CN112085277A - 一种基于机器学习的scr脱硝***预测模型优化方法 - Google Patents
一种基于机器学习的scr脱硝***预测模型优化方法 Download PDFInfo
- Publication number
- CN112085277A CN112085277A CN202010945424.0A CN202010945424A CN112085277A CN 112085277 A CN112085277 A CN 112085277A CN 202010945424 A CN202010945424 A CN 202010945424A CN 112085277 A CN112085277 A CN 112085277A
- Authority
- CN
- China
- Prior art keywords
- model
- scr denitration
- denitration system
- function
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims abstract description 56
- 238000012706 support-vector machine Methods 0.000 claims abstract description 30
- 241001481710 Cerambycidae Species 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 27
- 229910021529 ammonia Inorganic materials 0.000 claims abstract description 26
- 238000002347 injection Methods 0.000 claims abstract description 21
- 239000007924 injection Substances 0.000 claims abstract description 21
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000000513 principal component analysis Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 60
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 16
- 239000003546 flue gas Substances 0.000 claims description 14
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 13
- 239000000243 solution Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 10
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000006722 reduction reaction Methods 0.000 abstract description 14
- 238000010531 catalytic reduction reaction Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005507 spraying Methods 0.000 description 4
- 238000002156 mixing Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 241000254173 Coleoptera Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 229910000069 nitrogen hydride Inorganic materials 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于机器学习的SCR脱硝***预测模型优化方法，包括如下步骤：步骤S1：采集SCR脱硝***中锅炉出口的NOx浓度及影响NOx浓度的相关指标的实时样本数据；步骤S2：利用主成分分析进行降维处理；步骤S3：建立支持向量机模型；步骤S4：引入指数衰减模型迭代更新天牛须算法的步长值，优化向量机参数；步骤S5：支持向量机的仿真；步骤S6：重复步骤S1‑S5。本发明提供了一种基于机器学习的SCR脱硝***预测模型优化方法，解决现有火电厂都难以实现喷氨量的精确控制的问题，本发明基于主成分分析法（PCA）对样本数据进行降维处理，通过引入指数衰减模型迭代更新步长值，改进天牛须算法（BAS）寻优获得最优支持向量机模型参数，建立优化的支持向量机回归（SVM）模型。
Description
技术领域
本发明是一种基于机器学习的SCR脱硝***预测模型优化方法，涉及岩土工程及隧道工程领域，具体涉及基坑开挖变形实时监测预报及稳定性分析领域。
背景技术
我国氮氧化物(简称NOx)排放的一半以上来自于煤炭燃烧，NOx污染治理的重点行业之一就是火电业。选择性催化还原技术(Selective Catalytic Reduction,SCR)是在有催化剂作用的条件下，选择锅炉下游具备300～4000℃烟温的烟道，将还原剂喷入与烟气中的NOx反应，将NOx、还原成无污染的N2和H20。SCR脱硝***已经成为大型火电机组实现超低排放的重要设备。
主要反应方程式为：
但实际上因为现场空间的限制以及工艺水平问题，包括临时压负荷等各种因素的影响，导致SCR脱硝反应器入口的烟气流场分布不均匀，这样就会导致反应器出口NOX和NH3的浓度场产生较大的不均匀度。而在环保政策压力下，电厂需要保证NOx排放不超标，由此产生的后果就是过量喷氨，氨逃逸严重超标，造成大量NH4HSO生成，NH4HSO4呈粘性，易堵塞空预器，影响锅炉的安全长效运行。但现阶段大多数的火电厂都难以实现喷氨量的精确控制。
专利文献CN 109062053 A公开了一种基于多变量校正的脱硝喷氨控制方法，。包括：实时获取脱硝***仪表的测量数据及工况信息；构建SCR脱硝***入口NOx含量预测模型，预测当前时刻SCR***入口的NOx含量；基于上述预测的SCR***入口的NOx含量及测量数据，进行喷氨量前馈控制和预测矫正，生成当前时刻喷氨量控制指令，控制喷氨调阀，调节喷氨量。本申请公开的PSO(粒子群算法)期可能会由于缺乏粒子速度的动态调节，陷入局部最优，导致在收敛后期的收敛精度低和不易收敛。
发明内容
本发明所要解决的技术问题是，提供了一种基于机器学习的SCR脱硝***预测模型优化方法，解决现有火电厂都难以实现喷氨量的精确控制的问题，本发明基于主成分分析法(PCA)对样本数据进行降维处理，通过引入指数衰减模型迭代更新步长值，改进天牛须算法(BAS)寻优获得最优支持向量机模型参数，建立优化的支持向量机回归(SVM)模型。本发明针对电厂NOx排放进行预测，在满足当前NOx排放限额的条件下，致力于优化脱硝***的喷氨量，防止其过多或过少。提出的PCA-BAS-SVM预测模型，可以提升电厂SCR脱硝反应器入口NOx浓度的预测精度，为下一步脱硝***的优化运行以及喷氨量的精确控制奠定了基础。
为解决上述技术问题，本发明采用的技术方案为：
一种基于机器学习的SCR脱硝***预测模型优化方法，
该方法包括以下步骤：
步骤S1：采集SCR脱硝***中SCR脱硝反应器入口的NOx浓度及影响NOx浓度的相关指标的实时样本数据；
步骤S2：利用主成分分析对步骤S1采集的样本数据进行降维处理；
步骤S3：以步骤S2降维后的指标为模型输入，以SCR脱硝反应器入口的NOx浓度为模型输出，建立支持向量机模型；
步骤S4：引入指数衰减模型迭代更新天牛须算法的步长值，优化向量机参数；
步骤S5：重复步骤S1-S4，建立最终的支持向量机预测模型；
步骤S6：更新输入样本数据，预测SCR脱硝反应器入口的NOx浓度，调整喷氨量。
其中，步骤S1中相关指标包括锅炉负荷、入口烟气温度、入口烟气流量、一次总风量、二次总风量、炉膛出口温度和烟气含氧量。
步骤S2包括如下步骤：
2-1.收集影响NOx浓度的相关指标的样本矩阵Xn×(m+a)，其中，(X1，X2，…，Xm，…Xm+a)为总体X的m+a个相关指标，n为一个相关指标所收集样本的维度，m＞n且m＞a；
2-2.将样本矩阵Xn×(m+a)的每一行进行零均值化；
2-3.再求出样本矩阵Xn×(m+a)的协方差矩阵C：
其中，Xn×(m+a) T表示样本矩阵Xn×(m+a)的转置，C代表样本矩阵Xn×(m+a)的协方差
矩阵，n为一个相关指标所收集样本的维度；
2-4.求出协方差矩阵C的特征值λj及对应的特征向量ωj，其中
j＝1,2,...k...,n，λ1≥λ2≥λk……≥λn≥0；
2-5.对特征值从大到小进行排序，选择前k个特征值对应的特征向量，记做
特征向量矩阵D，D＝[ω1，ω2，...ωk]T；
2-6.Z＝Dk×n Xn×(m+a)为降维到k维后的数据，降维后的矩阵Z是由m+a个列向量组合而成，记为Z＝(Z1，Z2，…，Zm，…Zm+a)，把数据集Z进行训练集和测试集的划分，使用前m条数据Z1＝(Z1,Z2,…,Zm)作为训练集，后a条数据Z2＝(Zm+1，Zm+2，…，Zm+a)作为测试集,
2-7.当前k个主成分累计贡献率≥t时，用降维后的数据Z代替初始的数据集Xn×(m+a)进行操作分析。
其中，2-6中t取大于等于85％的常数。
步骤S3包括如下步骤：
3-1.构建SVM回归函数f(x)在高维特征空间的表达式，假设训练样本集为(x1,y1)，(x2,y2)…，(xm,ym)，则：
其中，i＝1,2,...m，，xi为输入矢量，yi为SCR脱硝反应器入口的NOx浓度的真实值，φ(xi)为xi转换到高维空间的映射，ω和b是待确定的模型参数；
3-2.引入松弛变量ξi和
构造下列目标函数，求解ω和b的最优解，：
s.t.f(xi)-yi≤ε+ξi
其中，c是惩罚因子，ε为允许存在的偏差，ξi和
为松弛变量；
3-4.利用最优化理论将式(2)的二次规划问题转变为对偶问题，并求出ω和b的最优解，最终得到支持向量机的回归函数为：
其中，
和αi为拉格朗日乘子，k是支持向量机的核函数，b为模型参数。
3-4中核函数k选择径向基核函数，表达式为：
Kg(|x-xi|)＝exp(-g|x-xi|2) (5)
式中，Kg为径向基核函数，g为核函数系数，exp为以自然常数e为底的指数函数。
步骤S4包括如下步骤：
4-1.引入指数衰减模型，用于更新天牛须步长step
用xl表示左须坐标，xr表示右须坐标，将天牛抽象为一个质心，x0表示质心坐标，用d0表示两须之间距离，根据指数衰减模型设置可变步长为：
其中，t为迭代次数，st为第t次迭代的步长，s0表示初始步长，as为衰减系
数，Ts表示指数衰减时间常数；
4-2.计算出第t次迭代的左右须坐标：
其中，xl为左须坐标，xr为表示右须坐标，
为第t次迭代时的质心坐标，
4-3.以f(x)作为适应度函数，通过适应度函数f(x)获得左右两须的函数值
f(xl)和f(xr)，进行比较后最终确定下一次迭代天牛的质心位置：
其中，normal是归一化函数,dir表示天牛须朝向的随机向量，st为第t次
迭代的步长，sign为符号函数；
4-4.建立寻优函数minF(c,g)＝MSE，式中，MSE为支持向量机的均方误差：
式中，f(xi)为模型返回的预测值；yi为与之对应的NOx浓度真实值；
迭代停止时所得适应度函数值的质心位置
对应的参数(c*,g*)，即为最优解，
4-5.迭代停止后，将寻优得到的两个参数惩罚因子c*和核函数系数g*作为支持向量机的参数值，将训练集数据Z1输入支持向量机模型进行训练，获得SCR脱硝反应器入口处的NOx浓度预测模型，再将测试集数据Z2输入训练好的模型，对建立的模型的预测效果进行评价。
步骤S4中迭代停止条件为达到最大迭代次数或MSE达到设定最小值，最大迭代次数为100次，MSE设定最小值为2。
步骤S4中4-5中对模型的预测效果进行评价，选取平均绝对误差MRE和均方根误差RMSE作为模型预测效果的评价指标，
式中，f(xi)为模型返回的预测值；yi为与之对应的NOx浓度真实值。
MRE＜1％且RMSE＜5。
本发明的有益效果：
本发明所要解决的技术问题是，提供了一种基于机器学习的SCR脱硝***预测模型优化方法，解决现有火电厂都难以实现喷氨量的精确控制的问题，本发明基于主成分分析法(PCA)对样本数据进行降维处理，通过引入指数衰减模型迭代更新步长值，改进天牛须算法(BAS)寻优获得最优支持向量机模型参数，建立优化的支持向量机回归(SVM)模型。不同于一般的神经网络预测方法，本发明进行了数据处理，降低了模型维度，提高了预测效率。同时改进的BAS算法结构简单，提高收敛速度和精度，且寻优得到的最优支持向量机参数可以较明显地优化支持向量机的性能。对于提高NOX的测量速度、及时指导SCR脱硝***的动作、实现节能减排都具有现实意义。
(1)不同于一般的神经网络预测方法，本发明进行了数据处理，降低了模型维度，提高了预测效率。在保证模型预测精度的前提下，利用主成分分析法对NOx的多个辅助变量进行降维处理，有效降低了模型维度，提高了现场模型预测效率以及运算速度。
(2)步长是天牛须算法中重要的控制参数，步长的大小表示天牛移动位置的多少。步长较大时，算法全局寻优能力较强；步长较小，算法局部寻优能力较强。标准算法中步长为定值，易使算法的寻优效率及求解精度不高。因此，本专利设计基于步长递减的天牛须算法，引入指数衰减模型迭代更新步长值，从而使得算法在前期具有较强的全局寻优能力，同时在后期也有较优的局部寻优能力。提高了算法的寻优效率及求解精度。
(3)本发明将改进的天牛须算法用于优化SVM参数寻优，结构简单，提高收敛速度和精度，且寻优得到的最优支持向量机参数可以较明显地优化支持向量机的性能。对于提高NOx的测量速度、及时指导SCR脱硝***的动作、实现节能减排都具有现实意义。
附图说明
图1是本发明基于机器学习的SCR脱硝***预测模型优化方法的流程图；
图2是本发明基于机器学习的SCR脱硝***预测模型优化方法应用设备的设备示意图。
具体实施方式
下面结合附图以及具体实施例对本发明一种基于机器学习的SCR脱硝***预测模型优化方法作进一步详细说明。
如图1所示，煤粉在锅炉中燃烧后形成烟气，包含了NOX、SO2等污染物，经换热器的冷却后进入SCR脱硝反应器，反应器入口装有喷氨格栅(喷氨格栅指的是喷氨管道和格栅)，然后来自液氨蒸发器的氨气与稀释空气混合后，与烟气中的NOX在催化剂的作用下发生选择性还原反应，生成水和氨气。现阶段绝大多数燃煤电厂很难实现喷氨量的精确控制，喷氨量不足会导致NOX排放不能达到国家要求的环保标准。为保证排放不超标，现场普遍存在过量喷氨的问题，造成二次污染。所以说在***运行过程中，喷氨量是一个关键控制指标，而喷氨量是根据SCR脱硝反应器入口处的NOX浓度来确定的，通过建立脱硝反应器的预测模型，把锅炉负荷、入口烟气温度及流量、一次总风量和二次总风量、炉膛出口温度、烟气含氧量总共7个对变量作为模型的输入，SCR入口处的NOx浓度作为模型的输出,根据预测值进而确定喷氨量。该脱硝***预测模型可以为下一步脱硝***运行以及喷氨量的精确控制奠定基础。
步骤一：通过对现场各实时监控数据进行综合分析确定脱硝过程影响SCR脱硝反应器入口处NOx浓度的相关输入变量，利用主成分分析对所采集的数据进行处理。
采集电厂运行数据800组作为总体X，考虑到NOx排放在稳定工况下波动不大，本专利选取启动工况下的数据进行仿真预测。设(X1，X2，…，X800)为总体X的800个样本，则每个样本都对应7维变量，习惯上使用列向量表示一条记录，对应的数据矩阵为X7×800，7维变量包括：锅炉负荷、入口烟气温度及流量、一次总风量和二次总风量、炉膛出口温度、烟气含氧量。将X7×800的每一行进行零均值化，即减去这一行的均值：
式中，X7×800为数据矩阵，
为数据矩阵的行平均值矩阵，X7×800'为零均值化后的数据矩阵；
再求出X7×800'的协方差矩阵：
其中，(X7×800')T表示矩阵X7×800'的转置，C代表矩阵X7×800'的协方差矩阵，7为一个相关指标所收集样本的维度；
可利用软件Matlab自带的函数cov直接计算出所选数据矩阵的协方差矩阵C。
求出协方差矩阵的特征值λj及对应的特征向量ωj(j＝1,2,...,7)，可以利用eig(C)函数直接求取矩阵C的特征值和特征向量，其中特征值越大代表变量的信息越重要，相反越小的值可以被认为是次要信息。
对特征值从大到小进行排序之后，选择其中最大的前k个。然后将特征值对应的k个特征向量分别作为行向量组成特征向量矩阵D，D＝[ω1，ω2，…ωk]T；
Z＝Dk×7X7×800即为降维到k维之后的数据，降维矩阵Zk×800＝Dk×7X7×800。
降维后的矩阵Z是由800个列向量组合而成，记为Z＝(Z1，Z2，…，Z800)把数据集Z进行训练集和测试集的划分，使用前600条数据Z1＝(Z1,Z2,…,Z600)作为训练集用来对模型进行训练，剩余的200条数据Z2＝(Z601，Z602，，Z800)作为测试集对模型进行验证。
第j个主成分的贡献率为λj/P(j＝1，2，3，…，7)；其中P等于
前k个主成分的累计贡献率为
当前k个主成分累计贡献率≥t(t大于85％)时，用降维后的数据集Z代替初始的数据集X7×800进行操作分析，一般是满足要求的。t越大时保留的特征值越多，具体的值按实际要求来设定。
步骤二：建立基本的SVM模型，采用单输出(输出为SCR脱硝反应器入口处NOx浓度)支持向量机回归模型建立基本的预测模型。
支持向量机是由统计学理论发展而来的一种机器学习方法，设主成分分析之后的训练样本集有七维特征，表示为(x1,y1)，(x2,y2)…，(x600,y600)，xi为输入矢量(降维后的矩阵Z1的列向量，共有600个)，yi为与之对应的SCR脱硝反应器入口处NOx浓度的真实值。
本专利需要使用到支持向量回归机(SVR)，设在特征空间中划分超平面所对应的模型数学表达式为：
y＝ωTφ(x)+b (15)
希望学得一个回归模型，使得f(x)和y尽可能地接近。f(x)为SVR模型返回的预测值；y为对应的NOx浓度真实值。
其中φ(x)为样本数据转换到高维空间的映射；ω是超平面的法向量，决定了超平面的方向；b为位移项，决定了超平面与原点的距离。ω和b是待确定的模型参数，求超平面的问题可以直接认为是求ω和b的问题。
最优超平面的限制条件为：
s.t.yi(wTx+b)≥1(i＝1,2,…,m)，
这是基本的SVM模型。(以下的推导均用m表示样本数量，n表示变量维度)
对于具有多个不等式约束条件的优化问题,对偶问题更容易求解，需要利用拉格朗日乘子法并满足KKT条件：
为了求拉格朗日函数的极小值，分别令函数L(ω,b,α)对ω,b求偏导，并使其等于0，如下：
将第一个式代入L(ω,b,α)，即可将式中的ω和b消去，再考虑第二个式的约束，就得到对偶问题:
解出α后，求出ω和b即可得到模型:
以上推导都需要满足KKT条件：
实际情况下几乎不存在完全线性可分的数据，为了解决这个问题，可以允许某些点不满足约束，即允许有偏差的存在。传统回归模型通常直接基于模型输出f(x)与真实输出y之间的差别来计算损失，与此不同，支持向量回归(SVR)假设我们能容忍f(x)与y之间最多有∈的偏差,即仅当f(x)与之间的差别绝对值大于∈时才计算损失，原优化问题可改写为:
式中，c为惩罚因子；lε是不敏感损失(∈-insensitive loss)函数：
引入松弛变量ξi和
可将式重写为:
s.t.f(xi)-yi≤ε+ξi
利用最优化理论将上式复杂的二次规划问题转变为一种对偶问题
式中，α,α*μ，μ*为拉格朗日乘子，ξ，ξ*问为松弛因子
再令L(ω,b,α,α*,ξ，ξ*,μ，μ*)对ω，b，ξ，ξ*的偏导为0可得：
上述过程都满足KKT条件：
由KKT条件可以看出，对每个样本都有(C-αi)ξi＝0，且αi(f(xi)-yi-ε-ξi)＝0。于是，在得到αi后，取0＜αi＜C，则必有ξi＝0，
实际操作中选取多个或全部满足条件0＜αi＜C的样本求解出b后取平均值。
最终得到支持向量机的回归函数为:
其中，
是支持向量机的核函数，核函数可以将样本空间映射到一个高维特征空间，使得低维的非线性问题在高维特征空间中通过支持向量机线性回归方法来解决。在不知道特征映射的形式时，通常我们并不知道什么样的核函数是合适的。这时，可在线性核、多项式核、高斯核、拉普拉斯核、Sigmoid核中逐一试验，选择性能最优者作为某一问题的核函数。
本专利选择的核函数为径向基(RBF)核函数，其表达式为:
Kg(|x-xi|)＝exp(-g|x-xi|2) (29)
式中，g为核函数系数，exp为以自然常数e为底的指数函数。
步骤三：基于改进BAS算法的SVM参数寻优。支持向量机回归需要优化2个重要参数，惩罚因子c(控制模型的复杂程度和泛化能力)和核函数系数g(决定输入空间范围和宽度)。因此在利用SVM回归算法进行数据预测时，为提高模型的预测精度和效率，需要不断调整上述两参数的值，直到训练网络满足所设定的要求。
标准天牛须搜索算法:
天牛须搜索算法是一种高效的智能优化算法，与粒子群算法，模拟退火算法等类似，不需要知道函数的具体形式，也无需梯度信息，就可以实现高效寻优。其生物学原理为:当天牛在寻找食物时，并不知道食物的具***置。天牛通过位于头部的触角感知食物的气味强弱，当左触角感受到更强烈的食物气味时，它便向左飞行，反之则向右飞行。天牛寻找食物的过程本质上是一个寻优的过程。
PCA把数据从7维降至k维，对于一个k维空间的优化问题，用xl表示左须坐标，xr表示右须坐标，
表示在第t次迭代的质心坐标，用
表示在第t次迭代两须之间距离，step为天牛前进的步长(定值)。根据假设:天牛头朝向任意，触角向右向左的方向矢量是随机的，所以可以产生一个随机向量dir来表示天牛须的朝向，并且对随机向量进行标准化：
式中，rands(k,1)为k维空间随机向量，这样可以得到
显然，xl，xr还可以表示成质心的表达式：
第二步：以f(x)作为适应度函数，求取左右两须的函数值f(xl)和f(xr)，通过判断两个值大小，更新天牛质心位置。
如果f(xl)<f(xr),则天牛向着左须方向行进距离step，即
如果f(xl)>f(xr),则天牛向着右须方向行进距离step，即
如上两种情况可以采用符号函数sign统一写成：
，其中normal是归一化函数，sign()为符号函数，dir表示天牛须朝向的随机向量，step为天牛行进的步长。
判断是否满足终止条件，如果满足，则立刻终止计算，输出最优解；若没有，则返回第二步继续进行下一次循环。
改进的天牛须算法：
BAS算法寻优速度快、收敛快，且运算量小。其中步长的选择对算法的收敛性能和搜索效率影响很大：步长较大，算法全局寻优能力强；步长较小，算法局部寻优能力强。传统算法中步长为固定值，易使算法的寻优效率及求解精度不高。
固定大小的步长很难同时满足算法的快速性和精确性。本专利采用根据迭代次数衰减的步长，来兼顾收敛速度和最优解的精度。为此，引入指数衰减模型来不断更新步长值。
衰减模型为：
其中，t为迭代次数，st为第t次迭代的步长，s0表示初始步长，as为衰减系数，Ts表示指数衰减时间常数；
则天牛质心位置表达式变更为：
改进的意义在于动态地调节步长，当优化到了一定的瓶颈后，固定的步长已经不适用于优化。通过这种衰减式的步长变化，可以使算法在前期具有较强的全局寻优能力(指数函数前期衰减快)，得到最优解大致的结果，同时迭代后期可以在最优点附近进行精细的搜索(后期衰减慢)。所以说这种时变的步长可以改进传统BAS算法局部搜索能力不足的问题。
建立寻优函数minF(c,g)＝MSE，MSE为支持向量机的均方误差。意义为将参数c和g作为寻优变量来搜索最好的支持向量机参数使得MSE达到最小。迭代停止时所得适应度函数值的质心位置
对应的参数(c*,g*)，即为最优解。
迭代停止条件为满足精度要求(MSE≤2)或者达到最大迭代次数(设为100次)。
迭代停止后，将得到的惩罚因子c和核函数系数g作为支持向量机的参数值，将训练集数据Z1输入支持向量机模型进行训练，获得SCR脱硝反应器入口处的NOx浓度预测模型。之后将测试集数据Z2输入训练好的模型，并对所建立的模型的预测效果进行评价。
为了便于评价该模型的性能和预测精度，本专利使用平均相对误差(MRE)、均方根误差(RMSE)作为评价标准，公式如下：
式中，f(xi)为SVR模型返回的预测值；yi为与之对应的NOx浓度真实值。RMSE和MRE都代表的是所建立模型对目标变量的预测效果，能够反映模型测试效果的优劣，如果当预测值完全跟随实际值变化，就会使两个结果为零，模型的预测精度最高，但由于实际情况的影响往往不能为零，因此评价的标准就是两个值越小越好。具体精度要求可根据实际情况自行设定，本专利设定当MRE＜1％，RMSE＜5时，模型预测效果达标。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于机器学习的SCR脱硝***预测模型优化方法，其特征在于，
该方法包括以下步骤：
步骤S1：采集SCR脱硝***中SCR脱硝反应器入口的NOx浓度及影响NOx浓度的相关指标的实时样本数据；
步骤S2：利用主成分分析对步骤S1采集的样本数据进行降维处理；
步骤S3：以步骤S2降维后的指标为模型输入，以SCR脱硝反应器入口的NOx浓度为模型输出，建立支持向量机模型；
步骤S4：引入指数衰减模型迭代更新天牛须算法的步长值，优化向量机参数；
步骤S5：重复步骤S1-S4，建立最终的支持向量机预测模型；
步骤S6：更新输入样本数据，预测SCR脱硝反应器入口的NOx浓度，调整喷氨量。
2.根据权利要求1所述的一种基于机器学习的SCR脱硝***预测模型优化方法，其特征在于，步骤S1中相关指标包括锅炉负荷、入口烟气温度、入口烟气流量、一次总风量、二次总风量、炉膛出口温度和烟气含氧量。
3.根据权利要求1所述的一种基于机器学习的SCR脱硝***预测模型优化方法，其特征在于，步骤S2包括如下步骤：
2-1.收集影响NOx浓度的相关指标的样本矩阵Xn×(m+a)，其中，(X1，X2，…，Xm，…Xm+a)为总体X的m+a个相关指标，n为一个相关指标所收集样本的维度，m＞n且m＞a；
2-2.将样本矩阵Xn×(m+a)的每一行进行零均值化；
2-3.再求出样本矩阵Xn×(m+a)的协方差矩阵C：
其中，Xn×(m+a) T表示样本矩阵Xn×(m+a)的转置，C代表样本矩阵Xn×(m+a)的协方差矩阵，n为一个相关指标所收集样本的维度；
2-4.求出协方差矩阵C的特征值λj及对应的特征向量ωj，其中j＝1,2,...k...,n，λ1≥λ2≥λk……≥λn≥0；
2-5.对特征值从大到小进行排序，选择前k个特征值对应的特征向量，记做特征向量矩阵D，D＝[ω1，ω2，...ωk]T；
2-6.Z＝Dk×nXn×(m+a)为降维到k维后的数据，降维后的矩阵Z是由m+a个列向量组合而成，记为Z＝(Z1，Z2，…，Zm，…Zm+a)，把数据集Z进行训练集和测试集的划分，使用前m条数据Z1＝(Z1,Z2,…,Zm)作为训练集，后a条数据Z2＝(Zm+1，Zm+2，…，Zm+a)作为测试集,
2-7.当前k个主成分累计贡献率≥t时，用降维后的数据Z代替初始的数据集Xn×(m+a)进行操作分析。
4.根据权利要求3所述的一种基于机器学习的SCR脱硝***预测模型优化方法，其特征在于，2-6中t取大于等于85％的常数。
5.根据权利要求3所述的一种基于机器学习的SCR脱硝***预测模型优化方法，其特征在于，步骤S3包括如下步骤：
3-1.构建SVM回归函数f(x)在高维特征空间的表达式，假设训练样本集为(x1,y1)，(x2,y2)…，(xm,ym)，则：
yi＝ωTφ(xi)+b (2)
其中，i＝1,2,...m，xi为输入矢量，yi为SCR脱硝反应器入口的NOx浓度的真实值，φ(xi)为xi转换到高维空间的映射，ω和b是待确定的模型参数；
3-2.引入松弛变量ξi和
构造下列目标函数，求解ω和b的最优解：
s.t.f(xi)-yi≤ε+ξi
其中，c是惩罚因子，ε为允许存在的偏差，ξi和
为松弛变量；
3-4.利用最优化理论将式(2)的二次规划问题转变为对偶问题，并求出ω和b的最优解，最终得到支持向量机的回归函数为：
其中，
和αi为拉格朗日乘子，k是支持向量机的核函数，b为模型参数。
6.根据权利要求5所述的一种基于机器学习的SCR脱硝***预测模型优化方法，其特征在于，3-4中核函数k选择径向基核函数，表达式为：
Kg(|x-xi|)＝exp(-g|x-xi|2) (5)
式中，Kg为径向基核函数，g为核函数系数，exp为以自然常数e为底的指数函数。
7.根据权利要求1所述的一种基于机器学习的SCR脱硝***预测模型优化方法，其特征在于，步骤S4包括如下步骤：
4-1.引入指数衰减模型，用于更新天牛须步长step
用xl表示左须坐标，xr表示右须坐标，将天牛抽象为一个质心，x0表示质心坐标，用d0表示两须之间距离，根据指数衰减模型设置可变步长为：
其中，t为迭代次数，st为第t次迭代的步长，s0表示初始步长，as为衰减系数，Ts表示指数衰减时间常数；
4-2.计算出第t次迭代的左右须坐标：
其中，xl为左须坐标，xr为表示右须坐标，
为第t次迭代时的质心坐标，
为第t次迭代时左右两须之间的距离，dir为表示天牛须朝向的随机向量；
4-3.以f(x)作为适应度函数，通过适应度函数f(x)获得左右两须的函数值f(xl)和f(xr)，进行比较后最终确定下一次迭代天牛的质心位置：
其中，normal是归一化函数,dir表示天牛须朝向的随机向量，st为第t次迭代的步长，sign为符号函数；
4-4.建立寻优函数minF(c,g)＝MSE，式中，MSE为支持向量机的均方误差：
式中，f(xi)为模型返回的预测值；yi为与之对应的NOx浓度真实值；
迭代停止时所得适应度函数值的质心位置
对应的参数(c*,g*)，即为最优解，
4-5.迭代停止后，将寻优得到的两个参数，惩罚因子c*和核函数系数g*作为支持向量机的参数值，将训练集数据Z1输入支持向量机模型进行训练，获得SCR脱硝反应器入口处的NOx浓度预测模型，再将测试集数据Z2输入训练好的模型，对建立的模型的预测效果进行评价。
8.根据权利要求7所述的一种基于机器学习的SCR脱硝***预测模型优化方法，其特征在于，步骤S4中迭代停止条件为达到最大迭代次数或MSE达到设定最小值，最大迭代次数为100次，MSE设定最小值为2。
9.根据权利要求7所述的一种基于机器学***均绝对误差MRE和均方根误差RMSE作为模型预测效果的评价指标，
式中，f(xi)为模型返回的预测值；yi为与之对应的NOx浓度真实值。
10.根据权利要求9所述的一种基于机器学习的SCR脱硝***预测模型优化方法，其特征在于，MRE＜1％且RMSE＜5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010945424.0A CN112085277B (zh) | 2020-09-10 | 2020-09-10 | 一种基于机器学习的scr脱硝***预测模型优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010945424.0A CN112085277B (zh) | 2020-09-10 | 2020-09-10 | 一种基于机器学习的scr脱硝***预测模型优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112085277A true CN112085277A (zh) | 2020-12-15 |
| CN112085277B CN112085277B (zh) | 2021-05-18 |
Family
ID=73731755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010945424.0A Active CN112085277B (zh) | 2020-09-10 | 2020-09-10 | 一种基于机器学习的scr脱硝***预测模型优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085277B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112731252A (zh) * | 2021-01-04 | 2021-04-30 | 西北工业大学 | 一种基于分区天牛须算法的三轴磁传感器误差校正方法 |
| CN113009890A (zh) * | 2021-01-25 | 2021-06-22 | 南京工业大学 | 一种基于bmo-lssvm的火电厂scr烟气脱硝控制***的优化控制方法 |
| CN113592163A (zh) * | 2021-07-22 | 2021-11-02 | 汉谷云智(武汉)科技有限公司 | Scr脱硝反应器入口氮氧化物浓度预测方法及设备 |
| CN113611375A (zh) * | 2021-08-09 | 2021-11-05 | 成都佳华物链云科技有限公司 | 火电厂***中的数据确定方法、装置、设备以及存储介质 |
| CN114091324A (zh) * | 2021-10-27 | 2022-02-25 | 南京邮电大学 | 一种火电机组nox排放建模方法及*** |
| CN114637212A (zh) * | 2022-05-17 | 2022-06-17 | 浙江浩普智能科技有限公司 | 一种氧含量预测控制方法及*** |
| CN115028301A (zh) * | 2022-05-31 | 2022-09-09 | 河北工程大学 | 一种智能净化游泳池水循环再利用***及方法 |
| CN115903473A (zh) * | 2022-10-20 | 2023-04-04 | 中国大唐集团科学技术研究总院有限公司华东电力试验研究院 | 一种火电厂回转式空预器防堵塞控制方法及*** |
| CN115901677A (zh) * | 2022-12-02 | 2023-04-04 | 北京理工大学 | 具有更新机制的硝酸-硝酸铵溶液中硝酸铵浓度预测方法 |
| CN116272363A (zh) * | 2023-05-17 | 2023-06-23 | 浙江浙能迈领环境科技有限公司 | 船舶废气混合式脱硫***及其方法 |
| CN116451829A (zh) * | 2023-02-23 | 2023-07-18 | 葛洲坝集团交通投资有限公司 | 一种基于主成分分析的高速公路建设减排优化方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102693451A (zh) * | 2012-06-14 | 2012-09-26 | 东北电力大学 | 基于多参数的氨法烟气脱硫效率预测方法 |
| 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 |
| CN111178627A (zh) * | 2019-12-30 | 2020-05-19 | 杭州电子科技大学 | 一种基于spca的神经网络混合优化预测方法 |
| CN111428748A (zh) * | 2020-02-20 | 2020-07-17 | 重庆大学 | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 |
-
2020
- 2020-09-10 CN CN202010945424.0A patent/CN112085277B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102693451A (zh) * | 2012-06-14 | 2012-09-26 | 东北电力大学 | 基于多参数的氨法烟气脱硫效率预测方法 |
| 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 |
| CN111178627A (zh) * | 2019-12-30 | 2020-05-19 | 杭州电子科技大学 | 一种基于spca的神经网络混合优化预测方法 |
| CN111428748A (zh) * | 2020-02-20 | 2020-07-17 | 重庆大学 | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 邓中亮等: "《天牛须搜索的锚节点布设优化算法》", 《北京邮电大学学报》 * |
| 高学伟等: "《SCR脱硝***PCA－HPSO－SVR大数据建模研究》", 《自动化仪表》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112731252A (zh) * | 2021-01-04 | 2021-04-30 | 西北工业大学 | 一种基于分区天牛须算法的三轴磁传感器误差校正方法 |
| CN113009890B (zh) * | 2021-01-25 | 2021-12-31 | 南京工业大学 | 一种基于bmo-lssvm的火电厂scr烟气脱硝控制***的优化控制方法 |
| CN113009890A (zh) * | 2021-01-25 | 2021-06-22 | 南京工业大学 | 一种基于bmo-lssvm的火电厂scr烟气脱硝控制***的优化控制方法 |
| CN113592163A (zh) * | 2021-07-22 | 2021-11-02 | 汉谷云智(武汉)科技有限公司 | Scr脱硝反应器入口氮氧化物浓度预测方法及设备 |
| CN113611375B (zh) * | 2021-08-09 | 2023-10-10 | 成都佳华物链云科技有限公司 | 火电厂***中的数据确定方法、装置、设备以及存储介质 |
| CN113611375A (zh) * | 2021-08-09 | 2021-11-05 | 成都佳华物链云科技有限公司 | 火电厂***中的数据确定方法、装置、设备以及存储介质 |
| CN114091324A (zh) * | 2021-10-27 | 2022-02-25 | 南京邮电大学 | 一种火电机组nox排放建模方法及*** |
| CN114637212A (zh) * | 2022-05-17 | 2022-06-17 | 浙江浩普智能科技有限公司 | 一种氧含量预测控制方法及*** |
| CN115028301A (zh) * | 2022-05-31 | 2022-09-09 | 河北工程大学 | 一种智能净化游泳池水循环再利用***及方法 |
| CN115028301B (zh) * | 2022-05-31 | 2024-04-26 | 河北工程大学 | 一种智能净化游泳池水循环再利用***及方法 |
| CN115903473A (zh) * | 2022-10-20 | 2023-04-04 | 中国大唐集团科学技术研究总院有限公司华东电力试验研究院 | 一种火电厂回转式空预器防堵塞控制方法及*** |
| CN115903473B (zh) * | 2022-10-20 | 2023-11-07 | 中国大唐集团科学技术研究总院有限公司华东电力试验研究院 | 一种火电厂回转式空预器防堵塞控制方法及*** |
| CN115901677A (zh) * | 2022-12-02 | 2023-04-04 | 北京理工大学 | 具有更新机制的硝酸-硝酸铵溶液中硝酸铵浓度预测方法 |
| CN115901677B (zh) * | 2022-12-02 | 2023-12-22 | 北京理工大学 | 具有更新机制的硝酸-硝酸铵溶液中硝酸铵浓度预测方法 |
| CN116451829A (zh) * | 2023-02-23 | 2023-07-18 | 葛洲坝集团交通投资有限公司 | 一种基于主成分分析的高速公路建设减排优化方法及*** |
| CN116272363A (zh) * | 2023-05-17 | 2023-06-23 | 浙江浙能迈领环境科技有限公司 | 船舶废气混合式脱硫***及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112085277B (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112085277B (zh) | 一种基于机器学习的scr脱硝***预测模型优化方法 | |
| Gu et al. | Online adaptive least squares support vector machine and its application in utility boiler combustion optimization systems | |
| Jin et al. | Multiple model LPV approach to nonlinear process identification with EM algorithm | |
| CN112488145B (zh) | 一种基于智能化方法的NOx在线预测方法及*** | |
| CN110597070B (zh) | 火电机组***模型参数的辨识方法 | |
| Xie et al. | Robust stochastic configuration network multi-output modeling of molten iron quality in blast furnace ironmaking | |
| CN104715142A (zh) | 一种电站锅炉NOx排放动态软测量方法 | |
| CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
| CN110189800B (zh) | 基于多粒度级联循环神经网络的炉氧含量软测量建模方法 | |
| 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 | |
| Wang et al. | Prediction of superheated steam temperature for thermal power plants using a novel integrated method based on the hybrid model and attention mechanism | |
| Li et al. | Applying and dissecting LSTM neural networks and regularized learning for dynamic inferential modeling | |
| CN114334025A (zh) | 一种水泥熟料煅烧环境变量的构建及验证方法 | |
| Ji et al. | Application of the improved the ELM algorithm for prediction of blast furnace gas utilization rate | |
| Wang et al. | Investigation of RBFNN Based on Improved PSO Optimization Algorithm for Performance and Emissions Prediction of a High‐Pressure Common‐Rail Diesel Engine | |
| CN117313936B (zh) | 一种燃煤电厂烟气脱硫过程净烟气so2浓度预测方法 | |
| CN107703760B (zh) | 基于rbf与gdhp的天然气吸收塔脱硫过程控制方法 | |
| Zha et al. | An improved extreme learning machine with self-recurrent hidden layer | |
| CN114896895A (zh) | 基于门控循环神经网络的脱硝***入口氮氧化物排放预测方法及*** | |
| CN115206448A (zh) | 一种基于ann模型的化学反应动力学计算方法 | |
| Li et al. | Knowledge-based genetic algorithms data fusion and its application in mine mixed-gas detection. | |
| Abharian et al. | Power probability density function control and performance assessment of a nuclear research reactor | |
| CN112884214A (zh) | 基于神经网络的飞灰含碳量预测方法、***和可读介质 | |
| CN117912585B (zh) | 基于深度人工神经网络下燃烧化学反应的优化方法 | |
| Ma et al. | ANN-based real-time parameter optimization via GA for superheater model in power plant simulator |
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 |