：２００３． Ｔｈｅｏｒｙ［Ｍ］．Ｎｅｗ
Ｙｏｒｋ：ＳｐｒｉｎｇｅＬ １９９５．

［４４］Ｖａｐｎｉｋ ［４５］Ｓｍｏｌａ ［４６］Ｌｉｎ
Ｓ

Ｖ Ｎ．Ｔｈｅ Ｎａｔｕｒｅ ｏｆ Ｓｔａｔｉｓｔｉｃａｌ Ｌｅａｒｎｉｎｇ Ａ Ｊ，ＳｃｈｏｌｋｏｐｆＢ．Ａ ｔｕｔｏｒｉａｌ
ｏｎ

ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ

ｒｅｇｒｅｓｓｉｏｎ［Ｊ］．Ｓｔａｔ Ｃｏｍｐｕｔ，２００４，１４（３）：１９９—２２２．

Ｗ，Ｙｉｎｇ

Ｋ Ｃ，Ｃｈｅｎ Ｓ Ｃ，ｅｔ ａ１．Ｐａｒｔｉｃｌｅ ｓｗａｒｌＩｌ ｏｐｔｉｍｉｚａｔｉｏｎ ｆｏｒ ｐａｒａｍｅｔｅｒ ｄｅｔｅｒｍｉｎａｔｉｏｎ ａｎｄ ｆｅａｔｕｒｅ

ｓｅｌｅｃｔｉｏｎ ｏｆｓｕｐｐｏｒｔ ｖｅｃｔｏｒ

ｍａｃｈｉｎｅｓ［Ｊ］．Ｅｘｐｅｒｔ ＳｙｓｔＡｐｐｌ，２００８，３５（４）：１８１７－１８２４．
ｎｏｓｅ

［４７］Ｐａｒｄｏ Ｍ，Ｓｂｅｒｖｅｇｌｉｅｒｉ
Ａｃｔｕａｔｏｒｓ

Ｇ．Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｅｌｅｃｔｒｏｎｉｃ

ｄａｔａ ｗｉｔｈ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ

ｍａｃｈｉｎｅｓ［Ｊ］．Ｓｅｎｓ

Ｂ：Ｃｈｅｍ，２００５，１０７（２）：７３０—７３７． Ｍ，Ｕｓｔｕｎ
Ｂ，ｅｔ ａ１．Ｃｏｍｐａｒｉｎｇ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅｓ ｔｏ ＰＬＳ ｆｏｒ ｓｐｅｃｉａｌ ｒｅｇｒｅｓｓｉｏｎ

［４８］Ｔｈｉｓｓｅｎ

Ｕ，Ｐｅｐｅｒｓ

ａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］．Ｃｈｅｍｏｍ ［４９］Ｓｔｏｒｎ
ｏｖｅｒ

Ｉｎｔｅｌｌ Ｌａｂ

Ｓｙｓｔ，２００４，７３（２）：１６９—１７９．

Ｒ，Ｐｒｉｃｅ Ｋ．Ｄｉｆｆｅｒｅｎｔｉａｌ Ｅｖｏｌｕｔｉｏｎ－Ａ ｓｉｍｐｌｅ ａｎｄ ｅｆｆｉｃｉｅｎｔ ａｄａｐｔｉｖｅ ｓｃｈｅｍｅ ｆｏｒ ｇｌｏｂａｌ ｏｐｔｉｍｉｚａｔｉｏｎ ｃｏｎｔｉｎｕｏｕｓ

ｓｐａｃｅｓ［Ｒ］．Ｂｅｒｋｅｌｅｙ，ＣＡ：Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｍｐｕｔｅｒ

Ｓｃｉｅｎｃｅ Ｉｎｓｔｉｔｕｔｅ，１ ９９５．
ｏｖｅｒ

［５０】Ｓｔｏｒｅ

Ｒ，Ｐｒｉｃｅ Ｋ．Ｄｉｆｆｅｒｅｎｔｉａｌ ｅｖｏｌｕｔｉｏｎ－ａ

ｓｉｍｐｌｅ

ａｎｄ ｅｆｆｉｃｉｅｎｔ ｈｅｕｒｉｓｔｉｃ ｆｏｒ ｇｌｏｂａｌ ｏｐｔｉｍｉｚａｔｉｏｎ

ｃｏｎｔｉｎｕｏｕｓ

ｓｐａｃｅｓ［Ｊ］．Ｊ

Ｇｌｏｂａｌ

Ｏｐｔｉｍ，１９９７，１１（４）：３４１—３５９．
ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｔｈｅｒｍｏａｎａｌｙｔｉｃａｌ ｔｅｃｈｎｉｑｕｅｓ
ｔｏ

［５１］Ｆｒｅｅｍａｎ

Ｅ Ｓ，Ｃａｒｒｏｌｌ Ｂ．Ｔｈｅ

ｒｅａｃｔｉｏｎ ｋｉｎｅｔｉｃｓ：Ｔｈｅ

ｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｉｃ ｅｖａｌｕａｔｉｏｎ ｏｆ ｔｈｅ ｋｉｎｅｔｉｃｓ ｏｆ ｔｈｅ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｏｆ ｃａｌｃｉｕｍ ｏｘａｌａｔｅ ｍｏｎｏｈｙｄｒａｔｅ［Ｊ］．Ｊ
Ｐｈｙｓ

Ｃｈｅｍ，１９５８，６２（４）：３９４—３９７．
Ｈ Ｈ，Ｍｅｔｚｇｅｒ Ｇ．Ａ ｎｅｗ ａｎａｌｙｓｉｓ ｏｆ ｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｉｃ

［５２］Ｈｏｒｏｗｉｔｚ

ｔｒａｃｅｓ［Ｊ］．Ａｎａｌ

Ｃｈｅｍ，１９６３，３５（１０）：

１４６４．１４６８

５８

［５３］Ｓｂｉｒｒａｚｚｕｏｌｉ Ｎ，Ｇｉｒａｕｌｔ Ｙ，Ｅｌ

６ ｇａｎｔ Ｌ．Ｓｉｍｕｌａｔｉｏｎｓ ｆｏｒ ｅｖａｌｕａｔｉｏｎ ｏｆ ｋｉｎｅｔｉｃ ｍｅｔｈｏｄｓ ｉｎ ｄｉｆｆｅｒｅｎｔｉａｉ

ｓｃａｎｎｉｎｇ ｃａｌｏｒｉｍｅｔｒｙ．Ｐａｒｔ ３一Ｐｅａｋ ｍａｘｉｍｕｍ ｅｖｏｌｕｔｉｏｎ ｍｅｔｈｏｄｓ ａｎｄ ｉｓｏｃｏｎｖｅｒｓｉｏｎａｌ

ｍｅｔｈｏｄｓ［Ｊ］．

ＴｈｅｒｍｏｃｈｉｍＡｃｔａ，１９９７，２９３（１－２）：２５—３７． ［５４］Ｆｒｉｅｄｍａｎ
Ｈ Ｌ．Ｋｉｎｅｔｉｃｓ ｏｆ ｔｈｅｒｍａｌ ｄｅｇｒａｄａｔｉｏｎ ｏｆ

ｃｈａｒ－ｆｏｒｍｉｎｇ

ｐｌａｓｔｉｃｓ

ｆｒｏｍ

ｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｙ．

Ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｐｈｅｎｏｌｉｃ

ｐｌａｓｔｉｃ［Ｊ］．Ｊ

Ｐｏｔｙｍ Ｓｃｉ Ｐｏｌｙｍ Ｓｙｍｐ，１９６４，６（１）：１８３—１９５，

［５５］Ｃｏａｔｓ
６８．６９．

Ａ

Ｗ，Ｒｅｄｆｅｍ

Ｊ

Ｐ．Ｋｉｎｅｔｉｃ ｐａｒａｍｅｔｅｒｓ ｆｒｏｍ ｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｉｃ ｄａｔａ［Ｊ］．Ｎａｔｕｒｅ，１ ９６４，２０ １（４９ １）：

［５６］Ｆｌｙｎｎ

Ｊ

Ｈ，Ｗａｌｌ

Ｌ Ａ．Ｇｅｎｅｒａｌ ｔｒｅａｔｍｅｎｔ ｏｆ ｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｙ ｏｆ ｐｏｌｙｍｅｒｓ［Ｊ］．Ｊ Ｒｅｓ Ｎａｔｌ Ｂｕｒ Ｓｔａｎｄ．Ｓｅｃｔ

Ａ，１９６６，７０Ａ（６）：４８７—５２３． ［５７］Ｆｌｙｒｍ
Ｊ

Ｈ，Ｗａｌｌ

Ｌ Ａ．Ａ

ｑｕｉｃｋ

ｄｉｒｅｃｔ

ｍｅｔｈｏｄ

ｆｏｒ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ａｃｔｉｖａｔｉｏｎ

ｅｎｅｒｇｙ

ｆｒｏｍ

ｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｉｃ ｄａｔａ［Ｊ］．Ｊ Ｐｏｌｙｍ Ｓｃｉ Ｂ：Ｐｏｌｙｍ Ｌｅｔｔ，１ ９６６，４（５ＰＢ）：３２３．３２８．

［５８］Ｏｚａｗａ

Ｔ．Ａ ｎｅｗ ｍｅｔｈｏｄ ｏｆ ａｎａｌｙｚｉｎｇ ｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｉｃ

ｄａｔａ［Ｊ］．Ｂｕｌｌ Ｃｈｅｍ Ｓｏｃ Ｊｐｎ，１９６５，３８（１ １）：

１８８１．１８８６．

［５９］Ｍａｄｈｕｓｕｄａｎａｎ

Ｐ Ｍ，Ｋｒｉｓｈｎａｎ Ｋ，Ｎｉｎａｎ Ｋ Ｎ．Ｎｅｗ ａｐｐｒｏｘｉｍａｔｉｏｎ ｆｏｒ ｔｈｅ

ｐ（ｘ）ｆｕｎｃｔｉｏｎ

ｉｎ ｔｈｅ ｅｖａｌｕａｔｉｏｎ

ｏｆｎｏｎｉｓｏｔｈｅｒｒｒｌａｌ ｋｉｎｅｔｉｃ

ｄａｔａ［Ｊ］．ＴｈｅｒｍｏｃｈｉｍＡｅｔａ，１９８６，９７
Ｃ，Ｖａｌｋｅｎｂｕｒｇ
Ｐ Ｊ

１８９—２０１．
ｏｆ ｃｏａｌ ｃｏｍｂｕｓｔｉｏｎ ｋｉｎｅｔｉｃｓ ｗｉｔｈ

［６０］Ｈａｋｖｏｏｒｔ

Ｇ，Ｓｃｈｏｕｔｅｎ Ｊ

Ｍ．Ｔｈｅ ｄｅｔｅｒｍｉｎａｔｉｏｎ

ｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｙ［Ｊ］．Ｊ

Ｔｈｅｒｍ Ａｎａｌ，１９８９．３５（２）：３３５－３４６．
ｔｏ

［６ １］Ｐｏｐｅｓｃｕ Ｃ．Ｉｎｔｅｇｒａｌ ｍｅｔｈｏｄ
ｃｏｎｄｉｔｉｏｎｓ－Ａ ｖａｒｉａｎｔ
ｏｎ

ａｎａｌｙｚｅ ｔｈｅ ｋｉｎｅｔｉｃｓ ｏｆ ｈｅｔｅｒｏｇｅｎｅｏｕｓ ｒｅａｃｔｉｏｎｓ ｕｎｄｅｒ ｎｏｎ—ｉｓｏｔｈｅｒｍａｌ

ｔｈｅ

Ｏｚａｗａ—Ｆｔｙｎｎ－Ｗａｌｌ ｍｅｔｈｏｄ［Ｊ］．ＴｈｅｒｍｏｃｈｉｍＡｃｔａ，１９９６，２８５（２）：３０９．３２３．
ｍｅｔｈｏｄ ｔｏ ｅｓｔｉｍａｔｅ

［６２］Ｍｉｕｒａ

Ｋ．Ａ ｎｅｗ ａｎｄ

ｓｉｍｐｌｅ

ｆ（Ｅ）ａｎｄ ｋＯ（Ｅ）ｉｎ

ｔｈｅ ｄｉｓｔｒｉｂｕｔｅｄ ａｃｔｉｖａｔｉｏｎ—ｅｎｅｒｇｙ ｍｏｄｅｌ

ｆｒｏｍ ３ ｓｅｔｓ

ｏｆｅｘｐｅｒｉｍｅｎｔａｌ—ｄａｔａ［Ｊ］．Ｅｎｅｒｇｙ Ｆｕｅｌｓ，１９９５，９（２）：３０２?３０７．
Ｔ．Ａ ｓｉｍｐｌｅ ｍｅｔｈｏｄ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ Ｆｕｅｌｓ，１

［６３］Ｍｉｕｒａ Ｋ，Ｍａｋｉ

ｆ（Ｅ）ａｎｄ ｋ０（Ｅ）ｉｎ

ｔｈｅ ｄｉｓｔｒｉｂｕｔｅｄ ａｃｔｉｖａｔｉｏｎ ｅｎｅｒｇｙ

ｍｏｄｅｌ［Ｊ］．Ｅｎｅｒｇｙ ［６４］Ｄｈｕｍａｌ

９９８，１２（５）：８６４—８６９．

Ｓ Ｓ，Ｓａｈａ Ｒ Ｋ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｅｖａｌｕａｔｉｏｎ ｏｆ ｋｉｎｅｔｉｃ ｐａｒａｍｅｔｅｒｓ ｏｆ ｃｏａｌ Ｅｎｅｒｇｙ Ｅｎｖｉｒｏｎ，２００６，５ １ １２—１２４．

ｐｙｒｏｌｙｓｉｓ［Ｊ］．Ｊ ［６５］Ｓｈｅｔｈ

Ｐ Ｎ，Ｂａｂｕ Ｂ Ｖ－Ｄｉｆｆｅｒｅｎｔｉａｌ ｅｖｏｌｕｔｉｏｎ ａｐｐｒｏａｃｈ ｆｏｒ ｏｂｔａｉｎｉｎｇ ｋｉｎｅｔｉｃ ｐａｒａｍｅｔｅｒｓ ｉｎ ｎｏｎｉｓｏｔｈｅｒｍａｌ

ｐｙｒｏｌｙｓｉｓ

ｏｆｂｉｏｍａｓｓ［Ｊ］．Ｍａｔｅｒ ＭａｎｕｆＰｒｏｃｅｓｓｅｓ，２００９，２４（１０４２—６９１４）：４７－５２．

［６６］Ｈｉｌｌｉｅｒ

Ｊ，Ｂｅｚｚａｎｔ Ｔ，Ｆｌｅｔｃｈｅｒ Ｔ Ｈ．Ｉｍｐｒｏｖｅｄ ｍｅｔｈｏｄ ｆｏｒ ｔｈｅ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｋｉｎｅｔｉｃ ｐａｒａｍｅｔｅｒｓ ｆｒｏｍ

ｎｏｎ—ｉｓｏｔｈｅｒｍａｌ ｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｉｃ ａｎａｌｙｓｉｓ（ＴＧＡ）ｄａｔａ［Ｊ］．Ｅｎｅｒｇｙ Ｆｕｅｌｓ，２０１０，２４ ２８４１－２８４７．

［６７］Ｆｏｌｇｕｅｒａｓ Ｍ

Ｂ，Ｄ ｉ

ａｚ

Ｒ Ｍ．Ｉｎｆｌｕｅｎｃｅ ｏｆ ＦｅＣｌ３ ａｎｄ ｌｉｍｅ ａｄｄｅｄ ｔｏ ｓｌｕｄｇｅ

ｏｎ

ｓｌｕｄｇｅ—ｃｏａｌ

ｐｙｒｏｌｙｓｉｓ［Ｊ］．

Ｅｎｅｒｇｙ，２０１０，３５（１２）：５２５０－５２５９．

［６８］Ｌｅｅ

Ｊ

Ｍ，Ｋｉｍ

Ｄ

Ｗ，Ｋｉｍ Ｊ Ｓ．Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ

ｏｆ ＣＯ—ｃｏｍｂｕｓｔｉｏｎ ｏｆ ａｎｔｈｒａｃｉｔｅ ｗｉｔｈ ｂｉｔｕｍｉｎｏｕｓ ｃｏａｌ ｉｎ

ａ

２００一ＭＷｅ

ｃｉｒｃｕｌａｔｉｎｇ ｆｌｕｉｄｉｚｅｄ ｂｅｄ

ｂｏｉｌｅｒ［Ｊ］．Ｅｎｅｒｇｙ，２０１ １，３６（９）：５７０３—５７０９．
Ｚｏｎｇ—Ｓｉｌ，ｅｔ ａ１．Ａｒｒｈｅｎｉｕｓ ｐａｒａｍｅｔｅｒｓ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｉｎ ｎｏｎ—ｉｓｏｔｈｅｒｍａｌ ｇａｓｉｆｉｃａｔｉｏｎ ｏｆ ｃａｒｂｏｎ ｂｙ ｃａｒｂｏｎ

［６９］ＬＩＵ Ｚｈｏｎｇ—Ｓｔｌ０，ＷＡＮＧ Ｑｉ，ＺＯＵ
ｃｏｎｄｉｔｉｏｎｓ ２０１ ｆｏｒ ｔｈｅ ｕｎｃａｔａｌｙｚｅｄ

ｄｉｏｘｉｄｅ［Ｊ］．Ｔｈｅｒｍｏｃｈｉｍ

Ａｃｔａ，

１，５１２（１—２）：１－４．
Ｊｉｎ?ｇａｉ，ＹＡＮ Ｒｏｎｇ，ＣＨＥＮ Ｈａｎ－ｐｉｎｇ，ｅｔ ａ１．Ｃａｔａｌｙｔｉｃ ｅｆｆｅｃｔ ｏｆ ｍｅｔａｌ ｏｘｉｄｅｓ
ｏｎ

［７０］ＳＨＡＯ
ｓｅｗａｇｅ

ｐｙｒｏｌｙｓｉｓ ｏｆ

ｓｌｕｄｇｅ［Ｊ］．Ｆｕｅｌ Ｐｒｏｃｅｓｓ Ｔｅｃｌｍｏｌ，２０１０，９ｌ（９）：１１１３—１１１８．

［７ １］Ｓｙｅｄ Ｓ，Ｑｕｄａｉｈ

Ｒ，Ｔａｌａｂ Ｉ，ｅｔ ａ１．Ｋｉｎｅｔｉｃｓ ｏｆ ｐｙｒｏｌｙｓｉｓ ａｎｄ ｃｏｍｂｕｓｔｉｏｎ ｏｆ ｏｉｌ ｓｈａｌｅ ｓａｍｐｌｅ ｆｒｏｍ

ｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｉｃ ｄａｔａ［Ｊ］．Ｆｕｅｌ，２０１１，９０（４）：１６３１—１６３７．

［７２］Ｖａｒｏｌ Ｍ，Ａｔｉｍｔａｙ

Ａ Ｔ，Ｂａｙ Ｂ，ｅｔ ａ１．Ｉｎｖｅｓｔｉｇａｔｉｏｎ ｏｆ ｃｏ—ｃｏｍｂｕｓｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｌｏｗ ｑｕａｌｉｔｙ ｌｉｇｎｉｔｅ

ｃｏａｌｓ ａｎｄ ｂｉｏｍａｓｓ ｗｉｔｈ ｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｉｃ

ａｎａｌｙｓｉｓ［Ｊ］．ＴｈｅｒｍｏｃｈｉｍＡｃｔａ，２０１０，５１０（１—２）：１９５。２０１．

［７３］ＷＡＮＧ

Ｂａｏ’ｗｅｎ，ＹＡＮ

Ｒｏｎｇ，ＺＨＥＮＧ Ｙｉｎｇ，ｅｔ ａ１．Ｍｅｃｈａｎｉｓｔｉｃ ｉｎｖｅｓｔｉｇａｔｉｏｎ ｏｆ ｃｈｅｍｉｃａｌ ｌｏｏｐｉｎｇ

ｃｏｍｂｕｓｔｉｏｎ ｏｆｃｏａｌ ｗｉｔｈ Ｆｅ２０３ ｏｘｙｇｅｎ ｃａｒｒｉｅｒ［Ｊ］．Ｆｕｅｌ，２０１ １，９０（７）：２３５９．２３６６．

［７４］Ｗｉｌｓｏｎ

Ｌ，Ｊｏｈｎ Ｇ Ｒ，Ｍｈｉｌｕ Ｃ Ｆ，ｅｔ ａ１．Ｃｏｆｆｅｅ ｈｕｓｋｓ ｇａｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ｈｉｇｈ ｔｅｍｐｅｒａｔｕｒｅ ａｉｒ／ｓｔｅａｍ

ａｇｅｎｔ［Ｊ］

Ｆｕｅｌ Ｐｒｏｃｅｓｓ Ｔｅｃｈｎｏｌ，２０１０，９１ｆ１０）：１３３０．１３３７．

［７５］Ｒａｉｎｖｉｌｌｅ ［７６］Ｃｏａｔｓ
Ａ

Ｅ Ｄ．Ｓｐｅｃｉａｌ

ｆｕｎｃｔｉｏｎｓ［Ｍ］．Ｎｅｗ Ｙｏｒｋ：Ｍａｃｍｉｌｌａｎ，１９６０．
Ｊ Ｐ．Ｋｉｎｅｔｉｃ ｐａｒａｍｅｔｅｒｓ ｆｒｏｍ ｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｉｃ

Ｗ，Ｒｅｄｆｅｒｎ

ｄａｔａ．ＩＩ［Ｊ］．Ｊ Ｐｏｌｙｍ

Ｓｃｉ Ｂ：Ｐｏｌｙｍ

Ｌｅｔｔ，１９６５，３（１ １）：９１７－９２０． ［７７］Ｅｂｒａｈｉｍｉ—Ｋａｈｒｉｚｓａｎｇｉ
Ｒ，Ａｂｂａｓｉ Ｍ Ｈ．Ｅｖａｌｕａｔｉｏｎ ｏｆ ｒｅｌｉａｂｉｌｉｔｙ ｏｆ Ｃｏａｔｓ．Ｒｅｆｆｅｍ ｍｅｔｈｏｄ ｆｏｒ ｋｉｎｅｔｉｃ

ａｎａｌｙｓｉｓ ｏｆｎｏｎ—ｉｓｏｔｈｅｒｍａｌ

ＴＧＡ［Ｊ］．ＴＮｏｎｆｅｒｒＭｅｔａｌ Ｓｏｃ，２００８，１８（１）：２１７．２２１．
ｆｏｒ ｍｏｄｅｌｉｎｇ ｎｏｎｉｓｏｔｈｅｒｍａｌ ｒｅａｃｔｉｏｎｓ［Ｊ］．Ｊ Ｔｈｅｒｍ Ａｎａｌ Ｃａｌｏｒｉｍ．

［７８］Ａｇｒａｗａｌ

Ｒ Ｋ．Ａ

ｎｅｗ ｅｑｕａｔｉｏｎ

１９８７，３２（１）：１４９—１５６． ［７９］Ｄｏｙｌｅ
Ｃ Ｄ．Ｋｉｎｅｔｉｃ ａｎａｌｙｓｉｓ ｏｆｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｉｃ

ｄａｔａ［Ｊ］．Ｊ

Ａｐｐｌ Ｐｏｌｙｍ Ｓｃｉ，１９６１，５（１５）：２８５．２９２．

［８０］Ｆｒａｎｋ－Ｋａｍｅｎｅｔｓｋｉｉ
Ｕｎｉｖ．Ｐｒｅｓｓ，１ ９５５．

Ｄ Ａ．Ｄｉｆｆｕｓｉｏｎ ａｎｄ ｈｅａｔ ｅｘｃｈａｎｇｅ ｉｎ ｃｈｅｍｉｃａｌ

ｋｉｎｅｔｉｃｓ［Ｍ］．Ｐｒｉｎｃｅｔｏｎ，ＮＪ：Ｐｒｉｎｃｅｔｏｎ

［８ １］Ｇｏｒｂａｃｈｅｖ

Ｖ Ｍ．Ａ ｓｏｌｕｔｉｏｎ ｏｆ ｔｈｅ ｅｘｐｏｎｅｎｔｉａｌ ｉｎｔｅｇｒａｌ ｉｎ ｔｈｅ ｎｏｎ－ｉｓｏｔｈｅｒｍａｌ ｋｉｎｅｔｉｃｓ ｆｏｒ ｌｉｎｅａｒ

ｈｅａｔｉｎｇ［Ｊ］

Ｊ Ｔｈｅｒｍ Ａｎａｌ Ｃａｌｏｒｉｍ，１

９７５，８（２）：３４９—３５０．

［８２］Ｌｅｅ

Ｔ

ｖ，Ｂｅｃｋ Ｓ

Ｒ．Ａ ｎｅｗ ｉｎｔｅｇｒａｌ ａｐｐｒｏｘｉｍａｔｉｏｎ ｆｏｒｍｕｌａ ｆｏｒ ｋｉｎｅｔｉｃ ａｎａｌｙｓｉｓ ｏｆ ｎｏｎｉｓｏｔｈｅｒｍａｌ ＴＧＡ

ｄａｔａ［Ｊ］．Ａｉｃｈｅ Ｊ，１９８４，３０（３）：５１７－５１９． ［８３］Ｌｉ
Ｃ

Ｈ．Ａｎ ｉｎｔｅｇｒａｌ

ａｐｐｒｏｘｉｍａｔｉｏｎ

ｆｏｒｍｕｌａ

ｆｏｒ ｋｉｎｅｔｉｃ ａｎａｌｙｓｉｓ ｏｆ ｎｏｎｉｓｏｔｈｅｒｍａｌ ＴＧＡ ｄａｔａ［Ｊ］．Ａｉｃｈｅ Ｊ，

１９８５，３１（６）：１０３６—１０３８． ［８４］Ｖａｎ
Ｔｅｔｓ Ａ．Ａｃｃｕｒａｔｅ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ
ａ

ｍｏｄｉｆｉｅｄ ｅｘｐｏｎｅｎｔｉａｌ ｉｎｔｅｇｒａｌ，ｗｉｔｈ ｓｐｅｃｉｉａｌ ｒｅｆｅｒｅｎｃｅ

ｔｏ

ｔｈｅｒｍａｌ

ａｎａｌｙｓｉｓ［Ｊ］．ＴｈｅｒｍｏｃｈｉｍＡｃｔａ，１９７６，１７（３）：３７２－３７４． ［８５］Ｍａｃｃａｌｌｕ
ｔ Ｊ Ｒ，Ｔａｎｎｅｒ Ｊ．Ｄｅｒｉｖａｔｉｏｎ ｏｆ
ｒａｔｅ

ｅｑｕａｔｉｏｎｓ

ｕｓｅｄ

ｉｎ

ｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｙ［Ｊ］．Ｎａｔｕｒｅ，

９７０，２２５（５２３ ８）：１ １ ２７—１

１ ２８． Ｋ．Ｔｈｅ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｕｎｄｅｒ

［８６］Ｍｅｙｅｒ Ｄ，Ｌｅｉｓｃｈ Ｆ，Ｈｏｍｉｋ
１６９．１８６．

ｔｅｓｔ［Ｊ］．Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ，２００３，５５（１—２）：

［８７］Ｋｏｇａ

Ｎ，Ｓｅｓｔ直ｋ Ｊ．Ｋｉｎｅｔｉｃ ｃｏｍｐｅｎｓａｔｉｏｎ ｅｆｆｅｃｔ

ａｓ

ａ

ｍａｔｈｅｍａｔｉｃａｌ ｃｏｎｓｅｑｕｅｎｃｅ ｏｆ ｔｈｅ ｅｘｐｏｎｅｎｔｉａｌ

ｒａｔｅ

ｃｏｎｓｔａｎｔ［Ｊ］．ＴｈｅｒｍｏｃｈｉｍＡｃｔａ，１９９１，１８２（２）：２０１—２０８． ［８８］Ｋｏｇａ
Ｎ，Ｔａｎａｋａ Ｈ．Ｓｉｇｎｉｆｉｃａｎｃｅ ｏｆｋｉｎｅｔｉｃ ｃｏｍｐｅｎｓａｔｉｏｎ ｅｆｆｅｃｔ ｉｎ ｔｈｅ ７９—８４．

ｔｈｅｒｍａｌ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｏｆａ

ｓｏｌｉｄ［Ｊ］．

Ｔｈｅｒｍｏｃｈｉｍ Ａｃｔａ，１９８８，１３５
［８９］ＭａｃＣａｌｌｕｍ

Ｊ Ｒ，Ｍｕｎｒｏ Ｍ Ｖ Ｔｈｅ ｋｉｎｅｔｉｃ ｃｏｍｐｅｎｓａｔｉｏｎ ｅｆｆｅｃｔ ｆｏｒ ｔｈｅ ｔｈｅｒｍａｌ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｏｆ ｓｏｍｅ ４５７－４６３．
ｏｎ

ｐｏｌｙｍｅｒｓ［Ｊ］．Ｔｈｅｒｍｏｃｈｉｍ Ａｃｔａ，１９９２，２０３
［９０］Ｙｉｐ Ｋ
ｏｘｉｄａｔｉｏｎ ｏｆｃｏａｌ

Ｎｇ Ｅ，Ｌｉ Ｃ Ｚ，ｅｔ ａ１．Ａ ｍｅｃｈａｎｉｓｔｉｃ ｓｔｕｄｙ

ｋｉｎｅｔｉｃ ｃｏｍｐｅｎｓａｔｉｏｎ ｅｆｆｅｃｔ ｄｕｒｉｎｇ ｌｏｗ—ｔｅｍｐｅｒａｔｕｒｅ

ｃｈａｒｓ［Ｊ］．Ｐｒｏｃ Ｃｏｍｂｕｓｔ Ｉｎｓｔ，２０１１，３３（２）：１７５５—１７６２．
６０

［９ １］Ｇｆｉｍｐｅｒｌｅ Ｒ，Ｍｉｉｌｌｅｒ

Ｓ Ｄ，Ｋｏｕｍｏｕｔｓａｋｏｓ Ｐ．Ａ Ｐａｒａｍｅｔｅｒ Ｓｔｕｄｙ ｆｏｒ Ｄｉｆｆｅｒｅｎｔｉａｌ

Ｅｖｏｌｕｔｉｏｎ［Ｍ］／／Ａ．Ｇｒｍｅｌａ．

Ｎ．Ｅ．Ｍａｓｔｏｒａｋｉｓ．Ａｄｖａｎｃｅｓ ｉｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ，Ｆｕｚｚｙ Ｓｙｓｔｅｍｓ，Ｅｖｏｌｕｔｉｏｎａｒｙ Ｃｏｍｐｕｔａｔｉｏｎ．［Ｓ』．］＝

ＷＳＥＡＳ

Ｐｒｅｓｓ，２００２：２９３—２９８． Ｊ，Ｋｕｋｋｏｎｅｎ Ｓ，Ｐｒｉｃｅ Ｋ Ｖ

［９２］Ｒｏｎｋｋｏｎｅｎ

Ｒｅａｌ－ｐａｒａｍｅｔｅｒ Ｏｐｔｉｍｉｚａｔｉｏｎ ｗｉｔｈ Ｄｉｆｆｅｒｅｎｔｉａｌ Ｅｖｏｌｕｔｉｏｎ．
Ｐｒｅｓｓ，２００５．

Ｅｄｉｎｂｕｒｇｈ，Ｓｃｏｔｌａｎｄ，５—５

Ｓｅｐｔ．２００５［Ｃ］．［Ｓ．Ｉ．］：ＩＥＥＥ

［９３］Ｓｔｏｒｅ

Ｒ．Ｏｎ ｔｈｅ Ｕｓａｇｅ ｏｆＤｉｆｆｅｒｅｎｔｉａｌ Ｅｖｏｌｕｔｉｏｎ ｆｏｒ Ｆｕｎｃｔｉｏｎ Ｏｐｔｉｍｉｚａｔｉｏｎ．Ｂｅｒｋｅｌｅｙ，１９．２２ Ｊｕｎ Ｐｒｅｓｓ，１ ９９６．

１９９６［Ｃ］．

［Ｓ．Ｉ．］：ＩＥＥＥ ［９４］Ｋｏｈａｖｉ

Ｒ．Ａ Ｓｔｕｄｙ ｏｆ Ｃｒｏｓｓ—ｖａｌｉｄａｔｉｏｎ ａｎｄ Ｂｏｏｔｓｔｒａｐ ｆｏｒ Ａｃｃｕｒａｃｙ Ｅｓｔｉｍａｔｉｏｎ ａｎｄ

Ｍｏｄｅｌ

Ｓｅｌｅｃｔｉｏｎ．

Ｍｏｎｔｒｅａｌ，Ｑｕｅｂｅｃ，１９９５［Ｃ］．［Ｓ．Ｉ．］：Ｃｉｔｅｓｅｅｒ，１９９５． ［９５］Ｓａｌｚｂｅｒｇ
Ｋｎｏｗｌ Ｓ Ｌ．Ｏｎ ｃｏｍｐａｒｉｎｇ ｃｌａｓｓｉｆｉｅｒｓ：Ｐｉｔｆａｌｌｓ ｔｏ ａｖｏｉｄ ａｎｄ
ａ

ｒｅｃｏｍｍｅｎｄｅｄ ａｐｐｒｏａｃｈ［Ｊ］．Ｄａｔａ Ｍｉｎ

Ｄｉｓｃｏｖｅｒｙ，１９９７，１（３）：３１７．３２８．
Ｃ Ｏ，Ｃｈｉ Ｓ Ｃ，Ｇａｂｅｒ

［９６］Ｂｅｎｊａｍｉｎ

Ｔ，ｅｔ ａ１．Ｃｏｍｐａｒｉｎｇ

ＢＰ ａｎｄ ＡＲＴ ＩＩ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｃｌａｓｓｉｆｉｅｒｓ ｆｏｒ ｆａｃｉｌｉｔｙ

ｌｏｃａｔｉｏｎ［Ｊ］．Ｃｏｍｐｕｔ

Ｉｎｄ Ｅｎｇ，１９９５，２８（１）：４３—５０．

［９７］ＷＵ

Ｊｉａｎｇ，ＺＨＡＮＧ Ｙａｎ—ｙａｎ，Ｐａｎ Ｗｅｉ?ｇｕｏ，ｅｔ ａ１．Ｎｅｕｒａｌ
ａｔ

ｎｅｔｗｏｒｋ

ｃｏｎｓｔｒｕｃｔｉｏｎ ａｎｄ ｉｔｓ ｐｒｅｄｉｃａｔｉｏｎ ｆｏｒ

ｃｏａｔ－ｂｌｅｎｄｉｎｇ
２０１０．

ｃｏａｌ ｃｏｍｂｕｓｔｉｏｎ ｐｏｗｅｒ ｓｔａｔｉｏｎ，Ｓｉｎｇａｐｏｒｅ，２６－２８

Ｆｅｂ．２０１０［Ｃ］．［Ｓ．Ｉ．］：ＩＥＥＥ

Ｐｒｅｓｓ，

［９８］李增学．煤矿地质学［Ｍ］．北京：煤炭工业出版社，２００９．
ＬＩ ｚｅｎｇ－ｘｕｅ．Ｍｉｎｇ

Ｇｅｏｌｏｇｙ［Ｍ］．Ｂｅｉｊｉｎｇ：Ｃｈｉｎａ

Ｃｏａｌ Ｉｎｄｕｓｔｒｙ Ｐｕｂｌｉｓｈｉｎｇ Ｈｏｕｓｅ，２００９．

［９９］山西矿业学院，大同矿务局．大同侏罗纪含煤地层沉积环境与聚煤特征［Ｍ］．北京：科学出版社，
１９９１． Ｓｈａｎｘｉ Ｍｉｎｉｎｇ Ｉｎｓｔｉｔｕｔｅ，Ｄａｔｏｎｇ Ｃｏａｌ

Ｍｉｎｉｎｇ Ａｄｍｉｎｉｓｔｒａｔｉｏｎ．Ｔｈｅ Ｓｅｄｉｍｅｎｔａｔｉｏｎ Ｅｎｖｉｒｏｎｍｅｎｔ

ｏｆ Ｃｏａｌ

Ｂｅａｒｉｎｇ Ｓｔｒａｔａ ａｎｄ ｔｈｅ Ｃｏｎｃｅｎｔｒａｔｉｎｇ Ｃｏａｌ Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ Ｄａｔｏｎｇ Ｊｕｒａｓｓｉｃ Ｐｒｅｓｓ，１９９１．

Ｃｏａｌ［Ｍ］．Ｂｅｉｊｉｎｇ：Ｓｃｉｅｎｃｅ

［１００］蒋啸．不同细度煤粉燃烧特性及粉煤灰酸浸处理中硫酸铝铵循环利用试验研究［Ｄ］．杭州：浙江大 学机械与能源工程学院，２００８．
ＪＩＡＮＧ Ｘｉａｏ．Ｅｘｐｅｒｉｍｅｎｔａｌ Ｒｅｓｅａｒｃｈ
ｏｎ

Ｃｏｍｂｕｓｔｉｏｎ Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ Ｃｏａｌ Ｐｏｗｄｅｒ ｗｉｔｈ Ｄｉｆｆｅｒｅｎｔ

Ｆｉｎｅｎｅｓｓ ａｎｄ Ｃｙｃｌｉｎｇ Ｕｔｉｌｉｚａｔｉｏｎ ｏｆ Ａｌｕｍｉｎｕｍ Ａｍｍｏｎｉｕｍ Ｓｕｌｆａｔｅ ｆｒｏｍ Ｆｌｙ Ａｓｈ ｂｙ Ａｃｉｄ Ｈａｎｇｚｈｏｕ：Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｅｎｅｒｇｙ

Ｔｒｅａｔｍｅｎｔ［Ｄ］．

Ｅｎｇｉｎｅｅｒｉｎｇ，Ｚｈｅｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ，２００８．
ｒｅｓｅａｒｃｈ
ｏｎ

［１０１］ＺＨＯＵ Ｚｈｉ－ｊｕｎ，ＺＨＯＵ Ｎｉｎｇ，ＣＨＥＮ Ｙａｏ－ｊｉ，ｅｔ ａ１．Ｅｘｐｅｒｉｍｅｎｔａｌ
ｇｅｎｅｒａｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆｌｏｗ ｖｏｌａｔｉｌｅ

ｔｈｅ ｃｏｍｂｕｓｔｉｏｎ

ａｎｄ ＮＯｘ

ｃｏａｌ［Ｊ］．Ｐｒｏｃｅｅｄｉｎｇｓ

ｏｆｔｈｅ ＣＳＥＥ，２０１０，２９ ５５—６１．
ｏｎ

［１ ０２］ＮＩＥ Ｑｉ－ｈｏｎｇ，ＳＵＮ

Ｓｈａｏ—ｚｅｎｇ，ＬＩ Ｚｈｅｎｇ—ｑｉ，ｅｔ ａ１．Ｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｉｃ ａｎａｌｙｓｉｓ

ｔｈｅ

ｃｏｍｂｕｓｔｉｏｎ

ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｂｒｏｗｎ ｃｏａｌ
７２—７６．

ｂｌｅｎｄｓ［Ｊ］．Ｊｏｕｒｎａｌ

ｏｆ Ｃｏｍｂｕｓｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，２００ １，７（０ １）：

［１０３］严继民，张启元，高敬琮．吸附与凝聚：固体的表面与孔［Ｍ］．北京：科学出版社，１９８６．
ＹＡＮ Ｊｉ—ｍｉｎ，ＺＨＡＮＧ ｏｆ

Ｑｉ—ｙｕａｎ，ＧＡＯ

Ｊｉｎｇ—ｃｏｎｇ．Ａｄｓｏｒｐｔｉｏｎ ａｎｄ Ｃｏｎｄｅｎｓａｔｉｏｎ：Ｔｈｅ Ｓｕｒｆａｃｅ ａｎｄ ｐｏｒｅｓ

Ｓｏｌｉｄ［Ｍ］．Ｂｅｉｊｉｎｇ：Ｓｃｉｅｎｃｅ

Ｐｒｅｓｓ，１ ９８６．

６１

［１０４］沈利．燃煤电站锅炉的燃烧优化技术及相关算法应用研究［Ｄ］．杭州：浙江大学能源工程学
系，２０１１．
ＳＨＥＮ Ｌｉ．Ｒｅｓｅａｒｃｈ Ｃｏａｌ－ｆｉｒｅｄ
ｏｎ

Ｃｏｍｂｕｓｔｉｏｎ Ｏｐｔｉｍｉｚａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｒｅｌａｔｅｄ Ａｌｇｏｒｉｔｈｍｓ ｉｎ
Ｕｎｉｖｅｒｓｉｔｙ，２０１ １．

Ｂｏｉｌｅｒ［Ｄ］．Ｈａｎｇｚｈｏｕ：Ｄｅｐａｒｔｍｅｎｔ ｏｆＥｎｅｒｇｙ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｚｈｅｊｉａｎｇ

６２

浙江大学硕士学位论文

作者简介

作者简介

姓名：张晓龙，１９８６年０１月出生，汉族，中共党员，广东潮州人。

教育经历：
２００５．９—２００９．７在河海大学攻读学士学位 ２００９．９—２０１２１３在浙江大学攻读硕士学位

主要项目经历：
（１）华电半山电厂１３５ＭＷ机组ＮＯｘ排放特性试验研究 （２）中石油兰州石化动力车间１４５ｔ／ｈ锅炉燃烧系统改造后的冷热态试验 （３）华电灵武电厂６００ＭＷ大型空冷机组劣质煤掺烧优化调整试验 （４）渐能乐清电厂６００ＭＷ超临界锅炉防高温腐蚀试验研究 （５）浙能兰溪电厂６００ＭＷ超临界机组节能评估 （６）华电青岛电厂３００ＭＷ机组贫煤锅炉煤炭掺烧优化试验

发表论文：
［１］Ｊｉａｎｇｕｏ
Ａｓｈ Ｆｕｓｉｂｉｌｉｔｙ ｏｆ Ｃｏａｌ ｆｒｏｍ ＹＡＮＧ，Ｘｉａｏｌｏｎｇ ＺＨＡＮＧ，Ｈｏｎｇ ＺＨＡＯ，Ｐｒｅｄｉｃｔｉｎｇ

Ｃｏａｌ Ｐｒｏｐｅｒｔｉｅｓ，Ａｄｖ

Ｍａｔｅｒ Ｒｅｓ

３ ５４—３５

５（２０ １ ２）２ １ ６－２２ １．（Ｉｎｄｅｘｅｄ ｂｙ

ＥＩ

ｃｏｍｐｅｎｄｅｘ）
ｏｎ

［２］Ｊｉａｎｇｕｏ

ＹＡＮＧ，Ｘｉａｏｌｏｎｇ ＺＨＡＮＧ，Ｈｏｎｇ ＺＨＡＯ，Ｌｉ ＳＨＥＮ，Ｓｔｕｄｙ

ｔｈｅ Ｎｏｎ－ｌｉｎｅａｒ Ａ

Ｐａｒａｍｅｔｅｒｓ ａｎｄ Ｃｏａｌ Ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ Ｃｏｍｂｕｓｔｉｏｎ Ｋｉｎｅｔｉｃ １ ８６２．１ ７７５（ｏｎｌｉｎｅ）．（Ｉｎｄｅｘｅｄ ｂｙ

Ｑｕａｌｉｔｙ，ＪＺＵＳ—ＳＣＩＥＮＣＥ

ＳＣＩ）

６３

电厂配煤与锅炉运行的整体综合优化研究
作者： 学位授予单位： 张晓龙 浙江大学

本文链接：

  本文关键词：电厂配煤与锅炉运行的整体综合优化研究，由笔耕文化传播整理发布。