简论排放数据挖掘在混煤燃烧NOx运转优化中运用

论文导读：数据挖掘的历程14-152.4数据挖掘的工具15-162.5本章小结16-17第三章混煤燃烧的NOx排放特性探讨17-293.1NOx生成机理17-193.1.1热力型NOx17-183.1.2快速型NOx183.1.3燃料型NOx18-193.2影响NOx排放的主要因素193.3混煤燃烧的NOx排放的相关浅析19-243.3.1相关浅析19-203.3.2实例计算20-243.3.2.1混煤NOx排放的相关浅
摘要：氮氧化物(NOx)作为我国主要大气污染物之一,严重地影响了人类的生态环境。其中燃煤电厂的NOx排放量占到NOx排放总量的40%左右,成为NOx排放的主要来源。对于我国燃煤电厂而言,大多采取混煤燃烧的方式,这也使得电厂的NOx排放情况较单煤燃烧更为复杂。虽然国内外众多学者对NOx排放探讨取得了一定成果,但主要是针对单煤燃烧排放,对混煤的探讨相对较少。而在以往少数的混煤燃烧NOx排放探讨中也主要是依靠试验的策略,这种策略不但费时费力,还与电厂实际运转情况有着一定差别。而在电厂的运转中产生了大量的NOx排放数据,这些数据中隐含了混煤燃烧的NOx排放特性。本论文正是利用电厂的NOx排放数据,对其进行数据挖掘找到数据中隐藏的信息。首先,本论文对混煤燃烧的NOx排放样本数据集进行了相关浅析和特点选择。在相关浅析中,通过相联系数的正负,发现NOx排放与C0排放为负联系,与锅炉效率为正联系。由于NOx排放受多个因素的影响,我们选择偏相联系数来探讨NOx排放与影响因素间的正负联系,结果表明NOx排放与磨煤机出口风温为正联系,与燃烧器底层热量在总热量的比重为正联系,在特点选择中,通过importance指数的大小找出NOx排放的主要影响因素,结果表明煤种对NOx排放的影响最大。然后,本论文对混煤燃烧的NOx排放的影响因素进行了因子浅析,用10个提取因子代替原本的57个影响因素,并在此基础上建立了混煤燃烧的NOx排放线性预测模型。但线性模型的预测结果不理想。随后,由于线性模型的局限性,本论文建立了混煤燃烧的NOx排放非线性预测模型。并在模型建立前,利用聚类浅析将样本数据集进行划分,对划分后的样本集分别建立BP神经网络预测模型。结果表明,基于聚类和BP神经网络的混煤燃烧的NOx排放预测模型具有良好的预测性。最后,在优化高效低NOx排放的燃烧调整中,本论文用聚类浅析将影响因素为连续型数据离散化。对离散的样本集建立高效低NOx排放的关联规则模型,结果显示高效低NOx燃烧调整案例为缩腰配风方式、磨煤机停用上层,燃尽风不易过大或过小。关键词：混煤燃烧论文NOx排放论文数据挖掘论文模型论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要3-4
ABSTRACT4-9
第一章 绪论9-13

1.1 课题背景与探讨作用9-10

1.1 氮氧化物的危害9

1.2 NOx的制约政策9-10

1.2 NOx的制约技术10-11

1.2.1 燃烧历程中的制约10-11

1.2.2 燃烧后的处理11

1.3 本论文课题的提出11-12

1.4 本论文探讨的主要内容12-13

1.4.1 探讨对象12

1.4.2 探讨策略及主要内容12-13

第二章 数据挖掘13-17

2.1 数据挖掘的定义13

2.2 数据挖掘的功能13-14

2.1 预测型数据挖掘13

2.2 描述型数据挖掘13-14

2.3 数据挖掘的历程14-15

2.4 数据挖掘的工具15-16

2.5 本章小结16-17

第三章 混煤燃烧的NOx排放特性探讨17-29

3.1 NOx生成机理17-19

3.

1.1 热力型NOx17-18

3.

1.2 快速型NOx18

3.

1.3 燃料型NOx18-19

3.2 影响NOx排放的主要因素19

3.3 混煤燃烧的NOx排放的相关浅析19-24

3.1 相关浅析19-20

3.2 实例计算20-24

3.3.

2.1 混煤NOx排放的相关浅析步骤20-21

3.3.

2.2 混煤NOx排放的相关浅析结果21-23

3.3.

2.3 混煤NOx排放的偏相关浅析步骤23

3.3.

2.4 混煤NOx排放的偏相关浅析结果23-24

3.4 混煤NOx排放的特点选择24-28

3.4.1 特点选择24-26

3.4.

1.1 特点选择的定义24-25

3.4.

1.2 特点选择的步骤25-26

3.4.2 实例计算26-28
3.4.

2.1 混煤NOx排放的特点选择模型建立26-27

3.4.

2.2 混煤NOx排放的特点选择的结果27-28

3.5 本章小结28-29
第四章 混煤燃烧的NOx排放预测29-39

4.1 预测的定义29

4.2 预测的分类29

4.3 电厂NOx排放的常用预测策略29-31

4.4 线性回归31-32

4.1 线性回归的定义31

4.2 线性回归的步骤31-32

4.5 因子浅析32-33

4.5.1 因子浅析的定义32

4.5.2 因子浅析的数学模型32-33

4.5.3 因子浅析的基本步骤33

4.6 基于因子浅析与线性回归的混煤燃烧NOx排放预测模型33-38

4.6.1 NOx排放数据的预处理33-35

4.6.2 回归方程的建立35-36

4.6.3 结果浅析与检验36-38

4.7 本章小结38-39

第五章 基于聚类与神经网络的混煤燃烧NOx排放预测39-50

5.1 人工神经网络39-41

5.

1.1 人工神经网络基本原理39

5.

1.2 人工神经网络模型39-41

5.

1.3 神经网络的学习方式41

5.

1.4 神经网络的优点41

5.2 BP神经网络41-43
5.

2.1 BP神经网络的结构42

5.

2.2 BP神经网络学习历程42-43

5.3 聚类浅析43-45
5.

3.1 聚类浅析的定义43-44

5.

3.2 聚类浅析的分类44

5.

3.3 K-Means算法44-45

5.4 基于聚类与神经网络的混煤燃烧NOx排放预测模型45-49
5.

4.1 基于聚类与BP神经网络的混煤NOx排放预测模型的建立45-47

5.

4.2 预测结果浅析47-49

5.5 本章小结49-50
第六章 聚类浅析与关联规则在优化锅炉燃烧调整中的运用50-57

6.1 关联规则50-52

6.

1.1 关联规则的定义50-51

6.

1.2 关联规则的分类51

6.

1.3 Apriori算法51-52

6.2 最优锅炉燃烧调整52-56
6.

2.1 数据离散化52-53

6.2.2 混煤燃烧NOx论文导读：排放的关联规则53-556.2.3高效低NOx的关联规则55-566.3本章小结56-57第七章全文总结和展望57-587.1全文工作总结577.2展望57-58致谢58-59参考文献59-63附录A攻读硕士学位期间发表论文63-64附录B混煤燃烧的NOx排放样本数据64-76上一页12
排放的关联规则53-55
6.

2.3 高效低NOx的关联规则55-56

6.3 本章小结56-57
第七章 全文总结和展望57-58

7.1 全文工作总结57

7.2 展望57-58

致谢58-59
参考文献59-63
附录A 攻读硕士学位期间发表论文63-64
附录B 混煤燃烧的NOx排放样本数据64-76