CN111461388A - 一种基于燃煤锅炉超低排放***的多目标优化方法 - Google Patents
一种基于燃煤锅炉超低排放***的多目标优化方法 Download PDFInfo
- Publication number
- CN111461388A CN111461388A CN202010033399.9A CN202010033399A CN111461388A CN 111461388 A CN111461388 A CN 111461388A CN 202010033399 A CN202010033399 A CN 202010033399A CN 111461388 A CN111461388 A CN 111461388A
- Authority
- CN
- China
- Prior art keywords
- population
- coal
- ultra
- individual
- fired boiler
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 18
- 239000000428 dust Substances 0.000 claims description 13
- 238000006477 desulfuration reaction Methods 0.000 claims description 10
- 239000003344 environmental pollutant Substances 0.000 claims description 8
- 231100000719 pollutant Toxicity 0.000 claims description 8
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 6
- 230000005684 electric field Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- XTQHKBHJIVJGKJ-UHFFFAOYSA-N sulfur monoxide Chemical class S=O XTQHKBHJIVJGKJ-UHFFFAOYSA-N 0.000 claims description 5
- 229910052815 sulfur oxide Inorganic materials 0.000 claims description 5
- 230000023556 desulfurization Effects 0.000 claims description 4
- 229910021529 ammonia Inorganic materials 0.000 claims description 3
- 229910052602 gypsum Inorganic materials 0.000 claims description 3
- 239000010440 gypsum Substances 0.000 claims description 3
- 239000002002 slurry Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 5
- 239000003546 flue gas Substances 0.000 description 5
- 239000002245 particle Substances 0.000 description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000010531 catalytic reduction reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000012718 dry electrostatic precipitator Substances 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000012719 wet electrostatic precipitator Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明为一种基于燃煤锅炉超低排放***的多目标优化方法，包括建立优化模型；初始化参数；初始化种群并对种群进行快速非支配排序；计算种群拥挤度；对种群进行遗传操作，产生子种群；采用精英策略保留优良个体到下一代；重复步骤5到步骤6直至到达最大迭代数。本发明的有益效果是：考虑燃煤锅炉超低排放***的环保性和经济性，通过多次迭代得到最优的多种运行方案，便于决策者按需选择。
Description
技术领域
本发明属于燃煤锅炉运行优化领域，尤其涉及一种基于燃煤锅炉超低排放***的多目标优化方法。
背景技术
煤炭燃烧产生大量二氧化硫、氮氧化物和烟尘，对大气环境乃至人民生产生活造成了严重影响。在我国，火电行业占据近一半的煤炭消费量。在污染物减排流程中，烟气污染物通过超低排放***实现多种污染物的高效协同脱除。典型的超低排放***由选择性催化还原脱硝***(SCR)、干式静电除尘***(ESP)、湿法烟气脱硫***(WFGD)与湿式静电除尘***(WESP)等关键装置组成。烟气从燃煤锅炉排出后依次经过SCR装置脱除氮氧化物、ESP装置脱除颗粒物、WFGD装置脱除硫氧化物与部分颗粒物和氮氧化物、WESP装置脱除颗粒物与部分硫氧化物，最终使烟气中污染物浓度低于火电厂大气污染物排放浓度限值，并通过烟囱排放至大气。
在传统的燃煤锅炉超低排放***的运行方案决策中往往只考虑运行成本，但在实际工程中，运行成本并不是唯一的决策依据，需要综合考虑多种因素。
发明内容
本发明主要解决了传统的燃煤锅炉超低排放***的运行方案决策方法考虑因素单一，无法综合考虑多个因素进行运行决策优化的问题，提供了一种能够实现多目标优化的基于燃煤锅炉超低排放***的多目标优化方法。
本发明解决其技术问题所采用的技术方案是，一种基于燃煤锅炉超低排放***的多目标优化方法，包括以下步骤：
步骤1：建立优化模型；
步骤2：初始化参数，该参数包括种群数、交叉概率、变异概率、最大迭代数、决策变量个数；
步骤3：初始化种群并对种群进行快速非支配排序；
步骤4：计算种群拥挤度；
步骤5：对种群进行遗传操作，产生子种群；
步骤6：采用精英策略保留优良个体到下一代；
步骤7：重复步骤5到步骤6直至到达最大迭代数。
将不同种燃煤锅炉超低排放***的运行方案当成同一种群中的不同个体，通过遗传操作获得更多的运行方案，通过快速非支配排序和计算拥挤度确定各个运行方案的优劣，保留较优的几种运行方案，进行反复迭代，最终得出最优的几种燃煤锅炉超低排放***运行方案。
作为上述方案的一种优选方案，所述优化模型如下：
Min f1(z)＝COST脱硝+COST脱硫+COST除尘
f2(z)＝NOxout+SOxout+PMout
式中，z为z1～z8的集合，COST脱硝，COST脱硫，COST除尘分别表示燃煤锅炉超低排放***中脱硝装置，脱硫装置，除尘装置的运行成本，NOxout，SOxout，PMout分别表示氮氧化物，硫氧化物，粉尘污染物的排放浓度，z1表示SCR装置中的喷氨量，z2～z5分别表示ESP装置中的四个电场的电压，z6、z7分别表示WFGD装置中的石膏浆pH值和循环泵台数，z8表示WESP装置中的电场电压，z1～z8中每个变量的变量范围约束均源自其各自的工艺约束。
作为上述方案的一种优选方案，所述遗传操作采用模拟二进制交叉和多项式变异。
作为上述方案的一种优选方案，所述步骤6包括以下步骤：
S61：将原有的种群和通过遗传操作得到的种群合并得到一个新的种群Rt，种群Rt的规模大小为2N，N为原有的种群和通过遗传操作得到的种群各自的种群规模大小；
S62：对种群Rt进行快速非支配排序分层，并分层计算拥挤度；
S63：根据个体优劣程度从种群Rt中选择前N个个体形成新的种群。扩大种群规模，在扩大后的种群中选取较优的个体形成新的种群，保证种群中个体的优质程度。
作为上述方案的一种优选方案，所述个体优劣程度通过快速非支配排序和拥挤度获得，当满足条件irank<jrank和irank＝jrank且id>jd中的一个时，定义个体i优于个体j，irank和jrank分别为个体i和个体j的快速非支配排序编，id和jd分别为个体i和个体j的拥挤度。
作为上述方案的一种优选方案，所述拥挤度计算公式如下：
其中fm(i+1)是该个体排序后后一位的目标函数值，fm(i-1)是该个体排序后前一位的目标函数值，
为个体目标函数fm的最大值，
为个体目标函数fm的最小值，对于排序后两个边界的拥挤度1d和Nd置为∞，个体目标函数fm代表优化模型中的每一个公式。
本发明的有益效果是：考虑燃煤锅炉超低排放***的环保性和经济性，通过多次迭代得到最优的多种运行方案，便于决策者按需选择。
附图说明
图1为实施例1中基于燃煤锅炉超低排放***的多目标优化方法的一种流程示意图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步的说明。
实施例：
本实施例一种基于燃煤锅炉超低排放***的多目标优化方法，如图1所示：包括以下步骤：
步骤1：建立优化模型，优化模型如下：
Min f1(z)＝COST脱硝+COST脱硫+COST除尘
f2(z)＝NOxout+SOxout+PMout
s.t.50≤z1≤150
40≤z2,z3,z4,z5≤80
5.0≤z6≤5.6
z7＝2,3,4
30≤z8≤40
式中，z为z1～z8的集合，COST脱硝，COST脱硫，COST除尘分别表示燃煤锅炉超低排放***中脱硝装置，脱硫装置，除尘装置的运行成本，NOxout，SOxout，PMout分别表示氮氧化物，硫氧化物，粉尘污染物的排放浓度，z1表示SCR装置中的喷氨量，z2～z5分别表示ESP装置中的四个电场的电压，z6、z7分别表示WFGD装置中的石膏浆pH值和循环泵台数，z8表示WESP装置中的电场电压，z1～z8中每个变量的变量范围约束均源自其各自的工艺约束；
步骤2：初始化参数，该参数包括种群数、交叉概率、变异概率、最大迭代数、决策变量个数；
步骤3：初始化种群并对种群进行快速非支配排序，快速非支配排序：对于种群P，每个个体P都设有两个参数Sp和Np,Sp为个体P所支配个体的集合，Np为支配个体P的个体数量。首先，搜索到种群中所有Np＝0的个体，将其放入集合F1中，并赋予相应的非支配序irank；然后对于集合F1的每个个体P，考察它所支配的集合Sp，将集合中每个个体q的Nq减1(因为支配个体q的个体P己经放入F1中)，若Nq-1＝0即个体q是Sp中的非支配个体，则将个体q放入另一个集合Q中，对Q进行分级并赋予非支配序；继续上述操作，直到所有的个体都被分级；
步骤4：计算种群拥挤度，拥挤度是指种群中给定点的周围个体密度，用id表示，它指出了在个体i周围包含个体i本身但不包含其他个体的最小的长方形周长之和，其计算公式如下：
其中fm(i+1)是该个体排序后后一位的目标函数值，fm(i-1)是该个体排序后前一位的目标函数值，
为个体目标函数fm的最大值，
为个体目标函数fm的最小值，对于排序后两个边界的拥挤度1d和Nd置为∞，个体目标函数fm代表优化模型中的每一个公式，经过了快速非支配排序和拥挤度计算后，每个个体i得到两个属性:非支配序编irank和拥挤度id.当满足条件irank<jrank，或者满足条件irank＝jrank且id>jd时，定义个体i优于个体j；在本实施例中计算拥挤度时，需要分别以fm＝f1(z)和fm＝f2(z)进行计算；
步骤5：对种群进行遗传操作，产生子种群，遗传操作中采用的是模拟二进制交叉和多项式变异；
步骤6：采用精英策略保留优良个体到下一代，包括以下步骤：
S61：将原有的种群和通过遗传操作得到的种群合并得到一个新的种群Rt，种群Rt的规模大小为2N，N为原有的种群和通过遗传操作得到的种群各自的种群规模大小；
S62：对种群Rt进行快速非支配排序分层，并分层计算拥挤度；
S63：根据个体优劣程度从种群Rt中选择前N个个体形成新的种群；
步骤7：重复步骤5到步骤6直至到达最大迭代数。
实施例2：
本实施例选取的种群数为20，迭代代数为500，在燃煤锅炉超低排放***的负荷为750MW,入口SO2浓度为1000mg/m3,入口NOX浓度为200mg/m3的工况下，采用实施例1中方法对燃煤锅炉超低排放***进行多目标优化。
其仿真结果如表1所示。
表1燃煤锅炉超低排放***多目标优化结果
其中z1到z8为该模型的设计变量。f1为运行成本，f2为污染物排放的浓度。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种基于燃煤锅炉超低排放***的多目标优化方法，其特征是：包括以下步骤：
步骤1：建立优化模型；
步骤2：初始化参数，该参数包括种群数、交叉概率、变异概率、最大迭代数、决策变量个数；
步骤3：初始化种群并对种群进行快速非支配排序；
步骤4：计算种群拥挤度；
步骤5：对种群进行遗传操作，产生子种群；
步骤6：采用精英策略保留优良个体到下一代；
步骤7：重复步骤5到步骤6直至到达最大迭代数。
2.根据权利要求1所述的一种基于燃煤锅炉超低排放***的多目标优化方法，其特征是：所述优化模型如下：
Min f1(z)＝COST脱硝+COST脱硫+COST除尘
f2(z)＝NOxout+SOxout+PMout
式中，z为z1～z8的集合，COST脱硝，COST脱硫，COST除尘分别表示燃煤锅炉超低排放***中脱硝装置，脱硫装置，除尘装置的运行成本，NOxout，SOxout，PMout分别表示氮氧化物，硫氧化物，粉尘污染物的排放浓度，z1表示SCR装置中的喷氨量，z2～z5分别表示ESP装置中的四个电场的电压，z6、z7分别表示WFGD装置中的石膏浆pH值和循环泵台数，z8表示WESP装置中的电场电压，z1～z8中每个变量的变量范围约束均源自其各自的工艺约束。
3.根据权利要求1所述的一种基于燃煤锅炉超低排放***的多目标优化方法，其特征是：所述遗传操作采用模拟二进制交叉和多项式变异。
4.根据权利要求1所述的一种基于燃煤锅炉超低排放***的多目标优化方法，其特征是：所述步骤6包括以下步骤：
S61：将原有的种群和通过遗传操作得到的种群合并得到一个新的种群Rt，种群Rt的规模大小为2N，N为原有的种群和通过遗传操作得到的种群各自的种群规模大小；
S62：对种群Rt进行快速非支配排序分层，并分层计算拥挤度；
S63：根据个体优劣程度从种群Rt中选择前N个个体形成新的种群。
5.根据权利要求1所述的一种基于燃煤锅炉超低排放***的多目标优化方法，其特征是：所述个体优劣程度通过快速非支配排序和拥挤度获得，当满足条件irank<jrank和irank＝jrank且id>jd中的一个时，定义个体i优于个体j，irank和jrank分别为个体i和个体j的快速非支配排序编，id和jd分别为个体i和个体j的拥挤度。
6.根据权利要求1或4或5所述的一种基于燃煤锅炉超低排放***的多目标优化方法，其特征是：所述拥挤度计算公式如下：
其中fm(i+1)是该个体排序后后一位的目标函数值，fm(i-1)是该个体排序后前一位的目标函数值，
为个体目标函数fm的最大值，
为个体目标函数fm的最小值，对于排序后两个边界的拥挤度1d和Nd置为∞，个体目标函数fm代表优化模型中的每一个公式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010033399.9A CN111461388A (zh) | 2020-01-13 | 2020-01-13 | 一种基于燃煤锅炉超低排放***的多目标优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010033399.9A CN111461388A (zh) | 2020-01-13 | 2020-01-13 | 一种基于燃煤锅炉超低排放***的多目标优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111461388A true CN111461388A (zh) | 2020-07-28 |
Family
ID=71683284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010033399.9A Pending CN111461388A (zh) | 2020-01-13 | 2020-01-13 | 一种基于燃煤锅炉超低排放***的多目标优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111461388A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103426032A (zh) * | 2013-07-25 | 2013-12-04 | 广东电网公司电力科学研究院 | 一种热电联产机组的经济优化调度方法 |
| CN103729691A (zh) * | 2013-12-20 | 2014-04-16 | 西安理工大学 | 基于均匀设计的多目标配煤方法 |
| CN105868867A (zh) * | 2016-04-25 | 2016-08-17 | 常州英集动力科技有限公司 | 一种供热锅炉集群优化运行方法及*** |
| CN109034457A (zh) * | 2018-06-28 | 2018-12-18 | 杭州电子科技大学 | 一种燃煤电厂污染物低成本协同脱除建模及优化方法 |
| CN109241630A (zh) * | 2018-09-11 | 2019-01-18 | 国网河北能源技术服务有限公司 | 电力***的调度优化方法及装置 |
| CN109472406A (zh) * | 2018-11-02 | 2019-03-15 | 浙江大学 | 一种超低排放多污染物协同脱除***的全局优化方法 |
| US20190303859A1 (en) * | 2018-04-03 | 2019-10-03 | Florida A&M University | Application of a multi-objective optimization model for automatic vessel scheduling in liner shipping |
-
2020
- 2020-01-13 CN CN202010033399.9A patent/CN111461388A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103426032A (zh) * | 2013-07-25 | 2013-12-04 | 广东电网公司电力科学研究院 | 一种热电联产机组的经济优化调度方法 |
| CN103729691A (zh) * | 2013-12-20 | 2014-04-16 | 西安理工大学 | 基于均匀设计的多目标配煤方法 |
| CN105868867A (zh) * | 2016-04-25 | 2016-08-17 | 常州英集动力科技有限公司 | 一种供热锅炉集群优化运行方法及*** |
| US20190303859A1 (en) * | 2018-04-03 | 2019-10-03 | Florida A&M University | Application of a multi-objective optimization model for automatic vessel scheduling in liner shipping |
| CN109034457A (zh) * | 2018-06-28 | 2018-12-18 | 杭州电子科技大学 | 一种燃煤电厂污染物低成本协同脱除建模及优化方法 |
| CN109241630A (zh) * | 2018-09-11 | 2019-01-18 | 国网河北能源技术服务有限公司 | 电力***的调度优化方法及装置 |
| CN109472406A (zh) * | 2018-11-02 | 2019-03-15 | 浙江大学 | 一种超低排放多污染物协同脱除***的全局优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 焦李成等: "《人工智能前沿技术丛书 简明人工智能》", 30 September 2019, 西安电子科技大学出版社 * |
| 郝晓弘等: "基于NSGA-Ⅱ算法的含风电场的电力***动态经济调度", 《电子设计工程》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Abido | Environmental/economic power dispatch using multiobjective evolutionary algorithms | |
| CN105139078B (zh) | 提供负载调度和污染控制优化的方法及装置 | |
| CN114191953B (zh) | 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 | |
| CN109034457B (zh) | 一种燃煤电厂污染物低成本协同脱除建模及优化方法 | |
| CN107316112B (zh) | 一种成本效益最优的火电机组减排方案定制方法和*** | |
| Du et al. | Analysis of the synergistic effects of air pollutant emission reduction and carbon emissions at coal‐fired power plants in China | |
| CN111624887A (zh) | 电除尘控制方法及相关装置 | |
| CN103885337B (zh) | 一种基于成本计算的低氮燃烧最优NOx排放量控制方法 | |
| CN112365065B (zh) | 一种wfgd自适应在线优化调度方法 | |
| CN110299188A (zh) | 基于ga变量选择的scr烟气脱硝***grnn建模方法 | |
| JP3245867U (ja) | 集塵、脱硫システムの連携省エネルギー運転最適化システム | |
| CN111460726A (zh) | 一种煤泥流化床锅炉脱硝***氨逃逸的优化方法 | |
| Majeed et al. | Predicting aerosol size distribution development in absorption columns | |
| CN111437721A (zh) | 一种选择性催化还原脱硝装置混合器多工况性能优化方法 | |
| CN111461388A (zh) | 一种基于燃煤锅炉超低排放***的多目标优化方法 | |
| CN111598308A (zh) | 基于回归和二重pso算法解决浆液循环泵组合优化方法 | |
| Pao-La-Or et al. | Combined economic and emission dispatch using particle swarm optimization | |
| Jeyakumar et al. | Application of multi objective evolutionary programming to combined economic emission dispatch problem | |
| Hara et al. | Bi-objective optimization of post-combustion CO2 capture using methyldiethanolamine | |
| CN104239975A (zh) | 基于改进离散粒子群算法的船舶引航排班方法 | |
| Jeong et al. | Modular monolith adsorbent systems for CO2 capture and its parameterized optimization | |
| CN111325325A (zh) | 一种基于遗传算法和bp神经网络组合预测电能替代潜力的方法 | |
| Wu et al. | Controlling mercury emission for China's coal fired electricity plants: an economic analysis | |
| CN116186941A (zh) | 基于数值模拟的光催化空气净化器优化设计方法及*** | |
| CN112560323B (zh) | 一种用于促进细颗粒物团聚的工业废水筛选方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200728 |
|
| RJ01 | Rejection of invention patent application after publication |