CN116067829A - 一种火力发电厂脱硫石膏浆液密度的软测量方法及*** - Google Patents
一种火力发电厂脱硫石膏浆液密度的软测量方法及*** Download PDFInfo
- Publication number
- CN116067829A CN116067829A CN202211737494.2A CN202211737494A CN116067829A CN 116067829 A CN116067829 A CN 116067829A CN 202211737494 A CN202211737494 A CN 202211737494A CN 116067829 A CN116067829 A CN 116067829A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- gypsum slurry
- density
- thermal power
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Immunology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明公开了一种火力发电厂脱硫石膏浆液密度的软测量方法及***包括,对火力发电站中集散控制***中的历史参数数据进行固定周期采样,并进行相关性分析;根据相关性分析后的周期采样数据建立第一最优值算法神经网络模型,并设置误差阈值对模型进行优化,建立优化后的第二最优值算法神经网络模型;根据所述第二最优值算法神经网络模型,结合实时数据求解火力发电厂脱硫石膏浆液密度。在脱硫控制DCS***中完成获得BP神经网络算法组态,经过调试和验证即可实时测量和预测脱硫***运行实时的石膏密度。克服硬件测量存在的元件结垢、磨损、环境影响造成测量误差和不能实时显示等问题。
Description
技术领域
本发明涉及什么什么什么技术领域,尤其涉及一种火力发电厂脱硫石膏浆液密度的软测量方法及***。
背景技术
随着我国电力及其相关环保行业的高速发展,石灰石-石膏湿法脱硫是目前燃煤火力发电厂应用最广泛的烟气脱硫工艺,石灰石-石膏湿法脱硫***中的石灰石浆液(脱硫剂),与烟气中的SO2进行反应,生成的石膏浆液经过脱水后得到副产品—石膏。固体石膏可外运作为主要的建材原料,具有极高的综合利用价值。
石膏密度是火力发电厂脱硫***重要的测量参数,现有的石膏密度测量有以下几种方法:放射性密度计的测量原理是射线穿过物质时会发生衰减,衰减的程度取决于测量通道及物质的密度,当测量通道恒定时,衰减量是密度的函数。放射性密度计可以在不接触被检测对象特别是在高温、高压、高腐蚀性和有毒的情况下,对容器内物料密度的测量,不会造成浆液压力损失。缺点是测量信号与浓度不成线性,管道内结垢及磨损将引起测量误差,放射性核源审批烦琐。
质量密度计,测量管连续地以一定的共振频率进行振动,振动的频率随流体的密度变化而变化,共振频率是流体密度的函数,通过测量管的共振频率即可获得流体的密度,缺点是磨损大,必须及时更换。
差压法密度测量,差压法密度测量是通过液体压力计算公式⊿p=egh,测量装置包括:依次连接的取样单元、输液管道和测量单元,所述取样单元包括浆液吸收管,浆液吸收管上连接有流量控制阀,所述测量单元包括浆液储罐,浆液储罐上连接有静压式液位计,在测量罐上部和下部安装压力测量变送器,测量罐上下的差压即可按照公式计算密度。缺点是测量周期长,不能实时检测密度,测量维护量大。以上方案无法克服硬件测量存在的元件结垢、磨损、环境影响造成测量误差和不能实时显示等问题。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种火力发电厂脱硫石膏浆液密度的软测量方法及***,能够解决背景技术中提到的问题。
为解决上述技术问题,本发明提供如下技术方案,一种火力发电厂脱硫石膏浆液密度的软测量方法,包括:
对火力发电站中集散控制***中的历史参数数据进行固定周期采样,并进行相关性分析;
根据相关性分析后的周期采样数据建立第一最优值算法神经网络模型,并设置误差阈值对模型进行优化,建立优化后的第二最优值算法神经网络模型;
根据所述第二最优值算法神经网络模型,结合实时数据求解火力发电厂脱硫石膏浆液密度。
作为本发明所述的火力发电厂脱硫石膏浆液密度的软测量方法的一种优选方案,其中:所述历史参数数据包括,原烟气SO2浓度、机组负荷、石灰石浆液密度、石膏浆液pH值、净烟气SO2浓度、供浆流量、运行石膏排出泵电流、吸收塔液位的历史数据,采样时间间隔为1s,采样周期为一小时。
作为本发明所述的火力发电厂脱硫石膏浆液密度的软测量方法的一种优选方案,其中:所述相关性分析包括,
其中,R表示皮尔逊相关系数,xi={x1,x2,…,xn},yi={y1,y2,…,yn},反映2个变量之间相关程度,皮尔逊相关系数的取值范围为-1到1,取值为0表明2个变量之间没有显著的线性关系,-1和1表示2者完全负或正相关,i为样本取值,n为样本总量。
作为本发明所述的火力发电厂脱硫石膏浆液密度的软测量方法的一种优选方案,其中:所述第一最优值算法神经网络模型包括,
所述相关性分析后的周期采样数据分为训练集与测试集,将所述训练集输入到BP神经网络模型,进行迭代学习训练,优化参数,直到训练的BP神经网络模型收敛;
将所述测试集输入训练后的BP神经网络模型,确定脱硫石膏浆液密度模型,评估诊断正确率,优化结构和参数,直到最佳,保存最佳BP神经网络模型;
所述训练集和测试集包括第一样本组合与第二样本组合,所述第一样本组合由所述训练集为总样本60%和所述测试集为总样本40%的集合组成,所述第二样本组合由所述训练集为总样本50%和所述测试集为总样本50%的集合组成。
作为本发明所述的火力发电厂脱硫石膏浆液密度的软测量方法的一种优选方案,其中:所述第二最优值算法神经网络模型包括,
以脱硫石膏浆液密度为目标函数,采用自适应协方差矩阵优化算法对脱硫石膏浆液密度指标数据进行优化,
自适应协方差矩阵优化算法,表示为:
d(e)+σ(e)N(0,C(e))~N(d(e),(σ(e))2C(e))
其中,~为左右服从正态分布,N(0,C(e))为协方差矩阵C(e)的正态分布,为第b+1代的第c个后代;d(e)为第e代搜索分布的均值,σ(e)为第e代的步长,C(e)为第e代的协方差矩阵,λ为抽样数量。
作为本发明所述的火力发电厂脱硫石膏浆液密度的软测量方法的一种优选方案,其中:所述第二最优值算法神经网络模型还包括,
设置各个相关性分析后相关性较强的周期采样数据作为优化变量参数,并对优化参数的初始值、上下限以及步长进行设置;
初始化自适应协方差矩阵优化算法相关参数,所述相关参数包括种群数目、迭代次数以及边界约束;
若满足条件,则输出最优脱硫石膏浆液密度参数;
若不满足条件,则继续计算,当平均脱硫石膏浆液密度值不变动时,得到的最优脱硫石膏浆液密度参数,生成最优脱硫石膏浆液密度值。
作为本发明所述的火力发电厂脱硫石膏浆液密度的软测量方法的一种优选方案,其中:所述最佳BP神经网络模型包括,
当带入所述训练集后,BP神经网络模型正确率达到90%时,所述BP神经网络模型收敛;
当带入所述测试集后,BP神经网络模型正确率达到98%时,所述BP神经网络模型训练达到最佳。
一种火力发电厂脱硫石膏浆液密度的软测量***,其特征在于:包括采样分析模块、模型优化模块以及密度求解模块,
采样分析模块,所述采样分析模块用于对火力发电站中集散控制***中的历史参数数据进行固定周期采样,并进行相关性分析;
模型优化模块,所述模型优化模块用于根据相关性分析后的周期采样数据建立第一最优值算法神经网络模型,并设置误差阈值对模型进行优化,建立优化后的第二最优值算法神经网络模型;
密度求解模块,所述密度求解模块用于根据所述第二最优值算法神经网络模型,结合实时数据求解火力发电厂脱硫石膏浆液密度。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本发明的有益效果:本发明提出一种火力发电厂脱硫石膏浆液密度的软测量方法及***,本发明与现有技术相比,利用脱硫***运行时已存在的大量数据计算和预测脱硫石膏密度。在不增加其他密度测量硬件的基础上,利用脱硫控制***DCS(集散控制***)或与之相连的SIS(厂级实时监控信息***)***中的大量数据,在MATLAB软件中使用BP神经网络算法计算和分析其规律,在其达到要求的精度后获得其算法,并在MATLAB软件完成仿真和验证。其后在脱硫控制DCS***中完成获得BP神经网络算法组态,经过调试和验证即可实时测量和预测脱硫***运行实时的石膏密度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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它的附图。其中:
图1为本发明一个实施例提供的一种火力发电厂脱硫石膏浆液密度的软测量方法及***的方法流程图;
图2为本发明一个实施例提供的一种火力发电厂脱硫石膏浆液密度的软测量方法及***的计算机设备的内部结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”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。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1-2,为本发明的第一个实施例,该实施例提供了一种火力发电厂脱硫石膏浆液密度的软测量方法及***,包括:
步骤102,对火力发电站中集散控制***中的历史参数数据进行固定周期采样,并进行相关性分析;
其中,历史参数数据包括,原烟气SO2浓度、机组负荷、石灰石浆液密度、石膏浆液pH值、净烟气SO2浓度、供浆流量、运行石膏排出泵电流、吸收塔液位的历史数据,采样时间间隔为1s,采样周期为一小时。
更进一步的,相关性分析包括,
其中,R表示皮尔逊相关系数,xi={x1,x2,…,xn},yi={y1,y2,…,yn},反映2个变量之间相关程度,皮尔逊相关系数的取值范围为-1到1,取值为0表明2个变量之间没有显著的线性关系,-1和1表示2者完全负或正相关,i为样本取值,n为样本总量。
步骤104,根据相关性分析后的周期采样数据建立第一最优值算法神经网络模型,并设置误差阈值对模型进行优化,建立优化后的第二最优值算法神经网络模型;
更进一步的,第一最优值算法神经网络模型包括,相关性分析后的周期采样数据分为训练集与测试集,将训练集输入到BP神经网络模型,进行迭代学习训练,优化参数,直到训练的BP神经网络模型收敛;
更进一步的,将测试集输入训练后的BP神经网络模型,确定脱硫石膏浆液密度模型,评估诊断正确率,优化结构和参数,直到最佳,保存最佳BP神经网络模型;
应说明的是,训练集和测试集包括第一样本组合与第二样本组合,第一样本组合由训练集为总样本60%和测试集为总样本40%的集合组成,第二样本组合由训练集为总样本50%和测试集为总样本50%的集合组成。
步骤106,根据第二最优值算法神经网络模型,结合实时数据求解火力发电厂脱硫石膏浆液密度。
更进一步的,第二最优值算法神经网络模型包括,以脱硫石膏浆液密度为目标函数,采用自适应协方差矩阵优化算法对脱硫石膏浆液密度指标数据进行优化,
自适应协方差矩阵优化算法,表示为:
d(e)+σ(e)N(0,C(e))~N(d(e),(σ(e))2C(e))
其中,~为左右服从正态分布,N(0,C(e))为协方差矩阵C(e)的正态分布,为第b+1代的第c个后代;d(e)为第e代搜索分布的均值,σ(e)为第e代的步长,C(e)为第e代的协方差矩阵,λ为抽样数量。
更进一步的,第二最优值算法神经网络模型还包括,设置各个相关性分析后相关性较强的周期采样数据作为优化变量参数,并对优化参数的初始值、上下限以及步长进行设置;
更进一步的,初始化自适应协方差矩阵优化算法相关参数,相关参数包括种群数目、迭代次数以及边界约束;
更进一步的,若满足条件,则输出最优脱硫石膏浆液密度参数;
应说明的是,若不满足条件,则继续计算,当平均脱硫石膏浆液密度值不变动时,得到的最优脱硫石膏浆液密度参数,生成最优脱硫石膏浆液密度值。
应说明的是,最佳BP神经网络模型包括,当带入训练集后,BP神经网络模型正确率达到90%时,BP神经网络模型收敛;
应说明的是,当带入测试集后,BP神经网络模型正确率达到98%时,BP神经网络模型训练达到最佳。
一种火力发电厂脱硫石膏浆液密度的软测量***,其特征在于:包括采样分析模块、模型优化模块以及密度求解模块,
采样分析模块,采样分析模块用于对火力发电站中集散控制***中的历史参数数据进行固定周期采样,并进行相关性分析;
模型优化模块,模型优化模块用于根据相关性分析后的周期采样数据建立第一最优值算法神经网络模型,并设置误差阈值对模型进行优化,建立优化后的第二最优值算法神经网络模型;
密度求解模块,密度求解模块用于根据第二最优值算法神经网络模型,结合实时数据求解火力发电厂脱硫石膏浆液密度。
上述各单元模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图2所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种火力发电厂脱硫石膏浆液密度的软测量方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,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以下步骤:
对火力发电站中集散控制***中的历史参数数据进行固定周期采样,并进行相关性分析;
根据相关性分析后的周期采样数据建立第一最优值算法神经网络模型,并设置误差阈值对模型进行优化,建立优化后的第二最优值算法神经网络模型;
根据第二最优值算法神经网络模型,结合实时数据求解火力发电厂脱硫石膏浆液密度。
实施例2
参照图1-2,为本发明的一个实施例,提供了一种火力发电厂脱硫石膏浆液密度的软测量方法及***,为了验证本发明的有益效果,通过对比实验进行科学论证。
表1神经网络模型建立时部分训练数据
本发明提出一种火力发电厂脱硫石膏浆液密度的软测量方法及***,本发明与现有技术相比,利用脱硫***运行时已存在的大量数据计算和预测脱硫石膏密度。在不增加其他密度测量硬件的基础上,利用脱硫控制***DCS(集散控制***)或与之相连的SIS(厂级实时监控信息***)***中的大量数据,在MATLAB软件中使用BP神经网络算法计算和分析其规律,在其达到要求的精度后获得其算法,并在MATLAB软件完成仿真和验证。其后在脱硫控制DCS***中完成获得BP神经网络算法组态,经过调试和验证即可实时测量和预测脱硫***运行实时的石膏密度。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种火力发电厂脱硫石膏浆液密度的软测量方法,其特征在于:包括,
对火力发电站中集散控制***中的历史参数数据进行固定周期采样,并进行相关性分析;
根据相关性分析后的周期采样数据建立第一最优值算法神经网络模型,并设置误差阈值对模型进行优化,建立优化后的第二最优值算法神经网络模型;
根据所述第二最优值算法神经网络模型,结合实时数据求解火力发电厂脱硫石膏浆液密度。
2.如权利要求1所述的火力发电厂脱硫石膏浆液密度的软测量方法,其特征在于:所述历史参数数据包括,原烟气SO2浓度、机组负荷、石灰石浆液密度、石膏浆液pH值、净烟气SO2浓度、供浆流量、运行石膏排出泵电流、吸收塔液位的历史数据,采样时间间隔为1s,采样周期为一小时。
4.如权利要求3所述的火力发电厂脱硫石膏浆液密度的软测量方法,其特征在于:所述第一最优值算法神经网络模型包括,
所述相关性分析后的周期采样数据分为训练集与测试集,将所述训练集输入到BP神经网络模型,进行迭代学习训练,优化参数,直到训练的BP神经网络模型收敛;
将所述测试集输入训练后的BP神经网络模型,确定脱硫石膏浆液密度模型,评估诊断正确率,优化结构和参数,直到最佳,保存最佳BP神经网络模型;
所述训练集和测试集包括第一样本组合与第二样本组合,所述第一样本组合由所述训练集为总样本60%和所述测试集为总样本40%的集合组成,所述第二样本组合由所述训练集为总样本50%和所述测试集为总样本50%的集合组成。
6.如权利要求5所述的火力发电厂脱硫石膏浆液密度的软测量方法,其特征在于:所述第二最优值算法神经网络模型还包括,
设置各个相关性分析后相关性较强的周期采样数据作为优化变量参数,并对优化参数的初始值、上下限以及步长进行设置;
初始化自适应协方差矩阵优化算法相关参数,所述相关参数包括种群数目、迭代次数以及边界约束;
若满足条件,则输出最优脱硫石膏浆液密度参数;
若不满足条件,则继续计算,当平均脱硫石膏浆液密度值不变动时,得到的最优脱硫石膏浆液密度参数,生成最优脱硫石膏浆液密度值。
7.如权利要求6所述的火力发电厂脱硫石膏浆液密度的软测量方法,其特征在于:所述最佳BP神经网络模型包括,
当带入所述训练集后,BP神经网络模型正确率达到90%时,所述BP神经网络模型收敛;
当带入所述测试集后,BP神经网络模型正确率达到98%时,所述BP神经网络模型训练达到最佳。
8.一种火力发电厂脱硫石膏浆液密度的软测量***,其特征在于:包括采样分析模块、模型优化模块以及密度求解模块,
采样分析模块,所述采样分析模块用于对火力发电站中集散控制***中的历史参数数据进行固定周期采样,并进行相关性分析;
模型优化模块,所述模型优化模块用于根据相关性分析后的周期采样数据建立第一最优值算法神经网络模型,并设置误差阈值对模型进行优化,建立优化后的第二最优值算法神经网络模型;
密度求解模块,所述密度求解模块用于根据所述第二最优值算法神经网络模型,结合实时数据求解火力发电厂脱硫石膏浆液密度。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211737494.2A CN116067829A (zh) | 2022-12-31 | 2022-12-31 | 一种火力发电厂脱硫石膏浆液密度的软测量方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211737494.2A CN116067829A (zh) | 2022-12-31 | 2022-12-31 | 一种火力发电厂脱硫石膏浆液密度的软测量方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116067829A true CN116067829A (zh) | 2023-05-05 |
Family
ID=86179615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211737494.2A Pending CN116067829A (zh) | 2022-12-31 | 2022-12-31 | 一种火力发电厂脱硫石膏浆液密度的软测量方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116067829A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116825218A (zh) * | 2023-06-13 | 2023-09-29 | 中能融合智慧科技有限公司 | 一种用于能源行业的脱硫运行优化方法及设备 |
-
2022
- 2022-12-31 CN CN202211737494.2A patent/CN116067829A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116825218A (zh) * | 2023-06-13 | 2023-09-29 | 中能融合智慧科技有限公司 | 一种用于能源行业的脱硫运行优化方法及设备 |
CN116825218B (zh) * | 2023-06-13 | 2024-04-12 | 中能融合智慧科技有限公司 | 一种用于能源行业的脱硫运行优化方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111625953B (zh) | 气体高压等温吸附曲线预测方法、***、存储介质、终端 | |
CN105444923A (zh) | 基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法 | |
US10948312B2 (en) | Environmental monitoring systems, methods and media | |
CN114547951B (zh) | 一种基于数据同化的大坝状态预测方法及*** | |
CN101761780A (zh) | 输气管道泄漏检测定位装置及其检测定位方法 | |
CN116067829A (zh) | 一种火力发电厂脱硫石膏浆液密度的软测量方法及*** | |
CN106529049A (zh) | 一种用于模型修正的应变模态相关性评价方法 | |
CN107657083A (zh) | 一种智能水表在线综合误差校准方法 | |
Ollinaho et al. | Parameter variations in prediction skill optimization at ECMWF | |
CN113792372A (zh) | 一种基于cv-lstm组合模型的地连墙变形动态预测方法 | |
CN108005644B (zh) | 一种倾斜煤层动态渗透率预测方法及装置 | |
CN113835060A (zh) | 一种基于数字孪生的电力互感器在线状态监测方法及*** | |
CN112836789A (zh) | 一种基于复合神经网络算法的地连墙变形动态预测方法 | |
CN114970926A (zh) | 一种模型训练方法、企业经营风险预测方法和装置 | |
CN112650740B (zh) | 一种降低在线监测碳排放量数据不确定度的方法及*** | |
CN117252063A (zh) | 基于机器学习的岩质高边坡开挖锚固变形预测方法及*** | |
CN116148951B (zh) | 空气目标污染物组分预报模型训练方法、预报方法及装置 | |
CN111950605A (zh) | 表计识别模型的学习方法、装置、设备和表计识别方法 | |
CN115687854A (zh) | 高精度土样参数测量方法及其*** | |
CN114814092A (zh) | 基于bp神经网络的ip指标测量方法 | |
CN114200078A (zh) | Oh自由基浓度的测算方法和装置 | |
CN114139802A (zh) | 一种基于流域水情变化趋势分析模型的实时优化调度方法 | |
CN106782703A (zh) | 一种核电站一回路冷却剂泄漏的软测量方法 | |
CN109858699A (zh) | 水质定量模拟方法、装置、电子设备及存储介质 | |
Pavese | Measurement in science: Between evaluation and prediction |
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 |