CN113435584A - 一种基于lstm的scr出口氮氧化物浓度预测方法 - Google Patents

一种基于lstm的scr出口氮氧化物浓度预测方法 Download PDF

Info

Publication number
CN113435584A
CN113435584A CN202110801059.0A CN202110801059A CN113435584A CN 113435584 A CN113435584 A CN 113435584A CN 202110801059 A CN202110801059 A CN 202110801059A CN 113435584 A CN113435584 A CN 113435584A
Authority
CN
China
Prior art keywords
lstm
variables
scr
variable
scr outlet
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
CN202110801059.0A
Other languages
English (en)
Inventor
李健
王东
王瑞
尚星宇
柳磊
马国伟
马彪
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.)
CHN Energy Group Science and Technology Research Institute Co Ltd
Original Assignee
CHN Energy Group Science and Technology Research Institute 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 CHN Energy Group Science and Technology Research Institute Co Ltd filed Critical CHN Energy Group Science and Technology Research Institute Co Ltd
Priority to CN202110801059.0A priority Critical patent/CN113435584A/zh
Publication of CN113435584A publication Critical patent/CN113435584A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于LSTM的SCR出口氮氧化物浓度预测方法，采用改进的互信息特征选择算法（BMIFS），考虑相关性和冗余性进行辅助变量筛选，基于最终确定的辅助变量建立LSTM预估模型。本发明提出的基于BMIFS‑LSTM的SCR出口NOx浓度预估模型拥有更好的预估精度和拟合效果，解决了常规LSTM算法由于建模时的输入变量存在诸多冗余或者不相关变量，导致预估结果偏差较大，效果较差的问题。

Description

一种基于LSTM的SCR出口氮氧化物浓度预测方法
技术领域
本发明涉及一种基于LSTM(长短期记忆网络)的SCR出口NOx浓度预测方法，将SCR脱硝***出口的NOx浓度作为研究对象，准确反映SCR出口NOx浓度的实时变化，进而及时地指导反应器动作。
背景技术
在我国电力市场中，燃煤火力发电一直占主导地位，火电厂燃煤锅炉焚烧产生的NOx是大气污染物的主要来源之一。煤炭作为火电厂发电的主要能源，其在锅炉内焚烧过程中会产生大量的氮氧化物，通常将其统称为NOx。在自然界中，雨和雪的形成以及降落过程中，会吸收空气中NOx等物质，进而形成酸雨造成建筑腐蚀，农作物死亡等恶劣结果。同时，NOx还会在太阳光(紫外线)的作用下同其它一些污染物产生光化学反应，产生二次混合污染物，即光化学烟雾污染。随着国内环保意识的逐日增强，烟气脱硝优化被提上日程。
最近几年，长短期记忆神经网络(LSTM)在处理大数据方面取得了引人瞩目的成果。其不仅能做到传统神经网络那样经过学习训练，抽取特征，然后通过组织底层特征构建高层特征，并最后得到数据之下的分布特性，更重要的是，LSTM在其神经元中加入了状态门，可以对海量数据进行筛选处理，有效的解决了梯度消失和梯度***问题，提高了大数据的处理能力。
针对脱硝，目前大部分火电厂均采取选择性催化还原(SCR)技术来实现，从而减少NOx的排放。对于烟气中的氮氧化物含量，各厂一般利用烟气自动监控***对其浓度进行实时测量，但该***在进行测量时会有较大的迟延，不能准确反映SCR出口NOx浓度的实时变化，进而无法及时地指导反应器动作。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，提供一种基于LSTM的SCR出口NOx浓度预测方法，具有良好的预估精度、且能够准确反映SCR出口NOx浓度的实时变化。
为了达到上述目的，本发明提供的技术方案如下：
一种基于LSTM的SCR出口氮氧化物浓度预测方法，采用改进的互信息特征选择算法(BMIFS)，考虑相关性和冗余性进行辅助变量筛选，基于最终确定的辅助变量建立LSTM预估模型。
本发明采用改进的互信息特征选择算法，以保证辅助变量筛选时的相关性以及冗余性，以此建立LSTM预估模型，具有更好的预估精度和拟合效果。
进一步的，上述改进的互信息特征选择算法在循环挑选辅助变量过程中，考虑已选变量个数|S|，将1/|S|作为权重，同时将待选变量和主导变量之间的关联性加入到待选变量之间的关联性当中。解决了MIFS算法存在的缺陷。
进一步的，该改进的互信息特征选择算法的表达式如下：
Figure BDA0003164802450000021
上式中，|S|表示已选特征变量个数；MR是在已选变量集S中，fi相对Sj的最小冗余量，其公式如下：
Figure BDA0003164802450000022
如果I(fi；c)＝0，则该特征变量fi将被剔除；如果fi和Sj同主导变量之间均存在较大关联性，但fi和Sj之间也存在高度冗余性，则fi也会被剔除。因此，这里会先预先设定阈值TH＝0和GMI比较，倘若GMI≤0，则认为当前变量fi和主导变量之间没有多大关联，故剔除；倘若GMI≥0，则会保留此fi进入待选变量集。
经过上述改进的互信息特征选择算法最终确认的辅助变量为：锅炉负荷、总煤量、一次风总量、二次风总量、AB层二次风门挡板开度、烟气含氧量、烟气温度。
本发明针对LSTM预估模型的建立使用Keras框架，并采用Adam优化算法。
在部分实施例中，作为优选的，LSTM预估模型网络层数为2，隐层的神经元个数为100。Adam优化算法的学习率η＝0.003，训练次数为2000次，批量样本个数b＝50。
进一步的，为了缩短模型的训练时间，优化参数变量，需要对建立LSTM预估模型的输入样本数据进行标准化处理，即把数据的向量空间按照一定比例缩小放入到正太分布空间，这样可以消除不同量纲下数据较大的差异，提升收敛速度。并将处理后的数据，80％作为模型的训练数据，20％作为测试数据。
本发明相比现有技术具有以下优点：
1)本发明利用智能控制算法通过基于历史数据驱动的建模方法建立SCR脱硝出口氮氧化物浓度模型，准确反映SCR出口NOx浓度的实时变化，进而对喷氨量实现优化控制。
2)本发明采取一种改进的互信息特征选择算法(BMIFS)，把待选变量和主导变量之间的关联性加入到待选变量之间的关联性当中，从而解决了MIFS算法存在的缺陷。
3)本发明提出的基于BMIFS-LSTM的SCR出口NOx浓度预估模型拥有更好的预估精度和拟合效果，解决了常规LSTM算法由于建模时的输入变量存在诸多冗余或者不相关变量，导致预估结果偏差较大，效果较差的问题。
附图说明
图1为LSTM网络输入输出结构示意图；
图2为模型的算法流程图；
图3为训练数据拟合效果对比图；
图4为训练数据预估误差对比图；
图5为测试数据预估效果对比图；
图6为测试数据预估误差对比图。
具体实施方式
下面结合本发明原理及具体实施例进行详细说明。
一、原理介绍
1.1 SCR脱硝***
SCR烟气脱硝***主要由NH3存储和制备***、NH3烟气混合***、NH3喷射***、SCR反应器、反应器旁路、省煤器旁路、检测控制***和其他辅助***组成。对于SCR反应器的布置方式，通常采用高灰布置方式，即布置于省煤器与空气预热器之间的烟道内。
SCR脱硝***结构主要如下：
(1)NH3存储和制备***高纯度液氨存储在液氨罐，经电蒸发器中液化气加热后，由液态氨转化为氨气。氨气与稀释空气在NH3空气混合器中混合均匀。
(2)NH3烟气混合***通过烟道结构件，如导流板、静态混合器等，进行NH3烟气混合。
(3)氨喷射***氨喷射器需要安装在SCR反应器的上游且有一定距离，以保证喷入的NH3与烟气通过烟道充分混合。稀释后的氨气通过供氨管路送至喷氨汇流排上，并通过喷氨格栅均匀喷入。
(4)SCR反应器完成SCR反应过程，一般采用2+1或3+1布置。
(5)省煤器旁路通过调节省煤器烟气和旁路烟气的比例以控制反应温度。
(6)SCR反应器旁路用于在锅炉启动、停止期间或紧急状况下隔离SCR反应器，使催化剂不受损害，同时节约引风机的电耗。
(7)检测控制***主要被控对象包括：喷氨量、脱硝通风、氨蒸发器水温和缓冲罐压力、SCR反应器入口烟气温度、吹灰***和烟气挡板***。喷氨量是通过控制SCR***入口和出口的NOx浓度和O2含量、稀释风机流量、烟气温度和烟气流量来实现。检测部分主要是利用NH3监视分析仪监测氨逃逸量。
(8)辅助***主要包括用于吹扫喷氨的格栅喷头，防止喷头堵塞的压缩空气管道以及用于吹扫SCR反应器的吹灰器。
1.2 LSTM预估模型结构
为了缩短模型的训练时间，优化参数变量，需要对输入样本进行标准化处理，即把数据的向量空间按照一定比例缩小放入到正太分布空间。这样可以消除不同量纲下数据较大的差异，提升收敛速度，公式如下：
Figure BDA0003164802450000041
将数据划分为训练集和测试集并进行标准化处理，随后按如下步骤建立起基于LSTM的SCR出口NOx预估模型。
1)输入层
训练样本数据x∈Rb×t，其中b是每次模型训练使用到的样本数量，t则是样本数据维度。由于LSTM输入层要求样本数据必须是三维的，三个维度分别是：
①样本：一个序列就是一个样本，可以包含多个样本。
②时间步：一个时间步表示样本中的一个观察点。
③特征：一个特征是在一个时间步长中获得。
转换后的三维矩阵表达式为x∈Rb×s×i，s表示样本的时间维度，i表示特征。在Keras中，我们可以用Numpy数组中的reshape()函数进行三维重构。通过将x∈Rb×s×i在输入层进行映射，我们可以得到改变样本维度后的输入，如式2所示：
y(i)＝x·W(i)+b(i) (2)
上式中，W(i)∈Ri×i1，b(i)∈Ri1，y(i)∈Rb×s×i1。
2)LSTM网络层
LSTM输入是y(i)∈Rb×s×i1，假设网络有n个神经元，以每个样本最后时刻的隐层输出当作LSTM的输出y(h)，则y(h)∈Rb×d。其输入输出流程结构如图1所示。
3)输出层
本网络采用softmax层进行输出，输出公式如下：
y′＝softmax(yh·W(o)) (3)
上式中，W(o)∈Rd×n，n是分类数目，y′是网络输出，y′∈Rb×n。
4)Loss(损失)函数
通过把训练模型的输出同实际数据输出进行对比可以获得两者之间的差值，称作损失。损失值越小，模型的训练效果则越好，如果预测值和实际值一致，则没有损失。用来计算损失大小的函数被称作Loss函数，用Loss函数可以对预测效果给出客观的度量。公式如(4)所示：
H(y)＝-∑by′log(y) (4)
经过反复测试，最终确定LSTM网络模型具有2个LSTM层，每层拥有100个节点，优化算法选用的是Adam，batch size设为20，epoch设为2000。模型的算法流程如图2所示。
1.3改进的互信息特征选择算法(BMIFS)
由于MIFS无法做到保证辅助变量筛选时的相关性以及冗余性，对此，本发明采取一种改进的互信息特征选择算法,即BMIFS算法。此算法改进之处在于，会在循环挑选辅助变量过程中，将已选变量个数|S|的影响考虑进来，把1/|S|当作权重，同时把待选变量和主导变量之间的关联性加入到待选变量之间的关联性当中，从而解决MIFS算法所存在的缺陷。算法的表达式如(5)：
Figure BDA0003164802450000061
上式中，|S|表示已选特征变量个数，MR是在已选变量集S中，fi相对Sj的最小冗余量，其公式如(6)：
Figure BDA0003164802450000062
如果I(fi；c)＝0，则该特征变量fi将被剔除；如果fi和Sj同主导变量之间均存在较大关联性，但fi和Sj之间也存在高度冗余性，则fi也会被剔除。因此，这里会预先设定阈值TH＝0和GMI比较，倘若GMI≤0，则认为当前变量fi和主导变量之间没有多大关联，故剔除。倘若GMI≥0，则会保留此fi进入待选变量集。
实施例1
采用上述BMIFS算法进行辅助变量筛选，在此基础上基于LSTM建立SCR出口NOx浓度预估模型。结果如下：
1、NOx辅助变量筛选结果
本发明的研究对象是SCR脱硝***出口NOx浓度，通过上述对NOx产生机理的分析，在采集一定量的某300MW火电机组可靠现场历史运行数据之后，将其进行预处理，并结合改进的BMIFS挑选辅助变量降维，其中β设为0.7。
原始输入变量包括：锅炉负荷、总煤量、一次风总量、二次风总量、SOFA3、SOFA2、SOFA1、OFA2、OFA1、EF、E、DE、D、CD2、CD1、C、BC、B、AB、A、AA共17层风门挡板开度、烟气温度、烟气含氧量和脱硝反应器出口NOx浓度。由于OF1以及CD2挡板开度一直是零，因此在预处理中将其剔除。
通过BMIFS算法计算后，可以得到与主导变量关联性最大，也就是互信息值最大的变量为总二次风量，基于此，进一步获取剩余使得评价函数GM＞0的6个辅助变量，如表1所示。
表1辅助变量评价函数值
Figure BDA0003164802450000063
Figure BDA0003164802450000071
经筛选，模型最终确定7个辅助变量，它们分别为：负荷、总煤量、一次风总量、二次风总量、AB层二次风门挡板开度、烟气含氧量、烟气温度。
2、建模结果
在使用Keras框架进行LSTM网络搭建时，需要设定必要的参数，参数设置的不同，模型最后呈现的特性也不同。参数优化是针对学习算法，挑选一组最优参数的过程。在Keras框架下，需要调整的参数主要包含神经网络层数、隐层神经元个数、训练总次数、批量样本大小、学习率等。本发明主要针对LSTM预估模型，主要对训练总次数、学习率两个参数进行调优。
实验发现，在训练达到1000次左右时，准确率逐渐收敛，在次数达到9000次左右后，准确率出现明显下降，其主要原因是过多的训练造成梯度***。因此，把训练次数定为2000次，便可以在较少时间内实现网络模型训练，同时避开梯度***。学习率在0.001,0.003,0.006下，模型训练次数在5000次以内，准确率变化基本一致，但当训练次数超过5000次之后，学习率为0.001的曲线发生较为明显的下滑，在训练次数到达6800次之后，学习率为0.006的曲线也发生了明显的下滑。学习率的大小从一定程度上决定了参数更新到最优值的速度快慢，从实验结果分析可以知道，学习率过大时，模型每次训练梯度下降步长过大，便容易错过最优解。
经过多次实验调整参数，最终Adam算法的学习率定为η＝0.003，批量样本个数定为b＝50，LSTM网络层数为2，隐层的神经元个数是100，训练次数定为T＝2000。将预处理后的1600组数据，其中80％当作模型的训练数据，20％当作模型的测试数据，分别建立未经辅助变量提取的LSTM网络模型以及经过辅助变量筛选的LSTM网络模型，最终的模型训练数据拟合效果如图3所示，相对误差如图4所示。
根据图3，可以看到两类模型LSTM和本发明BMIFS-LSTM均能较好的拟合训练数据，但从图4的相对误差中能够看出，本发明基于BMIFS-LSTM建立的模型相对LSTM模型误差更小，因此可以得出，预先经过BMIFS辅助变量选取后的样本可以更好的训练模型，从而做到更好的拟合效果。
接下来用已经训练好的模型对测试数据进行预估，得到两类模型最终的预估结果以及误差，如图5、图6所示。
根据图5，能够分析发现未经辅助变量提取的预估模型(LSTM)的预估精度没有经过辅助变量提取的预估模型(BMIFS-LSTM)高，结合图6可以进一步发现，基于BMIFS-LSTM预估模型的相对误差相比之下要更小，也进一步表明本发明模型的预估精度更高。

Claims (10)

1.一种基于LSTM的SCR出口氮氧化物浓度预测方法，其特征在于，所述SCR出口氮氧化物浓度预测方法采用改进的互信息特征选择算法，考虑相关性和冗余性进行辅助变量筛选，基于最终确定的辅助变量建立LSTM预估模型。
2.根据权利要求1所述的SCR出口氮氧化物浓度预测方法，其特征在于，所述改进的互信息特征选择算法在循环挑选辅助变量过程中，考虑已选变量个数|S|，将1/|S|作为权重，同时将待选变量和主导变量之间的关联性加入到待选变量之间的关联性当中。
3.根据权利要求2所述的SCR出口氮氧化物浓度预测方法，其特征在于，所述改进的互信息特征选择算法的表达式如下：
Figure FDA0003164802440000011
上式中，|S|表示已选特征变量个数；MR是在已选变量集S中，fi相对Sj的最小冗余量，其公式如下：
Figure FDA0003164802440000012
如果I(fi；c)＝0，则该特征变量fi将被剔除；如果fi和Sj同主导变量之间均存在较大关联性，但fi和Sj之间也存在高度冗余性，则fi也会被剔除。
4.根据权利要求3所述的SCR出口氮氧化物浓度预测方法，其特征在于，所述改进的互信息特征选择算法在循环挑选辅助变量过程中，先预先设定阈值TH＝0和GMI比较，倘若GMI≤0，则认为当前变量fi和主导变量之间没有多大关联，故剔除；倘若GMI≥0，则会保留此fi进入待选变量集。
5.根据权利要求4所述的SCR出口氮氧化物浓度预测方法，其特征在于，所述改进的互信息特征选择算法最终确认的辅助变量为：锅炉负荷、总煤量、一次风总量、二次风总量、AB层二次风门挡板开度、烟气含氧量、烟气温度。
6.根据权利要求1至5任一所述的SCR出口氮氧化物浓度预测方法，其特征在于，所述LSTM预估模型的建立使用Keras框架，并采用Adam优化算法。
7.根据权利要求6所述的SCR出口氮氧化物浓度预测方法，其特征在于，所述LSTM预估模型网络层数为2，隐层的神经元个数为100。
8.根据权利要求7所述的SCR出口氮氧化物浓度预测方法，其特征在于，所述Adam优化算法的学习率η＝0.003，训练次数为2000次。
9.根据权利要求8所述的SCR出口氮氧化物浓度预测方法，其特征在于，所述LSTM预估模型的批量样本个数b＝50。
10.根据权利要求9所述的SCR出口氮氧化物浓度预测方法，其特征在于，所述LSTM预估模型将输入样本数据进行标准化处理，并将处理后的数据按8：2划分为训练集和测试集。
CN202110801059.0A 2021-07-15 2021-07-15 一种基于lstm的scr出口氮氧化物浓度预测方法 Pending CN113435584A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110801059.0A CN113435584A (zh) 2021-07-15 2021-07-15 一种基于lstm的scr出口氮氧化物浓度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110801059.0A CN113435584A (zh) 2021-07-15 2021-07-15 一种基于lstm的scr出口氮氧化物浓度预测方法

Publications (1)

Publication Number Publication Date
CN113435584A true CN113435584A (zh) 2021-09-24

Family

ID=77760554

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110801059.0A Pending CN113435584A (zh) 2021-07-15 2021-07-15 一种基于lstm的scr出口氮氧化物浓度预测方法

Country Status (1)

Country Link
CN (1) CN113435584A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110675920A (zh) * 2019-10-22 2020-01-10 华北电力大学 一种基于MI-LSTM的锅炉NOx预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110675920A (zh) * 2019-10-22 2020-01-10 华北电力大学 一种基于MI-LSTM的锅炉NOx预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GAO CHUNYU 等: "Prediction of NOx in SCR Inlet of Thermal Power Plant Based on Mutual Information and Long Short-Term Memory Network", 《2020 5TH INTERNATIONAL CONFERENCE ON POWER AND RENEWABLE ENERGY (ICPRE)》, pages 512 - 516 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
Yang et al. Prediction of the NOx emissions from thermal power plant using long-short term memory neural network
Wang et al. A hybrid NOx emission prediction model based on CEEMDAN and AM-LSTM
CN113433911B (zh) 基于浓度精准预测的脱硝装置喷氨精准控制***与方法
CN105629736B (zh) 数据驱动的火电机组scr脱硝扰动抑制预测控制方法
CN111222284B (zh) 一种中速磨煤机组入口一次风量整体软测量方法
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***
CN112613237B (zh) 一种基于LSTM的CFB机组NOx排放浓度的预测方法
CN109190848A (zh) 一种基于时延预估的SCR***NOx排放浓度预测方法
CN110263452B (zh) 一种烟道内烟气时间分布特性分析方法、***及脱硝***
CN114225662B (zh) 一种基于滞后模型的烟气脱硫脱硝优化控制方法
Yang et al. A novel denitration cost optimization system for power unit boilers
CN115145152A (zh) 一种锅炉燃烧与脱硝过程协同优化控制的方法
CN104715142A (zh) 一种电站锅炉NOx排放动态软测量方法
Liu et al. Anticipatory NH3 injection control for SCR system based on the prediction of the inlet NOx concentration
CN108021027B (zh) 一种超临界循环流化床机组输出功率预测***及方法
CN109766666A (zh) 基于低氮燃烧与SNCR-SCR协同控制的锅炉烟气排放NOx浓度预测方法
CN113435584A (zh) 一种基于lstm的scr出口氮氧化物浓度预测方法
Ma et al. Developing an evolutionary deep learning framework with random forest feature selection and improved flow direction algorithm for NOx concentration prediction
Qiao A novel online modeling for NOx generation prediction in coal-fired boiler
CN113488111B (zh) 一种scr脱硝***喷氨量优化建模方法
Wang et al. NOx emission prediction of coal-fired power units under uncertain classification of operating conditions
CN109933884B (zh) 一种面向燃煤机组scr脱硝***神经网络逆控制的方法
CN116050643A (zh) 一种基于集成模型的流程工业污染物排放浓度预测方法
Wang et al. Data mining-based operation optimization of large coal-fired power plants
CN115113519A (zh) 一种煤-煤气混烧锅炉脱硝***出口NOx浓度预警方法

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