CN116440670A - 一种石灰石浆液密度稳定性控制方法 - Google Patents

一种石灰石浆液密度稳定性控制方法 Download PDF

Info

Publication number
CN116440670A
CN116440670A CN202310391010.1A CN202310391010A CN116440670A CN 116440670 A CN116440670 A CN 116440670A CN 202310391010 A CN202310391010 A CN 202310391010A CN 116440670 A CN116440670 A CN 116440670A
Authority
CN
China
Prior art keywords
density
data
slurry
optimal
current
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.)
Granted
Application number
CN202310391010.1A
Other languages
English (en)
Other versions
CN116440670B (zh
Inventor
王鹏
张玉良
王文钢
芦保祥
梁世鑫
章传刚
孙宗逊
冷健
杨堃
郑竣城
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.)
Huaneng Yichun Thermoelectricity Co ltd
Original Assignee
Huaneng Yichun Thermoelectricity 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 Huaneng Yichun Thermoelectricity Co ltd filed Critical Huaneng Yichun Thermoelectricity Co ltd
Priority to CN202310391010.1A priority Critical patent/CN116440670B/zh
Publication of CN116440670A publication Critical patent/CN116440670A/zh
Application granted granted Critical
Publication of CN116440670B publication Critical patent/CN116440670B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • 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
    • B01D53/501—Sulfur oxides by treating the gases with a solution or a suspension of an alkali or earth-alkali or ammonium compound
    • B01D53/502—Sulfur oxides by treating the gases with a solution or a suspension of an alkali or earth-alkali or ammonium compound characterised by a specific solution or suspension
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2251/00—Reactants
    • B01D2251/40—Alkaline earth metal or magnesium compounds
    • B01D2251/404—Alkaline earth metal or magnesium compounds of calcium
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2251/00—Reactants
    • B01D2251/60—Inorganic bases or salts
    • B01D2251/606—Carbonates
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2258/00—Sources of waste gases
    • B01D2258/02—Other waste gases
    • B01D2258/0283—Flue gases
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Medical Informatics (AREA)
  • Analytical Chemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了一种石灰石浆液密度稳定性控制方法，涉及.脱硫工艺控制技术领域，包括：对基于影响浆液密度的测量因素，从历史测点数据中得到的第一相关变量时序调整后，进行训练再优化得到石浆液密度预测模型，获取当前密度；利用划分历史数据得到第一工况对应的目标浆液密度数据训练得到最优密度模型；基于当前工况输入最优密度模型中得到的最优密度与当前密度的对比结果，采用对应措施以调整当前石浆液密度。通过根据利用石浆液密度预测模型精确获取的当前密度，与利用最优密度模型所预测的基于脱硫效果的前提下当前的最优密度进行对比的结果，来调整石浆液密度，提高了浆液制备过程中浆液的密度稳定性以及浆液品质，也保证火电厂的脱硫效率。

Description

一种石灰石浆液密度稳定性控制方法
技术领域
本发明涉及.脱硫工艺控制技术领域，特别涉及一种石灰石浆液密度稳定性控制方法。
背景技术
随着火电行业的快速发展，环境污染问题成为企业重要关注点之一，目前，我国火电厂广泛应用湿法烟气脱硫技术来降低环境灾害，其方法具有原理简单、脱硫效率高和脱硫副产物可回收再利用等优点。
湿法烟气脱硫技术中，石灰石浆液的制备是脱硫***的关键环节，浆液密度很大程度上决定着石灰石浆液品质，但是现如今的技术存在一些测量密度准确、浆液密度反馈存在滞后性，得到浆液密度波动过大，影响脱硫效率。
因此，本发明提供一种石灰石浆液密度稳定性控制方法。
发明内容
本发明提供一种石灰石浆液密度稳定性控制方法，用以通过根据利用石浆液密度预测模型精确获取的当前密度，与利用最优密度模型所预测的基于脱硫效果的前提下当前的最优密度进行对比的结果，来调整石浆液密度，提高了浆液制备过程中浆液的密度稳定性以及浆液品质，也保证火电厂的脱硫效率。
本发明提供一种石灰石浆液密度稳定性控制方法，包括：
步骤1：从火电厂数据库中提取预设量的制浆***的历史测点数据，再基于影响浆液密度的测量因素，从中筛选得到第一相关变量；
步骤2：对所述第一相关变量进行时序调整，得到第一变量；
步骤3：利用基于所述第一变量进行训练得到的预测模型再优化后得到的石浆液密度预测模型，获取当前密度；
步骤4：对从数据库中提取的目标历史数据进行划分得到第一工况，并利用所述第一工况对应的目标浆液密度数据作为样本训练得到最优密度模型；
步骤5：根据当前工况输入最优密度模型中得到的最优密度与所述当前密度的对比结果，采用对应措施以调整当前石浆液密度。
优选的，从火电厂数据库中提取预设量的制浆***的历史测点数据，再基于影响浆液密度的测量因素，从中筛选得到第一相关变量，包括：
步骤11：从火电厂数据库中获取预设量的制浆***的历史测点数据；
步骤12：基于影响浆液密度的测量因素，从测点数据中获取若干类相关变量；
步骤13：对每一个相关变量对应的数据进行无量纲处理后，经过计算得到每个相关变量与浆液密度的关联度，并构建得到关联度集合；
其中，关联度求取公式如下：
其中，表示为第i个相关变量与浆液密度的关联度,其中/>m；/>表示为浆液密度变量数列；/>表示为第i个相关变量数列，其中/>;/>表示为i和j最小时，/>的差，即两级最小差；/>表示为相关变量与浆液密度的两级最小差对关联度的影响权重系数；/>表示为i和j最大时，/>的差，即两级最大差；/>2表示为相关变量与浆液密度的两级最大差对关联度的影响权重系数；
步骤14：根据所述关联度集合，确定大于预设关联阈值的关联度为目标关联度；
步骤15：将所述目标关联度所对应的相关变量作为第一相关变量输出。
优选的，对所述第一相关变量进行时序调整，得到第一变量，包括：
分别获取每个第一相关变量第一预设时段前，以及第二预设时段内与浆液密度的第一互信息以及第二互信息；
获取第一互信息与第二互信息最大量时所对应的时刻，并作为第一相关变量与浆液密度的待定延迟时间；
选取延迟时间久的待定延迟时间作为最合适延迟时间，对第一相关变量的时序进行调整，得到第一变量。
优选的，利用基于所述第一变量进行训练得到的预测模型再优化后得到的石浆液密度预测模型，获取当前密度，包括：
步骤21：利用第一变量进行训练得到预测模型后，引入粒子群优化概念，使用动态惯性权值因子进行全局寻优，得到粒子的个体最优解和全局最优解；
步骤22：将第一变量训练预测模型后得到的第一预测数据结果，与真实数据进行比较，得到预测误差；
步骤23：将预测误差作为适应度与最优适应度进行对比，并且在迭代过程中，若存在适应度小于最优适应度，则将全局最优解更新为当前的粒子的个体最优解；
步骤24：获取迭代结束后的最终全局最优解，作为优化参数对预测模型进行优化后得到石浆液密度预测模型；
步骤25：将当前采集的第一相关变量输入石浆液密度预测模型中，输出当前密度。
优选的，对从数据库中提取的目标历史数据进行划分得到第一工况，并利用所述第一工况对应的目标浆液密度数据作为样本训练得到最优密度模型，包括：
步骤31：根据脱硫原理以及数据预处理方式从数据库中筛选并获取目标历史数据；
步骤32：基于影响脱硫效率的不可调整因素，对目标历史数据进行不同工况的划分，得到第一工况，并基于聚类算法挖掘不同第一工况对应的目标浆液密度数据；
步骤33：将获取的目标浆液密度数据作为训练样本，构建最优密度模型。
优选的，根据脱硫原理以及数据预处理方式从数据库中筛选并获取目标历史数据，包括：
对从火电厂数据库中预设时间段内的历史数据归一化处理后，利用箱形图进行异常值的识别与删除，得到待定数据；
以机组功率的变化作为判断依据，从待定数据中筛选得到得到稳态工况数据；
基于聚类以及采样方法，对稳态工况数据进行均衡处理后，得到目标历史数据。
优选的，基于聚类算法挖掘不同第一工况对应的目标浆液密度数据，包括：
步骤41：利用不同第一工况内的数据构建对应的样本集，其中/>，/>表示为利用第k个第一工况内的数据所构建对应的样本集中的第n个样本；
步骤42：从样本集进行聚类后，从聚类结果中筛选轮廓系数最小的聚类结果作为第一聚类结果，并利用曲线拟合后的每个第一簇聚类中心与簇内样本的距离分布图，得到簇的邻域距离阈值L；
步骤43：确定样本集中每个样本满足邻域距离阈值L的样本个数后，将个数的平均值作为邻域内最少样本数/>；
步骤44：对于，/>，其中/>表示为利用第k个第一工况内的数据所构建对应的样本集中的第s个样本，基于距离计算方式，获取与/>的距离小于L的第一数据子集，并确定第一数据子集的数据个数；
此时，若存在第一数据子集中的数据个数小于，则将对应的/>识别为噪声点并剔除；
若第一数据子集中的数据个数不小于，则将/>作为核心点，赋予新簇标签，并分析距离L以内的其余数据是否为核心点，若存在不是核心点且没有被分配给一个簇的数据，则将新簇标签分配给该数据，直至访问完核心点距离L以内的数据；
步骤45：选取另一个未被访问过的数据进行重复步骤44的过程，直至迭代结束，输出被划分好的簇也就是新聚类结果；
步骤46：对所述新聚类结果进行数据分析，得到目标浆液密度数据。
优选的，根据当前第一工况输入最优密度模型中得到的最优密度与所述当前密度的对比结果，采用对应措施以调整当前石浆液密度，包括：
将当前第一工况输入所述最优密度模型中，得到最优密度，并将所述最优密度与当前密度进行对应对比，获取第一密度差的绝对值；
若第一密度差的绝对值不大于预设阈值，则不需要调整浆液密度值；
若第一密度差的绝对值大于预设误差阈值，且第一密度差小于0，则开启供浆调节门进行供应浆液直至浆液密度达到最优密度后，关闭供浆调节门；
若第一密度差的绝对值大于预设误差阈值，且第一密度差大于0，则将浆液从吸收塔的石灰浆液排出管道排出直至浆液密度达到最优密度后，停止排出操作。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种石灰石浆液密度稳定性控制方法的流程图。
图2为本发明实施例中一种石灰石浆液密度稳定性控制方法中控制器的工作流程示意图；
图3为本发明另一个实施例中一种石灰石浆液密度稳定性控制方法中控制器的工作流程示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供一种石灰石浆液密度稳定性控制方法，如图1所示，包括：
步骤1：从火电厂数据库中提取预设量的制浆***的历史测点数据，再基于影响浆液密度的测量因素，从中筛选得到第一相关变量；
步骤2：对所述第一相关变量进行时序调整，得到第一变量；
步骤3：利用基于所述第一变量进行训练得到的预测模型再优化后得到的石浆液密度预测模型，获取当前密度；
步骤4：对从数据库中提取的目标历史数据进行划分得到第一工况，并利用所述第一工况对应的目标浆液密度数据作为样本训练得到最优密度模型；
步骤5：根据当前工况输入最优密度模型中得到的最优密度与所述当前密度的对比结果，采用对应措施以调整当前石浆液密度。
该实施例中，火电厂数据库由制浆***运行中的各个设备上安装的测量装置所测量到的数据；预设量是基于制浆***的规模大小提前设定好的。
该实施例中，历史测点数据指的是制浆***中的各个设备上安装的测量装置比如压力传感器、温度传感器，所测量到的数据；第一相关变量是基于与浆液密度关联程度从影响浆液密度的测量因素对应数据中筛选得到的相关变量，其中影响浆液密度的测量因素包括有旋流口压力、称重给料机瞬时给料量、浆液液位、循环泵出口压力等。
该实施例中，第一变量是对第一相关变量时序调整得到的，其中时序调整的目的是为了降低第一相关变量与浆液密度的延时性，补偿因延迟时间造成的密度误差。
该实施例中，石浆液密度预测模型是对第一变量训练得到的预测模型优化后得到的，保证了石浆液密度预测模型的精确性，即当前密度的准确性。
该实施例中，第一工况是基于影响脱硫效率的不可调参数划分目标历史数据得到的，其中目标历史数据指的是脱硫***稳态运行过程下产生的经过数据预处理后的历史数据，比如烟气流量、入口浓度、浆液密度；最优密度模型是利用目标浆液密度数据训练得到的用于预测当前最优密度的模型，其中目标浆液密度是对第一工况数据挖掘获取的。
上述技术方案的有益效果是：通过根据利用石浆液密度预测模型精确获取的当前密度，与利用最优密度模型所预测的基于脱硫效果的前提下当前的最优密度进行对比的结果，来调整石浆液密度，提高了浆液制备过程中浆液的密度稳定性以及浆液品质，也保证火电厂的脱硫效率。
本发明实施例提供一种石灰石浆液密度稳定性控制方法，从火电厂数据库中提取预设量的制浆***的历史测点数据，再基于影响浆液密度的测量因素，从中筛选得到第一相关变量，包括：
步骤11：从火电厂数据库中获取预设量的制浆***的历史测点数据；
步骤12：基于影响浆液密度的测量因素，从测点数据中获取若干类相关变量；
步骤13：对每一个相关变量对应的数据进行无量纲处理后，经过计算得到每个相关变量与浆液密度的关联度，并构建得到关联度集合；
其中，关联度求取公式如下：
其中，表示为第i个相关变量与浆液密度的关联度,其中/>m；/>表示为浆液密度变量数列；/>表示为第i个相关变量数列，其中/>;/>表示为i和j最小时，/>的差，即两级最小差；/>表示为相关变量与浆液密度的两级最小差对关联度的影响权重系数；/>表示为i和j最大时，/>的差，即两级最大差；/>2表示为相关变量与浆液密度的两级最大差对关联度的影响权重系数；
步骤14：根据所述关联度集合，确定大于预设关联阈值的关联度为目标关联度；
步骤15：将所述目标关联度所对应的相关变量作为第一相关变量输出。
该实施例中，预设量是基于制浆***的规模大小提前设定好的。
该实施例中，历史测点数据指的是制浆***中的各个设备上安装的测量装置比如压力传感器、温度传感器，所测量到的数据；无量纲处理的目的是为了消除不同量纲对后续数据处理的影响；关联度指的是各个相关变量与浆液密度的关联程度。
该实施例中，预设关联阈值是提前设定好的，一般为0.85.
该实施例中，比如，存在相关变量1、2和3，与浆液密度的对应关联度分别是0.6、0.9、0.7，此时确定0.9为目标关联度，对应的相关变量2为第一相关变量并输出。
上述技术方案的有益效果是：通过获取基于影响浆液密度的测量因素，从历史测点数据中得到的若干相关变量与浆液密度的关联度，筛选得到关联程度较高的第一相关变量，为后续模型训练提供数据支撑。
本发明实施例提供一种石灰石浆液密度稳定性控制方法，对所述第一相关变量进行时序调整，得到第一变量，包括：
分别获取每个第一相关变量第一预设时段前，以及第二预设时段内与浆液密度的第一互信息以及第二互信息；
获取第一互信息与第二互信息最大量时所对应的时刻，并作为第一相关变量与浆液密度的待定延迟时间；
选取延迟时间久的待定延迟时间作为最合适延迟时间，对第一相关变量的时序进行调整，得到第一变量。
该实施例中，第一预设时段和第二预设时段是提前设定好的。
该实施例中，第一互信息是第一预设时段前第一相关变量与浆液密度的统计关联程度；第二互信息是第二预设时段内第一相关变量与浆液密度的统计关联程度。
该实施例中，比如存在第一相关变量x1，与浆液密度的第一互信息与第二互信息最大量时所对应的时刻分别是、/>，此时/>和/>作为待定延迟时间，又因为/>，故/>作为最合适延迟时间对第一相关变量的时序进行调整，得到第一变量X1。
上述技术方案的有益效果是：通过对两个预设时段第一相关变量与浆液密度的互信息量最大时的时刻进行比较，得到最合适延迟时间，对第一相关变量时序调整得到第一变量，降低了第一相关变量与浆液密度的延时性，从而补偿因延迟时间造成的密度误差，保证了获取当前密度的准确性。
本发明实施例提供一种石灰石浆液密度稳定性控制方法，利用基于所述第一变量进行训练得到的预测模型再优化后得到的石浆液密度预测模型，获取当前密度，包括：
步骤21：利用第一变量进行训练得到预测模型后，引入粒子群优化概念，使用动态惯性权值因子进行全局寻优，得到粒子的个体最优解和全局最优解；
步骤22：将第一变量训练预测模型后得到的第一预测数据结果，与真实数据进行比较，得到预测误差；
步骤23：将预测误差作为适应度与最优适应度进行对比，并且在迭代过程中，若存在适应度小于最优适应度，则将全局最优解更新为当前的粒子的个体最优解；
步骤24：获取迭代结束后的最终全局最优解，作为优化参数对预测模型进行优化后得到石浆液密度预测模型；
步骤25：将当前采集的第一相关变量输入石浆液密度预测模型中，输出当前密度。
该实施例中，预测模型是利用第一变量训练得到的；引入粒子群优化概念主要用于获取预测模型的优化参数；动态惯性权值因子指的是粒子对当前自身运动状态的信任程度，其中粒子可看作是预测模型优化参数的一个解；个体最优解是指粒子自身找寻的最优解，用于粒子的位置更新；全局最优解是指处于全局考量的最优解，用于更新粒子位置。
该实施例中，第一预测数据结果是指第一变量训练预测模型的输出结果；预测误差是第一变量的真实数据与第一预测数据的差值。
该实施例中，最优适应度是提前设定好的。
该实施例中，比如，存在第一变量真实数据a1，当前粒子的个体最优解为w1、全局最优解为w2，因真实数据a1与第一预测结果的预测误差小于最优适应度，故此时当前全局最优解更新为w1。
该实施例中，最终全局最优解是达到预设的最大迭代次数后结束迭代过程输出的最优解，用于作为优化参数优化预测模型得到石浆液密度预测模型，以获取准确的当前密度。
上述技术方案的有益效果是：通过基于粒子群优化算法，获取第一变量训练得到的预测模型的优化参数进行优化得到精确度高的石浆液密度预测模型，来获取准确的当前密度，有利于控制石灰石浆液稳定。
本发明实施例提供一种石灰石浆液密度稳定性控制方法，对从数据库中提取的目标历史数据进行划分得到第一工况，并利用所述第一工况对应的目标浆液密度数据作为样本训练得到最优密度模型，包括：
步骤31：根据脱硫原理以及数据预处理方式从数据库中筛选并获取目标历史数据；
步骤32：基于影响脱硫效率的不可调整因素，对目标历史数据进行不同工况的划分，得到第一工况，并基于聚类算法挖掘不同第一工况对应的目标浆液密度数据；
步骤33：将获取的目标浆液密度数据作为训练样本，构建最优密度模型。
该实施例中，数据预处理方式包括归一化处理和异常值剔除。
该实施例中，目标历史数据指的是脱硫***稳态运行过程下产生的经过数据预处理后的历史数据；第一工况是基于不可调整因素对目标历史数据划分得到的工作状态，其中不可调因素指的是影响脱硫效率的入口烟气流量和入口浓度。
该实施例中，目标浆液密度数据是利用聚类算法从第一工况中挖掘出来的数据，用于训练最优密度，来获取有利于脱硫效果最佳的对应浆液密度。
上述技术方案的有益效果是：通过基于不可调因素，划分利用脱硫原理以及数据预处理获取的目标历史数据得到第一工况；训练对第一工况进行数据挖掘得到的目标浆液数据得到最优密度模型，从而能够获取当前最优密度，为后续控制浆液稳定提供数据支撑。
本发明实施例提供一种石灰石浆液密度稳定性控制方法，根据脱硫原理以及数据预处理方式从数据库中筛选并获取目标历史数据，包括：
对从火电厂数据库中预设时间段内的历史数据归一化处理后，利用箱形图进行异常值的识别与删除，得到待定数据；
以机组功率的变化作为判断依据，从待定数据中筛选得到得到稳态工况数据；
基于聚类以及采样方法，对稳态工况数据进行均衡处理后，得到目标历史数据。
该实施例中，预设时间段是提前设定好的；归一化处理是为了消除量纲对后续数据分析的影响；待定数据是对归一化处理后的历史数据剔除异常值后得到的数据；稳态工况数据指的是***运行过程中，机组功率变化幅度极低，保持稳定的对应工作状态下的数据。
该实施例中，采取聚类以及采样方法是为了较好地维持稳态工况数据的特征的前提下，实现均衡处理，从而获取代表性较好的目标历史数据。
上述技术方案的有益效果是：通过基于机组功率的变化，对历史数据归一化处理和异常值处理后得到的待定数据筛选得到稳态工况数据；通过对稳态工况数据均衡处理后得到目标历史数据，为后续训练高精度的最优密度模型提供数据支撑。
本发明实施例提供一种石灰石浆液密度稳定性控制方法，基于聚类算法挖掘不同第一工况对应的目标浆液密度数据，包括：
步骤41：利用不同第一工况内的数据构建对应的样本集，其中/>，/>表示为利用第k个第一工况内的数据所构建对应的样本集中的第n个样本；
步骤42：从样本集进行聚类后，从聚类结果中筛选轮廓系数最小的聚类结果作为第一聚类结果，并利用曲线拟合后的每个第一簇聚类中心与簇内样本的距离分布图，得到簇的邻域距离阈值L；
步骤43：确定样本集中每个样本满足邻域距离阈值L的样本个数后，将个数的平均值作为邻域内最少样本数/>；
步骤44：对于，/>，其中/>表示为利用第k个第一工况内的数据所构建对应的样本集中的第s个样本，基于距离计算方式，获取与/>的距离小于L的第一数据子集，并确定第一数据子集的数据个数；
此时，若存在第一数据子集中的数据个数小于，则将对应的/>识别为噪声点并剔除；
若第一数据子集中的数据个数不小于，则将/>作为核心点，赋予新簇标签，并分析距离L以内的其余数据是否为核心点，若存在不是核心点且没有被分配给一个簇的数据，则将新簇标签分配给该数据，直至访问完核心点距离L以内的数据；
步骤45：选取另一个未被访问过的数据进行重复步骤44的过程，直至迭代结束，输出被划分好的簇也就是新聚类结果；
步骤46：对所述新聚类结果进行数据分析，得到目标浆液密度数据。
该实施例中，轮廓系数用于对聚类结果的评估，其取值区间为，轮廓系数接近1时，簇内紧凑，并远离其他簇；距离计算方式指的是欧氏距离计算方式；邻域距离阈值L是指簇的距离最小值。
该实施例中，比如，存在，其中与/>的距离小于L的第一数据子集是s1，且s1中的数据个数大于/>，此时将/>作为核心点，并赋予新簇标签；
接着依次访问距离L范围内的数据1、2、3，得知数据1和2不是核心点且没有被分配给一个簇，数据3为核心点，此时将新簇标签分配给数据1和2。
该实施例中，新聚类结果是数据全部划分后得到的簇，通过基于新聚类结果的特点进行数据分析即可得到目标浆液密度数据。
上述技术方案的有益效果是：通过聚类算法寻找第一工况中出现的最优浆液密度数据作为目标浆液密度输出，为后续训练最优密度模型奠定基础，保证了最优密度模型的高精度的同时，也间接利于控制石浆液稳定性。
本发明实施例提供一种石灰石浆液密度稳定性控制方法，根据当前第一工况输入最优密度模型中得到的最优密度与所述当前密度的对比结果，采用对应措施以调整当前石浆液密度，包括：
将当前第一工况输入所述最优密度模型中，得到最优密度，并将所述最优密度与当前密度进行对应对比，获取第一密度差的绝对值；
若第一密度差的绝对值不大于预设误差阈值，则不需要调整浆液密度值；
若第一密度差的绝对值大于预设误差阈值，且第一密度差小于0，则开启供浆调节门进行供应浆液直至浆液密度达到最优密度后，关闭供浆调节门；
若第一密度差的绝对值大于预设误差阈值，且第一密度差大于0，则将浆液从吸收塔的石灰浆液排出管道排出直至浆液密度达到最优密度后，停止排出操作。
该实施例中，预设误差阈值是提前设定好；当前第一工况是指当前采集的入口烟气流量和入口浓度。
该实施例中，比如，存在第一密度差的绝对值，大于预设误差阈值，且，此时开启供浆调节门供应浆液，并当浆液密度达到最优密度后，关闭供浆调节门。
该实施例中，比如，存在第一密度差的绝对值，大于预设误差阈值，且，此时将浆液从吸收塔的石灰浆液排出管道排出直至浆液密度达到最优密度后，停止排出操作。
该实施例中，利用控制器至少对给料机、给水泵、给水调节门、供浆调节门、石灰浆液排出泵进行控制，并接收浆液密度信号和浆液液位信号。
该实施例，比如存在所述控制器，如图2所示，用于执行以下步骤：
步骤S101，在检测到***启动指令时，启动所述给水泵和所述给料机。
***启动指令可以是由工作人员启动的，或根据预设启动逻辑触发的。
步骤S102，使所述***执行预设运行模式。
具体的，预设运行模式包括：基于当前设定开度控制所述给水调节门，基于当前设定出力控制所述给料机，在达到当前设定给料时间时关闭所述给水调节门并将所述给料机的出力置零，并记录所述石灰石浆液箱内的浆液的当前密度与期望密度的差值。
需要说明的是，期望密度是基于最优密度模型预测的当前最优浆液密度。
步骤S103，判断是否当前密度与期望密度的差值的绝对值大于密度允许误差，若是执行步骤S104，否则执行步骤S109。
步骤S104，判断是否该差值大于零，若是执行步骤S108，否则执行步骤S105。
步骤S105，判断是否当前设定出力等于所述预设最大出力，若是执行步骤S107，否则执行步骤S106。
可选的，预设最大出力可以为100%。
步骤S106，将第一预设出力作为新的当前设定出力，并重新执行步骤S102。
本步骤中，由于差值的绝对值大于密度允许误差且所述差值小于零且所述当前设定出力小于预设最大出力，说明此时浆液的密度不合格且密度过低，此时需要增大石灰石粉的比例来增大密度，因此，在给料机的当前设定出力小于预设最大出力时，将大于当前设定出力的第一预设出力作为新的当前设定出力。
需要说明的是，第一预设出力并不是一个固定的出力，该第一预设出力与当前设定出力之间存在第一预设对应关系，当前设定出力改变时，第一预设出力也跟随改变。
为了准确的提高给料机的出力，在本申请一些实施例中，若所述差值的绝对值大于密度允许误差且所述差值小于零且所述当前设定出力小于预设最大出力，Yn+1=Yn-(∆ρn*10/ρ期望)* 100%。Yn+1为新的当前设定出力，Yn为所述当前设定出力，∆ρn为所述差值，ρ期望为所述期望密度，n为所述***执行所述预设运行模式的次数。
本实施例中，此时的Yn+1即所述第一预设出力。
需要说明的是，以上实施例的方案仅为本申请所提出的一种具体实现方案，其他基于第一预设出力确定新的当前设定出力的方式均属于本申请的保护范围。
步骤S107，将第一预设开度作为新的当前设定开度，并重新执行步骤S102。
本步骤中，由于绝对值大于所述密度允许误差且所述差值小于零且所述当前设定出力等于所述预设最大出力，说明此时浆液的密度不合格且密度过低，此时需要增大石灰石粉的比例来增大密度，但此时给料机的当前设定出力已达到预设最大出力，因此通过减小给水调节门的开度来减小给水量，从而提高密度，即将小于所述当前设定开度的第一预设开度作为新的当前设定开度。
需要说明的是，第一预设开度并不是一个固定的开度，该第一预设开度与当前设定开度之间存在第二预设对应关系，当前设定开度改变时，第一预设开度也跟随改变。
为了准确的降低给水调节门的开度，在本申请一些实施例中，所述绝对值大于所述密度允许误差且所述差值小于零且所述当前设定出力等于所述预设最大出力，Xn+1=Xn+(∆ρn*10/ρ期望)* 100%，Xn+1为新的当前设定开度，Xn为所述当前设定开度，∆ρn为所述差值，ρ期望为所述期望密度，n为所述***执行所述预设运行模式的次数。
本实施例中，此时的Xn+1即所述第一预设开度。
需要说明的是，以上实施例的方案仅为本申请所提出的一种具体实现方案，其他基于第一预设开度确定新的当前设定开度的方式均属于本申请的保护范围。
步骤S108，将第二预设出力作为新的当前设定出力，并重新执行步骤S102。
本步骤中，由于绝对值大于所述密度允许误差且所述差值大于零，说明此时浆液的密度不合格且密度过高，需要通过减小石灰石粉的比例来降低浆液的密度，因此将小于所述当前设定出力的第二预设出力作为新的当前设定出力。
需要说明的是，第二预设出力并不是一个固定的出力，该第二预设出力与当前设定出力之间存在第三预设对应关系，当前设定出力改变时，第二预设出力也跟随改变。
为了准确的降低给料机的出力，在本申请一些实施例中，若所述绝对值大于所述密度允许误差且所述差值大于零，Yn+1=Yn-(∆ρn*10/ρ期望)* 100%。
本实施例中，此时的Yn+1即所述第二预设出力。
需要说明的是，以上实施例的方案仅为本申请所提出的一种具体实现方案，其他基于第二预设出力确定新的当前设定出力的方式均属于本申请的保护范围。
步骤S109，进行将所述浆液从所述石灰石浆液箱排出的预设排浆操作。
本步骤中，由于绝对值小于所述密度允许误差，说明此时浆液的密度已经合格，可以进行排浆，执行预设排浆操作，排浆操作的具体过程对于本领域技术人员是显而易见的，在此不再赘述。
步骤S110，基于所述当前设定出力、所述当前设定开度和所述当前设定给料时间使所述***重复执行所述预设运行模式。
本步骤中，由于此时浆液密度已经合格，控制器基于当前设定出力、当前设定开度和当前设定给料时间使***重复执行预设运行模式，从而在保证浆液密度合格和稳定的基础上持续进行浆液制备。
该实施例中，为了进一步提高浆液制备过程中浆液的密度稳定性，在本申请一些实施例中，如图3所示，控制器还用于执行以下步骤：
步骤S201，进行预设排浆操作并基于所述当前设定出力、所述当前设定开度和所述当前设定给料时间使所述***重复执行所述预设运行模式。
步骤S202，判断是否当前密度与期望密度的差值的绝对值大于密度允许误差，若是执行步骤S203，否则执行步骤S201。
步骤S203，判断绝对值连续大于密度允许误差的次数达到预设次数，若是执行步骤S204，否则执行步骤S201。
在本申请具体的应用场景中，该预设次数为两次。
步骤S204，停止所述预设排浆操作，并基于所述当前设定出力、所述当前设定开度和所述当前设定给料时间使所述***再次执行所述预设运行模式。
本步骤中，由于当前密度与期望密度的差值的绝对值连续大于密度允许误差的次数达到预设次数，说明此时的密度不合格，需要再次进行调整，基于所述当前设定出力、所述当前设定开度和所述当前设定给料时间使所述***再次执行所述预设运行模式，之后继续执行上述步骤S103-步骤S110，以调整出合格稳定的浆液密度。
为了提高浆液制备效率，在本申请一些实施例中，所述控制器还用于：
在使所述***首次执行所述预设运行模式之前，使所述***执行预设调试模式，所述预设调试模式包括：基于当前调试开度控制所述给水调节门，基于当前调试出力控制所述给料机，在达到预设给料时间时关闭所述给水调节门并将所述给料机的出力置零，记录所述石灰石浆液箱内的浆液的当前调试密度与期望密度的第一密度差值；
基于所述第一密度差值确定所述预设初始出力和所述预设初始开度。
本实施例中，在使所述***首次执行所述预设运行模式之前，通过使***执行预设调试模式，调试出合适的预设初始出力和预设初始开度，减小了人为设定当前设定出力和当前设定开度的误差，使***基于合适的预设初始出力和预设初始开度执行预设运行模式，从而快速确定出使浆液密度合格的设定出力和设定开度，提高了浆液制备效率。
该实施例中，为了提高浆液制备效率和提高设备可靠性，所述石灰石浆液箱内设置有搅拌器，所述给料机入口连接热风管道，所述热风管道连接有热风机。
本实施例中，热风机通过热风管道为给料机提供热风，吹下给料机内剩余的石灰石粉，防止板结。
在本申请具体的应用场景中，在给料结束后，即在将所述给料机的出力置零后，启动热风机100s。
本申请的一些实施例中，所述给料管线上设置有入口阀，热风管道设置在入口阀和石灰石粉仓之间，给水管线上设置有控制给水管线启闭的给水关断门。
上述技术方案的有益效果是：通过利用最优密度模型输出的最优密度与当前密度的对比结果，选择供应浆液还是排除浆液操作以实现对浆液密度稳定性的控制，提高了浆液品质，也保证火电厂的脱硫效率。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种石灰石浆液密度稳定性控制方法，其特征在于，包括：
步骤1：从火电厂数据库中提取预设量的制浆***的历史测点数据，再基于影响浆液密度的测量因素，从中筛选得到第一相关变量；
步骤2：对所述第一相关变量进行时序调整，得到第一变量；
步骤3：利用基于所述第一变量进行训练得到的预测模型再优化后得到的石浆液密度预测模型，获取当前密度；
步骤4：对从数据库中提取的目标历史数据进行划分得到第一工况，并利用所述第一工况对应的目标浆液密度数据作为样本训练得到最优密度模型；
步骤5：根据当前工况输入最优密度模型中得到的最优密度与所述当前密度的对比结果，采用对应措施以调整当前石浆液密度。
2.如权利1所述的一种石灰石浆液密度稳定性控制方法，其特征在于，从火电厂数据库中提取预设量的制浆***的历史测点数据，再基于影响浆液密度的测量因素，从中筛选得到第一相关变量，包括：
步骤11：从火电厂数据库中获取预设量的制浆***的历史测点数据；
步骤12：基于影响浆液密度的测量因素，从测点数据中获取若干类相关变量；
步骤13：对每一个相关变量对应的数据进行无量纲处理后，经过计算得到每个相关变量与浆液密度的关联度，并构建得到关联度集合；
其中，关联度求取公式如下：
；
其中，表示为第i个相关变量与浆液密度的关联度,其中/>m；/>表示为浆液密度变量数列；/>表示为第i个相关变量数列，其中/>;/>表示为i和j最小时，/>的差，即两级最小差；/>表示为相关变量与浆液密度的两级最小差对关联度的影响权重系数；/>表示为i和j最大时，/>的差，即两级最大差；/>2表示为相关变量与浆液密度的两级最大差对关联度的影响权重系数；
步骤14：根据所述关联度集合，确定大于预设关联阈值的关联度为目标关联度；
步骤15：将所述目标关联度所对应的相关变量作为第一相关变量输出。
3.如权利1所述的一种石灰石浆液密度稳定性控制方法，其特征在于，对所述第一相关变量进行时序调整，得到第一变量，包括：
分别获取每个第一相关变量第一预设时段前，以及第二预设时段内与浆液密度的第一互信息以及第二互信息；
获取第一互信息与第二互信息最大量时所对应的时刻，并作为第一相关变量与浆液密度的待定延迟时间；
选取延迟时间久的待定延迟时间作为最合适延迟时间，对第一相关变量的时序进行调整，得到第一变量。
4.如权利1所述的一种石灰石浆液密度稳定性控制方法，其特征在于，利用基于所述第一变量进行训练得到的预测模型再优化后得到的石浆液密度预测模型，获取当前密度，包括：
步骤21：利用第一变量进行训练得到预测模型后，引入粒子群优化概念，使用动态惯性权值因子进行全局寻优，得到粒子的个体最优解和全局最优解；
步骤22：将第一变量训练预测模型后得到的第一预测数据结果，与真实数据进行比较，得到预测误差；
步骤23：将预测误差作为适应度与最优适应度进行对比，并且在迭代过程中，若存在适应度小于最优适应度，则将全局最优解更新为当前的粒子的个体最优解；
步骤24：获取迭代结束后的最终全局最优解，作为优化参数对预测模型进行优化后得到石浆液密度预测模型；
步骤25：将当前采集的第一相关变量输入石浆液密度预测模型中，输出当前密度。
5.如权利1所述的一种石灰石浆液密度稳定性控制方法，其特征在于，对从数据库中提取的目标历史数据进行划分得到第一工况，并利用所述第一工况对应的目标浆液密度数据作为样本训练得到最优密度模型，包括：
步骤31：根据脱硫原理以及数据预处理方式从数据库中筛选并获取目标历史数据；
步骤32：基于影响脱硫效率的不可调整因素，对目标历史数据进行不同工况的划分，得到第一工况，并基于聚类算法挖掘不同第一工况对应的目标浆液密度数据；
步骤33：将获取的目标浆液密度数据作为训练样本，构建最优密度模型。
6.如权利5所述的一种石灰石浆液密度稳定性控制方法，其特征在于，根据脱硫原理以及数据预处理方式从数据库中筛选并获取目标历史数据，包括：
对从火电厂数据库中预设时间段内的历史数据归一化处理后，利用箱形图进行异常值的识别与删除，得到待定数据；
以机组功率的变化作为判断依据，从待定数据中筛选得到得到稳态工况数据；
基于聚类以及采样方法，对稳态工况数据进行均衡处理后，得到目标历史数据。
7.如权利5所述的一种石灰石浆液密度稳定性控制方法，其特征在于，基于聚类算法挖掘不同第一工况对应的目标浆液密度数据，包括：
步骤41：利用不同第一工况内的数据构建对应的样本集，其中/>，/>表示为利用第k个第一工况内的数据所构建对应的样本集中的第n个样本；
步骤42：从样本集进行聚类后，从聚类结果中筛选轮廓系数最小的聚类结果作为第一聚类结果，并利用曲线拟合后的每个第一簇聚类中心与簇内样本的距离分布图，得到簇的邻域距离阈值L；
步骤43：确定样本集中每个样本满足邻域距离阈值L的样本个数后，将个数的平均值作为邻域内最少样本数/>；
步骤44：对于，/>，其中/>表示为利用第k个第一工况内的数据所构建对应的样本集中的第s个样本，基于距离计算方式，获取与/>的距离小于L的第一数据子集，并确定第一数据子集的数据个数；
此时，若存在第一数据子集中的数据个数小于，则将对应的/>识别为噪声点并剔除；
若第一数据子集中的数据个数不小于，则将/>作为核心点，赋予新簇标签，并分析距离L以内的其余数据是否为核心点，若存在不是核心点且没有被分配给一个簇的数据，则将新簇标签分配给该数据，直至访问完核心点距离L以内的数据；
步骤45：选取另一个未被访问过的数据进行重复步骤44的过程，直至迭代结束，输出被划分好的簇也就是新聚类结果；
步骤46：对所述新聚类结果进行数据分析，得到目标浆液密度数据。
8.如权利1所述的一种石灰石浆液密度稳定性控制方法，其特征在于，根据当前第一工况输入最优密度模型中得到的最优密度与所述当前密度的对比结果，采用对应措施以调整当前石浆液密度，包括：
将当前第一工况输入所述最优密度模型中，得到最优密度，并将所述最优密度与当前密度进行对应对比，获取第一密度差的绝对值；
若第一密度差的绝对值不大于预设阈值，则不需要调整浆液密度值；
若第一密度差的绝对值大于预设误差阈值，且第一密度差小于0，则开启供浆调节门进行供应浆液直至浆液密度达到最优密度后，关闭供浆调节门；
若第一密度差的绝对值大于预设误差阈值，且第一密度差大于0，则将浆液从吸收塔的石灰浆液排出管道排出直至浆液密度达到最优密度后，停止排出操作。
CN202310391010.1A 2023-04-12 2023-04-12 一种石灰石浆液密度稳定性控制方法 Active CN116440670B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310391010.1A CN116440670B (zh) 2023-04-12 2023-04-12 一种石灰石浆液密度稳定性控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310391010.1A CN116440670B (zh) 2023-04-12 2023-04-12 一种石灰石浆液密度稳定性控制方法

Publications (2)

Publication Number Publication Date
CN116440670A true CN116440670A (zh) 2023-07-18
CN116440670B CN116440670B (zh) 2023-10-31

Family

ID=87133252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310391010.1A Active CN116440670B (zh) 2023-04-12 2023-04-12 一种石灰石浆液密度稳定性控制方法

Country Status (1)

Country Link
CN (1) CN116440670B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116954088A (zh) * 2023-09-20 2023-10-27 南通新丰威机械科技有限公司 一种混合机的在线监控方法及***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102901A (zh) * 2020-08-26 2020-12-18 北京国电龙源环保工程有限公司 一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法
CN112216351A (zh) * 2020-09-23 2021-01-12 成都佳华物链云科技有限公司 一种脱硫优化方法、装置、电子设备及存储介质
CN112231973A (zh) * 2020-09-30 2021-01-15 山西漳山发电有限责任公司 一种脱硫***pH值预测方法及装置
CN112967760A (zh) * 2021-03-02 2021-06-15 西安热工研究院有限公司 基于脱硫***入口so2含量的石灰石浆液量预估方法
CN113094988A (zh) * 2021-04-06 2021-07-09 山东建筑大学 一种基于数据驱动的浆液循环泵运行优化方法及***
CN113440990A (zh) * 2021-06-07 2021-09-28 华北电力大学（保定） 基于emd-lstm的出口so2浓度预测方法
CN113485111A (zh) * 2021-07-13 2021-10-08 浙江菲达环保科技股份有限公司 制浆***的寻优控制方法及***
US20220040633A1 (en) * 2020-08-05 2022-02-10 Shang'an Power Plant Of Huaneng Power International Inc. Automatic control system for emission indexes of desulfurization device of thermal power unit and method thereof
CN114862074A (zh) * 2022-07-11 2022-08-05 大唐环境产业集团股份有限公司 一种脱硫***浆液循环泵运行组合优化方法
CN115060625A (zh) * 2022-05-20 2022-09-16 天津国能盘山发电有限责任公司 浆液密度的获取方法、装置、电子设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220040633A1 (en) * 2020-08-05 2022-02-10 Shang'an Power Plant Of Huaneng Power International Inc. Automatic control system for emission indexes of desulfurization device of thermal power unit and method thereof
CN112102901A (zh) * 2020-08-26 2020-12-18 北京国电龙源环保工程有限公司 一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法
CN112530530A (zh) * 2020-08-26 2021-03-19 北京国电龙源环保工程有限公司 一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法
CN112216351A (zh) * 2020-09-23 2021-01-12 成都佳华物链云科技有限公司 一种脱硫优化方法、装置、电子设备及存储介质
CN112231973A (zh) * 2020-09-30 2021-01-15 山西漳山发电有限责任公司 一种脱硫***pH值预测方法及装置
CN112967760A (zh) * 2021-03-02 2021-06-15 西安热工研究院有限公司 基于脱硫***入口so2含量的石灰石浆液量预估方法
CN113094988A (zh) * 2021-04-06 2021-07-09 山东建筑大学 一种基于数据驱动的浆液循环泵运行优化方法及***
CN113440990A (zh) * 2021-06-07 2021-09-28 华北电力大学（保定） 基于emd-lstm的出口so2浓度预测方法
CN113485111A (zh) * 2021-07-13 2021-10-08 浙江菲达环保科技股份有限公司 制浆***的寻优控制方法及***
CN115060625A (zh) * 2022-05-20 2022-09-16 天津国能盘山发电有限责任公司 浆液密度的获取方法、装置、电子设备及存储介质
CN114862074A (zh) * 2022-07-11 2022-08-05 大唐环境产业集团股份有限公司 一种脱硫***浆液循环泵运行组合优化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116954088A (zh) * 2023-09-20 2023-10-27 南通新丰威机械科技有限公司 一种混合机的在线监控方法及***
CN116954088B (zh) * 2023-09-20 2023-12-12 南通新丰威机械科技有限公司 一种混合机的在线监控方法及***

Also Published As

Publication number Publication date
CN116440670B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN109190848B (zh) 一种基于时延预估的SCR***NOx排放浓度预测方法
CN116440670B (zh) 一种石灰石浆液密度稳定性控制方法
CN109508818B (zh) 一种基于LSSVM的在线NOx预测方法
CN109935280B (zh) 一种基于集成学习的高炉铁水质量预测***及方法
CN116261690A (zh) 提供用于高炉热控制的操作指令的计算机***和方法
CN106191350A (zh) 基于定点雷达的高炉下部风口工作状况评估方法
CN114721263B (zh) 基于机器学习和智能优化算法的水泥分解炉智慧调控方法
CN109342279B (zh) 基于粉磨机理和神经网络的混合软测量方法
CN111925279A (zh) 用于甲醇气相脱水制备二甲醚装置的智能优化控制方法
CN106594794B (zh) 一种混合智能锅炉效率燃烧优化模型更新方法
CN102226904A (zh) 电站大型锅炉一次风风量的软测量方法
CN115936262B (zh) 基于大数据的环境干扰的产量预测方法、***和介质
CN104536396A (zh) 一种水泥生料在分解炉内分解过程的软测量建模方法
CN111580384B (zh) 水泥生产中分解炉温度pid控制***参数自动调整方法
CN111450694B (zh) 一种基于多目标优化的脱硫***工业控制器和控制方法
CN112541296A (zh) 一种基于pso-lssvm的so2预测方法
CN104263960B (zh) 金湿法冶金置换过程中置换率和金泥品位的在线预测方法
CN112631121A (zh) 水泥自立式辊压磨自动监测控制方法及***
CN116757354A (zh) 一种基于多层感知机的烟叶复烤段关键参数筛选方法
CN114169640B (zh) 一种烧结流程冷却圆筒返粉料水分预测方法及预测***
CN104656436A (zh) 一种分解炉出口温度建模方法
CN110898979B (zh) 立磨粉磨***热量自动调控方法及装置
CN111612211A (zh) 一种磨煤机煤粉细度的预测建模方法
CN118128737B (zh) 一种用于保护机组的排气压力智能控制方法及装置
CN111046612B (zh) 一种基于多目标集成学习的高炉铁水硅含量预测方法

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
GR01 Patent grant
GR01 Patent grant