CN110675920A - 一种基于MI-LSTM的锅炉NOx预测方法 - Google Patents

一种基于MI-LSTM的锅炉NOx预测方法 Download PDF

Info

Publication number
CN110675920A
CN110675920A CN201911003427.6A CN201911003427A CN110675920A CN 110675920 A CN110675920 A CN 110675920A CN 201911003427 A CN201911003427 A CN 201911003427A CN 110675920 A CN110675920 A CN 110675920A
Authority
CN
China
Prior art keywords
variable
lstm
model
variables
mutual information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911003427.6A
Other languages
English (en)
Inventor
杨国田
王英男
李新利
刘禾
王孝伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN201911003427.6A priority Critical patent/CN110675920A/zh
Publication of CN110675920A publication Critical patent/CN110675920A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Medical Informatics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于MI‑LSTM的锅炉NOx预测方法，以互信息(MI)“最小冗余最大相关”为准则对辅助变量进行重要性排序和变量选择，将筛选出来的辅助变量集作为长期短时记忆(LSTM)模型的输入，建立了NOx排放量预测的MI‑LSTM模型，并利用多层网格搜索优选LSTM模型的参数。在变量筛选过程中采用序列前向选择方法，以模型预测精度为目标确定最优输入特征集和最佳模型参数，可以有效地减少输入变量间的信息冗余，降低模型复杂度，提高模型的预测精度和泛化能力。

Description

一种基于MI-LSTM的锅炉NOx预测方法
技术领域
本发明属于燃烧控制技术领域，具体涉及一种基于MI-LSTM的锅炉NOx预测方法。
背景技术
燃煤过程中产生的NOx是大气污染物的重要来源，严重影响人类健康和空气质量。2011年，环保部颁布了新的污染物排放标准，要求燃煤锅炉NOx排放不超过100mg/m3。氮氧化物排放的限制将变得越来越严格，为了达到排放标准，火电机组需要对NOx排放进行实时监测与控制。但现有的测量设备达不到实时测量NOx的要求，监控难度大。为此，建立有效的NOx排放预测模型，对NOx浓度进行高效、快速监测十分必要。
锅炉燃烧是一个动态过程，当前的工况与历史工况密切相关。因此，NOx的排放量是一个典型的时间序列问题，基于时间序列的数据挖掘预测，常用的模型有回归分析、神经网络(artificial neural network，ANN)、支持向量机(SVM)等。然而，神经网络存在着一些不足，比如需要大量的训练数据，结构难以确定，存在过拟合的风险。采用SVM对NOx排放进行建模，由于支持向量机具有良好的非线性映射能力，其建模性能优于神经网络，然而，SVM也有一些缺点，例如在输入变量较多的情况下，很难得到最优解，使用大数据集的训练过程可能会导致的计算困难。
伴随着大数据时代的到来，一些深度学习模型逐渐被应用到时序数据的研究中。深度学习作为一种基于对数据进行高度表征的学习方法，能够对输入信号逐层抽象并提取特征，挖掘出更深层次的潜在规律。长期短时记忆(long-term short Memory, LSTM)是一种著名的深度学习模型。它将时序的概念引入到网络结构设计中，其内部有自循环，允许数据在网络中循环流动，可以保存之前的信息供将来使用，对时间序列数据具有强大的处理能力。近年来，LSTM模型已经在不同领域应用并获得了良好效果。例如，自然语言处理、机器翻译、电力负荷预测等。然而，在实际建模过程中，NOx生成机理复杂，受多个变量影响，辅助变量的选择将会直接影响到模型的预测精度。辅助量多选会使特征分析和模型训练花费更多的时间，还可能导致“维度灾难”，使模型过度复杂并降低其泛化能力；而变量少选或漏选将导致模型不够精确。互信息(Mutual information, MI)描述了两个随机变量之间相互依存关系的强弱，不仅可以表示变量之间的线性关系，而且还可以表示非线性关系。
综上，本发明以模型预测精度作为目标，将互信息变量选择方法应用于NOx排放量建模过程中，结合长短期记忆网络，建立基于MI-LSTM的NOx预测模型，可以有效地减少输入变量间的信息冗余，降低模型复杂度，提高模型的预测精度和泛化能力。
发明内容
本发明公开了一种基于MI-LSTM的锅炉NOx预测方法，通过对辅助变量进行重要性排序和变量选择作为 LSTM模型的输入，建立NOx排放量预测的MI-LSTM模型，并利用多层网格搜索优选 LSTM 模型的参数，可以有效地减少输入变量间的信息冗余，降低模型复杂度，提高模型的预测精度和泛化能力。
本发明解决其技术问题采用的技术方案如下：
一种基于MI-LSTM的锅炉NOx预测方法，包括如下步骤：
步骤一，利用互信息筛选原始特征集，得到以互信息MI值为度量标准的特征序列子集；
步骤二，基于LTSM建立NOx排放MI-LSTM模型；
步骤三，使用网格搜索算法确定最优超参数集，开展前向特征选择，获取最优特征子集；
步骤四，以最优特征子集构建LSTM预测模型，预测NOx排放量。
所述步骤一中所述互信息筛选以互信息“最小冗余最大相关”为准则进行重要性排序和变量选择，评价函数为
Figure 492443DEST_PATH_IMAGE001
式中，
Figure 409584DEST_PATH_IMAGE002
为待选变量，c为主导变量，
Figure 189321DEST_PATH_IMAGE003
为已选变量，β为惩罚因子。
所述步骤二中所述MI-LSTM模型采用步骤如下：
S1 初始化参数；
S2 计算待选变量集
Figure 256634DEST_PATH_IMAGE004
与主导变量c之间的互信息，取出最大值对应的变量存入已选变量集
Figure 893469DEST_PATH_IMAGE005
中；
S3 贪心搜索的过程，循环以下步骤，直至搜索到目标数量K(K=1,2,3,…)个变量：
(1)候选变量与已选变量之间互信息计算，计算所有组合之间的互信息；
(2)根据所述步骤一中所述评价函数选择下一变量，取出待选变量
Figure 160502DEST_PATH_IMAGE004
存入已选变量集
Figure 359402DEST_PATH_IMAGE005
中；
S4 输出已选出的辅助变量子集
Figure 231543DEST_PATH_IMAGE006
；
S5 构建LSTM模型，利用辅助变量子集
Figure 224907DEST_PATH_IMAGE006
对网络进行训练，使用网格搜索算法确定最优超参数集，计算模型均方根误差RMSE指标
其中，为均方根误差，为真实NOx排放量，
Figure 607161DEST_PATH_IMAGE010
为神经网络预测的NOx排放量，
Figure 848786DEST_PATH_IMAGE011
为测试样本总数；
S6 重复步骤S3至S5，直至找到均方根误差RMSE最小的目标数量K(K=1,2,3,…)，即为最优变量个数和特征子集；
S7 根据得到的特征子集重新训练LSTM预测模型。
本发明利用互信息的特征选择方法对输入变量进行筛选，建立NOX排放的MI-LSTM模型，可以降低模型复杂度，提高模型精度和泛化能力，有助于将其广泛应用于实际生产过程中。
附图说明
图1为本发明的NOx排放预测流程图。
图2为本发明的NOx排放动态预测模型建模流程图。
图3为本发明的网络搜索特征个数对模型RMSE的影响图。
图4为本发明的NOx排放质量浓度的预测结果图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的说明。
电站锅炉NOx排放受多个热工变量的影响，而变量间具有相关性以及现场数据的时序特性，通过本发明可以对锅炉NOx排放进行动态预测，本实施例以河南某燃煤电厂660MW机组数据为例，锅炉为DG2060/26.15-Ⅱ2型超超临界参数变压运行直流炉。锅炉燃烧方式为前后墙对冲燃烧，共布置6层燃烧器（前后墙各3层），每层各有6只旋流燃烧器，前墙从下往上依次为A、B、C层，后墙从下往上依次为D、E、F层，每台中速磨煤机为同层的6只煤粉燃烧器提供风粉混合物。同时各布置1层燃尽风在前、后墙旋流煤粉燃烧器上方，其中每层6只燃尽风（AAP）喷口、2只侧燃尽风（SAP）喷口。从电厂监控信息***((supervisoryinformation system，SIS))中采集历史数据进行挖掘与预测，采样周期为1min，负荷跨度为 300~660MW。其中，包括锅炉侧、汽轮机侧等多组数据，共45组变量，包含给煤量、二次风量、燃尽风量、炉膛出口处烟气含氧量、一次风温、二次风温等。主导变量为选择性催化还原（selective catalytic reduction，SCR）反应器入口处NOx浓度，所采集的3500组数据分为测试集和验证集两部分，其中，选取3000组的数据用来建立基于MI-LSTM的NOx排放量预测模型，其余500组数据作为测试集，用来验证模型的准确度和泛化能力。
本发明主要步骤如图1所示。首先，利用互信息筛选原始特征集，得到以互信息MI值为度量标准的特征序列子集；然后，基于LTSM建立NOx排放模型，使用网格搜索算法确定最优超参数集，以预测模型的RMSE为指标，开展前向特征选择，获取最优特征子集；最后，以最优特征子集构建LSTM预测模型，动态预测NOx排放。具体建模步骤如下。
步骤一，利用互信息筛选原始特征集，得到以互信息MI值为度量标准的特征序列子集。
以互信息“最小冗余最大相关”为准则进行重要性排序和变量选择，评价函数为
Figure 123910DEST_PATH_IMAGE001
式中，
Figure 767381DEST_PATH_IMAGE002
为待选变量，
Figure 40230DEST_PATH_IMAGE012
为主导变量，
Figure 769152DEST_PATH_IMAGE003
为已选变量，β为惩罚因子。
步骤二，基于LTSM建立NOx排放MI-LSTM模型。采用如下步骤，如图2所示
S1 初始化参数；
S2 计算待选变量集
Figure 847966DEST_PATH_IMAGE004
与主导变量之间的互信息，取出最大值对应的变量
Figure 117591DEST_PATH_IMAGE004
存入已选变量集
Figure 5912DEST_PATH_IMAGE005
中；
S3 贪心搜索的过程，循环以下步骤，直至搜索到目标数量K(K=1,2,3,…)个变量：
(1)候选变量与已选变量之间互信息计算，计算所有组合之间的互信息；
(2)根据所述步骤一中所述评价函数选择下一变量，取出待选变量
Figure 888418DEST_PATH_IMAGE004
存入已选变量集中
S4 输出已选出的辅助变量子集
Figure 183450DEST_PATH_IMAGE006
；
S5 构建LSTM模型，利用辅助变量子集
Figure 621384DEST_PATH_IMAGE006
对网络进行训练，使用网格搜索算法确定最优超参数集，计算模型均方根误差RMSE指标
Figure 979685DEST_PATH_IMAGE007
其中，
Figure 452254DEST_PATH_IMAGE008
为均方根误差，
Figure 565704DEST_PATH_IMAGE013
为真实NOx排放量，
Figure 490934DEST_PATH_IMAGE010
为神经网络预测的NOx排放量，
Figure 715242DEST_PATH_IMAGE011
为测试样本总数
S6 重复步骤S3至S5，直至找到均方根误差RMSE最小的目标数量K(K=1,2,3,…)，即为最优变量个数和特征子集；
S7 根据得到的特征子集重新训练LSTM预测模型。
步骤三，使用网格搜索算法确定最优超参数集。
利用序列前向选择方法选择最优特征子集，同时针对LSTM网络的时间步长、学习速率和隐层神经元数目3个重要参数进行网格搜索，在可视层输入特征数量从1个到45个以2为序列差循环训练的条件下得到，如图3所示。随着特征数量的增多，RMSE的值逐渐上升，说明在高维特征的条件下，结构简单的LSTM很难做到高维特征与回归数据的精确拟合。同时，由于学习速率变化，随着模型序号的变化，RMSE的值出现明显的循环波峰和波谷。由此筛选出最优特征变量特征子集为：后墙固定端燃尽风量、F层二次风量、E给煤机给煤率反馈、总风量、E磨一次风量、主给水温度及机组负荷。
步骤四，以最优特征子集构建LSTM预测模型，预测NOx排放量。
使用筛选出来的变量集合作为模型的输入，SCR反应器入口处NOx浓度为模型的输出，建立排放量预测模型。其中，LSTM模型中时间步长取4，学习速率取0.001，隐含层神经元数目取256，迭代次数取2000，Batchsize取16，模型测试集的预测结果如图4所示。

Claims (3)

1.一种基于MI-LSTM的锅炉NOx预测方法，其特征在于，所述方法包括如下步骤：
步骤一，利用互信息筛选原始特征集，得到以互信息MI值为度量标准的特征序列子集；
步骤二，基于LTSM建立NOx排放MI-LSTM模型；
步骤三，使用网格搜索算法确定最优超参数集，开展前向特征选择，获取最优特征子集；
步骤四，以最优特征子集构建LSTM预测模型，预测NOx排放量。
2.根据权利要求1所述的一种基于MI-LSTM的锅炉NOx预测方法，其特征在于，所述步骤一中所述互信息筛选以互信息“最小冗余最大相关”为准则进行重要性排序和变量选择，评价函数为
Figure DEST_PATH_IMAGE001
式中，
Figure DEST_PATH_IMAGE002
为待选变量，
Figure DEST_PATH_IMAGE003
为主导变量，为已选变量，β为惩罚因子。
3.根据权利要求1所述的一种基于MI-LSTM的锅炉NOx预测方法，其特征在于，所述步骤二中所述MI-LSTM模型采用步骤如下：
S1 初始化参数；
S2 计算待选变量集
Figure DEST_PATH_IMAGE005
与主导变量
Figure 559231DEST_PATH_IMAGE003
之间的互信息，取出最大值对应的变量
Figure 476371DEST_PATH_IMAGE005
存入已选变量集
Figure DEST_PATH_IMAGE006
中；
S3 贪心搜索的过程，循环以下步骤，直至搜索到目标数量K(K=1,2,3,…)个变量：
(1)候选变量与已选变量之间互信息计算，计算所有组合之间的互信息；
(2)根据所述步骤一中所述评价函数选择下一变量，取出待选变量
Figure 318425DEST_PATH_IMAGE005
存入已选变量集中；
S4 输出已选出的辅助变量子集
Figure DEST_PATH_IMAGE007
；
S5 构建LSTM模型，利用辅助变量子集
Figure DEST_PATH_IMAGE008
对网络进行训练，使用网格搜索算法确定最优超参数集，计算模型均方根误差RMSE指标
其中，
Figure DEST_PATH_IMAGE010
为均方根误差，
Figure DEST_PATH_IMAGE011
为真实NOx排放量，
Figure DEST_PATH_IMAGE012
为神经网络预测的NOx排放量，为测试样本总数；
S6 重复步骤S3至S5，直至找到均方根误差RMSE最小的目标数量K(K=1,2,3,…)，即为最优变量个数和特征子集；
S7 根据得到的特征子集重新训练LSTM预测模型。
CN201911003427.6A 2019-10-22 2019-10-22 一种基于MI-LSTM的锅炉NOx预测方法 Pending CN110675920A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911003427.6A CN110675920A (zh) 2019-10-22 2019-10-22 一种基于MI-LSTM的锅炉NOx预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911003427.6A CN110675920A (zh) 2019-10-22 2019-10-22 一种基于MI-LSTM的锅炉NOx预测方法

Publications (1)

Publication Number Publication Date
CN110675920A true CN110675920A (zh) 2020-01-10

Family

ID=69083483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911003427.6A Pending CN110675920A (zh) 2019-10-22 2019-10-22 一种基于MI-LSTM的锅炉NOx预测方法

Country Status (1)

Country Link
CN (1) CN110675920A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111584015A (zh) * 2020-05-27 2020-08-25 大唐环境产业集团股份有限公司 脱硝***入口NOx测量延迟估计方法及装置
CN111985706A (zh) * 2020-08-15 2020-11-24 西北工业大学 一种基于特征选择和lstm的景区日客流量预测方法
CN113111588A (zh) * 2021-04-23 2021-07-13 中国大唐集团科学技术研究院有限公司华东电力试验研究院 一种燃气轮机nox排放浓度预测方法及装置
CN113268871A (zh) * 2021-05-21 2021-08-17 燕山大学 基于多变量时序深度网络模型的水泥烟囱nox预测方法
CN113435584A (zh) * 2021-07-15 2021-09-24 国家能源集团科学技术研究院有限公司 一种基于lstm的scr出口氮氧化物浓度预测方法
CN113628694A (zh) * 2021-07-05 2021-11-09 国能国华(北京)电力研究院有限公司 一种预测锅炉氮氧化物排放量的方法
CN115146833A (zh) * 2022-06-14 2022-10-04 北京全应科技有限公司 一种锅炉氮氧化物生成浓度的预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599520A (zh) * 2016-12-31 2017-04-26 中国科学技术大学 一种基于lstm‑rnn模型的空气污染物浓度预报方法
CN109165789A (zh) * 2018-09-04 2019-01-08 广东电网有限责任公司 基于LSTM的锅炉NOx排放量预测模型的建模方法及装置
CN109388774A (zh) * 2018-07-06 2019-02-26 国家电投集团河南电力有限公司技术信息中心 一种基于对比法的火电厂NOx预测模型变量特征提取方法
AU2019100364A4 (en) * 2019-04-05 2019-05-09 Shenyuan Huang A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network
CN110263356A (zh) * 2019-03-08 2019-09-20 华北电力大学（保定） 一种火电厂锅炉NOx排放量建模变量选择方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106599520A (zh) * 2016-12-31 2017-04-26 中国科学技术大学 一种基于lstm‑rnn模型的空气污染物浓度预报方法
CN109388774A (zh) * 2018-07-06 2019-02-26 国家电投集团河南电力有限公司技术信息中心 一种基于对比法的火电厂NOx预测模型变量特征提取方法
CN109165789A (zh) * 2018-09-04 2019-01-08 广东电网有限责任公司 基于LSTM的锅炉NOx排放量预测模型的建模方法及装置
CN110263356A (zh) * 2019-03-08 2019-09-20 华北电力大学（保定） 一种火电厂锅炉NOx排放量建模变量选择方法
AU2019100364A4 (en) * 2019-04-05 2019-05-09 Shenyuan Huang A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111584015A (zh) * 2020-05-27 2020-08-25 大唐环境产业集团股份有限公司 脱硝***入口NOx测量延迟估计方法及装置
CN111584015B (zh) * 2020-05-27 2021-09-10 大唐环境产业集团股份有限公司 脱硝***入口NOx测量延迟估计方法及装置
CN111985706A (zh) * 2020-08-15 2020-11-24 西北工业大学 一种基于特征选择和lstm的景区日客流量预测方法
CN111985706B (zh) * 2020-08-15 2023-08-25 西北工业大学 一种基于特征选择和lstm的景区日客流量预测方法
CN113111588A (zh) * 2021-04-23 2021-07-13 中国大唐集团科学技术研究院有限公司华东电力试验研究院 一种燃气轮机nox排放浓度预测方法及装置
CN113268871A (zh) * 2021-05-21 2021-08-17 燕山大学 基于多变量时序深度网络模型的水泥烟囱nox预测方法
CN113628694A (zh) * 2021-07-05 2021-11-09 国能国华(北京)电力研究院有限公司 一种预测锅炉氮氧化物排放量的方法
CN113435584A (zh) * 2021-07-15 2021-09-24 国家能源集团科学技术研究院有限公司 一种基于lstm的scr出口氮氧化物浓度预测方法
CN115146833A (zh) * 2022-06-14 2022-10-04 北京全应科技有限公司 一种锅炉氮氧化物生成浓度的预测方法

Similar Documents

Publication Publication Date Title
CN110675920A (zh) 一种基于MI-LSTM的锅炉NOx预测方法
CN110807554B (zh) 基于风电/光伏经典场景集的生成方法及***
CN106649479A (zh) 一种基于概率图的变压器状态关联规则挖掘方法
CN113627071B (zh) 一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉nox软测量方法
CN112488145A (zh) 一种基于智能化方法的NOx在线预测方法及***
CN109670625A (zh) 基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法
Lin et al. Approximate mixed-integer programming solution with machine learning technique and linear programming relaxation
CN116186624A (zh) 一种基于人工智能的锅炉评估方法及***
CN114578087B (zh) 基于非支配排序和随机模拟算法的风速不确定性度量方法
Zjavka PV power intra‐day predictions using PDE models of polynomial networks based on operational calculus
CN113723002A (zh) 全工况下脱硫***浆液pH值预测模型建立方法及***
CN114219185A (zh) 一种基于不确定集的城市规模工业碳排放量预测方法
CN115600722A (zh) 企业电碳因子长期预测方法
Lim et al. Smart soft-sensing for the feedwater flowrate at PWRs using a GMDH algorithm
CN112446175A (zh) 基于配电网概率潮流计算的分布式电源选址优化方法
Fu et al. Prediction model of desulfurization efficiency of coal-fired power plants based on long short-term memory neural network
CN111476437A (zh) 一种光伏发电功率超短期区间预测的方法及设备
CN116401948A (zh) 基于lstm的电站锅炉灰渣生成量在线预测方法及***
CN113111588B (zh) 一种燃气轮机nox排放浓度预测方法及装置
Zahraoui et al. ANN-LSTM Based Tool For Photovoltaic Power Forecasting.
CN111178627B (zh) 一种基于spca的神经网络混合优化预测方法
Chan et al. Fuzzy Clustering-Based Deep Learning for Short-Term Load Forecasting in Power Grid Systems Using Time-Varying and Time-Invariant Features
CN113094636A (zh) 一种基于海量监测数据的干扰性用户谐波水平估计方法
Savargave et al. Self-adaptive firefly algorithm with neural network for design modelling and optimization of boiler plants
Wang et al. Evolutionary Optimization of Robust Multi-objective Expensive Problems Assisted by Incremental Kriging Models

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200110

WD01 Invention patent application deemed withdrawn after publication