CN114708924B - 预测scr***中吹灰器吹灰间隔时间的模型构建方法及装置 - Google Patents
预测scr***中吹灰器吹灰间隔时间的模型构建方法及装置 Download PDFInfo
- Publication number
- CN114708924B CN114708924B CN202210314076.6A CN202210314076A CN114708924B CN 114708924 B CN114708924 B CN 114708924B CN 202210314076 A CN202210314076 A CN 202210314076A CN 114708924 B CN114708924 B CN 114708924B
- Authority
- CN
- China
- Prior art keywords
- soot blowing
- model
- soot
- time interval
- neural network
- 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
Links
- 239000004071 soot Substances 0.000 title claims abstract description 138
- 238000007664 blowing Methods 0.000 title claims abstract description 89
- 238000010276 construction Methods 0.000 title claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000005516 engineering process Methods 0.000 claims abstract description 24
- 230000005284 excitation Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 23
- 239000002245 particle Substances 0.000 claims description 21
- 238000009434 installation Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 239000002956 ash Substances 0.000 description 23
- 238000004140 cleaning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 4
- 239000003054 catalyst Substances 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 238000010531 catalytic reduction reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000008204 material by function Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建方法及装置，方法包括：采集SCR***结构参数、运行数据以及历史吹灰时间间隔构建初始数据库；对初始数据库进行归一化处理，并将初始数据库划分为训练集和测试集；选择BP神经网络的激励函数，并确定BP神经网络的输入层节点、输出层节点以及隐含层节点，构建吹灰时间间隔模型；采用训练集对吹灰时间间隔模型进行训练；通过测试集对吹灰时间间隔模型进行权值和阈值进行优化，直到所述权值和阈值收敛，得到训练好的吹灰时间间隔模型。本发明根据SCR***现有结构参数和运行数据快速、便捷、准确地确定最佳吹灰时间，避免了生产中调试的过程，大大节省了时间及经济成本。
Description
技术领域
本文件涉及机器学习技术领域，尤其涉及一种基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建方法及装置。
背景技术
选择性催化还原脱硝技术(Selective Catalytic Reduction，SCR)以其成熟的工艺和较高的脱硝效率成为国内外最主要的燃煤锅炉脱硝方法。脱硝催化剂是SCR***中最重要的功能性材料，其使用寿命对SCR技术的脱硝效率和经济成本有着巨大的影响。但是烟气中的高浓度飞灰颗粒流经SCR***时会造成催化剂堵塞和磨损，这会大幅降低脱硝装置性能、导致氨逃逸增加以及空预器堵塞，严重时甚至会导致非计划停机。因此，有效分离大颗粒灰，保证SCR脱硝***安全高效运行是各电厂亟需解决的问题。
在烟道恰当的位置布置大颗粒灰拦截装置是当前分离捕集大颗粒灰的主要技术，该技术具有对流场设计要求低、捕集效率高、改造与安装方便等优点。目前，大颗粒灰拦截装置已在国内百万机组选择性催化还原脱硝***上成功应用。为了防止拦截网堵塞，需在拦截装置处设置自清灰结构，如在拦截网背风面安装空气炮吹灰装置。在确定好吹灰器类型及安装位置的前提下，吹灰间隔是影响大颗粒灰拦截与清除效率的最重要因素。虽然燃煤电厂SCR***配有吹灰器进行吹灰，但是由于缺乏吹灰器堵塞的实时直观数据，大多数电厂根据经验制定的按时定量吹灰方式有所不足，或吹灰不足导致未能有效降低压降损失、效率降低，或吹灰次数过多导致能耗和成本的增加。因此，如何实时预测吹灰器堵塞并制定合理的吹灰方案，对SCR***稳定运行有重要意义。现有SCR脱硝***大颗粒灰拦截技术尚处于起步阶段，吹灰控制方案中的吹灰间隔时间设置仍靠经验获得，在电厂的复杂运行工况下适用性有限。
发明内容
本发明的目的在于提供一种基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建方法方法及装置，旨在解决现有技术中的上述问题。
本发明提供一种基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建方法，包括：
采集SCR***结构参数、运行数据以及历史吹灰时间间隔，基于SCR***结构参数、运行数据以及历史吹灰时间间隔构建初始数据库；
对初始数据库进行归一化处理，并按照特定比例将归一化后的初始数据库划分为训练集和测试集；
选择BP神经网络的激励函数，并确定BP神经网络的输入层节点、输出层节点以及隐含层节点，构建吹灰时间间隔模型；
采用训练集对吹灰时间间隔模型进行训练；
通过测试集对吹灰时间间隔模型进行权值和阈值进行优化，直到权值和阈值收敛，得到训练好的吹灰时间间隔模型。
本发明提供了一种基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建装置，包括：
数据采集模块，用于采集SCR***结构参数、运行数据以及历史吹灰时间间隔，基于SCR***结构参数、运行数据以及历史吹灰时间间隔构建初始数据库；
归一化模块，用于对初始数据库进行归一化处理，并按照特定比例将归一化后的初始数据库划分为训练集和测试集；
模型构建模块，用于通过选择BP神经网络的激励函数，并确定BP神经网络的输入层节点、输出层节点以及隐含层节点构建吹灰时间间隔模型；
模型训练模块，用于通过训练集对吹灰时间间隔模型进行训练；
模型优化模块，用于通过测试集对吹灰时间间隔模型进行权值和阈值进行优化，直到权值和阈值收敛，得到训练好的吹灰时间间隔模型。
本发明提供了一种电子设备，包括：处理器；
以及，被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行时实现如上述的基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建方法的步骤
本发明提供了一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现如上述基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建方法的步骤
采用本发明实施例，通过采集SCR***结构参数、运行数据以及历史吹灰时间间隔构建吹灰时间间隔模型，并对吹灰时间间隔模型进行权值和阈值进行优化，获取一个最佳的吹灰时间间隔模型，快速、便捷、准确地确定最佳吹灰时间，避免了生产中调试的过程，大大节省了时间及经济成本。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建方法的流程图；
图2为本发明实施例的BP神经网络结构示意图；
图3为本发明实施例的一种基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
方法实施例
根据本发明实施例，提供了一种基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建方法，图1是本发明实施例的基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建方法的流程图，如图1所示，根据本发明实施例的基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建方法具体包括：
步骤S101，采集SCR***结构参数、运行数据以及历史吹灰时间间隔，基于SCR***结构参数、运行数据以及历史吹灰时间间隔构建初始数据库；步骤S101具体包括：整理之前已完成的大量模拟及试验，采集SCR***结构参数和运行数据，并记录历史吹灰时间间隔，构建这些参数和吹灰器吹灰时间的相应数据库。
步骤S102，对初始数据库进行归一化处理，并按照特定比例将归一化后的初始数据库划分为训练集和测试集；步骤S102具体包括：采用归一化公式为：
其中，Xi为第i个归一化输入参数，xi是第i个输入参数,xmin，i是第i个输入参数中的最小值，xmax,i第i个输入参数中的最大值。一般采用7:3的比例划分为训练集和测试集。
步骤S103，选择BP神经网络的激励函数，并确定BP神经网络的输入层节点、输出层节点以及隐含层节点，构建吹灰时间间隔模型；
采用sigmoiod函数作为激励函数，所述sigmoid函数为：
其中，s是激励函数的自变量，同时是层与层之间传输的输入变量。
图2为本发明实施例的BP神经网络的结构示意图，根据图2可知，输入参数x1～x6分别为拦截网安装高度、气流量、大颗粒灰直径、大颗粒灰流量、吹灰器个数、吹灰器安装角度，输出参数y1为清灰间隔时间。
步骤S104，采用训练集对吹灰时间间隔模型进行训练；步骤S104具体包括：
求隐含层及输出层各节点输出，计算目标值和实际输出值的偏差，若误差大于允许误差，则误差通过隐含层向输入层反向传播，隐含层根据此信号进行权值更新，随后重新正向传播，直到目标值与预测值满足允许误差时，学习结束。
步骤S105，通过测试集对吹灰时间间隔模型进行权值和阈值进行优化，直到权值和阈值收敛，得到训练好的吹灰时间间隔模型。步骤S105具体包括：使用测试集的数据对预测模型的精度进行验证，当精度达标，BP神经网络预测模型构建成功。当精度不达标，重复训练过程直至精度达标。评价指标为相关系数和方差，相关系数为：
方差为：
其中，yi是第j个清灰间隔时间实际值，是第j个清灰间隔时间预测值，/>是清灰间隔时间的平均值，N为测试集中的样本数量。
BP神经网络预测模型构建成功后，在实际电厂运行中，首先确定大颗粒灰拦截方案(如拦截网位置、拦截网开孔形状、拦截网结构形状)和吹灰方案(如吹灰器类型、吹灰器安装位置、清灰方式)，随后将六个输入参数(拦截网安装高度、气流量、大颗粒灰直径、大颗粒灰流量、吹灰器个数、吹灰器安装角度)的具体数值输入至已构建的BP神经网络，得到满足最佳清灰效率条件的清灰间隔时间。
装置实施例一
根据本发明实施例，提供了一种基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建装置，图3是本发明实施例的一种基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建装置的示意图，如图3所示，根据本发明实施例的一种基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建装置具体包括：
数据采集模块30，用于采集SCR***结构参数、运行数据以及历史吹灰时间间隔，基于SCR***结构参数、运行数据以及历史吹灰时间间隔构建初始数据库；数据采集模块具体用于：整理之前已完成的大量模拟及试验，采集SCR***结构参数和运行数据，并记录历史吹灰时间间隔，构建这些参数和吹灰器吹灰时间的相应数据库。
归一化模块32，用于对初始数据库进行归一化处理，并按照特定比例将归一化后的初始数据库划分为训练集和测试集；归一化模块具体用于：采用归一化公式为：
其中，Xi为第i个归一化输入参数，xi是第i个输入参数,xmin，i是第i个输入参数中的最小值，xmax,i第i个输入参数中的最大值。一般采用7:3的比例划分为训练集和测试集。
模型构建模块34，用于通过选择BP神经网络的激励函数，并确定BP神经网络的输入层节点、输出层节点以及隐含层节点构建吹灰时间间隔模型；模型构建模块34具体用于：采用sigmoiod函数作为激励函数，所述sigmoid函数为：
其中，s是激励函数的自变量，同时是层与层之间传输的输入变量。
图2为本发明实施例的BP神经网络的结构示意图，根据图2可知，输入参数x1～x6分别为拦截网安装高度、气流量、大颗粒灰直径、大颗粒灰流量、吹灰器个数、吹灰器安装角度，输出参数y1为清灰间隔时间。
模型训练模块36，用于通过训练集对吹灰时间间隔模型进行训练；模型训练模块具体用于：求隐含层及输出层各节点输出，计算目标值和实际输出值的偏差，若误差大于允许误差，则误差通过隐含层向输入层反向传播，隐含层根据此信号进行权值更新，随后重新正向传播，直到目标值与预测值满足允许误差时，学习结束。
模型优化模块38，用于通过测试集对吹灰时间间隔模型进行权值和阈值进行优化，直到权值和阈值收敛，得到训练好的吹灰时间间隔模型，模型优化模块具体用于：使用测试集的数据对预测模型的精度进行验证，当精度达标，BP神经网络预测模型构建成功。当精度不达标，重复训练过程直至精度达标。评价指标为相关系数和方差，相关系数为：
方差为：
其中，yi是第j个清灰间隔时间实际值，是第j个清灰间隔时间预测值，/>是清灰间隔时间的平均值，N为测试集中的样本数量。
BP神经网络预测模型构建成功后，在实际电厂运行中，首先确定大颗粒灰拦截方案(如拦截网位置、拦截网开孔形状、拦截网结构形状)和吹灰方案(如吹灰器类型、吹灰器安装位置、清灰方式)，随后将六个输入参数(拦截网安装高度、气流量、大颗粒灰直径、大颗粒灰流量、吹灰器个数、吹灰器安装角度)的具体数值输入至已构建的BP神经网络，得到满足最佳清灰效率条件的清灰间隔时间。
装置实施例二
本发明实施例提供一种电子设备，包括：处理器；
以及，被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行时实现如方法实施例中所述的步骤。
装置实施例三
本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传输的实现程序，所述程序被处理器执行时实现如方法实施例中所述的步骤。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建方法，其特征在于，包括：
采集SCR***结构参数、运行数据以及历史吹灰时间间隔，基于所述SCR***结构参数、运行数据以及历史吹灰时间间隔构建初始数据库；
对所述初始数据库进行归一化处理，并按照特定比例将所述归一化后的初始数据库划分为训练集和测试集；
选择BP神经网络的激励函数，并确定BP神经网络的输入层节点、输出层节点以及隐含层节点，构建吹灰时间间隔模型；
采用训练集对所述吹灰时间间隔模型进行训练；
通过测试集对所述吹灰时间间隔模型进行权值和阈值进行优化，直到所述权值和阈值收敛，得到训练好的吹灰时间间隔模型；
所述选择BP神经网络的激励函数，并确定BP神经网络的输入层节点、输出层节点以及隐含层节点构建吹灰时间间隔模型，具体包括：
采用sigmoiod函数作为激励函数，所述sigmoid函数通过公式1获取；
其中，s为激励函数的自变量；
设置输入层节点参数为x1～x6，所述x1～x6分别为拦截网安装高度、气流量、大颗粒灰直径、大颗粒灰流量、吹灰器个数以及吹灰器安装角度；
设置输出层节点参数y1为清灰间隔时间；
根据公式2求取隐含层节点数l；
其中，m表示输入层节点数，n表示输出层节点数，a为常数，其取值范围为[1,10]。
2.根据权利要求1所述的方法，其特征在于，所述采用训练集对所述吹灰时间间隔模型进行训练具体包括：
根据所述隐含层节点及输出层节点的输出，计算目标值和实际输出值的偏差，若所述偏差大于预定误差，则误差通过隐含层向输入层反向传播，隐含层根据此信号进行权值更新，随后重新正向传播，直到目标值与预测值满足所述预定误差。
3.根据权利要求1所述的方法，其特征在于，所述通过测试集对所述吹灰时间间隔模型进行权值和阈值进行优化具体包括：
通过相关系数和均方差对所述吹灰时间间隔模型进行权值和阈值进行优化，所述相关系数通过公式3获取，所述均方差通过公式4获取；
其中，yi是第j个清灰间隔时间实际值，是第j个清灰间隔时间预测值，/>是清灰间隔时间的平均值，N为测试集中的样本数量。
4.一种基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建装置，其特征在于，包括：
数据采集模块，用于采集SCR***结构参数、运行数据以及历史吹灰时间间隔，基于所述SCR***结构参数、运行数据以及历史吹灰时间间隔构建初始数据库；
归一化模块，用于对所述初始数据库进行归一化处理，并按照特定比例将所述归一化后的初始数据库划分为训练集和测试集；
模型构建模块，用于通过选择BP神经网络的激励函数，并确定BP神经网络的输入层节点、输出层节点以及隐含层节点构建吹灰时间间隔模型；
模型训练模块，用于通过训练集对所述吹灰时间间隔模型进行训练；
模型优化模块，用于通过测试集对所述吹灰时间间隔模型进行权值和阈值进行优化，直到所述权值和阈值收敛，得到训练好的吹灰时间间隔模型；
模型构建模块具体用于：
采用sigmoiod函数作为激励函数，所述sigmoid函数通过公式1获取；
其中，s为激励函数的自变量；
设置输入层节点参数为x1～x6，所述x1～x6分别为拦截网安装高度、气流量、大颗粒灰直径、大颗粒灰流量、吹灰器个数以及吹灰器安装角度；
设置输出层节点参数y1为清灰间隔时间；
根据公式2求取隐含层节点数l；
其中，m表示输入层节点数，n表示输出层节点数，a为常数，其取值范围为[1,10]。
5.根据权利要求4所述的装置，其特征在于，所述模型训练模块具体用于：
根据所述隐含层节点及输出层节点的输出，计算目标值和实际输出值的偏差，若所述偏差大于预定误差，则误差通过隐含层向输入层反向传播，隐含层根据此信号进行权值更新，随后重新正向传播，直到目标值与预测值满足所述预定误差。
6.根据权利要求4所述的装置，其特征在于，所述模型优化模块具体用于：
通过相关系数和均方差对所述吹灰时间间隔模型进行权值和阈值进行优化，所述相关系数通过公式3获取，所述均方差通过公式4获取；
其中，yi是第j个清灰间隔时间实际值，是第j个清灰间隔时间预测值，/>是清灰间隔时间的平均值，N为测试集中的样本数量。
7.一种电子设备，包括：处理器；
以及，被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行时实现如权利要求1至3中任一项所述的基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建方法的步骤。
8.一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现如权利要求1至3中任一项所述的基于BP神经网络技术预测SCR***中吹灰器吹灰间隔时间的模型构建方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210314076.6A CN114708924B (zh) | 2022-03-28 | 2022-03-28 | 预测scr***中吹灰器吹灰间隔时间的模型构建方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210314076.6A CN114708924B (zh) | 2022-03-28 | 2022-03-28 | 预测scr***中吹灰器吹灰间隔时间的模型构建方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114708924A CN114708924A (zh) | 2022-07-05 |
| CN114708924B true CN114708924B (zh) | 2024-06-18 |
Family
ID=82171566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210314076.6A Active CN114708924B (zh) | 2022-03-28 | 2022-03-28 | 预测scr***中吹灰器吹灰间隔时间的模型构建方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114708924B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109654517A (zh) * | 2018-12-05 | 2019-04-19 | 中北大学 | 一种基于受热面健康状态预测的锅炉吹灰优化方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069185A (zh) * | 2015-07-14 | 2015-11-18 | 东南大学 | 一种利用烟气压差法建立空预器清洁因子计算模型的方法及应用 |
| US10416619B2 (en) * | 2016-07-25 | 2019-09-17 | General Electric Company | System modeling, control and optimization |
| CN106599586B (zh) * | 2016-12-19 | 2019-05-28 | 北京国能中电节能环保技术股份有限公司 | 基于神经网络的scr智能喷氨优化方法及装置 |
| KR20180076918A (ko) * | 2016-12-28 | 2018-07-06 | 대우조선해양 주식회사 | 선박용 엔진 배기 계통의 그을음 제거 장치 및 방법 |
| CN109603545B (zh) * | 2018-12-28 | 2020-01-07 | 浙江大学 | 一种联合吹灰的scr脱硝方法及装置 |
| SG10201903974UA (en) * | 2019-04-06 | 2020-11-27 | Avanseus Holdings Pte Ltd | Method and system for accelerating convergence of recurrent neural network for machine failure prediction |
| CN111068516B (zh) * | 2020-01-18 | 2023-11-14 | 浙江大学 | 多元强化耦合智能调控防止高粘性灰在催化剂表面沉积的***及方法 |
| CN112833409A (zh) * | 2021-01-18 | 2021-05-25 | 江苏方天电力技术有限公司 | 一种基于动态损失预测的炉膛吹灰优化方法 |
| CN114225662B (zh) * | 2021-12-07 | 2024-02-13 | 国网河北能源技术服务有限公司 | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 |
-
2022
- 2022-03-28 CN CN202210314076.6A patent/CN114708924B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109654517A (zh) * | 2018-12-05 | 2019-04-19 | 中北大学 | 一种基于受热面健康状态预测的锅炉吹灰优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| SCR脱硝过程神经网络建模及控制;孙大瑞;《中国优秀硕士学位论文全文数据库信息科技辑》;20180315;I140-118 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114708924A (zh) | 2022-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107243257B (zh) | 适合全负荷的智能喷氨控制*** | |
| 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*** | |
| CN111624876B (zh) | 一种智能的喷氨优化控制*** | |
| KR102094288B1 (ko) | 보일러의 연소 최적화 연산을 위한 시스템 및 방법 | |
| CN110188383B (zh) | 一种基于选择性集成模型的电站scr脱硝建模方法 | |
| CN109359428B (zh) | 一种锅炉燃烧效率和氮氧化合物排放量的建模方法 | |
| CN111260107A (zh) | 锅炉燃烧优化***及方法 | |
| CN104504292A (zh) | 基于bp神经网络预测循环流化床锅炉最佳工作温度的方法 | |
| CN112364562B (zh) | 一种烟气环保岛协同控制方法及*** | |
| CN113433911A (zh) | 基于浓度精准预测的脱硝装置喷氨精准控制***与方法 | |
| CN112232373A (zh) | 一种锅炉飞灰含碳量预测方法及*** | |
| CN114708924B (zh) | 预测scr***中吹灰器吹灰间隔时间的模型构建方法及装置 | |
| CN112365065A (zh) | 一种wfgd自适应在线优化调度方法 | |
| CN117744704B (zh) | 一种烟气污染源采集监测***、方法及可读存储介质 | |
| CN115145152A (zh) | 一种锅炉燃烧与脱硝过程协同优化控制的方法 | |
| CN113223628B (zh) | 一种基于机器学习技术辅助金属氧化物scr催化剂快速筛选的方法 | |
| CN112183872A (zh) | 结合生成对抗网络与神经网络的高炉煤气发生量预测方法 | |
| CN112613237A (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
| CN109933884B (zh) | 一种面向燃煤机组scr脱硝***神经网络逆控制的方法 | |
| CN115755624A (zh) | 一种基于进化算法的燃煤锅炉多目标优化方法 | |
| CN112308397B (zh) | 一种基于火电机组脱硝综合性能评价方法 | |
| CN115310367A (zh) | 一种基于lstm神经网络的矿井空气质量监测*** | |
| CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝***出口NOx浓度预警方法 | |
| CN112800672B (zh) | 锅炉粘污系数的评估方法、***、介质及电子设备 | |
| CN111639742A (zh) | 一种脱硫脱硝循环泵状态故障诊断***及方法 |
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 |