CN114911169A - 一种脱硫增效装置的优化方法、***、设备及介质 - Google Patents
一种脱硫增效装置的优化方法、***、设备及介质 Download PDFInfo
- Publication number
- CN114911169A CN114911169A CN202210661547.0A CN202210661547A CN114911169A CN 114911169 A CN114911169 A CN 114911169A CN 202210661547 A CN202210661547 A CN 202210661547A CN 114911169 A CN114911169 A CN 114911169A
- Authority
- CN
- China
- Prior art keywords
- data
- key parameter
- desulfurization
- tuple
- parameter
- 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
- 238000006477 desulfuration reaction Methods 0.000 title claims abstract description 100
- 230000023556 desulfurization Effects 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000002195 synergetic effect Effects 0.000 title description 9
- 238000012216 screening Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000013461 design Methods 0.000 claims abstract description 31
- 238000004140 cleaning Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 4
- 230000004048 modification Effects 0.000 abstract description 4
- 238000012986 modification Methods 0.000 abstract description 4
- 239000002002 slurry Substances 0.000 description 18
- 230000008569 process Effects 0.000 description 12
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 8
- 239000003546 flue gas Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000010606 normalization Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 239000007789 gas Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 102100020970 ATP-binding cassette sub-family D member 2 Human genes 0.000 description 1
- 101000783774 Homo sapiens ATP-binding cassette sub-family D member 2 Proteins 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- B01D53/46—Removing components of defined structure
- B01D53/48—Sulfur compounds
- B01D53/50—Sulfur oxides
-
- 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
- B01D53/80—Semi-solid phase processes, i.e. by using slurries
-
- 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
- B01D53/96—Regeneration, reactivation or recycling of reactants
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Sustainable Development (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Treating Waste Gases (AREA)
- Refinement Of Pig-Iron, Manufacture Of Cast Iron, And Steel Manufacture Other Than In Revolving Furnaces (AREA)
Abstract
本发明提供了一种脱硫增效装置的优化方法、***、设备及介质,该方法包括根据DCS***实时获取脱硫***内修正所需的关键参数数据,并对数据进行预处理后,各关键参数结合为一个数据元组;对各数据元组进行数据清洗与筛选获得各目标元组;将各目标元组基于设定的基准值与完成度模型拟合计算获得训练集,并通过自学习算法拟合确定修正后的各关键参数相对影响系数的经验公式,确定各关键参数对脱硫效率的影响系数;确定优化的托盘装置设计方案。本发明基于大数据的分析方法,基于大量***数据和自学习算法,对运行数据校正经验公式,使设计参数将更为精准,更适用于超低排放改造后的机组的脱硫***,提高设计精准性有利于托盘塔装置的设计开发。
Description
技术领域
本文件涉及脱硫技术领域,尤其涉及一种脱硫增效装置的优化方法、***、设备及介质。
背景技术
现有SO2是燃煤电厂排放的主要大气污染物,也是导致空气污染的主要原因之一。绝大多数的燃煤电站采用湿法脱硫技术脱除尾部烟气内SO2。燃煤电站需引入脱硫增效技术以达到“超低排放”的目标。
目前主要脱硫增效技术主要包括脱硫增效剂、湍流均流器、旋汇耦合技术、ALDR技术、脱硫托盘等。燃煤电站主要采用脱硫托盘作为增效手段,如图1所示。基于经验公式拟合各个关键参数对脱硫效率的影响因子,具体如下:
托盘塔参数设计基于完成度(C)模型进行托盘设计计算。主要原理如下:
首先设定目标脱硫效率计算对应的总影响系数(Ct)。对于每个关键参数,设定相对影响系数R。完成校核计算,需实现总影响系数Ct与各个相对系数的乘积∏R的无差化。则需进行某参数设计计算时,只需调整该参数对应的相对影响系数R直至Ct与∏R的无差化,即可输出该参数的建议值。
完成校核计算,需满足:Ct=∏R。
且托盘塔设计采用的经验公式基于的数据为本世纪初的电站运行数据,如针对液气比相对系数,拟合而得的经验公式为:RL/G=0.3636+0.0159(L/G),但随着超低排放、废水零排放、强化脱硫措施等环保措施的实行,燃煤电站湿法脱硫***的关键参数水平已发生较大改变。因此采用基于过时数据的经验公式进行托盘增效设计计算会产生一定偏差。
如上述液气比相对系数经验公式的经验公式范围过于狭窄,不适用于进行超低排放改造后的机组。且该公式将液气比相对系数拟合做一个线性模型,导致拟合准确性的下降,则会造成托盘增效设计计算会产生一定偏差。
有鉴于此,继续提供一种计算更精准、更适用于超低排放改造后的机组的脱硫增效装置的方法。
发明内容
本说明书一个或多个实施例提供了一种脱硫增效装置的优化方法,包括步骤:
根据DCS***实时获取脱硫***内修正所需的关键参数数据,并对数据进行预处理后,各关键参数结合为一个数据元组;
对各数据元组进行数据清洗,设定各关键参数及各关键参对应的数相对影响系数的基准值作为参考序列,通过灰色关联度分析法及设定的关联序阈值,以设定的各关键参数及各关键参对应的数相对影响系数的基准值作为参考序列,对各数据元组进行筛选计算获得各目标元组;
将各目标元组基于设定的基准值与完成度模型拟合计算获得训练集,并通过自学习算法拟合确定修正后的各关键参数相对影响系数的经验公式,确定各关键参数对脱硫效率的影响系数;
根据确定的各关键参数对脱硫效率的影响系数,结合物料平衡计算与脱硫***差压计算得出***参数需求,最终得到优化的托盘装置设计方案。
本说明书一个或多个实施例提供了一种脱硫增效装置的优化***,包括:
数据获取及预处理模块:根据DCS***实时获取脱硫***内修正所需的关键参数数据,并对数据进行预处理后,构建各参数初始数据集;
数据清洗筛选模块:用于基于数据获取及预处理模块对获取关键参数数据的预处理得到的数据序列,对各数据元组进行数据清洗,设定各关键参数及各关键参对应的数相对影响系数的基准值作为参考序列,通过灰色关联度分析法及设定的关联序阈值,以设定的各关键参数及各关键参对应的数相对影响系数的基准值作为参考序列,对各数据元组进行筛选计算获得各目标元组;
拟合修正模块:用于将各目标元组基于设定的基准值与完成度模型拟合计算获得训练集,并通过自学习算法拟合确定修正后的各关键参数相对影响系数的经验公式,确定各关键参数对脱硫效率的影响系数;
托盘装置设计方案确认模块:根据确定的各关键参数对脱硫效率的影响系数,结合物料平衡计算与脱硫***差压计算得出***参数需求,最终得到优化的托盘装置设计方案。
本说明书一个或多个实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述所述的脱硫增效装置的优化方法。
本说明书一个或多个实施例提供了一种计算机可读存储介质,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述所述的脱硫增效装置的优化方法。
本发明基于大数据的分析方法,基于大量***数据,通过智能算法对DCS原数据进行清洗筛选,按照设定基准值计算仅有单参数不同的相似参数序列,实现参数变量控制。基于自学习算法,拟合出各变量与脱硫效率的关系式,对运行数据校正经验公式,通过新公式得到的设计参数将更为精准,更适用于超低排放改造后的机组的脱硫***,提高设计精准性有利于托盘塔装置的设计开发。
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为本说明书提供的现有常见的托盘装置设计流程图;
图2为本说明书一个或多个实施例提供的一种脱硫增效装置的优化方法的流程示意图;
图3为本说明书一个或多个实施例提供的一种脱硫增效装置的优化方法数据拟合后托盘设计的流程示意框图;
图4为本说明书一个或多个实施例提供的一种脱硫增效装置的优化***的示意图框图;
图5为本说明书一个或多个实施例提供的一种计算机设备的结构示意图。
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。
下面结合具体实施方式和说明书附图对本发明做出详细的说明。
方法实施例
根据本发明实施例,提供了一种脱硫增效装置的优化方法,如图2所示,为本实施例的脱硫增效装置的优化方法流程图,根据本发明实施例的脱硫增效装置的优化方法,包括步骤:
步骤S1、根据DCS***实时获取脱硫***内修正所需的关键参数数据,并对数据进行预处理后,各关键参数结合为一个数据元组;
本实施例关键参数包括入口SO2浓度、入口O2浓度、浆液循环泵流量、脱硫效率测量值、烟气入口压力与温度、浆液pH值等。
步骤S2、对各数据元组进行数据清洗,设定各关键参数及各关键参对应的数相对影响系数的基准值作为参考序列,通过灰色关联度分析法及设定的关联序阈值,以设定的各关键参数及各关键参对应的数相对影响系数的基准值作为参考序列,对各数据元组进行筛选计算获得各目标元组;
步骤S3、将各目标元组基于设定的基准值与完成度模型拟合计算获得训练集,并通过自学习算法拟合确定修正后的各关键参数相对影响系数的经验公式,确定各关键参数对脱硫效率的影响系数;
步骤S4、根据步骤S3确定的各关键参数对脱硫效率的影响系数,结合物料平衡计算与脱硫***差压计算得出***参数需求,最终得到优化的托盘装置设计方案。
本实施例优选的,自学习算法通过PLC的方式内置于DCS***内。
本实施例基于大数据的分析方法,基于大量***数据,通过智能算法对DCS原数据进行清洗筛选,按照设定基准值计算仅有单参数不同的相似参数序列,实现参数变量控制。基于自学习算法,拟合出各变量与脱硫效率的关系式,对运行数据校正经验公式,通过新公式得到的设计参数将更为精准,更适用于超低排放改造后的机组的脱硫***,提高设计精准性有利于托盘塔装置的设计开发。
本实施例中,步骤S1中,对关键参数数据进行预处理包括对各参数数据的导入、排列、归一化处理。
从DCS***内导入修正***的关键参数包括入口SO2浓度、入口O2浓度、浆液循环泵流量、脱硫效率测量值、烟气入口压力与温度、浆液pH值等,为加强计算效率,将每个参数与各自的时间节点相关联,则同一时间的不同关键参数结合为一个数据元组。之后的清洗操作均是以这些元组数据为对象,不用重复数据的搜寻工作。预处理步骤具体如下:
首先,为统一各参数的量纲,简化计算,采用归一化方法对各参数数据进行预处理。归一化计算主要包括以下几种:
1.初值化。
2.均值化处理。
3.插值法。
以上所有方法均是基于正向型数据,即数值越大越有利于***效益增加。对于逆向型数据,无量纲化后可用相反数或倒数代替。
通过以上数据排列、归一化等数据预处理步骤,将入口SO2浓度、入口O2浓度、浆液循环泵流量、脱硫效率测量值、烟气入口压力与温度、浆液pH值等脱硫***内的关键参数转化为统一的无量纲数值形成的数集,将物理对象初步数字化。规范化处理后的参数集合有助于缩减清理筛选模块、拟合模块的计算量,适应大数据的环境。
本实施例,步骤S2中,对步骤S1中各数据元组进行数据清洗和数据筛选,具体包括以下步骤:
S21、按照脱硫***运行机理对每个关键参数设定上下限,通过设定的参数范围剔除各数据元组明显错误及无意义的数据;
S22、通过灰色关联度分析法及设定的关联序阈值,设定的各关键参数及各关键参对应的数相对影响系数的基准值作为参考序列,对各数据元组进行筛选计算获得各目标元组。
本实施例,数据的清洗筛选主要包括数据清洗功能与数据筛选功能,最终要实现异常值剔除、范围筛选等目标;数据的清洗筛选的目标由单个参数转变为不同时间元组。
根据需求,首先需按照脱硫***运行水平设定基准值序列,可包括入口SO2浓度、浆液循环泵流量、烟气入口流量、浆液pH值等脱硫***内的关键参数的标准值,以及各个关键参数相对系数的基准值,则在清洗筛选与拟合过程中,均以基准值序列为标准进行数据处理、计算。
数据清洗是实现数据异常值剔除,提升计算样本的品质。按照脱硫***运行机理对每个关键参数设定上下限,通过设定的参数范围剔除明显错误的数据及无意义数据(如停机段***参数)。当一个时间元组内出现超限数据后,该元组被判断为“劣质”元组,予以剔除。
数据筛选是按照上述设定基准值序列挑选目标元组,达到控制变量的目的。例如对入口SO2浓度影响因子拟合计算时,筛选除去入口SO2浓度参数最接近基准值的样本数据,则可认为不同元组间仅在入口SO2浓度上有变化,能够独立地研究入口SO2浓度对脱硫效率的影响程度,本实施例比较不同元组相似度采用灰色关联度分析法,灰色关联度分析法也是一种多因素、多目标统计分析方法,这种方法是基于各因素的样本数据得出的对应指标用灰色关联度来描述各个指标间关系的强弱、大小和次序。根据指标之间发展态势的相似程度或相异程度衡量指标间的关联程度;灰色关联度分析法具体分析步骤如下:
S31、收集各关键参数数据,组建原始矩阵:
其中,m表示参数的个数,X′i=(x′i(1),x′i(2),L,x′i(m))T,i=1,2,L,n。
S32、确定参考序列。记作:
X′0=(x′0(1),x′0(2),L,x′0(m))T
参考序列可以是各项参数的最优值或最劣值,也可以根据需求选择其它参照值。本模型参数清洗筛选过程中,将基准值序列作为参考序列。
S33、对初始参数数据进行无量纲化,无量纲化后得到的数据序列形成如下矩阵:
本模型中,已在步骤S1中对初始参数矩阵进行无量纲化操作。只需设定参考序列,并对参考序列做相应的无量纲化操作即可完成步骤S31至步骤S33。
S34、逐个计算每个评价对象与参考指标的差值,即|x0(k)-xi(k)|;
S36、计算每个序列与基准值序列之间的关联系数:
式中,ρ示分辨系数,在(0,1)内取值,用于提高序列之间的差异显著性。通常取0.5。
S37、分别计算比较序列与基准值序列之间关联系数的均值,将这个均值记作关联序:
通过以上步骤,将不同目标与基准值序列的相似程度量化为关联序。则关联序越大的序列与基准值序列的相似度越高。通过灰色关联度分析法实现变量控制,得出拟合算法的目标元组(或叫作目标序列)。
本实施例数据清洗筛选过程中体现了数组元组的优势,清洗筛选过程中,只需记录目标序列的时间节点,并在初始获取的数据中提取相应的参数子集,无需在清洗筛选模块中进行反归一化计算。同时在无需存储大量的历史数据,节省了存储空间。
数据的清洗筛选是对原始数据的进一步预处理。与常规数据筛选不同,数据处理不仅包括异常值的剔除,同时增加了按基准值的相似性序列筛选。通过相似性筛选计算,不仅能控制变量的目的,实现独立研究关键参数对脱硫效率的影响程度,同时能够实时采用当前电站的运行数据,具备灵活性。
本实施例中,步骤S3将各目标元组基于设定的基准值与完成度模型拟合计算获得训练集,并通过自学习算法拟合确定修正后的各关键参数相对影响系数的经验公式,确定各关键参数对脱硫效率的影响系数具体包括如下实现过程。
1)首先,将各目标元组基于设定的基准值与完成度模型拟合计算获得训练集包括:
自变量(关键参数)计算以及相对影响因素计算,最后得到一列自变量(关键参数)序列以及一列相对影响系数序列。例如对入口SO2浓度影响因子拟合计算时,根据筛选后元组的数据并依照完成度(C)模型计算SO2浓度的相对影响系数并确定对应的入口SO2浓度。计算得到一一对应的自变量序列与影响系数序列,做为拟合过程的训练集。
2)再通过自学习算法拟合确定修正后的各关键参数相对影响系数的经验公式,确定各关键参数对脱硫效率的影响系数包括步骤:
基于上述确定的训练集,基于最小二乘回归算法实现拟合过程,具体包括步骤:
对于输入的训练集
D={(x1,y1),(x2,y2),L,(xm,ym)}
线性回归模型搭建一个模型满足f(xi)=wX(xi)+b,并使f(xi)趋向于yi,i=1,2……m,即误差最小化,其中w为要求解的权重矩阵,b为偏置系数。
其中,以欧式距离作为误差标准,基于均方误差最小化的求解模型为最小二乘法。
对于m组数据,需满足误差δi=S*(xi)-yi平方和最小化:
基于自学习算法并根据现场运行数据,最终实现了托盘设计经验公式的修正。使其更适应超低排放以及大数据环境内电力生产过程且采用自学习算法拟合经验公式,无需计算每个工况下的相对系数数值,也可拟合得到相对精准的经验公式曲线。
下面通过具体案例说明上述实施例实现脱硫增效装置的优化设计过程。
基于以上流程,对入口SO2浓度、液气比、浆液pH值等关键参数的相对影响系数进行计算与拟合。
例如针对入口SO2浓度影响系数拟合计算。初始获取的数据预处理规格化后获得元组,首先设定入口SO2浓度、浆液循环泵流量、烟气入口流量、浆液pH值等脱硫***内的关键参数的标准值以及相应各个相对影响系数的标准值,再采用灰色关联度分析法计算除去入口SO2浓度后各个参数元组与基准值序列的相似程度,即关联序。人为设定关联序阈值,将高于此阈值的序列即为拟合计算的目标序列。可理解为各目标序列间仅入口SO2浓度不同,可独立进行入口SO2浓度影响系数拟合计算,无需受到其它参数的干扰。
完成拟合计算目标序列筛选后,按照设定的基准值与完成度模型计算拟合计算所需的训练集,即入口SO2浓度序列及相对影响系数序列,并基于自学习算法拟合得到修正后的入口SO2浓度相对影响系数经验公式,真实反应了SO2浓度和脱硫率的内在关系。
基于以上方法,依据现有脱硫***长期运行的数据,得出各重要参数对脱硫效率的影响规律,得到各不同参数(例如,入口SO2浓度、液气比、浆液pH值等关键参数)对脱硫效率影响的拟合经验公式。在此基础上,继续进行脱硫增效装置的优化设计,如图3所示。
根据自学***衡计算与脱硫***差压计算得出***参数需求,最终得到托盘装置设计方案。
本实施方法的有益效果包括:
a)关键参数的规范化、无量纲化处理方式,有效提升处理、计算速率。
b)基于标准值的相似序列筛选步骤,根据机组运行机理,控制变量数量,降低拟合公式的维度。
c)智能算法与物理对象的结合,能够适用不同机组的不同工况下的运行环境。
***实施例
根据本发明实施例,提供了一种脱硫增效装置的优化***,如图4所示,为本实施例的脱硫增效装置的优化***示意图,根据本发明实施例的脱硫增效装置的优化***,包括:
数据获取及预处理模块:根据DCS***实时获取脱硫***内修正所需的关键参数数据,并对数据进行预处理后,构建各参数初始数据集;
本实施例关键参数包括入口SO2浓度、入口O2浓度、浆液循环泵流量、脱硫效率测量值、烟气入口压力与温度、浆液pH值等。
该模块对获取关键参数数据的预处理包括如下步骤:
首先,为统一各参数的量纲,简化计算,采用归一化方法对各参数数据进行预处理。归一化计算主要包括以下几种:
1.初值化。
2.均值化处理。
3.插值法。
以上所有方法均是基于正向型数据,即数值越大越有利于***效益增加。对于逆向型数据,无量纲化后可用相反数或倒数代替。
通过以上数据排列、归一化等数据预处理步骤,将入口SO2浓度、入口O2浓度、浆液循环泵流量、脱硫效率测量值、烟气入口压力与温度、浆液pH值等脱硫***内的关键参数转化为统一的无量纲数值形成的数集,将物理对象初步数字化。规范化处理后的参数集合有助于缩减清理筛选模块、拟合模块的计算量,适应大数据的环境。
数据清洗筛选模块:用于基于数据获取及预处理模块对获取关键参数数据的预处理得到的数据序列,对各数据元组进行数据清洗,设定各关键参数及各关键参对应的数相对影响系数的基准值作为参考序列,通过灰色关联度分析法及设定的关联序阈值,以设定的各关键参数及各关键参对应的数相对影响系数的基准值作为参考序列,对各数据元组进行筛选计算获得各目标元组。日中,
数据的清洗筛选主要包括数据清洗功能与数据筛选功能,最终要实现异常值剔除、范围筛选等目标;数据的清洗筛选的目标由单个参数转变为不同时间元组。
数据筛选是按照上述设定基准值序列挑选目标元组,达到控制变量的目的。本实施例比较不同元组相似度采用灰色关联度分析法,具体分析步骤如下:
A1、收集评价数据,组建原始矩阵:
其中,m表示指标的个数,X′i=(x′i(1),x′i(2),L,x′i(m))T,i=1,2,L,n。
A2、确定参考序列,记作:
X′0=(x′0(1),x′0(2),L,x′0(m))T
参考序列可以是各项指标的最优值或最劣值,也可以根据需求选择其它参照值。本模型参数清洗筛选过程中,将基准值序列作为参考序列。
A3、对初始数据进行无量纲化。无量纲化后得到的数据序列形成如下矩阵:
A4、逐个计算每个评价对象与参考指标的差值,即|x0(k)-xi(k)|。
A6、计算每个序列与基准值序列之间的关联系数:
式中,ρ示分辨系数,在(0,1)内取值,用于提高序列之间的差异显著性。通常取0.5。
A7、分别计算比较序列与基准值序列之间关联系数的均值,将这个均值记作关联序:
通过以上步骤,将不同目标与基准值序列的相似程度量化为关联序。则关联序越大的序列与基准值序列的相似度越高。通过灰色关联度分析法实现变量控制,得出拟合算法的目标元组。
拟合修正模块:用于将各目标元组基于设定的基准值与完成度模型拟合计算获得训练集,并通过自学习算法拟合确定修正后的各关键参数相对影响系数的经验公式,确定各关键参数对脱硫效率的影响系数。
其中,拟合修正模块通过PLC的方式内置于DCS***内。
拟合修正模块包括训练集计算子模块,用于关键参数计算以及相对影响因素计算,得到一列关键参数序列以及一列相对影响系数序列,做为训练集。
自学习算法拟合子模块:使用训练集,通过自学习算法拟合确定修正后的各关键参数相对影响系数的经验公式,确定各关键参数对脱硫效率的影响系数包括步骤:
基于上述确定的训练集,基于最小二乘回归算法实现拟合过程,具体包括步骤:
对于输入的训练集
D={(x1,y1),(x2,y2),L,(xm,ym)}
线性回归模型搭建一个模型满足f(xi)=wX(xi)+b,并使f(xi)趋向于yi,i=1,2……m,即误差最小化,其中w为要求解的权重矩阵,b为偏置系数。
其中,以欧式距离作为误差标准,基于均方误差最小化的求解模型为最小二乘法。
对于m组数据,需满足误差δi=S*(xi)-yi平方和最小化:
托盘装置设计方案确认模块:根据确定的各关键参数对脱硫效率的影响系数,结合物料平衡计算与脱硫***差压计算得出***参数需求,最终得到优化的托盘装置设计方案。
本发明实施例是与上述方法实施例对应的***实施例,各个模块处理步骤的具体操作可以参照方法实施例的描述进行理解,在此不再赘述。
如图5所示,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中脱硫增效装置的优化方法,或者计算机程序被处理器执行时实现上述实施例中脱硫增效装置的优化方法,所述计算机程序被所述处理器执行时实现如下方法步骤:
步骤S1、根据DCS***实时获取脱硫***内修正所需的关键参数数据,并对数据进行预处理后,各关键参数结合为一个数据元组;
本实施例关键参数包括入口SO2浓度、入口O2浓度、浆液循环泵流量、脱硫效率测量值、烟气入口压力与温度、浆液pH值等。
步骤S2、对各数据元组进行数据清洗,设定各关键参数及各关键参对应的数相对影响系数的基准值作为参考序列,通过灰色关联度分析法及设定的关联序阈值,以设定的各关键参数及各关键参对应的数相对影响系数的基准值作为参考序列,对各数据元组进行筛选计算获得各目标元组;
步骤S3、将各目标元组基于设定的基准值与完成度模型拟合计算获得训练集,并通过自学习算法拟合确定修正后的各关键参数相对影响系数的经验公式,确定各关键参数对脱硫效率的影响系数;
步骤S4、根据步骤S3确定的各关键参数对脱硫效率的影响系数,结合物料平衡计算与脱硫***差压计算得出***参数需求,最终得到优化的托盘装置设计方案。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及***实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
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 (10)
1.一种脱硫增效装置的优化方法,其特征在于,包括以下步骤:
根据DCS***实时获取脱硫***内修正所需的关键参数数据,并对数据进行预处理后,各关键参数结合为一个数据元组;
对各数据元组进行数据清洗,设定各关键参数及各关键参对应的数相对影响系数的基准值作为参考序列,通过灰色关联度分析法及设定的关联序阈值,以设定的各关键参数及各关键参对应的数相对影响系数的基准值作为参考序列,对各数据元组进行筛选计算获得各目标元组;
将各目标元组基于设定的基准值与完成度模型拟合计算获得训练集,并通过自学习算法拟合确定修正后的各关键参数相对影响系数的经验公式,确定各关键参数对脱硫效率的影响系数;
根据确定的各关键参数对脱硫效率的影响系数,结合物料平衡计算与脱硫***差压计算得出***参数需求,最终得到优化的托盘装置设计方案。
2.如权利要求1所述的一种脱硫增效装置的优化方法,其特征在于,所述对数据进行预处理包括各参数数据的导入、排列、归一化处理及无量纲化;再将每个参数与各自的时间节点相关联,则同一时间的不同关键参数结合为一个数据元组。
3.如权利要求1所述的一种脱硫增效装置的优化方法,其特征在于,所述对各数据元组进行数据清洗包括按照脱硫***运行机理对每个关键参数设定上下限,通过设定的参数范围剔除各数据元组明显错误及无意义的数据;
通过灰色关联度分析法及设定的关联序阈值,设定的各关键参数及各关键参对应的数相对影响系数的基准值作为参考序列,对各数据元组进行筛选计算获得各目标元组。
4.如权利要求1所述的一种脱硫增效装置的优化方法,其特征在于,所述自学习算法拟合使用最小二乘回归算法。
5.一种脱硫增效装置的优化***,其特征在于,包括:
数据获取及预处理模块:根据DCS***实时获取脱硫***内修正所需的关键参数数据,并对数据进行预处理后,构建各参数初始数据集;
数据清洗筛选模块:用于基于数据获取及预处理模块对获取关键参数数据的预处理得到的数据序列,对各数据元组进行数据清洗,设定各关键参数及各关键参对应的数相对影响系数的基准值作为参考序列,通过灰色关联度分析法及设定的关联序阈值,以设定的各关键参数及各关键参对应的数相对影响系数的基准值作为参考序列,对各数据元组进行筛选计算获得各目标元组;
拟合修正模块:用于将各目标元组基于设定的基准值与完成度模型拟合计算获得训练集,并通过自学习算法拟合确定修正后的各关键参数相对影响系数的经验公式,确定各关键参数对脱硫效率的影响系数;
托盘装置设计方案确认模块:根据确定的各关键参数对脱硫效率的影响系数,结合物料平衡计算与脱硫***差压计算得出***参数需求,最终得到优化的托盘装置设计方案。
6.如权利要求5所述的一种脱硫增效装置的优化***,其特征在于,所述数据获取及预处理模块对数据进行预处理包括各参数数据的导入、排列、归一化处理及无量纲化;再将每个参数与各自的时间节点相关联,则同一时间的不同关键参数结合为一个数据元组。
7.如权利要求5所述的一种脱硫增效装置的优化***,其特征在于,所述数据清洗筛选模块具体实现:
对各数据元组进行数据清洗包括按照脱硫***运行机理对每个关键参数设定上下限,通过设定的参数范围剔除各数据元组明显错误及无意义的数据;
通过灰色关联度分析法及设定的关联序阈值,设定的各关键参数及各关键参对应的数相对影响系数的基准值作为参考序列,对各数据元组进行筛选计算获得各目标元组。
8.如权利要求5所述的一种脱硫增效装置的优化***,其特征在于,所述拟合修正模块包括
训练集计算子模块,用于关键参数计算以及相对影响因素计算,得到一列关键参数序列以及一列相对影响系数序列,做为训练集;
自学习算法拟合子模块:使用训练集,通过最小二乘回归算法拟合确定修正后的各关键参数相对影响系数的经验公式,确定各关键参数对脱硫效率的影响系数。
9.计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的脱硫增效装置的优化方法。
10.计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的脱硫增效装置的优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210661547.0A CN114911169A (zh) | 2022-06-13 | 2022-06-13 | 一种脱硫增效装置的优化方法、***、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210661547.0A CN114911169A (zh) | 2022-06-13 | 2022-06-13 | 一种脱硫增效装置的优化方法、***、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114911169A true CN114911169A (zh) | 2022-08-16 |
Family
ID=82769818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210661547.0A Pending CN114911169A (zh) | 2022-06-13 | 2022-06-13 | 一种脱硫增效装置的优化方法、***、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114911169A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115138208A (zh) * | 2022-09-06 | 2022-10-04 | 山东超华环保智能装备有限公司 | 数据处理器及包含该处理器的一种废气智能处理*** |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101881981A (zh) * | 2010-07-02 | 2010-11-10 | 北京首钢自动化信息技术有限公司 | 一种rh钢水温度、成分闭环控制*** |
CN103955751A (zh) * | 2014-04-11 | 2014-07-30 | 国家电网公司 | 一种多元非线性石灰石-石膏湿法脱硫效率预测方法 |
CN104174284A (zh) * | 2014-09-15 | 2014-12-03 | 江苏峰业科技环保集团股份有限公司 | 一种单塔双回路石灰石-石膏湿法脱硫装置及方法 |
CN105169923A (zh) * | 2015-07-21 | 2015-12-23 | 大唐华银电力股份有限公司金竹山火力发电分公司 | 一种改进石灰石/石灰-石膏湿法烟气脱硫工艺 |
CN205182492U (zh) * | 2015-09-21 | 2016-04-27 | 大唐环境产业集团股份有限公司 | 一种新型扰流脱硫吸收塔 |
CN105854551A (zh) * | 2016-05-19 | 2016-08-17 | 大唐环境产业集团股份有限公司 | 双碱双循环脱硫吸收***及方法 |
CN107247994A (zh) * | 2017-06-22 | 2017-10-13 | 东南大学 | 一种托盘塔脱硫装置脱硫效率的模糊建模方法 |
US20180140991A1 (en) * | 2015-07-21 | 2018-05-24 | Huaneng Power International, Inc. | High-efficiency gradient hierarchy complex desulfurizing tower |
WO2019015896A1 (en) * | 2017-07-21 | 2019-01-24 | Veolia Environnement-VE | METHOD FOR REMOTELY REMOVING A LOAD FROM A FIXED BED TANK |
CN109658124A (zh) * | 2018-10-24 | 2019-04-19 | 中国平安人寿保险股份有限公司 | 基于大数据的效果预测方法、装置、介质及电子设备 |
CN110263988A (zh) * | 2019-06-06 | 2019-09-20 | 东南大学 | 一种基于电厂脱硫***的数据运行优化方法 |
CN110263452A (zh) * | 2019-06-25 | 2019-09-20 | 华电国际电力股份有限公司技术服务分公司 | 一种烟道内烟气时间分布特性分析方法、***及脱硝*** |
CN112149714A (zh) * | 2020-08-28 | 2020-12-29 | 国电南京自动化股份有限公司 | 基于数据挖掘确定煤电机组能效特征指标基准值的方法 |
CN113450880A (zh) * | 2021-08-31 | 2021-09-28 | 大唐环境产业集团股份有限公司 | 一种脱硫***入口so2浓度智能预测方法 |
CN113707228A (zh) * | 2021-07-29 | 2021-11-26 | 北京工业大学 | 一种基于LightGBM算法的湿法烟气脱硫优化方法 |
WO2022095406A1 (zh) * | 2020-11-03 | 2022-05-12 | 国能龙源环保有限公司 | 脱硫装置运行性能及经济性的实时评价***和应用方法 |
-
2022
- 2022-06-13 CN CN202210661547.0A patent/CN114911169A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101881981A (zh) * | 2010-07-02 | 2010-11-10 | 北京首钢自动化信息技术有限公司 | 一种rh钢水温度、成分闭环控制*** |
CN103955751A (zh) * | 2014-04-11 | 2014-07-30 | 国家电网公司 | 一种多元非线性石灰石-石膏湿法脱硫效率预测方法 |
CN104174284A (zh) * | 2014-09-15 | 2014-12-03 | 江苏峰业科技环保集团股份有限公司 | 一种单塔双回路石灰石-石膏湿法脱硫装置及方法 |
CN105169923A (zh) * | 2015-07-21 | 2015-12-23 | 大唐华银电力股份有限公司金竹山火力发电分公司 | 一种改进石灰石/石灰-石膏湿法烟气脱硫工艺 |
US20180140991A1 (en) * | 2015-07-21 | 2018-05-24 | Huaneng Power International, Inc. | High-efficiency gradient hierarchy complex desulfurizing tower |
CN205182492U (zh) * | 2015-09-21 | 2016-04-27 | 大唐环境产业集团股份有限公司 | 一种新型扰流脱硫吸收塔 |
CN105854551A (zh) * | 2016-05-19 | 2016-08-17 | 大唐环境产业集团股份有限公司 | 双碱双循环脱硫吸收***及方法 |
CN107247994A (zh) * | 2017-06-22 | 2017-10-13 | 东南大学 | 一种托盘塔脱硫装置脱硫效率的模糊建模方法 |
WO2019015896A1 (en) * | 2017-07-21 | 2019-01-24 | Veolia Environnement-VE | METHOD FOR REMOTELY REMOVING A LOAD FROM A FIXED BED TANK |
CN109658124A (zh) * | 2018-10-24 | 2019-04-19 | 中国平安人寿保险股份有限公司 | 基于大数据的效果预测方法、装置、介质及电子设备 |
CN110263988A (zh) * | 2019-06-06 | 2019-09-20 | 东南大学 | 一种基于电厂脱硫***的数据运行优化方法 |
CN110263452A (zh) * | 2019-06-25 | 2019-09-20 | 华电国际电力股份有限公司技术服务分公司 | 一种烟道内烟气时间分布特性分析方法、***及脱硝*** |
CN112149714A (zh) * | 2020-08-28 | 2020-12-29 | 国电南京自动化股份有限公司 | 基于数据挖掘确定煤电机组能效特征指标基准值的方法 |
WO2022095406A1 (zh) * | 2020-11-03 | 2022-05-12 | 国能龙源环保有限公司 | 脱硫装置运行性能及经济性的实时评价***和应用方法 |
CN113707228A (zh) * | 2021-07-29 | 2021-11-26 | 北京工业大学 | 一种基于LightGBM算法的湿法烟气脱硫优化方法 |
CN113450880A (zh) * | 2021-08-31 | 2021-09-28 | 大唐环境产业集团股份有限公司 | 一种脱硫***入口so2浓度智能预测方法 |
Non-Patent Citations (1)
Title |
---|
杜乐;***;殷文香;: "一种提高石灰石-石膏法脱硫效率的方法-托盘塔", 环境与发展, no. 03, 15 June 2014 (2014-06-15), pages 204 - 206 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115138208A (zh) * | 2022-09-06 | 2022-10-04 | 山东超华环保智能装备有限公司 | 数据处理器及包含该处理器的一种废气智能处理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264079B (zh) | 基于CNN算法和Lasso回归模型的热轧产品质量预测方法 | |
CN110689203A (zh) | 基于自编码器的火电厂一次风机故障预警方法 | |
CN111754030B (zh) | 一种基于hac和rf-ga的火电机组供电煤耗优化方法 | |
CN114911169A (zh) | 一种脱硫增效装置的优化方法、***、设备及介质 | |
CN106251242B (zh) | 一种风电出力区间组合预测方法 | |
CN111985825A (zh) | 一种用于滚磨机定向仪的晶面质量评估方法 | |
CN109085805A (zh) | 一种基于多采样率因子分析模型的工业过程故障检测方法 | |
CN112417764A (zh) | 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法 | |
CN113469449A (zh) | 脱硫***的寻优控制方法及*** | |
CN115456460A (zh) | 一种制丝松散回潮工艺的多质量指标输出预测方法、*** | |
CN116362376A (zh) | 基于机器学习的综合能源站建设碳排放预测方法 | |
CN116852665A (zh) | 一种基于混合模型的注塑工艺参数智能调节方法 | |
CN103792845A (zh) | 一种金霉素发酵过程补糖速率优化控制的方法和*** | |
CN114532564A (zh) | 基于主成分分析策略的松散回潮出口烟丝含水率控制方法 | |
CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
CN114707706A (zh) | 一种基于不均衡数据的柴油发动机故障诊断方法 | |
CN113359435A (zh) | 用于火电机组动态工况数据的修正方法 | |
CN113088359A (zh) | 一种工艺参数驱动的三甘醇脱水装置三甘醇损耗量在线预测方法 | |
CN111524023A (zh) | 温室调节方法及*** | |
CN116720080A (zh) | 同源气象要素融合检验方法 | |
CN116776252A (zh) | 一种改进Mallow's Cp变量选择的工业过程软测量方法和*** | |
CN115309052B (zh) | 一种工业实时数据时序预测结果的在线修正方法 | |
CN114924489A (zh) | 一种适用于流程工业预测控制的模型自主学习方法 | |
CN114442557A (zh) | 一种机床温度场快速辨识方法及*** | |
CN113627687A (zh) | 一种基于arima-lstm组合模型的供水量预测方法 |
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 |