资源描述:
第一作者 余廷芳, 男,1 9 7 4年生, 博士, 副教授, 研究方向为锅炉燃烧优化与人工智能应用。#通讯作者。 *国家自然科学基金资助项目(N o .6 1 2 6 2 0 4 8) 。 基于反向传播-向量评价遗传算法模型的 燃煤电站锅炉燃烧多目标优化* 余廷芳 耿 平# 曹孟冰 霍二光 ( 南昌大学机电工程学院, 江西 南昌3 3 0 0 3 1) 摘要 基于MAT L A B智能工具箱对某3 0 0MW电站锅炉进行燃烧优化。利用反向传播(B P) 神经网络分别建立了锅炉热效 率和NOx排放预测模型, 用以预测锅炉热效率和NOx排放特性。锅炉热效率预测的校验样本相对误差平均绝对值为0.2 1 0 0%, NOx排放量预测的校验样本相对误差平均绝对值为2.4 1 0 0%, 表明模型具有良好的准确性和泛化性。借助向量评价遗传算法 (V E GA) 优化模型得到锅炉热效率和NOx排放量的优质解集合。3 0 0 MW负荷下锅炉热效率优质解集合为9 2. 9 3%~9 3.6 4%, NOx排放量优质解集合为3 6 7~4 1 3m g/m3;2 7 0MW负荷下锅炉热效率优质解集合为9 2.2 6%~9 3.5 6%,NOx排放量优质解集合 为3 6 0~4 1 6m g/m3。研究结果对实际的电站锅炉燃烧具有一定的指导意义。 关键词 电站锅炉 锅炉热效率 NOx排放量 多目标优化 D O I1 0.1 5 9 8 5/j .c n k i .1 0 0 1-3 8 6 5. 2 0 1 6.1 0.0 0 3 C o m b u s t i o n m u l t i-o b j e c t i v e o p t i m i z a t i o n f o r u t i l i t y b o i l e r s b a s e d o n B P-V E G A m o d e l Y U T i n g f a n g,G ENG P i n g, C A O M e n g b i n g,HU O E r g u a n g.(S c h o o l o f M e c h a n i c a l &E l e c t r i c a l E n g i n e e r i n g,N a n c h a n g U n i v e r s i t y,N a n c h a n g J i a n g x i 3 3 0 0 3 1) A b s t r a c t B a s e d o n MA T L A B a r t i f i c i a l i n t e l l i g e n c e t o o l b o x,m u l t i-o b j e c t i v e o p t i m i z a t i o n c o m b u s t i o n m o d e l o f a 3 0 0 MW u t i l i t y b o i l e r w a s e s t a b l i s h e d . M o d e l s o f b o i l e r t h e r m a l e f f i c i e n c y a n d NOxe m i s s i o n s w e r e e s t a b l i s h e d t o p r e- d i c t b o i l e r t h e r m a l e f f i c i e n c y a n d NOxe m i s s i o n s b y b a c k p r o p a g a t i o n(B P)n e u r a l n e t w o r k. S i m u l a t i o n r e s u l t s s h o w e d t h a t t h e a v e r a g e a b s o l u t e v a l u e s o f r e l a t i v e e r r o r s w e r e 0.2 1 0 0%a n d 2.4 1 0 0%f o r b o i l e r t h e r m a l e f f i c i e n c y a n d NOx e m i s s i o n s,r e s p e c t i v e l y,i n d i c a t i n g t h a t t h e m o d e l s h a d g o o d a c c u r a c y a n d g e n e r a l i z a t i o n a b i l i t y . T h e n c o m b i n e d w i t h t h e v e c t o r e v a l u a t e d g e n e t i c a l g o r i t h m(V E GA)o p t i m i z a t i o n t o o l,h i g h-q u a l i t y s o l u t i o n s e t f o r b o i l e r m u l t i-o b j e c t i v e o p t i m i z a t i o n c o m b u s t i o n w a s o b t a i n e d . U n d e r t h e l o a d o f 3 0 0MW,t h e h i g h-q u a l i t y s o l u t i o n s e t o f b o i l e r t h e r m a l e f f i- c i e n c y w a s 9 2. 9 3%-9 3.6 4%,a n d t h e h i g h-q u a l i t y s o l u t i o n s e t o f NOxe m i s s i o n s w a s 3 6 7-4 1 3m g/m 3. U n d e r t h e l o a d o f 2 7 0MW,t h e h i g h-q u a l i t y s o l u t i o n s e t o f b o i l e r t h e r m a l e f f i c i e n c y w a s 9 2.2 6%-9 3.5 6%,a n d t h e h i g h-q u a l i t y s o l u- t i o n s e t o f NOxe m i s s i o n s w a s 3 6 0-4 1 6m g/m 3. T h e r e s u l t s c o u l d b e a c e r t a i n s i g n i f i c a n t g u i d e f o r t h e u t i l i t y b o i l e r c o m b u s t i o n o p e r a t i o n . K e y w o r d s u t i l i t y b o i l e r;b o i l e r t h e r m a l e f f i c i e n c y;NOxe m i s s i o n s;m u l t i-o b j e c t i v e o p t i m i z a t i o n 影响电站锅炉热效率和 NOx排放的因素复杂, 对于既定锅炉, 锅炉负荷、 炉膛氧量、 炉内配风方式 以及给煤机组合方式等因素都会影响锅炉热效率和 NOx排放, 并且这些影响因素相互耦合, 呈现出复杂 的非线性关系, 造成燃煤锅炉的燃烧数据分析困难。 当前, 智能算法在电站锅炉热效率和NOx排放 等方面的预测优化建模中取得了一定成果。谷丽景 等[ 1]和吕玉坤等[2]借助人工神经网络建立了锅炉热 效率和 NOx排放的混合预测模型; 王伟等 [3]借助自 适应矫正加权最小二乘支持向量机(WL S S VM ) 实 现了飞灰含碳量的软测量; 孙卫红等[ 4]借助于改进 的粒子群优化算法(P O S) 优化参数的最小二乘支持 向量 机 (L S S VM) 建立NOx排放 预 测 模 型; 何 勇 超[ 5]借助误差反向传播( B P)-遗传算法(GA) 神经网 络建立了锅炉燃烧预测模型; 卢洪波等[ 6]、 王金龙 等[ 7]、 吴锋等[8]和顾燕萍等[9]借助支持向量机建立 了锅炉热效率、NOx排放和飞灰含碳量预测模型, 同 时在此基础上借助 GA、 粒子群算法、 微分进化算法 分别建立了锅炉燃烧优化模型, 并进行了对比; 张振 星等[ 1 0]借助果蝇优化算法建立了锅炉高效率低 NOx燃烧优化模型。 上述研究工作虽然在燃煤锅炉优化中取得了一 21 环境污染与防治 第3 8卷 第1 0期 2 0 1 6年1 0月 定效果, 但均需要在燃烧特性预测建模及优化算法 上花费大量的编程精力, 导致应用效果往往取决于 研究者的建模和算法编程能力。专业的 MAT L A B 智能工具箱在此方面存在巨大优势[ 1 1-1 3]。MAT - L A B智能工具箱主要包括神经网络、GA、 控制系 统、 小波分析、 信号处理等多种工具箱, 这些工具箱 是一系列函数的集合, 使用工具箱解决问题时不需 要编写相应函数的具体程序, 只需调用函数即可, 并 且大部分函数可根据所解决的具体问题而更改相应 的参数设置, 节省了编程时间, 可以帮助专业研究人 员从大量的智能建模算法中解放出来, 将主要精力 放在研究对象的专业领域, 建立有针对性的锅炉燃 烧多目标优化模型。本研究基于某3 0 0MW 电站锅 炉的运行数据, 借助 MAT L A B智能工具箱, 以 B P 神经网络分别建立锅炉热效率和 NOx排放预测模 型, 在此基础上以向量评价遗传算法(V E GA) 建立 锅炉燃烧的优化模型, 寻求锅炉热效率和 NOx排放 量的优质解集合, 实现锅炉热效率和 NOx排放多目 标优化。 1 研究对象介绍 3 0 0MW 电站锅炉为亚临界、 四角切圆燃烧、 自 然循环汽包炉。锅炉采用单炉膛型露天布置, 燃 用烟煤, 一次中间再热, 平衡通风, 固态排渣, 全钢 架、 全悬吊结构, 炉顶带金属防雨罩。锅炉燃烧器采 用水平浓淡型直流摆动煤粉燃烧器, 浓淡两股风、 粉 气流从炉膛四角喷入, 每角燃烧器共布置1 3层喷 口, 包括5层一次风口、 8层二次风口( 包括1层消 旋 二次风(O F A) 喷口) 。 采用中速磨煤机/冷一次风 机 /正压直吹式制粉系统, 配5台磨煤机与5台给煤机。 2 B P神经网络预测模型 2.1 建立B P神经网络预测模型 从电站热态试验测试数据和运行数据库中精选 出1 0 0组数据作为本次试验的样本, 每个样本的数 据是工况稳定运行2h以上的平均值, 保证了样本 数据的可靠性与合理性。其中, 8 0组作为 B P神经 网络的训练样本, 2 0组作为校验样本。每组数据有 2 2个维度, 1~2 0维包括锅炉负荷、 炉膛氧量、 一次 风、 二次风、 燃尽风和给煤机给煤量等参数, 2 1~2 2 维为 NOx排放量和锅炉热效率, 部分数据见表1和 表2 。飞灰含碳量数据通过飞灰含碳量在线检测系 统( 试验期间经过了标定) 获取, 煤质数据按照试验 要求采样检测, 锅炉热效率通过离线计算获得, 其余 均为在线采集的表盘数据。 由于 V E GA 优化模型的需要, 借助 B P神经网 络分别建立锅炉热效率和 NOx排放预测模型, 输入 每组数据的1~2 0维, 它们分别代表了锅炉负荷, 一、 二次风配比, 过量空气系数等因素对锅炉燃烧的 影响, 以同样的训练数据分别训练锅炉效率和 NOx 排放预测模型, 模型如图1所示。 采用 MAT L A B神经网络工具箱自带的f e e d- f o r w a r d n e t函数创建 B P神经网络, 采用3层网络, 隐含层设为1层, t r a i n l m 函数作为网络的训练函 数, 传递函数、 学习速率等采用f e e d f o r w a r d n e t函数 的默认设置, 经过试验, 隐含层节点设置为2 3个时 训练效果最佳。 2.2 B P神经网络预测模型效果验证 表1 试验数据样本的给煤量和一次风风速 T a b l e 1 T h e c o a l a m o u n t a n d p r i m a r y w i n d s p e e d o f e x p e r i m e n t a l d a t a s a m p l e s 试验数 据样本 负荷 /MW 给煤量1)/ (th-1) 1#2#3#4#5# 一次风风速1)/ (ms-1) 1#2#3#4#5# 1 3 0 3.9 4 5 0.0 0 2 4.0 6 2 9.7 1 3 9.9 7 3 2.7 4 3 0.9 8 3 5.7 2 3 0.2 0 4 3.7 6 3 6.5 8 4 0 3 0 6.7 1 5 2.0 0 2 8.0 2 3 7.2 4 3 8.0 0 3 4.8 8 3 7.6 7 3 6.2 0 3 3.8 1 4 5.5 0 3 8.1 4 4 1 2 9 7.0 5 5 0.0 0 2 6.4 0 3 6.5 6 3 8.0 0 2 9.8 4 3 4.7 5 3 7.0 4 3 2.5 0 4 4.6 9 3 5.0 0 4 2 2 9 9.2 1 5 1.0 0 2 4.7 5 3 2.5 7 4 7.1 6 3 1.7 9 3 4.8 7 3 5.9 0 3 1.2 1 4 2.1 7 3 6.9 2 4 3 2 9 7.8 6 5 5.0 0 2 8.4 5 3 6.2 0 4 3.3 4 2 3.7 0 3 2.4 9 3 6.8 9 3 3.4 9 3 8.8 1 3 6.2 8 4 4 3 0 4.4 9 4 6.0 0 2 9.5 3 3 4.7 9 4 1.4 2 3 6.4 7 3 0.1 6 3 8.4 8 2 9.5 6 4 0.8 3 3 4.4 5 9 6 2 7 4.5 7 4 0.0 0 2 5.3 2 3 3.6 8 3 3.0 9 3 5.7 1 3 3.7 5 3 6.8 1 3 4.4 1 4 7.4 5 3 7.3 8 9 7 2 7 4.4 8 3 8.0 0 2 2.9 1 2 7.9 3 3 1.6 2 2 6.3 3 3 3.0 0 3 4.8 2 3 2.2 5 4 2.2 5 3 1.3 9 9 8 2 7 5.9 4 4 0.0 0 2 4.2 7 3 0.6 1 3 5.7 2 2 9.6 1 3 3.8 5 3 5.0 5 3 2.2 1 4 3.1 9 3 3.1 7 9 9 2 7 8.6 1 4 2.0 0 2 5.2 8 2 7.3 3 3 4.3 4 2 7.8 6 3 1.7 9 3 6.4 7 3 1.4 2 4 2.4 6 3 5.3 6 1 0 0 2 7 2.1 2 4 3.0 0 2 5.0 2 3 1.0 5 3 7.7 2 3 0.7 9 3 1.0 2 3 7.2 9 3 0.4 3 4 4.6 6 3 4.7 6 注 1) 1#、2#、3#、4#、5#分别为不同给煤机。 31 余廷芳等 基于反向传播-向量评价遗传算法模型的燃煤电站锅炉燃烧多目标优化 表2 试验数据样本的二次风开度、 炉膛氧量、O F A开度、N Ox排放量与锅炉热效率 T a b l e 2 T h e s e c o n d a r y w i n d d i s t r i b u t i o n, f u r n a c e o x y g e n,O F A d i s t r i b u t i o n,NOxe m i s s i o n s a n d b o i l e r t h e r m a l e f f i c i e n c y s o f e x p e r i m e n t a l d a t a s a m p l e s 试验数 据样本 二次风开度1)/% AA A B B C C C D D D E E E 炉膛氧量2) /% O F A开度 /% NOx排放量 / (m gm-3) 锅炉热效率 /% 1 6 4.9 0 4 8.9 3 4 2.7 9 3 3.3 4 4 5.8 5 5 2.4 6 5 8.6 4 3.0 2 7 2.3 3 4 1 2.7 6 9 2.2 6 4 0 7 0.6 4 6 1.8 3 5 3.7 5 3 6.5 9 4 4.9 2 4 3.6 9 4 4.8 8 2.4 3 5 9.4 2 5 8 6.2 9 9 1.1 1 4 1 7 5.6 9 6 2.9 8 5 3.1 4 3 7.4 2 4 9.2 2 5 6.5 4 5 3.0 2 3.0 3 7 2.2 7 5 0 6.2 6 9 0.9 8 4 2 6 8.9 2 5 9.0 7 4 9.2 5 3 3.5 1 4 4.6 5 5 2.5 2 5 2.1 0 3.2 5 6 7.6 4 5 4 0.3 8 9 1.1 9 4 3 6 9.0 2 5 9.0 7 4 9.2 5 3 3.5 1 4 4.5 3 5 4.3 9 5 5.2 4 3.8 8 6 9.3 3 4 5 8.0 4 9 0.7 2 4 4 6 6.9 9 5 3.9 3 4 3.8 4 3 3.5 1 4 4.2 3 5 0.0 5 5 1.2 4 3.4 9 6 6.4 6 4 0 2.6 5 9 1.5 6 9 6 7 0.5 9 6 2.0 0 5 2.1 6 3 5.4 6 4 4.7 7 4 6.9 6 4 8.4 1 3.7 9 4 6.7 2 4 2 8.3 4 9 1.9 7 9 7 6 3.1 7 5 0.2 5 4 0.4 5 2 9.2 1 3 9.9 3 5 1.5 7 5 3.3 6 4.2 1 6 8.8 4 4 7 3.6 2 9 1.9 1 9 8 6 3.2 8 5 0.2 5 4 0.4 5 2 9.3 2 4 0.0 3 5 1.4 7 5 3.3 9 4.0 3 6 8.3 2 4 9 9.7 3 9 2.0 6 9 9 6 9.1 0 5 6.2 1 4 4.8 2 3 4.0 5 4 7.9 3 5 1.9 7 5 7.7 4 3.1 7 6 2.2 2 4 3 2.7 6 9 1.9 6 1 0 0 7 2.2 5 5 0.9 1 4 0.9 0 2 7.5 2 3 7.4 5 4 8.8 0 5 0.3 0 3.7 6 7 5.6 8 4 3 7.6 1 9 2.2 7 注 1)AA、 A B、B C、C C、D D、D E和 E E分别为不同风口; 2)以质量分数计。 图1 锅炉燃烧系统B P神经网络预测模型 F i g .1 B P n e u r a l n e t w o r k m o d e l o f b o i l e r c o m b u s t i o n s y s t e m 为了直观地分析所建立的 B P神经网络预测模 型, 分别绘制了锅炉热效率和 NOx排放量的训练效 果图和校验图( 见图2至图5) 。由于锅炉热效率的 变化范围狭窄, 对其精确度要求较高, 将其相对误差 控制在0.5% 以内;NOx排放量的变化范围较大, 对 其精确度要求相对较低, 故将其相对误差控制在 5%以内。 锅炉热效率的训练效果如图2所示。图2表征 了锅炉热效率预测模型训练过程预测值与实际值的 重合度。该模型的训练样本相对误差最大绝对值为 0.3 0 0 0%, 最小绝对值为0.0 0 0 2%, 平均绝对值为 0.0 5 0 0%, 训练准确度满足要求。已经训练完成的 锅炉热效率预测模型的校验样本相对误差如图3所 示。图3表征了该预测模型的泛化性及精确度。校 验样本相对误差最大绝对值为0 .3 8 0 0 %, 最小绝对 值为0 .0 2 6 0 %, 平均绝对值为0 . 2 1 0 0 %, 表明锅炉热 效率预测模型具有良好的泛化性和较高的精确度。 NOx排放量的训练效果如图4所示。图4表征 了 NO x排放预测模型训练过程预测值与实际值的 重合度。该模型的训练样本相对误差最大绝对值为 3.6 8 0 0%, 最小绝对值为0.0 0 7 0%, 平均绝对值为 1.3 3 0 0%, 训练准确度满足本次试验的要求。已经 训练完成的 N Ox排放预测模型的校验样本相对误差 如图5所示。图5表征了该模型的泛化性和精确度, 校验样本相对误差最大绝对值为 4 .0 7 0 0 %, 最小绝对 值为 0 .3 2 0 0 %, 平均绝对值为2 . 4 1 0 0 % , 表明 N O x排 放预测模型的泛化性和精确度符合要求。 3 基于B P- V E G A模型的锅炉燃烧优化模型 3.1 模型的建立 V E GA 是 S CHA F F E R 在研究多目标优化问 题时, 在 扩 展 简 单 遗 传 算 法 (S GA) 的 基 础 上 提 出[ 1 4]。该算法的基本思想是 将总种群个体均分, 均分的数量取决于待优化目标函数的个数。本次建 模有两个目标函数, 即锅炉热效率和 NOx排放量, 对于均分后的每个子种群, 都有各自的目标函数, 这 些目标函数都是独立且互不影响, 在各自的子种群 中进行选择运算。选择出适应度高的个体重新组成 新的子种群, 适应度函数来自前面所建立的锅炉热 效率和 NOx排放预测模型。将新生成的子种群重 新合并成总种群, 这个总种群再继续进行交叉、 变 异, 生成下一代新的总种群, 如此往复循环, 最终会 求得锅炉燃烧多目标问题的优质解集合,V E GA 流 程图如图6所示。 41 环境污染与防治 第3 8卷 第1 0期 2 0 1 6年1 0月 图2 锅炉热效率的训练效果 F i g .2 T h e t r a i n i n g r e s u l t o f t h e b o i l e r t h e r m a l e f f i c i e n c y 图3 锅炉热效率校验样本的相对误差 F i g .3 T h e r e l a t i v e e r r o r o f t h e b o i l e r t h e r m a l e f f i c i e n c y o f c a l i b r a t i o n s a m p l e s 图4 N Ox排放量的训练效果 F i g .4 T h e t r a i n i n g r e s u l t o f NOxe m i s s i o n s 图5 N Ox排放量校验样本的相对误差 F i g .5 T h e r e l a t i v e e r r o r o f NOxe m i s s i o n s o f c a l i b r a t i o n s a m p l e s 设置 V E G A优化模型的技术参数和S G A相同, 种群个体全部采用二进制编码, 总种群个体数目设为 1 0 0, 根据待优化目标函数将总群体分为两个子群体, 初始子群体各有5 0个个体, 每个个体有2 0维变量, 设每个变量的二进制位数为2 0, 代沟为0 .9, 交叉概率 为 0 . 7 0 0, 变异概率为0 .0 3 5, 设置其迭代次数为5 0。 为了提高优化结果的合理性, 将种群中每个个 体 的变量( 即锅炉燃烧参数) 约束到一定的范围内, 51 余廷芳等 基于反向传播-向量评价遗传算法模型的燃煤电站锅炉燃烧多目标优化 注n为子种群总数; i为迭代次数。 图6 V E G A流程图 F i g .6 F l o w c h a r t o f V E GA 约束范围根据电站实际运行经验确定, 将每个变量 的二进制编码所代表的十进制参数约束在一定范围 内, 这样能够缩小寻优范围, 提高优化结果的可行 性, 找到锅炉优化燃烧参数的最优组合集, 如一、 二 次配风方式, 给煤机给煤量分配等锅炉可调参数的 最优组合方式。 3.2 模型优化结果 选择该燃煤锅炉3 0 0、2 7 0 MW 两种运行负荷 进行优化, 考虑到两种负荷下某些锅炉运行参数的 约束范围不同, 故分为两组分别进行优化。两种负 荷下所得到的锅炉热效率和 NOx排放量多目标优 化的优质解集合分别见图7和图8。5 0次迭代的结 果, 就是5 0组锅炉热效率优质解集合与5 0组 NOx 排放量优质解集合, 可根据燃煤锅炉的实际情况, 以 锅炉热效率或者 NOx排放量为依据选取优质解所 对应的锅炉优化参数组合。 图7 3 0 0MW 负荷下锅炉热效率和N Ox 排放量的优质解集合 F i g .7 T h e h i g h-q u a l i t y s o l u t i o n s e t s o f b o i l e r t h e r m a l e f f i c i e n c y a n d NOxe m i s s i o n s o f 3 0 0MW b o i l e r 从图7可以看出, 优化后的锅炉热效率优质解 集合为9 2.9 3%~9 3.6 4%, 与优化前相比, 锅炉热效 率平均约提高1百分点。优化后NOx排放量优质 解集合为3 6 7~4 1 3m g /m 3, 比优化前的NO x排放 图8 2 7 0MW负荷下锅炉热效率和N Ox 排放量的优质解集合 F i g .8 T h e h i g h-q u a l i t y s o l u t i o n s e t s o f b o i l e r t h e r m a l e f f i c i e n c y a n d NOxe m i s s i o n s o f 2 7 0MW b o i l e r 量明显减少。 由图8可以看出2 7 0MW 负荷下锅炉热效率 优质解集合为9 2.2 6%~9 3.5 6%, 稍低于3 0 0 MW 负荷下的锅炉热效率优质解集合;NOx排放量优质 解集合为3 6 0~4 1 6m g /m 3, NOx排放量优化效果 更明显。但是, 在迭代2 0次后, 2 7 0 MW 负荷下锅 炉热效率与 NOx排放量的优质解变化趋于停滞, 而 3 0 0MW 负荷下锅炉热效率与 NOx排放量的优质 解在迭代近4 0次时才趋于停滞。因此, 满足锅炉热 效率与 NOx排放量的优质解集合的前提下, 3 0 0 MW 负荷下可选择的锅炉运行参数组合多于2 7 0 MW 负荷。 4 结 论 ( 1)借助 B P神经网络分别建立锅炉热效率和 NOx排放预测模型。锅炉热效率预测模型的训练 样本相对误差平均绝对值为0.0 5 0 0%, 校验样本 的相对误差平均绝对值为0.2 1 0 0%;NOx排放预 测模 型 的 训 练 样 本 相 对 误 差 平 均 绝 对 值 为 1.3 3 0 0%, 校 验 样 本 的 相 对 误 差 平 均 绝 对 值 为 2.4 1 0 0%, 预测模型均具有较高的准确度、 精确度 和泛化性。 ( 2)基于已经训练完成的锅炉热效率和 NOx 排放预测模型, 结合 V E GA 优化模型对锅炉负荷分 别为3 0 0、2 7 0MW 时进行燃烧多目标优化, 分别得 到了不同负荷下的锅炉热效率和 NOx排放量优质 解集合。3 0 0MW负荷下锅炉热效率优质解集合为 9 2.9 3%~9 3.6 4%,NOx排放量优质解集合为3 6 7~ 4 1 3m g /m 3; 2 7 0MW 负荷锅炉热效率优质解集合 为9 2.2 6%~9 3. 5 6%,NOx排放量优质解集合为 ( 下转第3 2页) 61 环境污染与防治 第3 8卷 第1 0期 2 0 1 6年1 0月 3 结 论 筛选风车草、 香根草、 再力花、 芦荻、 美人蕉5种 湿地植物作为反硝化碳源。结果表明, 5种湿地植 物释碳能力为风车草>再力花>芦荻>香根草>美 人蕉, 风车草 C O D 释放 量最 高, 为 ( 1 2 9.26. 2) m g / ( gL) , 美人蕉 C O D 释放量最低, 为(5 3.8 7.9) m g / ( gL) ;5种湿地植物在静态碳源释放过 程中 TN、 T P释放量均较低, 对出水水质影响较小。 静态反硝化脱氮实验中, 风车草和再力花脱氮效 果最好, 反硝化出水中硝态氮质量浓度 降低 至 3 m g /L左右, 硝态氮去除率均达8 8 %左右, 出水 C O D 在1 0 0m g / L左右, C O D去除率均达到8 4 %左右。在 低C /N生活污水反硝化脱氮中试实验中, 以风车草作 为反硝化碳源材料, 在1 0d的反硝化过程中, 出水 C O D稳定在3 5m g /L左右, 出水 T N在4 . 3m g /L , 达 到 G B 1 8 9 1 82 0 0 2中的一级 A标准, 因此风车草可 以作为低C/N比生活污水的反硝化碳源。 参考文献 [1] 谢冰, 徐亚同. 废水生物处理原理和方法[M]. 北京 中国轻工 业出版社,2 0 0 7. [2] 邵留, 徐祖信, 尹海龙. 污染水体脱氮工艺中外加碳源的研究进 展[J]. 工业水处理, 2 0 0 7,2 7(1 2) 1 0-1 4. [3] 袁宁, 金蒙蒙. 以纤维素物质为反硝化碳源的研究进展[J] . 辽 宁化工,2 0 1 3, 4 2(7). [4] 陈翔. 固体碳源生物反硝化去除水源水中的硝酸盐[D] . 南京 南京林业大学,2 0 0 8. [5] 谢林花, 丁绍兰, 陈晓娇, 等. 壳类农业废弃物固体碳源释碳性 能研究[J]. 陕西科技大学学报( 自然科学版) , 2 0 1 3,3 1(5) 3 9- 4 4. [6] 金赞芳, 陈英旭, 小仓纪雄. 以棉花为碳源去除地下水硝酸盐的 研究[J].农业环境科学学报, 2 0 0 4,2 3(3) 5 1 2-5 1 5. [7] 熊剑锋, 徐华, 阎宁, 等.梧桐树叶作为反硝化碳源的研究[J]. 环境科学,2 0 1 2,3 3( 1 1) 4 0 5 7-4 0 6 1. [8] OV E Z B,O Z G E N S,YUK S E L M. B i o l o g i c a l d e n i t r i f i c a t i o n i n d r i n k i n g w a t e r u s i n g G l y c y r r h i z a g l a b r a a n d A r u n d a d o n a x a s t h e c a r b o n s o u r c e[J]. P r o c e s s B i o c h e m i s t r y,2 0 0 6,4 1(7) 1 5 3 9-1 5 4 4. [9] 宋雪红, 蒋新元, 赵梦婕.湿地水生植物的水质净化与资源化利 用[J]. 环境保护与循环经济, 2 0 1 1,3 1(1 1) 5 9-6 2. [1 0] 邵留, 徐祖信, 金伟, 等.农业废物反硝化固体碳源的优选[J]. 中国环境科学,2 0 1 1,3 1(5) 7 4 8-7 5 4. [1 1] L I N Y F,J I NG S R,WANG T W,e t a l . E f f e c t s o f m a c r o- p h y t e s a n d e x t e r n a l c a r b o n s o u r c e s o n n i t r a t e r e m o v a l f r o m g r o u n d w a t e r i n c o n s t r u c t e d w e t l a n d s[J]. E n v i r o n m e n t a l P o l- l u t i o n,2 0 0 2,1 1 9(3) 4 1 3-4 2 0. [1 2] 廖新俤, 骆世明. 香根草和风车草人工湿地对猪场废水氮磷处 理效果的研究[J].应用生态学报, 2 0 0 2,1 3(6) 7 1 9-7 2 2. [1 3] 李晓崴, 贾亚红, 李冰, 等. 人工湿地植物缓释碳源的预处理方 式及释碳性能研究[J].水处理技术, 2 0 1 3,3 9(1 2) 4 6-4 8. [1 4] 谷晓琳, 王陆黎, 李洪斌, 等.风车草的化学成分[J].吉林大学 学报( 理学版) ,2 0 1 1,4 9(4) 7 7 2-7 7 6. [1 5] 李斌, 郝瑞霞.固体纤维素类废物作为反硝化碳源滤料的比选 [J].环境科学,2 0 1 3,3 4(4) 1 4 2 8-1 4 3 4. [1 6] 王丽丽, 赵林, 谭欣, 等.不同碳源及其碳氮比对反硝化过程的 影响[J].环境保护科学, 2 0 0 4,3 0(1) 1 5-1 8. [1 7] 钟胜强, 杨扬, 陶然, 等. 5种植物材料的水解释碳性能及反硝 化效率[J].环境工程学报, 2 0 1 4,8(5) 1 8 1 7-1 8 2 4. [1 8] 傅利剑, 郭丹钊, 史春龙,
展开阅读全文