CN115576203B - 基于神经网络的嵌入式电除尘智能控制方法和*** - Google Patents
基于神经网络的嵌入式电除尘智能控制方法和*** Download PDFInfo
- Publication number
- CN115576203B CN115576203B CN202211278780.7A CN202211278780A CN115576203B CN 115576203 B CN115576203 B CN 115576203B CN 202211278780 A CN202211278780 A CN 202211278780A CN 115576203 B CN115576203 B CN 115576203B
- Authority
- CN
- China
- Prior art keywords
- neural network
- parameters
- dust removing
- dust
- concentration
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 153
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001556 precipitation Methods 0.000 title claims description 6
- 239000000428 dust Substances 0.000 claims abstract description 267
- 238000004891 communication Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000013500 data storage Methods 0.000 description 10
- 230000005611 electricity Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003546 flue gas Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
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
- B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03C—MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
- B03C3/00—Separating dispersed particles from gases or vapour, e.g. air, by electrostatic effect
- B03C3/34—Constructional details or accessories or operation thereof
- B03C3/66—Applications of electricity supply techniques
- B03C3/68—Control systems therefor
-
- 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]
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Feedback Control In General (AREA)
Abstract
本申请提供一种基于神经网络的嵌入式电除尘智能控制方法和***,***包括上位机和通信连接且安装在多台除尘设备的多个下位机,方法包括:上位机构建用于预测出口粉尘浓度的第一神经网络;上位机基于第一神经网络,以出口粉尘浓度不大于预设的浓度阈值且多台除尘设备的预计耗电量最小化为目标进行寻优,获得第一运行参数并发给下位机;下位机基于第二神经网络,以实际运行参数匹配第一运行参数且除尘设备的预计耗电量最小化为目标寻优得到除尘设备的第一控制参数,并按第一控制参数控制所属除尘设备运行。本方案利用神经网络,以出口粉尘浓度达标且耗电量最小化进行控制参数寻优,获得最优的第一控制参数,有效降低除尘设备的耗电量。
Description
技术领域
本发明涉及烟气治理技术领域,特别涉及一种基于神经网络的嵌入式电除尘智能控制方法和***。
背景技术
随着工业化水平的提高,自然环境的污染也愈发严重。作为一种治理环境中粉尘污染的重要技术,电除尘技术在环保、发电等行业均得到广泛应用。
然而,现有电除尘设备为了确保除尘效果能够满足相关要求,往往会消耗大量电能,运行成本过高。
发明内容
针对上述现有技术的缺点,本发明提供一种基于神经网络的嵌入式电除尘智能控制方法和***,以提供一种低耗电量的电除尘方案。
本申请第一方面提供一种基于神经网络的嵌入式电除尘智能控制方法,应用于基于神经网络的嵌入式电除尘智能控制***,所述***包括上位机和安装在多台除尘设备的多个嵌入式的下位机,所述上位机和每一所述下位机通信连接,所述方法包括:
所述上位机根据预设时间段内的全局参数和所述多台除尘设备的运行参数,构建用于预测出口粉尘浓度的第一神经网络;其中,所述全局参数包括锅炉负荷和出口粉尘浓度中至少一项;所述运行参数包括电压均值、电压峰值和电流值中的至少一项;
所述上位机基于所述第一神经网络,以出口粉尘浓度不大于预设的浓度阈值且所述多台除尘设备的预计耗电量最小化为目标,运行群体智能优化算法,获得第一运行参数;
所述上位机向每一所述下位机发送所述第一运行参数;
所述下位机基于预先构建的第二神经网络,以实际运行参数匹配所述第一运行参数且所述下位机所属除尘设备的预计耗电量最小化为目标,运行群体智能优化算法,获得所属除尘设备的第一控制参数;其中,所述第一控制参数包括间歇关断时间、电流极限和电压极限中至少一项;所述第二神经网络根据所述预设时间段内所述下位机所属除尘设备的控制参数和运行参数构建;
所述下位机按所属除尘设备的第一控制参数控制所属除尘设备运行。
可选的,所述上位机根据预设时间段内的全局参数和所述多台除尘设备的运行参数,构建用于预测出口粉尘浓度的第一神经网络之前,还包括:
所述上位机实时监控每一所述除尘设备工作状态,获得所述预设时间段内的原始数据;
所述上位机对所述原始数据进行数据预处理,获得所述预设时间段内的全局参数和所述多台除尘设备的运行参数;其中,所述数据预处理包括数据清洗、对象映射和数据组装中至少一项。
可选的,所述上位机向每一所述下位机发送所述第一运行参数,包括:
所述上位机对所述第一运行参数进行解析和包装,获得携带所述第一运行参数的控制指令;
所述上位机向每一个所述下位机发送携带所述第一运行参数的控制指令。
可选的,所述上位机和所述下位机的通信连接为直接通信连接或间接通信连接。
可选的,所述上位机根据预设时间段内的全局参数和所述多台除尘设备的运行参数,构建用于预测出口粉尘浓度的第一神经网络,包括:
所述上位机获得待训练神经网络;
所述上位机将所述预设时间段内的运行参数和全局参数输入所述待训练神经网络,获得所述待训练神经网络输出的估计出口粉尘浓度,并以所述估计出口粉尘浓度匹配所述全局参数的出口粉尘浓度为目标迭代更新所述待训练神经网络,直至所述估计出口粉尘浓度和所述全局参数的出口粉尘浓度的偏差满足预设的第一收敛条件为止,得到第一神经网络。
本申请第二方面提供一种基于神经网络的嵌入式电除尘智能控制***,所述***包括上位机和安装在多台除尘设备的多个嵌入式的下位机,所述上位机和每一所述下位机通信连接;
所述上位机包括决策模块和输出控制模块;
所述决策模块,用于:
根据预设时间段内的全局参数和所述多台除尘设备的运行参数,构建用于预测出口粉尘浓度的第一神经网络;其中,所述全局参数包括锅炉负荷和出口粉尘浓度中至少一项;所述运行参数包括电压均值、电压峰值和电流值中的至少一项;
基于所述第一神经网络,以出口粉尘浓度不大于预设的浓度阈值且所述多台除尘设备的预计耗电量最小化为目标,运行群体智能优化算法,获得第一运行参数;
所述输出控制模块用于向每一所述下位机发送所述第一运行参数;
所述下位机包括节能决策模块和执行模块;
所述节能决策模块用于:
基于预先构建的第二神经网络,以实际运行参数匹配所述第一运行参数且所述下位机所属除尘设备的预计耗电量最小化为目标,运行群体智能优化算法,获得所属除尘设备的第一控制参数;其中,所述第一控制参数包括间歇关断时间、电流极限和电压极限中至少一项;所述第二神经网络根据所述预设时间段内所述下位机所属除尘设备的控制参数和运行参数构建;
所述执行模块用于:按所属除尘设备的第一控制参数控制所属除尘设备运行。
可选的,所述上位机还包括采集模块和数据处理模块;
所述采集模块用于实时监控每一所述除尘设备工作状态,获得所述预设时间段内的原始数据;
所述采集模块用于对所述原始数据进行数据预处理,获得所述预设时间段内的全局参数和所述多台除尘设备的运行参数;其中,所述数据预处理包括数据清洗、对象映射和数据组装中至少一项。
可选的,所述输出控制模块向每一所述下位机发送所述第一运行参数时,具体用于:
对所述第一运行参数进行解析和包装,获得携带所述第一运行参数的控制指令;
向每一个所述下位机发送携带所述第一运行参数的控制指令。
可选的,所述上位机和所述下位机的通信连接为直接通信连接或间接通信连接。
可选的,所述决策模块根据预设时间段内的全局参数和所述多台除尘设备的运行参数,构建用于预测出口粉尘浓度的第一神经网络时,具体用于:
获得待训练神经网络;
将所述预设时间段内的运行参数和全局参数输入所述待训练神经网络,获得所述待训练神经网络输出的估计出口粉尘浓度,并以所述估计出口粉尘浓度匹配所述全局参数的出口粉尘浓度为目标迭代更新所述待训练神经网络,直至所述估计出口粉尘浓度和所述全局参数的出口粉尘浓度的偏差满足预设的第一收敛条件为止,得到第一神经网络。
本申请实施例提供一种基于神经网络的嵌入式电除尘智能控制方法和***,应用于基于神经网络的嵌入式电除尘智能控制***,***包括上位机和安装在多台除尘设备的多个嵌入式的下位机,上位机和每一下位机通信连接,方法包括:上位机根据预设时间段内的全局参数和多台除尘设备的运行参数,构建用于预测出口粉尘浓度的第一神经网络;其中,全局参数包括锅炉负荷和出口粉尘浓度中至少一项;运行参数包括电压均值、电压峰值和电流值中的至少一项;上位机基于第一神经网络,以出口粉尘浓度不大于预设的浓度阈值且多台除尘设备的预计耗电量最小化为目标,运行群体智能优化算法,获得第一运行参数;上位机向每一下位机发送第一运行参数;下位机基于预先构建的第二神经网络,以实际运行参数匹配第一运行参数且下位机所属除尘设备的预计耗电量最小化为目标,运行群体智能优化算法,获得所属除尘设备的第一控制参数;其中,第一控制参数包括间歇关断时间、电流极限和电压极限中至少一项;第二神经网络根据预设时间段内下位机所属除尘设备的控制参数和运行参数构建;下位机按所属除尘设备的第一控制参数控制所属除尘设备运行。本方案利用神经网络,以出口粉尘浓度达标且耗电量最小化进行控制参数寻优,获得最优的第一控制参数,有效降低除尘设备的耗电量。
附图说明
为了更清楚地说明本发明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发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种基于神经网络的嵌入式电除尘智能控制***的结构示意图;
图2为本申请实施例提供的一种上位机的结构示意图;
图3为本申请实施例提供的一种上位机的数据处理模块的工作原理示意图;
图4为本申请实施例提供的一种第一神经网络的模型示意图;
图5为本申请实施例提供的一种下位机的结构示意图;
图6为本申请实施例提供的一种第二神经网络的模型示意图;
图7为本申请实施例提供的一种基于神经网络的嵌入式电除尘智能控制方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了解决现有的电除尘设备耗电量大的问题,本申请实施例提供一种基于神经网络的嵌入式电除尘智能控制***,该***用于同时控制多个除尘设备按一定的控制参数运行。
请参见图1,为该***的架构示意图。该***可以包括一个上位机101和多个下位机102,其中每一个下位机102均安装在一个被控制的除尘设备中。上位机101,具体可以是有很强的数据处理能力的计算机设备,如工业用或个人用的台式电脑,或者服务器等,下位机,可以是嵌入式设备,例如集成电路芯片,或者可编程逻辑门阵列等。
上位机和每一下位机之间均建立有通信连接,可以基于特定的网络协议进行通讯交互。该通信连接可以是直接通信连接或者间接通信连接。
直接通信连接,是指,上位机和下位机之间建立有单工(即仅支持上位机向下位机发指令数据)的长连接,即只要上位机和下位机均处于开机状态,两者就会一直保持连接。
间接通信,是指,下位机通过某种中间手段,定时将数据汇总到上位机处。例如下位机实时将数据发送到某一中转设备,中转设备定期将自身收到的数据上报给上位机。
可选的,上位机可以和一部分下位机直接通信连接,和另一部分下位机间接通信连接。
下面对上位机的具体功能和工作原理进行说明。
请参见图2,为上位机的结构示意图。可以看到,上位机101,具体可以包括采集模块1011,数据处理模块1012,数据存储模块1013,决策模块1014,输出控制模块1015和数据库1016。
其中,采集模块1011和外部的硬件(例如控制的除尘设备)连接,从而实时监控这些硬件的运行状态,以获得上位机所需的数据。
输出控制模块1015通过外部的通信层(相当于通信信道)连接到下位机,上位机通过输出控制模块1015和下位机通信。
下面对上位机的各个模块的具体功能进行说明。
采集模块用于实时监控每一除尘设备工作状态,获得预设时间段内的原始数据。
具体的,如图3所示,为本申请实施例提供的一种数据处理模块的工作原理示意图。采集模块包括统一读取接口和采集器,统一读取接口和外部的数据串口和网络直接连接,采集器则通过统一读取接口,实时地从外部的数据串口和网络读取到上位机所需的原始数据,具体包括原始全局参数和各个电除尘设备(即电除尘管线)的原始运行参数。
上述预设时间段,可以是任意一个根据实际需要设定的时间段。示例性的,如果设定本实施例根据最近1天内各个除尘设备的运行情况控制除尘设备运行,则该预设时间段就可以是最近1天,或者说最近24小时。
如图3所示,采集模块采集到原始数据后,可以通过内部的数据管道对原始数据进行预处理,从而获得预设时间段内的全局参数和运行参数。
需要说明,这里的运行参数,包括***控制的每一除尘设备的运行参数,例如包括每一除尘设备在预设时间段内每一时刻的电压均值、电压峰值和电流值。
也就是说,采集模块用于对原始数据进行数据预处理,获得预设时间段内的全局参数和多台除尘设备的运行参数。
其中,数据预处理包括数据清洗、对象映射和数据组装中至少一项。
数据组装是指,将采集到的原始数据按一定的格式组装成新的数据。对象映射,是指将原始数据映射为上位机内对应的对象。数据清洗,是指删除、插补、替换原始数据中的异常或错误数据,其中,超出量程范围或明显不符合当前运行工况的数据都可判为异常或错误数据。
可选的,上位机还包括数据处理模块,数据处理模块用于将采集模块输出的全局参数和运行参数进行结构化和归一化的处理,从而将全局参数和运行参数转换成***内部统一的数据结构,以便于后续分析处理。
另外,数据处理模块还可以根据采集到的全局参数和运行参数,计算一些无法直接采集到的必要参数,例如,根据运行参数中的电压均值和电流值计算预设时间段内每一除尘设备的功率均值,以及除尘设备的发热量等。
上位机还包括数据存储模块和数据库,其中数据存储模块用于将处理后的数据存入数据库,并且用于代理数据库的操作,从而上位机外部的设备提供数据的增、删、改、查等功能,提供更加定制化的服务。
数据存储模块可以由底层数据存储产品封装得到,通过提供稳定的接口屏蔽底层存储,从而使得***保有更换存储产品的能力。数据存储模块提供了I/O线程池维护、缓存库读写、数据库读写、缓存与数据库同步、元数据维护等一系列功能并提供相应的接口。
决策模块,用于:
根据预设时间段内的全局参数和多台除尘设备的运行参数,构建用于预测出口粉尘浓度的第一神经网络。
其中,全局参数包括锅炉负荷和出口粉尘浓度中至少一项;运行参数包括电压均值、电压峰值和电流值中的至少一项。
基于第一神经网络,以出口粉尘浓度不大于预设的浓度阈值且多台除尘设备的预计耗电量最小化为目标,运行群体智能优化算法,获得第一运行参数。
换言之,上位机的决策模块的功能为,利用采集到的预设时间段内的运行参数和全局参数进行分析,输出优化的的第一运行参数,第一运行参数用于指导各个下位机在将来一段时间内控制除尘设备运行。
上位机优化过程的目标为,利用第一神经网络建立的参数关系,在预测出口粉尘浓度不超标(即不大于浓度阈值)的限制条件下,使得所有除尘设备的耗电量的总和,即预计耗电量最小化。优选的,在此过程中,对优化结果中可变的参数数量进行限制,使其更加符合实际生产的需要。
请参见图4,为本实施例提供的一种第一神经网络的输入输出示意图。可以看到,第一神经网络的输入包括全局参数和运行参数。其中,输入第一神经网络的全局参数可以是,前面采集模块采集到的预设时间段内的全局参数,也就是预设时间段内的出口粉尘浓度和锅炉负荷。输入第一神经网络的运行参数,可以是预计接下来用于控制除尘设备运行的一组运行参数。
第一神经网络输入的估计出口粉尘浓度,可以理解为,当按照输入的一组运行参数控制各个除尘设备运行一段时间后的预测的出口粉尘浓度。
例如,估计出口粉尘浓度为50%,就表示,预测按照输入的一组运行参数运行一段时间后,出口粉尘浓度将达到50%。
可以理解的,上述构建第一神经网络的步骤,可以仅执行一次,或者可以每隔一定时间执行一次,例如每隔一周执行一次。也就是说,在尚未构建第一神经网络时,决策模块构建第一神经网络,之后每次控制除尘设备运行时,决策模块可以直接基于第一神经网络执行后续步骤,而不必每次都构建新的第一神经网络。
第一运行参数,可以是一组运行参数,即多个运行参数的集合,具体的,第一运行参数可以包括电压均值,电压峰值和电流值。第一运行参数的含义是,当本实施例的***控制的各个除尘设备均按该第一运行参数运行时,各个除尘设备能够在出口粉尘浓度达标的前提下达到最低的总耗电量。
可选的,本实施例中上位机的第一神经网络,可以是数据驱动的神经网络模型,当然,也可以是其他类型的神经网络模型,不做限定。
首先对构建第一神经网络的过程进行说明。
可选的,决策模块根据预设时间段内的全局参数和多台除尘设备的运行参数,构建用于预测出口粉尘浓度的第一神经网络时,具体用于:
获得待训练神经网络;该待训练神经网络可以是预先配置在决策模块中的初始神经网络。
将预设时间段内的运行参数和全局参数输入待训练神经网络,获得待训练神经网络输出的估计出口粉尘浓度,并以估计出口粉尘浓度匹配全局参数的出口粉尘浓度为目标迭代更新待训练神经网络,直至估计出口粉尘浓度和全局参数的出口粉尘浓度的偏差满足预设的第一收敛条件为止,得到第一神经网络。
具体的,决策模块构建第一神经网络时,可以将采集模块获得的预设时间段内的运行参数和全局参数输入待训练神经网络,待训练神经网络处理后,输出估计出口粉尘浓度。
然后,计算估计出口粉尘浓度和预设时间段内的全局参数中记录的真实的出口粉尘浓度做差,将两者的偏差视为待训练神经网络的损失值。
获得损失值后,如果该损失值不满足预设的第一收敛条件,则认为估计出口粉尘浓度和全局参数中真实的出口粉尘浓度不匹配,于是可以按照损失值更新待训练神经网络的参数。
完成一次参数更新后,重复前述将采集模块获得的预设时间段内的运行参数和全局参数输入待训练神经网络,待训练神经网络处理后,输出估计出口粉尘浓度的步骤。
如果第二次获得的估计出口粉尘浓度仍和真实的出口粉尘浓度不匹配,则按照第二次的损失值再次更新,并第三次输入预设时间段内的运行参数和全局参数,以此类推,直至某一次待训练神经网络输出的估计出口粉尘浓度和全局参数的出口粉尘浓度的偏差满足第一收敛条件为止。
当待训练神经网络输出的估计出口粉尘浓度和全局参数的出口粉尘浓度的偏差满足第一收敛条件时,就可以将此时的待训练神经网络视为构建好的第一神经网络。
第一收敛条件,可以是待训练神经网络的损失值小于一个预设的第一阈值。
决策模块基于第一神经网络,以出口粉尘浓度不大于预设的浓度阈值且多台除尘设备的预计耗电量最小化为目标,运行群体智能优化算法,获得第一运行参数的具体过程,可以包括:
在群体智能优化算法中,每一组运行参数相当于一个需要优化的个体,一组运行参数可以包括一个电压均值,一个电压峰值和一个电流值。
运行群体智能优化算法时,首先初始化多个个体,
然后针对每一个个体,将该个体和前面获取的预设时间段内的全局参数,输入到第一神经网络中,获得按照该个体控制多个除尘设备运行时预计能达到的出口粉尘浓度,也就是得到该个体对应的估计出口粉尘浓度,然后将估计出口粉尘浓度大于预设的浓度阈值的个体剔除。
接着,按照除尘设备的设备特性,针对每一个体,计算按该个体控制多个除尘设备运行时,多个除尘设备总的预计耗电量,将每一个个体对应的预计耗电量视为该个体的适应度。
随后,根据各个个体的适应度,通过群体智能优化算法更新当前的多个个体,通过更新,可以产生若干新个体。
每次更新完后,都需要利用第一神经网络,评估本次更新完后的每一个体对应的估计出口粉尘浓度是否达标(即是否不大于浓度阈值),将不达标的个体剔除后,再次计算适应度并根据适应度进行下一次更新。
当某一次更新后,某一个体的适应度小于预设的第一适应度阈值,即预计耗电量小于预设的预计耗电量阈值,则可以停止运行群体智能优化算法,将这个适应度小于第一适应度阈值的个体对应的一组运行参数,确定为第一运行参数。
或者,当更新的次数累计大于预设的最大迭代次数时,也可以停止运行群体智能优化算法,将当前适应度最小的个体对应的一组运行参数,确定为第一运行参数。
本实施例的群体智能优化算法,可以是遗传算法,或者可以是粒子群算法,还可以是其他同类算法,不做限定。
在一些可选的实施例中,第一运行参数可以分别和每一除尘设备对应,也就是说,上位机可以依次输出多组第一运行参数,每一组第一运行参数唯一对应一个***控制的除尘设备。
或者,也可以只输出一组第一运行参数,用该组第一运行参数控制每一除尘设备。
输出控制模块用于向每一下位机发送第一运行参数。
可选的,输出控制模块向每一下位机发送第一运行参数时,具体用于:
对第一运行参数进行解析和包装,获得携带第一运行参数的控制指令;
向每一个下位机发送携带第一运行参数的控制指令。
具体的,决策模块输出的第一运行参数,可以用一个决策向量的形式表示,输出控制模块获得该决策向量后,解析决策向量获得其中的各个第一运行参数,然后将这些第一运行参数包装形成对应的控制指令,最后输出控制模块将控制指令通过通信层发送给每一个下位机。
其中,对第一运行参数包装得到对应的指令,具体可以包括完成从机器名到地址的映射,即根据要发送控制指令的下位机的名称确定下位机的通信地址,还可以包括将按照上位机的数据结构记录的第一运行参数进行拆分与构造,使得第一运行参数从上位机的数据结构转换适配下位机的数据结构。
可选的,控制指令除了包括上述信息以外,还可以包括其他的必要信息。
请参见图5,为本申请实施例提供的一种下位机的结构示意图。
下位机可以包括指令模块1021,节能决策模块1022,数据存储模块1023,执行模块1024,数据读取模块1025,数据库1026。
指令模块和通信层连接,并通过通信层和上位机通信。指令模块的功能为,提供控制指令的接收入口,以便接受上位机的控制指令并将控制指令传递给下位机的节能决策模块。具体的,指令模块可以和上位机建立一个TCP长连接以接收上位机指令。
另外,指令模块还可以调用***内统一的控制接口以实现对下位机所在的除尘设备的控制。也可以提供接口使用户能手动控制。当下位机检测到与上位机的连接断开时,指令模块也将负责一定的容灾能力,例如自动下达处理调至最大或保持当前状态的应急指令。
这样做的好处在于,当上位机故障时,下位机仍然能够独立控制所在的除尘设备工作,提高了除尘***的可靠性。
数据存储模块,数据读取模块和数据库,可以定期通过下位机所在的除尘设备的硬件采集并存储本地数据,还可以接收并存储上位机提供的全局参数,运行参数以及其他的一些数据,同时负责数据的组装与预处理。
除此以外,下位机的数据存储模块,数据读取模块和数据库,可以和上位机的数据存储模块,数据读取模块和数据库具有相同功能,不再赘述。
下位机优化过程的目标为,利用第二神经网络模型建立的参数关系,在预测的运行参数(即第二神经网络输出的运行参数)与上位机指令携带的第一优化运行参数足够接近的限制条件下,使得自身(即下位机所在的除尘设备)的预测电能消耗,即预测电耗尽可能小。
节能决策模块用于:
基于预先构建的第二神经网络,以实际运行参数匹配第一运行参数且下位机所属除尘设备的预计耗电量最小化为目标,运行群体智能优化算法,获得所属除尘设备的第一控制参数。
其中,第一控制参数包括间歇关断时间、电流极限和电压极限中至少一项;第二神经网络根据预设时间段内下位机所属除尘设备的控制参数和运行参数构建。
请参见图6,为下位机的第二神经网络的输入输出示意图。
如图6所示,第二神经网络的输入包括预设时间段内的全局参数,下位机所在的除尘设备在预设时间段内运行参数,以及一组控制参数;输出包括按照输入的一组控制参数控制除尘设备时,除尘设备预计的运行参数,也就是预设时间段之后预计的运行参数(记为预测运行参数),以及按照该组控制参数控制除尘设备时除尘设备的预测电耗。
下位机的第二神经网络的构建过程可以是:
将预设时间段内已确定的除尘设备的控制参数,预设时间段内的运行参数和全局参数输入到待训练神经网络,获得待训练神经网络输出的运行参数,然后将待训练神经网络输出的运行参数,和上位机提供的预设时间段内的运行参数进行比对,将两者的偏差作为待训练神经网络的损失值。
如果第一次输出后,损失值不满足预设的第二收敛条件,则根据损失值更新待训练神经网络的参数,然后进行第二次输入(仍输入上述参数),并获得第二次的输出,如果第二次输出后,损失值仍不满足第二收敛条件,就再次更新待训练神经网络的参数,然后重复第三次,以此类推,直至某一次输出后,损失值满足第二收敛条件为止。
当损失值满足第二收敛条件时,就可以将此时的待训练神经网络确定为构建好的第二神经网络。
第二收敛条件可以是,损失值小于预设的第二阈值。
下位机训练时用的待训练神经网络,可以和上位机训练时用的待训练神经网络相同或不同。
节能决策模块基于预先构建的第二神经网络,以实际运行参数匹配第一运行参数且下位机所属除尘设备的预计耗电量最小化为目标,运行群体智能优化算法,获得所属除尘设备的第一控制参数的具体过程,可以包括:
在群体智能优化算法中,每一个个体相当于一组控制参数,一组控制参数可以包括一个间歇关断时间、一个电流极限和一个电压极限。
运行群体智能优化算法时,首先初始化多个个体。
然后针对每一个个体,将该个体和前面获取的预设时间段内的运行参数和全局参数,输入到第二神经网络中,获得按照该个体控制本除尘设备(指代下位机所在的除尘设备)运行时,本除尘设备预计达到的运行参数和耗电量,也就是获得该个体对应的预测运行参数和预测电耗。
接着,计算该个体的预测运行参数和上位机提供的第一运行参数之间的偏差,记为运行参数偏差,再根据该个体的运行参数偏差和该个体的预测电耗计算该个体的适应度,其中,运行参数偏差越小,则适应度越高,预测电耗越低,则该个体的适应度越高。
随后,根据各个个体的适应度,通过群体智能优化算法更新当前的多个个体,通过更新,可以产生若干新个体。
每次更新完后,都需要利用第二神经网络,重新评估每一新个体的预测运行参数和预测电耗,以便获得新个体的适应度,然后根据每一个体的适应度进行下一次更新。
当某一次更新后,某一个体的适应度大于预设的第二适应度阈值,则可以认为该个体对应的一组控制参数的预测电耗足够小(即小于电耗阈值),并且按照该个体控制本除尘设备运行时,本除尘设备达到的运行参数足够接近第一运行参数,此时可以停止运行群体智能优化算法,将这个适应度大于第二适应度阈值的个体对应的一组控制参数,确定为第一控制参数。
或者,当更新的次数累计大于预设的最大迭代次数时,也可以停止运行群体智能优化算法,将当前适应度最大的个体对应的一组控制参数,确定为第一控制参数。
可以理解,每一除尘设备的下位机都可以按照上述功能计算得到本除尘设备的一组第一控制参数,不同除尘设备之间,第一控制参数可以相同也可以不同。
下位机的执行模块的功能为,通过控制器的硬件接口等手段,将节能决策输出的控制参数落实到控制器上执行。执行模块具有重试机制。
也就是说,执行模块用于:按所属除尘设备的第一控制参数控制所属除尘设备运行。
重试机制是指,如果执行模块第一次控制除尘设备按第一控制参数运行失败,则可以等待一段时间后,再次尝试控制除尘设备按第一控制参数运行。
本申请提供一种基于神经网络的嵌入式电除尘智能控制***,***包括上位机和通信连接且安装在多台除尘设备的多个下位机,方法包括:上位机的决策模块构建用于预测出口粉尘浓度的第一神经网络,并基于第一神经网络,以出口粉尘浓度不大于预设的浓度阈值且多台除尘设备的预计耗电量最小化为目标进行寻优,获得第一运行参数,然后由输出控制模块发给下位机;下位机的节能决策模块基于第二神经网络,以实际运行参数匹配第一运行参数且除尘设备的预计耗电量最小化为目标寻优得到除尘设备的第一控制参数,执行模块按第一控制参数控制所属除尘设备运行。本方案利用神经网络,以出口粉尘浓度达标且耗电量最小化进行控制参数寻优,获得最优的第一控制参数,有效降低除尘设备的耗电量。
另外,本实施例还具有如下优点:
第一方面,本实施例将整个控制过程通过上下位机的方式分离成两部分,这样整个决策过程相比黑盒模型具有更高的可解释性。
第二方面,将部分决策功能配置在下位机实现,从而能够最小化上位机故障对各除尘设备决策的影响。
第三方面,通过神经网络和群体智能优化算法,提供了更优的节能决策。
根据本申请实施例提供的基于神经网络的嵌入式电除尘智能控制***,本申请实施例还提供一种基于神经网络的嵌入式电除尘智能控制方法,应用于基于神经网络的嵌入式电除尘智能控制***,***包括上位机和安装在多台除尘设备的多个嵌入式的下位机,上位机和每一下位机通信连接。
请参见图7,为该方法的流程图,该方法可以包括如下步骤。
S701,上位机根据预设时间段内的全局参数和多台除尘设备的运行参数,构建用于预测出口粉尘浓度的第一神经网络。
其中,全局参数包括锅炉负荷和出口粉尘浓度中至少一项;运行参数包括电压均值、电压峰值和电流值中的至少一项。
S702,上位机基于第一神经网络,以出口粉尘浓度不大于预设的浓度阈值且多台除尘设备的预计耗电量最小化为目标,运行群体智能优化算法,获得第一运行参数。
S703,上位机向每一下位机发送第一运行参数。
S704,下位机基于预先构建的第二神经网络,以实际运行参数匹配第一运行参数且下位机所属除尘设备的预计耗电量最小化为目标,运行群体智能优化算法,获得所属除尘设备的第一控制参数。
其中,第一控制参数包括间歇关断时间、电流极限和电压极限中至少一项;第二神经网络根据预设时间段内下位机所属除尘设备的控制参数和运行参数构建。
S705,下位机按所属除尘设备的第一控制参数控制所属除尘设备运行。
可选的,上位机根据预设时间段内的全局参数和多台除尘设备的运行参数,构建用于预测出口粉尘浓度的第一神经网络之前,还包括:
上位机实时监控每一除尘设备工作状态,获得预设时间段内的原始数据;
上位机对原始数据进行数据预处理,获得预设时间段内的全局参数和多台除尘设备的运行参数;其中,数据预处理包括数据清洗、对象映射和数据组装中至少一项。
可选的,上位机向每一下位机发送第一运行参数,包括:
上位机对第一运行参数进行解析和包装,获得携带第一运行参数的控制指令;
上位机向每一个下位机发送携带第一运行参数的控制指令。
可选的,上位机和下位机的通信连接为直接通信连接或间接通信连接。
可选的,上位机根据预设时间段内的全局参数和多台除尘设备的运行参数,构建用于预测出口粉尘浓度的第一神经网络,包括:
上位机获得待训练神经网络;
上位机将预设时间段内的运行参数和全局参数输入待训练神经网络,获得待训练神经网络输出的估计出口粉尘浓度,并以估计出口粉尘浓度匹配全局参数的出口粉尘浓度为目标迭代更新待训练神经网络,直至估计出口粉尘浓度和全局参数的出口粉尘浓度的偏差满足预设的第一收敛条件为止,得到第一神经网络。
本实施例所提供的基于神经网络的嵌入式电除尘智能控制方法,其具体实施方式可以参见本申请实施例提供的基于神经网络的嵌入式电除尘智能控制***中对应模块的工作原理,不再赘述。
本申请提供一种基于神经网络的嵌入式电除尘智能控制方法,***包括上位机和通信连接且安装在多台除尘设备的多个下位机,方法包括:上位机构建用于预测出口粉尘浓度的第一神经网络;上位机基于第一神经网络,以出口粉尘浓度不大于预设的浓度阈值且多台除尘设备的预计耗电量最小化为目标进行寻优,获得第一运行参数并发给下位机;下位机基于第二神经网络,以实际运行参数匹配第一运行参数且除尘设备的预计耗电量最小化为目标寻优得到除尘设备的第一控制参数,并按第一控制参数控制所属除尘设备运行。本方案利用神经网络,以出口粉尘浓度达标且耗电量最小化进行控制参数寻优,获得最优的第一控制参数,有效降低除尘设备的耗电量。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于神经网络的嵌入式电除尘智能控制方法,其特征在于,应用于基于神经网络的嵌入式电除尘智能控制***,所述***包括上位机和安装在多台除尘设备的多个嵌入式的下位机,所述上位机和每一所述下位机通信连接,所述方法包括:
所述上位机根据预设时间段内的全局参数和所述多台除尘设备的运行参数,构建用于预测出口粉尘浓度的第一神经网络;其中,所述全局参数包括锅炉负荷和出口粉尘浓度中至少一项;所述运行参数包括电压均值、电压峰值和电流值中的至少一项;
所述上位机基于所述第一神经网络,以出口粉尘浓度不大于预设的浓度阈值且所述多台除尘设备的预计耗电量最小化为目标,运行群体智能优化算法,获得第一运行参数;
所述上位机向每一所述下位机发送所述第一运行参数;
所述下位机基于预先构建的第二神经网络,以实际运行参数匹配所述第一运行参数且所述下位机所属除尘设备的预计耗电量最小化为目标,运行群体智能优化算法,获得所属除尘设备的第一控制参数;其中,所述第一控制参数包括间歇关断时间、电流极限和电压极限中至少一项;所述第二神经网络根据所述预设时间段内所述下位机所属除尘设备的控制参数和运行参数构建;
所述下位机按所属除尘设备的第一控制参数控制所属除尘设备运行。
2.根据权利要求1所述的方法,其特征在于,所述上位机根据预设时间段内的全局参数和所述多台除尘设备的运行参数,构建用于预测出口粉尘浓度的第一神经网络之前,还包括:
所述上位机实时监控每一所述除尘设备工作状态,获得所述预设时间段内的原始数据;
所述上位机对所述原始数据进行数据预处理,获得所述预设时间段内的全局参数和所述多台除尘设备的运行参数;其中,所述数据预处理包括数据清洗、对象映射和数据组装中至少一项。
3.根据权利要求1所述的方法,其特征在于,所述上位机向每一所述下位机发送所述第一运行参数,包括:
所述上位机对所述第一运行参数进行解析和包装,获得携带所述第一运行参数的控制指令;
所述上位机向每一个所述下位机发送携带所述第一运行参数的控制指令。
4.根据权利要求1所述的方法,其特征在于,所述上位机和所述下位机的通信连接为直接通信连接或间接通信连接。
5.根据权利要求1所述的方法,其特征在于,所述上位机根据预设时间段内的全局参数和所述多台除尘设备的运行参数,构建用于预测出口粉尘浓度的第一神经网络,包括:
所述上位机获得待训练神经网络;
所述上位机将所述预设时间段内的运行参数和全局参数输入所述待训练神经网络,获得所述待训练神经网络输出的估计出口粉尘浓度,并以所述估计出口粉尘浓度匹配所述全局参数的出口粉尘浓度为目标迭代更新所述待训练神经网络,直至所述估计出口粉尘浓度和所述全局参数的出口粉尘浓度的偏差满足预设的第一收敛条件为止,得到第一神经网络。
6.一种基于神经网络的嵌入式电除尘智能控制***,其特征在于,所述***包括上位机和安装在多台除尘设备的多个嵌入式的下位机,所述上位机和每一所述下位机通信连接;
所述上位机包括决策模块和输出控制模块;
所述决策模块,用于:
根据预设时间段内的全局参数和所述多台除尘设备的运行参数,构建用于预测出口粉尘浓度的第一神经网络;其中,所述全局参数包括锅炉负荷和出口粉尘浓度中至少一项;所述运行参数包括电压均值、电压峰值和电流值中的至少一项;
基于所述第一神经网络,以出口粉尘浓度不大于预设的浓度阈值且所述多台除尘设备的预计耗电量最小化为目标,运行群体智能优化算法,获得第一运行参数;
所述输出控制模块用于向每一所述下位机发送所述第一运行参数;
所述下位机包括节能决策模块和执行模块;
所述节能决策模块用于:
基于预先构建的第二神经网络,以实际运行参数匹配所述第一运行参数且所述下位机所属除尘设备的预计耗电量最小化为目标,运行群体智能优化算法,获得所属除尘设备的第一控制参数;其中,所述第一控制参数包括间歇关断时间、电流极限和电压极限中至少一项;所述第二神经网络根据所述预设时间段内所述下位机所属除尘设备的控制参数和运行参数构建;
所述执行模块用于:按所属除尘设备的第一控制参数控制所属除尘设备运行。
7.根据权利要求6所述的***,其特征在于,所述上位机还包括采集模块和数据处理模块;
所述采集模块用于实时监控每一所述除尘设备工作状态,获得所述预设时间段内的原始数据;
所述采集模块用于对所述原始数据进行数据预处理,获得所述预设时间段内的全局参数和所述多台除尘设备的运行参数;其中,所述数据预处理包括数据清洗、对象映射和数据组装中至少一项。
8.根据权利要求6所述的***,其特征在于,所述输出控制模块向每一所述下位机发送所述第一运行参数时,具体用于:
对所述第一运行参数进行解析和包装,获得携带所述第一运行参数的控制指令;
向每一个所述下位机发送携带所述第一运行参数的控制指令。
9.根据权利要求6所述的***,其特征在于,所述上位机和所述下位机的通信连接为直接通信连接或间接通信连接。
10.根据权利要求6所述的***,其特征在于,所述决策模块根据预设时间段内的全局参数和所述多台除尘设备的运行参数,构建用于预测出口粉尘浓度的第一神经网络时,具体用于:
获得待训练神经网络;
将所述预设时间段内的运行参数和全局参数输入所述待训练神经网络,获得所述待训练神经网络输出的估计出口粉尘浓度,并以所述估计出口粉尘浓度匹配所述全局参数的出口粉尘浓度为目标迭代更新所述待训练神经网络,直至所述估计出口粉尘浓度和所述全局参数的出口粉尘浓度的偏差满足预设的第一收敛条件为止,得到第一神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211278780.7A CN115576203B (zh) | 2022-10-19 | 2022-10-19 | 基于神经网络的嵌入式电除尘智能控制方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211278780.7A CN115576203B (zh) | 2022-10-19 | 2022-10-19 | 基于神经网络的嵌入式电除尘智能控制方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115576203A CN115576203A (zh) | 2023-01-06 |
CN115576203B true CN115576203B (zh) | 2024-06-11 |
Family
ID=84584134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211278780.7A Active CN115576203B (zh) | 2022-10-19 | 2022-10-19 | 基于神经网络的嵌入式电除尘智能控制方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115576203B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117406608B (zh) * | 2023-12-14 | 2024-03-12 | 中铁三局集团有限公司 | 一种隧道除尘控制方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186119A (zh) * | 2011-12-28 | 2013-07-03 | 陈美玲 | 一种电除尘器自动监控***设计方法 |
CN108940596A (zh) * | 2018-07-12 | 2018-12-07 | 浙江大学 | 一种基于混合模型的电除尘***优化控制方法 |
CN114191953A (zh) * | 2021-12-07 | 2022-03-18 | 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 |
CN114492727A (zh) * | 2021-12-13 | 2022-05-13 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 一种除尘***入口烟尘浓度智能预测与控制方法 |
-
2022
- 2022-10-19 CN CN202211278780.7A patent/CN115576203B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186119A (zh) * | 2011-12-28 | 2013-07-03 | 陈美玲 | 一种电除尘器自动监控***设计方法 |
CN108940596A (zh) * | 2018-07-12 | 2018-12-07 | 浙江大学 | 一种基于混合模型的电除尘***优化控制方法 |
CN114191953A (zh) * | 2021-12-07 | 2022-03-18 | 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 |
CN114492727A (zh) * | 2021-12-13 | 2022-05-13 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 一种除尘***入口烟尘浓度智能预测与控制方法 |
Non-Patent Citations (3)
Title |
---|
垃圾焚烧二恶英净化过程建模与优化;唐影;;中外能源;20170115(01);全文 * |
基于先进控制的燃煤机组超低排放指标优化控制技术;孙成富;胡炜;胡翔;顾奇凯;沈恒芳;;浙江电力;20170725(07);全文 * |
电除尘器自动监控***设计;李依琼;徐;王进;卢泽锋;;计算机测量与控制;20081225(12);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115576203A (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783846B (zh) | 一种智慧用能服务协同控制***和方法 | |
CN115576203B (zh) | 基于神经网络的嵌入式电除尘智能控制方法和*** | |
CN110046182A (zh) | 一种巨型水电厂智能报警阈值设置方法及*** | |
CN117713221B (zh) | 一种微逆光伏并网优化*** | |
CN111723519B (zh) | 基于逻辑回归和朴素贝叶斯的变压器故障诊断装置及方法 | |
CN109886232A (zh) | 一种基于神经网络的电网图像识别*** | |
CN117454093A (zh) | 一种智能电源模块管理方法及*** | |
CN117933660A (zh) | 基于物联网的能源管理平台 | |
CN117346129A (zh) | 锅炉高温过热器外包低温受热面的温度调控*** | |
CN102497135A (zh) | 一种基于规则引擎的光伏电站监控方法 | |
CN111624874A (zh) | 用于城市污水处理的泵站集群智能化预测方法及*** | |
WO2024016586A1 (zh) | 机房温度控制方法及装置、电子设备、存储介质 | |
CN110889495A (zh) | 一种基于能动参数的制丝设备状态维护分析方法 | |
CN114756722B (zh) | 一种多元数据集中管理控制***及方法 | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
CN112099438A (zh) | 一种基于电流信号的机床节能控制方法及装置 | |
CN116760033B (zh) | 一种基于人工智能的实时电力需求预测*** | |
CN117505074B (zh) | 一种基于节能分析的电除尘控制方法及*** | |
Qin et al. | Cnn-gru-attention based short-term load forecasting of distribution networks | |
CN117995374B (zh) | 医废管理与设备监控智能化数据平台 | |
Mishra et al. | Data mining technology and its applications to power systems | |
CN118210240A (zh) | 一种基于物联网的多设备能耗监控与管理方法 | |
CN117520889A (zh) | 一种热处理炉用能模式识别方法 | |
CN117635103A (zh) | 一种基于snn的智能变电站设备状态维护方法 | |
Long et al. | Porting and Optimization of Electric Power Consumers Anomaly Behaviour Monitoring on ARM Platform |
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 |