CN111804146B - 一种智能喷氨控制方法以及智能喷氨控制装置 - Google Patents

一种智能喷氨控制方法以及智能喷氨控制装置 Download PDF

Info

Publication number
CN111804146B
CN111804146B CN202010606351.2A CN202010606351A CN111804146B CN 111804146 B CN111804146 B CN 111804146B CN 202010606351 A CN202010606351 A CN 202010606351A CN 111804146 B CN111804146 B CN 111804146B
Authority
CN
China
Prior art keywords
ammonia injection
model
nox emission
emission concentration
prediction model
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.)
Active
Application number
CN202010606351.2A
Other languages
English (en)
Other versions
CN111804146A (zh
Inventor
唐静
侯静静
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.)
Yuanguang Software Co Ltd
Original Assignee
Yuanguang Software Co Ltd
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 Yuanguang Software Co Ltd filed Critical Yuanguang Software Co Ltd
Priority to CN202010606351.2A priority Critical patent/CN111804146B/zh
Publication of CN111804146A publication Critical patent/CN111804146A/zh
Application granted granted Critical
Publication of CN111804146B publication Critical patent/CN111804146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
    • B01D53/34—Chemical or biological purification of waste gases
    • B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
    • B01D53/86—Catalytic processes
    • B01D53/90—Injecting reactants
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
    • B01D53/34—Chemical or biological purification of waste gases
    • B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
    • B01D53/86—Catalytic processes
    • B01D53/8621—Removing nitrogen compounds
    • B01D53/8625—Nitrogen oxides
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
    • F23J—REMOVAL OR TREATMENT OF COMBUSTION PRODUCTS OR COMBUSTION RESIDUES; FLUES 
    • F23J15/00—Arrangements of devices for treating smoke or fumes
    • F23J15/003—Arrangements of devices for treating smoke or fumes for supplying chemicals to fumes, e.g. using injection devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/12—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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2251/00—Reactants
    • B01D2251/20—Reductants
    • B01D2251/206—Ammonium compounds
    • B01D2251/2062—Ammonia
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2258/00—Sources of waste gases
    • B01D2258/02—Other waste gases
    • B01D2258/0283—Flue gases

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Environmental & Geological Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Chemical & Material Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Analytical Chemistry (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本发明公开一种智能喷氨控制方法以及智能喷氨控制装置，涉及火电工业脱销、自动喷氨技术领域；所述智能喷氨控制方法包括以下步骤：S1、确定分析测点；S2、按照采样间隔S采集时间TH内的各分析测点以及NOx排放浓度测点的历史数据获取历史数据集；S3、通过深度学习算法进行NOx排放浓度的最佳预测模型训练；S4、将所述最佳预测模型进行现场部署；S5、采集各个所述分析测点的实时数据，通过所述最佳预测模型预测未来的NOx排放浓度；脱硫脱硝控制***根据预测结果实时控制喷氨量，以实现智能化定量喷氨。本发明智能喷氨控制方法对NOx排放浓度预测精准，将预测结果做为脱硫脱硝控制***的输入，实现全负荷范围内的精准喷氨，彻底解决过量喷氨和喷氨量不足的问题。

Description

一种智能喷氨控制方法以及智能喷氨控制装置
技术领域
本发明涉及火电工业脱销、自动喷氨技术领域，特别是涉及一种智能喷氨控制方法以及智能喷氨控制装置。
背景技术
在经济效益和日趋严格的环保要求驱使下，电厂需要通过不断提高机组效率和降低污染物排放来提高竞争力。NOx(氮氧化物)作为火电厂锅炉燃煤燃烧排放的大气污染物之一，其排放量成为衡量锅炉燃烧优劣的关键指标，是锅炉是否绿色运行的评判依据。SCR脱销喷氨***是一种通过化学反应来降低NOx排放的有效技术，目前在大型电厂锅炉得到了普遍的应用，并在NOx环境污染问题上取得了不错的成效。但是，目前脱硝喷氨***采用固定氨气分配，不能适应机组灵活性调峰情况下脱硝入口烟气NOx的多变性，存在过量喷氨和喷氨量不足问题。在满足机组出口排放的情况下，过量喷氨会造成消耗品增加以及对锅炉空预器堵塞等问题，喷氨量过少无法满足NOx出口排放标准。
而目前，在电厂锅炉燃烧NOx排放浓度实时生成的过程中，一方面普遍采用仪器仪表测量浓度，测算过程存在一定时间的延迟性，监测的NOx浓度时间与真实排放时间不对应；另一方面，预测普遍采用经验公式、数据挖掘及传统机器学习等方式，无法适应变工况运行参数的变化，难以准确预测NOx排放浓度，实际应用效果很差，这两个技术缺点导致无法对锅炉燃烧产生的NOx进行精准处理。
另外现有技术的采用深度学习中的LSTM神经网络进行时间序列预测时，需要不断对LSTM神经网络的各参数进行调优，才能拥有较高的预测精度，从而计算开销大，调参时间长，无法得到LSTM神经网络最优参数组合。
发明内容
本发明的第一目的旨在提供一种智能喷氨控制方法，能够对NOx排放浓度进行精准预测并实施智能化喷氨，解决了实时喷氨量与NOx排放浓度不一致的问题；本发明的第一目的通过以下技术方案实现：
一种智能喷氨控制方法，其特征在于，包括以下步骤：
S1、确定分析测点，所述分析测点包括固定测点以及随机测点，所述固定测点包括燃煤机组的关键运行测点以及关键监测测点；
S2、按照采样间隔S采集时间TH内的各分析测点及NOx排放浓度测点的历史数据，获取历史数据集；
S3、基于所述历史数据集，通过深度学习算法进行NOx排放浓度的最佳预测模型训练；
S4、将所述最佳预测模型进行现场部署；
S5、利用所述最佳预测模型采集现场各个所述分析测点的实时数据，通过所述最佳预测模型预测未来的NOx排放浓度；脱硫脱硝控制***在未来时点根据预测结果实时控制喷氨量，以实现智能化定量喷氨。
具体地，步骤S2中，所述历史数据集分割为训练数据集以及测试数据集；
步骤S3具体包括，构建滚动的LSTM神经网络预测模型，采用遗传算法优选LSTM神经网络预测模型的各个超参数，使用优选的超参数、所述训练数据集对LSTM神经网络预测模型进行训练，迭代优化和评估，提取最佳预测模型；使用测试数据集对训练好的最佳预测模型进行预测，并评估模型误差。
具体地，步骤S2还包括对历史数据的预处理，步骤S2具体包括：
步骤S21、从数据存储模块中，按照采样间隔S采集时间TH内的各分析测点及NOx排放浓度测点的历史数据，获取历史数据集
Figure BDA0002559245230000021
其中，m表示采样个数；k表示测点维度，k＝1～P，其中k＝1～(P-1)时表示分析测点，k＝P时表示NOx排放浓度测点，bfi k表示测点k的历史数据；
步骤S22、设置延迟时间D，对采集的历史数据进行窗口化处理；得到每一个窗口t的模型参数矩阵BF：
Figure BDA0002559245230000022
其中，k＝1～P；T为LSTM神经网络预测模型中时间窗长度；d表示延迟时长的采样点个数，d＝D/S，d+n表示预测时长的采样点个数；
步骤S23、将每个窗口的各个数据做标准化处理，得到每个窗口t的标准化参数矩阵AF：
Figure BDA0002559245230000031
其中，k＝1～P；
步骤S24、将每个窗口的数据分割为输入数据以及输出数据作为训练模型的输入与输出；
取每个窗口的标准化矩阵中各个分析测点的前T个数据作为训练模型输入值X，取每个窗口的标准化矩阵中NOx排放浓度测点的最后(d+n)个值作为训练模型输出值Y；
即
Figure BDA0002559245230000032
其中k＝1～(P-1)；
Figure BDA0002559245230000033
其中T为LSTM神经网络预测模型中时间窗长度，也是LSTM神经网络预测模型的输入数据的个数；对于预测模型的训练，是将历史数据分割为若干个窗口，每个窗口的各分析测点的前T个数据作为输入，每个窗口的NOx排放浓度的最后(d+n)个数据作为输出，根据输入数据与输出数据来进行模型的训练。模型训练完成，在实际的应用中，是根据各分析测点的T个数据来预测(d+n)个NOx排放浓度数据。
具体地，步骤S23中，各个数据进行标准化处理的公式为：
公式一：
Figure BDA0002559245230000034
其中，k＝1～P，q＝0～T+d+n，
Figure BDA0002559245230000035
为窗口t的第一个采样点数据。
优选地，所述训练数据集与所述测试数据集的数据个数比例为9：1。
优选地，所述的采样间隔S包括2s、5s、10s。
优选地，所述时间窗长度T>d+n。
具体地，步骤S3具体包括：
步骤S31、构建LSTM神经网络预测模型的初始模型；
步骤S32、使用遗传算法优化LSTM预测模型的部分超参数，以误差最小为适应度函数，在参数搜索空间里进行参数组合寻优；
步骤S33、使用超参数优选结果更新所述初始模型，使用标准化后的训练数据集的各个窗口的训练模型输入值X与训练模型输出值Y进行模型训练和迭代优化；采用均方误差为模型训练损失函数Loss，采用Adam优化算法进行梯度计算；
步骤S34、使用标准化后的测试数据集，对用上述步骤S33已训练好的LSTM神经网络模型进行滚动测试，对模型输出结果的反标准化，得到NOx排放浓度的预测值，比较NOx排放浓度的预测值和实际值，评估模型误差，确定最佳预测模型。
具体地，步骤S33采用遗传算法优化的超参数包括：时间窗长度T、训练次数epoch、每次训练的批数batchsize。
特别地，步骤S33的所述模型训练损失函数为
Figure BDA0002559245230000041
其中：c为训练数据集数据个数，afi P为标准化的NOx排放浓度实际值，afi P*为标准化的NOx排放浓度的预测值。
具体地，所述对预测值的反标准化公式如下：
公式二：
Figure BDA0002559245230000042
其中，bfi P*为NOx排放浓度预测值；
从而最终预测值
Figure BDA0002559245230000043
具体地，步骤S34比较NOx排放浓度的预测值和实际值时，采用准确度Q和平均绝对百分比误差EMAPE作为评估指标。其中，准确度Q：
公式三：
Figure BDA0002559245230000044
平均绝对百分比误差EMAPE：
公式四：
Figure BDA0002559245230000045
公式三与公式四中，c是训练数据集数据个数，bfi P为NOx排放浓度的真实值，bfi P*为NOx排放浓度预测值。
具体地，步骤S5具体包括：
步骤S51、以采样间隔S采集各分析测点的实时数据得到实时数据集
Figure BDA0002559245230000046
采样数量为时间窗长度T；将采集的各个实时数据进行标准化处理，将标准化的实时参数作为所述最佳预测模型的输入值，从而得到最佳预测模型的预测输出值Ypre；将预测输出值Ypre进行反标准化处理，最终得到d+n个的NOx排放浓度的实时预测序列：
Figure BDA0002559245230000051
步骤S52、将预测结果Ypre *上传至脱硫脱硝控制***，去除延迟时间D的延迟数据个数d，得到实际预测序列为：
Figure BDA0002559245230000052
步骤S53、以NOx排放浓度的实际预测序列Yac *控制喷氨量，脱硫脱硝控制***在未来时点根据预测结果实时控制喷氨量，以实现智能化定量喷氨。
特别地，所述关键运行测点包括总风量、二次风总风量、脱硝前烟气O2含量、煤量、机组负荷；所述关键监测测点包括入口NOx浓度；所述随机测点通过随机逻辑回归和随机森林算法从监测数据库中进行筛选。
特别地，步骤S3中训练出的最佳预测模型包括固定测点模型以及随机测点模型；步骤S4中，现场部署的最佳预测模型为所述固定测点模型与所述随机测点模型中的一种。
本发明的第二目的旨在提供一种智能喷氨控制装置，本发明的第二目的通过以下技术方案实现：
一种智能喷氨控制装置，其特征在于，包括NOx排放浓度预测模型生成模块、历史数据存储模块、预测模型应用模块；
所述NOx排放浓度预测模型生成模块包括分析测点获取模块、历史数据采集以及预处理模块、预测模型训练模块、模型测试模块；
所述分析测点获取模块用于获取模型训练所需要的分析测点，所述分析测点包括固定测点以及随机测点，所述固定测点包括燃煤机组的关键运行测点以及关键监测测点；
所述历史数据采集以及预处理模块包括历史数据采集子模块以及历史数据预处理子模块；
所述历史数据采集子模块根据所述分析测点以及所述NOx排放浓度测点从所述历史数据存储模块获得历史数据集；
所述历史数据预处理子模块将所述历史数据集中的各个历史数据进行标准化处理；
所述预测模型训练模块根据标准化处理后的历史数据进行模型训练以获取NOx排放浓度的最佳预测模型；
所述模型测试模块对所述最佳预测模型进行测试；
所述预测模型应用模块根据所述最佳预测模型以及所述分析测点的实时数据，预测未来时点的NOx排放浓度。
特别地，所述预测模型应用模块包括实时数据采集以及预处理模块、脱硫脱硝控制***、喷氨模块；
所述实时数据采集以及预处理模块采集工业现场的各个所述分析测点的实时数据并对所述实时数据进行标准化处理；所述实时数据采集以及预处理模块的输出端连接所述最佳预测模型的输入端；
所述最佳预测模型的输出端连接所述脱硫脱硝控制***的喷氨量计算模块；
所述脱硫脱硝控制***的所述喷氨量计算模块用于计算未来时点的喷氨量；所述脱硫脱硝控制***根据所述喷氨量计算模块计算的喷氨量在未来时点发出喷氨自动调节门开度指令给所述喷氨模块；
所述喷氨模块实施自动喷氨。
本发明的有益技术效果：
本发明智能喷氨控制方法以及智能喷氨控制装置在催化剂允许的温度范围内，根据负荷变化情况，利用大数据分析和人工智能手段实现对烟气中NOx排放浓度进行预测，将预测结果作为脱硫脱硝控制***的输入，实现全负荷范围内的精准喷氨，彻底解决过量喷氨和喷氨量不足的问题。
附图说明
图1是本发明实施例提供的智能喷氨控制装置的结构框图；
图2是本发明实施例提供的智能喷氨控制方法的流程图；
图3是本发明的实施例提供的两个预测模型在测试数据集上的NOx预测值与实际值比较图；
图4是本发明实施例提供的工业现场NOx排放浓度实时预测值与实际值比较图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细的描述。
需要指出的是，除非另有指明，本方案使用的所有技术和科学术语具有与本方案所属技术领域的普通技术人员通常理解的相同含义。
结合图3，本发明提供了一种智能喷氨控制方法，包括以下步骤：
S1、确定分析测点，所述分析测点包括固定测点以及随机测点，所述固定测点包括燃煤机组的关键运行测点以及关键监测测点。
具体地，选取的各个分析测点通过分析工业机组NOx气体排放监测的机理和相关监测测点集合确定。其中固定测点根据业务原理和数据分析获得，并经机组专家业务经验确认获得，燃煤机组的关键运行测点包括：总风量、二次风总风量、脱硝前烟气O2含量、煤量、机组负荷；关键监测测点包括入口NOx浓度；随机测点为通过随机逻辑回归和随机森林算法在全测点(即监测数据库)中筛选；此处所述的全测点指的是在工业机组运行过程中，所需要监测的所有监测点，比如排放口的压力、温度数据等。
本步骤中，当各个分析测点确定下来之后，后续各个步骤的按照选取的各个分析测点进行数据采集。
S2、按照采样间隔S采集时间TH内的各分析测点以及NOx排放浓度的历史数据，获取历史数据集；并且对采集的历史数据进行预处理。
具体地，步骤S2具体包括下述步骤S21～S24：
步骤S21、从历史数据存储模块中，按照采样间隔S采集时间TH内的各分析测点以及NOx排放浓度的历史数据，获取历史数据集
Figure BDA0002559245230000071
其中，m表示采样个数；k表示测点维度，k＝1～P，其中k＝1～(P-1)时表示分析测点，k＝P时表示NOx排放浓度测点，bfi k表示测点k的历史数据。
历史数据集包括训练数据集DFTrain与测试数据集DFTest；本实施例中训练数据集DFTrain与测试数据集DFTest的数据比例为9：1。
采样间隔S根据实际预测需求制定，比如根据进行测算的计算机(服务器)的测算速度、测算精度的要求；采样间隔S越小，测算结果准确，但测算量较大，对服务器的测算性能要求较高；采样时间间隔可以是2s、3s、10s；本实施例中采用的采样时间间隔采取5s。
步骤S22、设置延迟时间D，对采集的历史数据进行窗口化处理；得到每一个窗口t的模型参数矩阵BF；
Figure BDA0002559245230000081
其中，k＝1～P；T为LSTM神经网络预测模型中时间窗长度；
Figure BDA0002559245230000082
为窗口t的第一个采样点数据；d表示延迟采样点个数，d＝D/S，d+n表示预测时长的采样点个数，n表示目标预测时长的采样点个数。
现场实际运行时，一方面外部监测***测量各个分析测点的数值时，测算过程存在一定时间的延迟性；另一方面，将预测结果上传至脱硫脱硝控制***也需要传递时间。因此，考虑到现场这两个不可避免的时间延时情况，将延迟时间D考虑进预测结果，由此每次预测均需要预测未来(D+N)时长的输出数据，其中时长N为目标预测时长，n＝N/S。
更具体地，对于训练数据集是将各个数据进行分割为若干个窗口，每一个窗口的数据是不重复使用的；而测试数据集的各个窗口中的数据是滚动使用的。
本步骤中，为了充分挖掘历史信息，时间窗长度T必须满足T＞(d+n)，即历史数据长度大于预测数据长度。
步骤S23、将每个窗口的各个数据做标准化处理，得到每个窗口t的标准化参数矩阵AF：
Figure BDA0002559245230000083
其中，k＝1～P；
由于各个分析测点采样的量级不同，比如NOx排放量的单位为mg，温度的单位为℃，气压的单位为Kpa等；不同的量级属性的采样值是不可以直接拿来计算的，因此，就需要对窗口的各个数据进行标准化(或者叫做归一化)处理。
具体地，以每个窗口的第一个采样数据
Figure BDA0002559245230000087
用作标准化的基数，对窗口的各个数据进行标准化处理，得到标准化数据，确保实时预测时窗口标准化的基数都是真实值，其中数据标准化的公式参考公式一：
公式一：
Figure BDA0002559245230000084
步骤S24、将每个窗口的数据分割为输入数据以及输出数据作为训练模型的输入与输出；
取每个窗口的标准化矩阵的各个分析测点的前T个数据作为训练模型输入值X，取每个窗口的标准化矩阵的NOx排放浓度测点的最后(d+n)个数据作为训练模型输出值Y；
即
Figure BDA0002559245230000085
其中k＝1～(P-1)；
Figure BDA0002559245230000086
由于输出是仅需要考虑输出的NOx排放浓度即可，不需要针对各个测点的数据进行预测处理，因此此处模型的输出数据仅是NOx的排放浓度即可。
S3、通过深度学习算法进行NOx排放浓度的最佳预测模型训练。
本实施例中，本步骤构建滚动的LSTM神经网络预测模型，采用遗传算法优化LSTM神经网络预测模型的各个超参数，使用优化的超参数、所述训练数据集对LSTM神经网络预测模型进行训练，迭代优化和评估，提取最佳预测模型；使用测试数据集对训练好的最佳预测模型进行预测，并评估模型误差。
具体地，步骤S3包括以下步骤S31～S34：
步骤S31、构建LSTM神经网络预测模型的初始模型；
步骤S32、使用遗传算法优化LSTM预测模型的部分超参数，以误差最小为适应度函数，在参数搜索空间里进行参数组合寻优；本实施例中，采用遗传算法优化的超参数包括：时间窗长度T、训练次数epoch、每次训练的批数batchsize。
步骤S33、使用超参数优选结果更新所述初始模型，使用标准化后的训练数据集的各个窗口的训练模型输入值X与训练模型输出值Y进行模型训练和迭代优化；采用均方误差为模型训练损失函数Loss，采用Adam优化算法进行梯度计算。
具体地，模型训练损失函数为
Figure BDA0002559245230000091
其中：c为训练数据集的数据个数，afi P为标准化的NOx排放浓度实际值，afi P*为标准化的NOx排放浓度的预测值。
步骤S34、使用标准化后的测试数据集，对用上述步骤S33已训练好的LSTM神经网络模型进行滚动测试，对模型输出结果进行反标准化，得到NOx排放浓度的预测值，比较NOx排放浓度的预测值和实际值，评估模型误差，确定最佳预测模型。
对预测值的反标准化公式参考公式二：
公式二：
Figure BDA0002559245230000092
其中
Figure BDA0002559245230000093
为各个窗口的未标准化的第一个采样数据，afi P*为标准化的NOx排放浓度的预测值，bfi P*为窗口各采样点的NOx排放浓度预测值。
从而得到最终NOx排放浓度的预测值序列为
Figure BDA0002559245230000101
而于预测值对应的各时间点(采样点)的NOx排放浓度的真实值序列为：
Figure BDA0002559245230000102
本步骤中，比较NOx排放浓度的预测值和实际值来评估模型误差时，采用准确度Q和平均绝对百分比误差EMAPE作为评估指标。其中，准确度Q的公式参考公式三：
公式三：
Figure BDA0002559245230000103
平均绝对百分比误差EMAPE参考公式四：
公式四：
Figure BDA0002559245230000104
上述公式三与公式四中，c为训练数据集的数据个数，bfi P为NOx排放浓度实际值，bfi P*为反标准化的NOx排放浓度的预测值。
至此，得到了NOx排放浓度的最佳预测模型。
本实施例中，步骤S2训练出的最佳预测模型包括随机测点预测模型以及固定测点预测模型；所述随机测点模型是根据各个分析测点中由随机测点所采集的历史数据训练出的模型，所述固定测点模型是根据各个分析测点中由固定测点所采集的历史数据训练出的模型；在工业现场的实际应用中，根据使用需要，可进行模型的自行选择。
S4、将所述最佳预测模型进行现场部署；
S5、按照采样间隔S采集现场各个所述分析测点的实时数据，通过所述最佳预测模型预测未来(d+n)个NOx排放浓度数据；并将预测结果上传至脱硫脱硝控制***，脱硫脱硝控制***根据预测结果在未来时点实时控制喷氨量，以实现智能化定量喷氨。
步骤S5具体包括以下步骤S51～S53：
步骤S51、以采样间隔S采集现场各分析测点的实时数据得到实时数据集
Figure BDA0002559245230000105
采样数量为时间窗长度T；将采集的各个实时数据进行标准化处理，将标准化的实时数据作为所述最佳预测模型的输入值，从而得到最佳预测模型的预测输出值Ypre；将预测输出值Ypre进行反标准化处理，最终得到d+n个的NOx排放浓度的实时预测序列：
Figure BDA0002559245230000111
步骤S52、将预测结果Ypre *上传至脱硫脱硝控制***，去除延迟时间D的延迟数据个数d，得到实际预测序列为：
Figure BDA0002559245230000112
步骤S53、以NOx排放浓度的实际预测序列Yac *控制喷氨量，实现智能化定量喷氨。
本发明的有效性可以通过下面的实验来进一步说明，实验中的参数不影响本发明的一般应用性。
实验平台：处理器为Intel i5-6500，内存为32.0GB；***是Windows10(64位)；程序语言版本为Python3.6.5；集成开发环境为Pycharm 2018.2.1。
实验内容：
扬州某电厂12天(TH)的锅炉测点历史数据作为时间序列预测样本，根据DCS控制***的输出数据频率，数据采集时间间隔S选取5s，对未来三分钟(即D+N＝3min，d+n＝36)进行预测。先对历史数据集内的历史数据进行窗口化处理，然后采用窗口标准化对数据进行归一化(即标准化)，其中历史数据的前90％个数据为训练数据集，后10％个数据为测试数据集。
构建LSTM预测模型，采用默认参数训练出初始模型，验证网络和数据的正确性，然后采用遗传算法优化LSTM模型参数取值，设置种群中个体为50，迭代次数为100，交叉概率pc为0.6，变异概率pm为0.01。
设置超参数搜索空间：时间窗长度T取36～180，步长为12；迭代次数epoch取1～20，步长为1；每次训练的批数batchsize取10～100，步长为10。
在遗传算法中，可以在搜索空间快速找到近似最优解。迭代寻优之前，初始化最优适应度和最佳参数值列表。每次迭代结束，寻找当前种群最优适应度函数值和最佳参数组合，并与之前的最优值进行比较，若本次迭代适应度函数值更优，则替换最优适应度和最佳参数值列表，否则保持不变；然后，通过选择、交叉、变异对种群进行更新，进行下一轮迭代。
实验分别对各分析测点的固定测点与随机测点进行建模训练，得到固定测点模型、随机测点模型，使用测试数据集对上述两个模型测试，并采用2个月和6个月之后的数据进行模型稳定性测试。
其中图3为本发明的两个模型在测试数据集上的NOx排放浓度数据；由于附图表现形式受限，图3并不能清楚的表现出具体的预测值曲线以及实际值曲线，但是能够表现出各条曲线的拟合度很高，说明两个模型NOx排放浓度预测值和真实值高度拟合。
表1为测试数据集、2个月和6个月之后的两个模型NOx排放浓度测试集性能对比数据。
Figure BDA0002559245230000121
表1 两个模型NOx排放浓度性能对比
表1的数据可以看出精度Q可以达到99％以上，平均绝对百分比误差EMAPE也都在0.01以下。说明本发明提出的一种智能喷氨控制装置，能够获得较低的预测误差，性能良好。两个模型的平均绝对百分比误差EMAPE均小于1％，具有较高的预测精度。在2个月后和6个月后的数据上，模型仍具有较低的预测误差，证明了方法具有很高的稳定性和良好的适应性。
然后，将以上模型部署到现场对NOx排放浓度进行实时预测，图4是本发明实施例工业现场NOX实时预测值与实际值比较图，同样由于附图表现形式受限，图4并不能清楚的表现出具体的预测值曲线以及实际值曲线，但是能够表现出各条曲线的拟合度很高，说明两个模型NOx排放浓度预测值和真实值高度拟合；表2为两个模型的预测性能对比，现场实时数据1和现场实时数据2分别为工况稳定和变工况条件下的实时预测情况。由于目前现场数据采集存在丢包现象，数据质量较差，因此与测试数据集相比预测效果稍差，但对NOx排放浓度的均绝对百分比误差EMAPE仍然控制在1％之下，预测精度较高。以上结果表明，本方法具有一定的参考价值和实际经济效益。
Figure BDA0002559245230000122
表2 两个模型NOx排放浓度测试集性能对比
在其他实施例中，最佳预测模型的获取方式可以采取其他深度学习算法，可以是但不限于CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)等等。
在实际的应用中，以上两个模型选择一个部署到现场应用即可，模型的选择根据使用需要选择。
结合图1，本发明还提供了一种智能喷氨控制装置，包括NOx排放浓度预测模型生成模块、历史数据存储模块、预测模型应用模块；
所述NOx排放浓度预测模型生成模块包括分析测点获取模块、历史数据采集以及预处理模块、预测模型训练模块、模型测试模块；
所述分析测点获取模块用于获取模型训练所需要的分析测点，所述分析测点包括固定测点以及随机测点，所述固定测点包括燃煤机组的关键运行测点以及关键监测测点；
所述历史数据采集以及预处理模块包括历史数据采集子模块以及历史数据预处理子模块；
所述历史数据采集子模块根据所述分析测点以及所述NOx排放浓度测点从所述历史数据存储模块获得历史数据集；
所述历史数据预处理子模块将所述历史数据集中的各个历史数据进行标准化处理；
所述预测模型训练模块根据标准化处理后的历史数据进行模型训练以获取NOx排放浓度的最佳预测模型；
所述模型测试模块对所述最佳模型进行测试；
所述预测模型应用模块包括实时数据采集以及预处理模块、脱硫脱硝控制***、喷氨模块；
所述实时数据采集模块采集工业现场的各个所述分析测点的实时数据；所述实时数据采集子模块的输出端连接所述最佳预测模型的输入端；
所述最佳预测模型的输出端连接所述脱硫脱硝控制***的喷氨量计算模块；
所述脱硫脱硝控制***的所述喷氨量计算模块用于计算未来时点的喷氨量；所述脱硫脱硝控制***根据所述喷氨量计算模块计算的喷氨量在未来时点发出喷氨自动调节门开度指令给所述喷氨模块；
所述喷氨模块实施自动喷氨。
本发明智能喷氨控制方法以及智能喷氨控制装置在催化剂允许的温度范围内，根据负荷变化情况，利用大数据分析和人工智能手段实现对烟气中NOx排放浓度进行预测，将预测结果做为外接控制器(PLC控制器)的输入，实现全负荷范围内的精准喷氨，彻底解决过量喷氨和喷氨量不足的问题。
本发明针对以上问题，根据实时采集NOx排放浓度，对其进行未来一段(D+N)时间的NOx排放浓度的精准预测，并将预测结果上传到脱硫脱硝控制***，控制喷氨脱硝***SCR的喷氨量。将这一系列过程封装成一套控制装置，解决锅炉燃烧NOx排放浓度测量的延迟性和准确性问题，实现智能化定量喷氨，一方面降低设备风险，另一方面满足NOx出口排放标准，增强环保。
以上所述，仅为本发明的一种具体实施方式，但本发明并不局限于上述特定实施方式，凡依本发明技术方案作出的改变，所产生的功能作用未超出本方法技术方案的范围时，其同样应当视作本发明所公开的内容。

Claims (14)

1.一种智能喷氨控制方法，其特征在于，包括以下步骤：
S1、确定分析测点，所述分析测点包括固定测点以及随机测点，所述固定测点包括燃煤机组的关键运行测点以及关键监测测点；其中，所述随机测点为通过随机逻辑回归和随机森林算法在全测点中筛选，所述全测点指的是在工业机组运行过程中所需要监测的所有监测点；
S2、按照采样间隔S采集时间TH内的各分析测点及NOx排放浓度测点的历史数据，获取历史数据集；
S3、基于所述历史数据集，通过深度学习算法进行NOx排放浓度的最佳预测模型训练；
S4、将所述最佳预测模型进行现场部署；
S5、利用所述最佳预测模型采集现场各个所述分析测点的实时数据，通过所述最佳预测模型预测未来的NOx排放浓度；脱硫脱硝控制***在未来时点根据预测结果实时控制喷氨量，以实现智能化定量喷氨；
其中，步骤S2中，所述历史数据集分割为训练数据集以及测试数据集；
步骤S3具体包括，构建滚动的LSTM神经网络预测模型，采用遗传算法优化LSTM神经网络预测模型的各个超参数，使用优化的超参数、所述训练数据集对LSTM神经网络预测模型进行训练，迭代优化和评估，提取最佳预测模型；使用测试数据集对训练好的最佳预测模型进行预测，并评估模型误差。
2.根据权利要求1所述的智能喷氨控制方法，其特征在于，步骤S2还包括对历史数据的预处理，步骤S2具体包括：
步骤S21、从数据存储模块中，按照采样间隔S采集时间TH内的各分析测点及NOx排放浓度测点的历史数据，获取历史数据集
Figure FDA0003600479510000011
其中，m表示采样个数；k表示测点维度，k＝1～P，其中k＝1～(P-1)时表示分析测点，k＝P时表示NOx排放浓度测点，bfi k表示测点k的历史数据；
步骤S22、设置延迟时间D，对采集的历史数据进行窗口化处理；得到每一个窗口t的模型参数矩阵BF：
Figure FDA0003600479510000012
其中，k＝1～P；T为LSTM神经网络预测模型中时间窗长度；d表示延迟时长的采样点个数，d＝D/S，d+n表示预测时长的采样点个数；
步骤S23、将每个窗口的各个数据做标准化处理，得到每个窗口t的标准化参数矩阵AF：
Figure FDA0003600479510000021
其中，k＝1～P；
步骤S24、将每个窗口的数据分割为输入数据以及输出数据作为训练模型的输入与输出；
取每个窗口的标准化矩阵中各个分析测点的前T个数据作为训练模型输入值X，取每个窗口的标准化矩阵中NOx排放浓度测点的后(d+n)个数据作为训练模型输出值Y；
即
Figure FDA0003600479510000022
其中k＝1～(P-1)；
Figure FDA0003600479510000023
3.根据权利要求2所述的智能喷氨控制方法，其特征在于，
步骤S23中，各个数据进行标准化处理的公式为：
公式一：
Figure FDA0003600479510000024
其中，k＝1～P，q＝0～T+d+n，
Figure FDA0003600479510000025
为窗口t的第一个采样点数据。
4.根据权利要求3所述的智能喷氨控制方法，其特征在于，所述时间窗长度T>d+n。
5.根据权利要求3所述的智能喷氨控制方法，其特征在于，步骤S3具体包括：
步骤S31、构建LSTM神经网络预测模型的初始模型；
步骤S32、使用遗传算法优化LSTM预测模型的部分超参数，以误差最小为适应度函数，在参数搜索空间里进行参数组合寻优；
步骤S33、使用超参数优化结果更新所述初始模型，使用标准化后的训练数据集的各个窗口的训练模型输入值X与训练模型输出值Y进行模型训练和迭代优化；采用均方误差为模型训练损失函数Loss，采用Adam优化算法进行梯度计算；
步骤S34、使用标准化后的测试数据集，对用上述步骤S33已训练好的LSTM神经网络模型进行滚动测试，对模型输出结果的反标准化，得到NOx排放浓度的预测值，比较NOx排放浓度的预测值和实际值，评估模型误差，确定最佳预测模型。
6.根据权利要求5所述的智能喷氨控制方法，其特征在于，步骤S33采用遗传算法优化的超参数包括：时间窗长度T、训练次数epoch、每次训练的批数batchsize。
7.根据权利要求5所述的智能喷氨控制方法，其特征在于，
步骤S33的所述模型训练损失函数为
Figure FDA0003600479510000031
其中：c为训练数据集数据个数，afi P为标准化的NOx排放浓度实际值，afi P*为标准化的NOx排放浓度的预测值。
8.根据权利要求7所述的智能喷氨控制方法，其特征在于，
对所述预测值的反标准化公式如下：
公式二：
Figure FDA0003600479510000032
其中，bfi P*为NOx排放浓度预测值；
从而最终预测值
Figure FDA0003600479510000033
9.根据权利要求8所述的智能喷氨控制方法，其特征在于，步骤S34比较NOx排放浓度的预测值和实际值时，采用准确度Q和平均绝对百分比误差EMAPE作为评估指标；其中，准确度Q：
公式三：
Figure FDA0003600479510000034
平均绝对百分比误差EMAPE：
公式四：
Figure FDA0003600479510000041
公式三与公式四中，c是训练数据集数据个数，bfi P为NOx排放浓度的真实值，bfi P*为NOx排放浓度预测值。
10.根据权利要求8所述的智能喷氨控制方法，其特征在于，步骤S5具体包括：
步骤S51、以采样间隔S采集各分析测点的实时数据得到实时数据集
Figure FDA0003600479510000042
采样数量为时间窗长度T；将采集的各个实时数据进行标准化处理，将标准化的实时参数作为所述最佳预测模型的输入值，从而得到最佳预测模型的预测输出值Ypre；将预测输出值Ypre进行反标准化处理，最终得到d+n个的NOx排放浓度的实时预测序列：
Figure FDA0003600479510000043
步骤S52、将预测结果Ypre *上传至脱硫脱硝控制***，去除延迟时间D的延迟数据个数d，得到实际预测序列为：
Figure FDA0003600479510000044
步骤S53、以NOx排放浓度的实际预测序列Yac *控制喷氨量，脱硫脱硝控制***在未来时点根据预测结果实时控制喷氨量，以实现智能化定量喷氨。
11.根据权利要求1～10任意一项所述的智能喷氨控制方法，其特征在于，所述关键运行测点包括总风量、二次风总风量、脱硝前烟气O2含量、煤量、机组负荷；所述关键监测测点包括入口NOx浓度；所述随机测点通过随机逻辑回归和随机森林算法从监测数据库中进行筛选。
12.根据权利要求1～10任意一项所述的智能喷氨控制方法，其特征在于，步骤S3中训练出的最佳预测模型包括固定测点模型以及随机测点模型；步骤S4中，现场部署的最佳预测模型为所述固定测点模型与所述随机测点模型中的一种。
13.一种智能喷氨控制装置，其特征在于，包括NOx排放浓度预测模型生成模块、历史数据存储模块、预测模型应用模块；
所述NOx排放浓度预测模型生成模块包括分析测点获取模块、历史数据采集以及预处理模块、预测模型训练模块、模型测试模块；
所述分析测点获取模块用于获取模型训练所需要的分析测点，所述分析测点包括固定测点以及随机测点，所述固定测点包括燃煤机组的关键运行测点以及关键监测测点；
所述历史数据采集以及预处理模块包括历史数据采集子模块以及历史数据预处理子模块；
所述历史数据采集子模块根据所述分析测点以及所述NOx排放浓度测点从所述历史数据存储模块获得历史数据集；
所述历史数据预处理子模块将所述历史数据集中的各个历史数据进行标准化处理；
所述预测模型训练模块根据标准化处理后的历史数据进行模型训练以获取NOx排放浓度的最佳预测模型；
所述模型测试模块对所述最佳预测模型进行测试；
所述预测模型应用模块根据所述最佳预测模型以及所述分析测点的实时数据，预测未来时点的NOx排放浓度。
14.根据权利要求13所述的智能喷氨控制装置，其特征在于，所述预测模型应用模块包括实时数据采集以及预处理模块、脱硫脱硝控制***、喷氨模块；
所述实时数据采集以及预处理模块采集工业现场的各个所述分析测点的实时数据并对所述实时数据进行标准化处理；所述实时数据采集以及预处理模块的输出端连接所述最佳预测模型的输入端；
所述最佳预测模型的输出端连接所述脱硫脱硝控制***的喷氨量计算模块；
所述脱硫脱硝控制***的所述喷氨量计算模块用于计算未来时点的喷氨量；所述脱硫脱硝控制***根据所述喷氨量计算模块计算的喷氨量在未来时点发出喷氨自动调节门开度指令给所述喷氨模块；
所述喷氨模块实施自动喷氨。
CN202010606351.2A 2020-06-29 2020-06-29 一种智能喷氨控制方法以及智能喷氨控制装置 Active CN111804146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010606351.2A CN111804146B (zh) 2020-06-29 2020-06-29 一种智能喷氨控制方法以及智能喷氨控制装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010606351.2A CN111804146B (zh) 2020-06-29 2020-06-29 一种智能喷氨控制方法以及智能喷氨控制装置

Publications (2)

Publication Number Publication Date
CN111804146A CN111804146A (zh) 2020-10-23
CN111804146B true CN111804146B (zh) 2022-07-01

Family

ID=72855588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010606351.2A Active CN111804146B (zh) 2020-06-29 2020-06-29 一种智能喷氨控制方法以及智能喷氨控制装置

Country Status (1)

Country Link
CN (1) CN111804146B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112379892A (zh) * 2020-10-29 2021-02-19 远光软件股份有限公司 喷氨预测代码的处理方法、装置、存储介质及终端设备
CN112508234A (zh) * 2020-11-19 2021-03-16 中国大唐集团科学技术研究院有限公司火力发电技术研究院 一种基于神经网络的scr脱硝***喷氨量预测方法
CN112699600B (zh) * 2020-12-23 2024-06-07 中国大唐集团科学技术研究院有限公司火力发电技术研究院 火电运行参数与NOx排放浓度间的偏回分析方法
KR102283207B1 (ko) * 2020-12-31 2021-07-30 주식회사 이엠코 인공지능을 이용한 화력발전소의 배가스 처리방법 및 인공지능을 이용한 화력발전소의 배가스 처리장치
CN112862180A (zh) * 2021-02-04 2021-05-28 华电国际电力股份有限公司技术服务分公司 一种脱硝***入口NOx浓度预测方法
CN112933913B (zh) * 2021-02-08 2022-08-30 国家能源集团国源电力有限公司 喷氨控制方法、装置及煤燃烧***
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
CN113813770A (zh) * 2021-10-26 2021-12-21 深圳开云智能有限公司 基于融合型人工智能氮氧化物排放预测和喷氨控制***
CN114191953B (zh) * 2021-12-07 2024-02-20 国网河北能源技术服务有限公司 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法
CN114413247A (zh) * 2022-01-14 2022-04-29 西安热工研究院有限公司 一种锅炉燃烧受热面超温监测及主动抑制***
CN114664389B (zh) * 2022-03-24 2023-09-22 南方电网电力科技股份有限公司 一种尿素水解制氨反应条件的预测方法及装置
CN115660211B (zh) * 2022-11-11 2023-04-14 天瑞集团信息科技有限公司 基于大数据和物联网的降低水泥窑尾氮氧化物的控制方法
CN116046533B (zh) * 2023-01-10 2023-09-22 中国人民解放军陆军工程大学 基于dic以及应力场重构的裂纹尖端应力强度因子测量方法
CN116832614B (zh) * 2023-05-24 2024-05-24 华能国际电力股份有限公司上海石洞口第二电厂 一种scr脱硝***喷氨量控制方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109298697A (zh) * 2018-11-13 2019-02-01 远光软件股份有限公司 基于动态基线模型的火电厂***各部件工作状态评估方法
CN110188383A (zh) * 2019-04-23 2019-08-30 华中科技大学 一种基于选择性集成模型的电站scr脱硝建模方法
CN110689171A (zh) * 2019-09-05 2020-01-14 哈尔滨工程大学 一种基于e-lstm的汽轮机健康状态预测方法
KR20200014048A (ko) * 2018-07-31 2020-02-10 (주)휴엔릭스 인공지능 데이터 분석기반 오염물질처리방법 및 인공지능 데이터 분석기반 오염물질처리장치
CN110975597A (zh) * 2019-10-15 2020-04-10 杭州电子科技大学 一种水泥脱硝的神经网络混合优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200014048A (ko) * 2018-07-31 2020-02-10 (주)휴엔릭스 인공지능 데이터 분석기반 오염물질처리방법 및 인공지능 데이터 분석기반 오염물질처리장치
CN109298697A (zh) * 2018-11-13 2019-02-01 远光软件股份有限公司 基于动态基线模型的火电厂***各部件工作状态评估方法
CN110188383A (zh) * 2019-04-23 2019-08-30 华中科技大学 一种基于选择性集成模型的电站scr脱硝建模方法
CN110689171A (zh) * 2019-09-05 2020-01-14 哈尔滨工程大学 一种基于e-lstm的汽轮机健康状态预测方法
CN110975597A (zh) * 2019-10-15 2020-04-10 杭州电子科技大学 一种水泥脱硝的神经网络混合优化方法

Also Published As

Publication number Publication date
CN111804146A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN111804146B (zh) 一种智能喷氨控制方法以及智能喷氨控制装置
CN101180590B (zh) 预测性排放物监测***及方法
CN110716512A (zh) 一种基于燃煤电站运行数据的环保装备性能预测方法
US8768664B2 (en) Predictive emissions monitoring using a statistical hybrid model
CN110263395A (zh) 基于数值模拟和数据分析的电厂脱硝运行优化方法及***
CN114191953A (zh) 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法
CN113175678B (zh) 垃圾焚烧的监控方法及装置
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
CN112183709A (zh) 一种垃圾焚烧废气二噁英超标预测预警方法
CN113450880A (zh) 一种脱硫***入口so2浓度智能预测方法
CN110852496A (zh) 一种基于lstm循环神经网络的天然气负荷预测方法
CN114225662A (zh) 一种基于滞后模型的烟气脱硫脱硝优化控制方法
CN111860701A (zh) 一种基于聚类方法的脱硝***工况判别预处理方法
CN117744704B (zh) 一种烟气污染源采集监测***、方法及可读存储介质
CN112365065A (zh) 一种wfgd自适应在线优化调度方法
CN115688581A (zh) 油气集输站设备参数预警方法、***、电子设备及介质
CN113592163A (zh) Scr脱硝反应器入口氮氧化物浓度预测方法及设备
CN112613237A (zh) 一种基于LSTM的CFB机组NOx排放浓度的预测方法
CN115755624A (zh) 一种基于进化算法的燃煤锅炉多目标优化方法
CN116484675A (zh) 一种舰船发动机叶片的裂纹扩展寿命预测方法及***
CN113780639B (zh) 基于多任务学习框架的城市固废焚烧氮氧化物NOx排放预测方法
CN113869359B (zh) 基于模块化神经网络的城市固废焚烧过程氮氧化物预测方法
CN116312869A (zh) 催化裂化再生烟气氮氧化物预测方法、装置及***
CN112862180A (zh) 一种脱硝***入口NOx浓度预测方法
CN115201408A (zh) 一种全工况下脱硫出口二氧化硫浓度预测方法

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
GR01 Patent grant
GR01 Patent grant