CN102778538B - 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法 - Google Patents
一种基于改进支持向量机的锅炉飞灰含碳量软测量方法 Download PDFInfo
- Publication number
- CN102778538B CN102778538B CN201210234724.3A CN201210234724A CN102778538B CN 102778538 B CN102778538 B CN 102778538B CN 201210234724 A CN201210234724 A CN 201210234724A CN 102778538 B CN102778538 B CN 102778538B
- Authority
- CN
- China
- Prior art keywords
- support vector
- data
- carbon content
- sigma
- particle
- 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
Landscapes
- Regulation And Control Of Combustion (AREA)
Abstract
本发明提供了一种基于改进支持向量机的锅炉飞灰含碳量软测量方法,方法基于粒子群算法对支持向量回归进行参数寻优,选取了影响回归模型有效性的两个参数,首先通过传感器采集相关辅助变量的值,并进行数据预处理,根据过去6小时的历史数据辨识出支持向量回归模型的两个主要参数以确定飞灰含碳量软测量模型,并根据历史数据的更新每小时更新一次软测量模型,将实时测量的辅助变量值输入建立好的软测量模型即可得到飞灰含碳量输出值。本发明方法可用于实时测量火电厂锅炉燃烧过程产生飞灰中的未燃尽碳含量,可实现实时测量飞灰中的碳含量,同时还具有精度高、计算耗时少、适用范围广等优点。
Description
技术领域
本发明涉及一种锅炉飞灰含碳量的测量方法,尤其是涉及一种基于改进支持向量机的飞灰含碳量软测量方法。
背景技术
锅炉是火力发电厂的燃烧设备,锅炉运行的安全性和经济性在很大程度上决定整个火电厂运作的安全性和经济性。锅炉烟气中的碳含量是锅炉运行好坏的判断依据和降低煤炭消耗的重要指标,是锅炉燃烧优劣的评判依据。锅炉飞灰含碳量的实时监测有利于及时调整燃烧工况,提高锅炉燃烧控制水平,从而降低发电成本,提高机组的经济性。如果能实现锅炉飞灰含碳量在线测量,操作人员可以随时调整运行模式,将锅炉飞灰中的碳含量控制在最佳范围内,从而尽量提高燃烧效率,提高机组运行水平,对提高电厂经济效益具有现实意义。
影响锅炉飞灰含碳量的因素较复杂,预测和控制都很困难。针对锅炉飞灰含碳量的诸多影响因素耦合性强、非线性强的特点,科研人员提出基于支持向量机的锅炉飞灰含碳量软测量方法,对锅炉飞灰含碳量特性进行建模预测。为解决支持向量机受学习参数影响严重的问题,有人提出了结合寻优算法的支持向量建模,采用大范围遍历搜索算法进行参数寻优,此法需消耗大量时间,不适合在线建模;有人提出基于最小二乘的支持向量建模,将优化问题转化为线性方程的求解,其收敛速度快,但正规化参数集和核参数集的确定暂无明确的方法,受人为因素影响较大。现有的这些改进支持向量机建模法都没有明确地提出惩罚系数和核参数的确定方法,严重受人为因素的影响,很难保证模型测量精度。
发明内容
本发明所要解决的技术问题,就是提供一种基于改进支持向量机的锅炉飞灰含碳量软测量方法,可实现实时测量锅炉飞灰中的碳含量,同时还具有精度高、泛化能力好等优点。
解决上述技术问题,本发明采用如下技术方案:
一种基于改进支持向量机的锅炉飞灰含碳量软测量方法,包括以下步骤:
阶段一:模型建立阶段
Step1、获取辅助变量和主导变量过去6小时的历史数据,分别对辅助变量和主导变量数据进行误差和归一化预处理,将处理过的数据作为训练集数据;
Step2、采用粒子群算法对训练集数据进行训练,寻找支持向量机的最优参数;
Step3、利用最优参数以及经过预处理的辅助变量和主导变量数据,采用支持向量机法建立锅炉飞灰含碳量软测量模型,同时可以得到模型的支持向量集;
Step4、若时间为整点,执行Step5,否则执行Step7;
Step5、获取辅助变量和主导变量过去1小时的历史数据,分别对辅助变量和主导变量数据进行误差处理和归一化处理;
Step6、将Step5所得数据与Step3所得支持向量集组合,作为新的训练集,返回Step2;
阶段二:飞灰含碳量测量阶段
Step7、在线实时获取各辅助变量数据,对各辅助变量进行误差和归一化预处理;
Step8、将Step7得到的数据输入步骤Step3得到的锅炉飞灰含碳量软测量模型,对模型输出值进行反归一化处理,得到锅炉飞灰含碳量值并输出。
所述的Step1中的辅助变量包含:总燃料量、总风量、烟气含氧量3个参数,给煤率5个参数,磨煤机通风量6个参数,燃烧器摆角,燃尽风挡板开度,二次风门开度(AA~EF)6个参数共24个参数;主导变量为锅炉飞灰含碳量。
所述的Step1中的误差处理包括粗大误差和随机误差的处理。
粗大误差的处理遵循拉依达准则,其数学方法表述如下:
设样本数据为y1,y2,…,yn,平均值为偏差为(i=1,2,…,n),按照Bessel公式计算出标准偏差:
如果某一样本数据yk的偏差vk(1≤k≤n)满足|vk|>3σ,则认为数据不合理,应予剔除;
随机误差的处理采用五点线性平滑法:
设某一辅助变量样本数据为{χ1,χ2,…,χn},χi=si+ni,式中si为真值,ni为噪声,则经五点线性平滑处理后的数据为
式中{ar}是一组权重值,满足(r=-q,…,0,…,q);其中q=5;所述的Step1中的归一化处理将原始数据标度变换至[-1,1]区间,方法如下:设某一辅助变量的采样数据为X={χ1,χ2,…,xi,…,χn}则标准化后的数据X'为:
所述的Step2具体包括以下步骤:
S2-1、初始化粒子种群:设定迭代次数为200、粒子个数为20,并随机产生一组粒子的初始位置和速度;
S2-2、适应度评估:采用适应度函数进行适应度评估,其中,f(xi)、yi分别为预测值和实际值;
S2-3、若粒子的当前适应度值优于先前的最好位置pbest,则将其替换为当前的最好位置pbest;若粒子的当前适应度值优于全局所经历的最好位置gbest,则将gbest替换为最好粒子的当前位置;
S2-4、根据下式更新粒子的速度和位置:
Vi=w*Vi+c1*rand()*(pBest[i]-Xi)+c2*Rand()*(pBest[g]-Xi)
Xi=Xi+Vi
其中c1,c2为常数,称为学习因子;rand()和Rand()是[0,1]上的随机数,w是惯性权重,用于控制前一速度对当前速度的影响;Xi为粒子位置,Vi为粒子速度;pBest[i]为个体最优解pbest;pBest[g]为全局最优解gbest;
S2-5、若达到迭代次数,则停止迭代,输出最优解;否则跳转至S2-2。
所述的Step3为:
支持向量机满足经验风险最小化原则,即使得Rreg最小化:
其中,||w||2是描述模型复杂度的项,αi、是最小化Rreg的解,xi是支持向量;C是惩罚系数,它的作用是在经验风险和模型复杂度之间进行折衷处理;Remp是经验风险;l是样本数;y是实际值;f(x)是预测值;飞灰含碳量的求取公式为
式中,K(χi,x)=exp(g×|χi-x|2),其中,g是核函数参数,wi是支持向量的系数,xi是支持向量,x是待求解的变量,b是计算得到的常量,l是样本数。
有益效果:与现有技术相比,本发明具有以下优点和积极效果:本发明方法可用于实时测量火电厂锅炉燃烧过程产生飞灰中的未燃尽碳含量,可实现实时测量飞灰中的碳含量,同时还具有精度高、计算耗时少、适用范围广等优点。
附图说明
图1是本发明方法的流程图。
具体实施方式
下面将结合附图和具体实施对本发明方法作进一步说明。
本发明的基于改进支持向量机的锅炉飞灰含碳量软测量方法,采用粒子群寻优算法根据训练集数据特征自动获取支持向量机模型的学习参数,可有效减少建模过程中人为因素的影响和精度不确定性的问题。
本发明包括两个阶段:第一阶段是模型建立阶段,根据输入输出数据辨识出测量对象的数学模型,每小时更新一次模型;第二阶段是飞灰含碳量测量阶段,基于辨识模型计算飞灰含碳量的值。
具体包括以下步骤:
Step1、获取辅助变量和主导变量过去6小时的历史数据,分别对辅助变量和主导变量数据进行误差和归一化预处理,将预处理过的数据作为训练集。
辅助变量包含:总燃料量、总风量、烟气含氧量3个参数,给煤率5个参数,磨煤机通风量6个参数,燃烧器摆角,燃尽风挡板开度,二次风门开度(AA~EF)6个参数共24个参数;主导变量为锅炉飞灰含碳量。
误差处理包括粗大误差的处理和随机误差的处理。
粗大误差的处理遵循拉依达准则。拉依达准则又称为3σ准则,它以试验次数充分多为前提,其数学方法表述如下:
设样本数据为y1,y2,…,yn,平均值为偏差为(i=1,2,…,n)。按照Bessel公式计算出标准偏差:
如果某一样本数据yk的偏差vk(1≤k≤n)满足|vk|>3σ,则认为数据不合理,应予剔除。
随机误差的处理采用五点线性平滑法。
设某一辅助变量样本数据为{χ1,χ2,…,χn},χi=si+ni,式中si为真值,ni为噪声,则经五点线性平滑处理后的数据为
式中{ar}是一组权重值,满足(r=-q,…,0,…,q);其中q=5。归一化处理将原始数据标度变换至[-1,1]区间,方法如下。设某一辅助变量的采样数据为X={x1,χ2,…,χi,…,χn}则标准化后的数据X'为:
Step2、采用粒子群算法对训练集数据进行训练,寻找支持向量机的最优参数,具体包括以下步骤:
S2-1、初始化粒子种群:设定迭代次数为200、粒子个数为20,并随机产生一组粒子的初始位置和速度;
S2-2、适应度评估:采用适应度函数进行适应度评估,其中,f(χi)、yi分别为预测值和实际值;
S2-3、若粒子的当前适应度值优于先前的最好位置pbest,则将其替换为当前的最好位置pbest;若粒子的当前适应度值优于全局所经历的最好位置gbest,则将gbest替换为最好粒子的当前位置;
S2-4、根据下式更新粒子的速度和位置:
Vi=w*Vi+c1*rand()*(pBest[i]-Xi)+c2*Rand()*(pBest[g]-Xi)
Xi=Xi+Vi
其中c1,c2为常数,称为学习因子;rand()和Rand()是[0,1]上的随机数,w是惯性权重,用于控制前一速度对当前速度的影响;Xi为粒子位置,Vi为粒子速度;pBest[i]为个体最优解pbest;pBest[g]为全局最优解gbest;
S2-5、若达到迭代次数,则停止迭代,输出最优解;否则跳转至S2-2。
Step3、利用最优参数以及经过预处理的辅助变量和主导变量数据,采用支持向量机法建立锅炉飞灰含碳量软测量模型,同时可以得到模型的支持向量集。
支持向量机满足经验风险最小化原则,即使得Rreg最小化:
其中,||w||2是描述模型复杂度的项,αi、是最小化Rreg的解,xi是支持向量;C是惩罚系数,它的作用是在经验风险和模型复杂度之间进行折衷处理;Remp是经验风险;l是样本数;y是实际值;f(x)是预测值;
飞灰含碳量的求取公式为
式中,K(χi,x)=exp(g×|χi-x|2),其中,g是核函数参数,wi是支持向量的系数,xi是支持向量,x是待求解的变量,b是计算得到的常量,l是样本数。
Step4、若时间为整点,执行Step5,否则执行Step7;
每小时对训练集更新一次,以更新测量模型,提高模型的测量精度。
Step5、获取辅助变量和主导变量过去1小时的历史数据,分别对辅助变量和主导变量数据进行误差处理和归一化处理,处理方法与Step1相同。
Step6、将Step5所得数据与Step3所得支持向量集组合,作为新的训练集,返回Step2;
支持向量唯一地确定了支持向量回归函数,因而只需将新数据与历史数据中的支持向量组合即可,能减少训练速度,提高训练效率。
Step7、在线实时获取各辅助变量数据,对各辅助变量数据进行误差处理和归一化处理,处理方法与Step1相同。
Step8、将Step7得到的数据输入Step3得到的飞灰含碳量软测量模型,对模型输出值进行反归一化处理,得到锅炉飞灰含碳量值并输出。
Claims (3)
1.一种基于改进支持向量机的锅炉飞灰含碳量软测量方法,包括以下步骤:
Step1、获取辅助变量和主导变量过去6小时的历史数据,分别对辅助变量和主导变量数据进行误差处理和归一化处理,将处理过的数据作为训练集;
Step2、采用粒子群算法对训练集数据进行训练,寻找支持向量机法的最优参数;
Step3、利用最优参数以及经过预处理的辅助变量和主导变量数据,采用支持向量机法建立飞灰含碳量软测量模型,同时可以得到所述模型的支持向量集;
Step4、若时间为整点,执行Step5,否则执行Step7;
Step5、获取辅助变量和主导变量过去1小时的历史数据,分别对辅助变量和主导变量数据进行误差处理和归一化处理,处理方法与Step1相同;
Step6、将Step5所得数据与Step3所得支持向量集组合,作为新的训练集,返回Step2;
Step7、在线实时获取各辅助变量数据,对各辅助变量进行误差处理和归一化处理,处理方法与Step1相同;
Step8、将Step7得到的数据输入步骤Step3得到的飞灰含碳量软测量模型,对模型输出值进行反归一化处理,得到飞灰含碳量值并输出;
所述的Step1中的辅助变量包含:总燃料量、总风量、烟气含氧量3个参数,给煤率5个参数,磨煤机通风量6个参数,燃烧器摆角,燃尽风挡板开度,二次风门开度(AA~EF)6个参数共24个参数;主导变量为锅炉飞灰含碳量;
所述的Step1中的误差处理包括粗大误差和随机误差的处理;
粗大误差的处理遵循拉依达准则,其数学方法表述如下:
设样本数据为y1,y2,…,yn,平均值为偏差为按照Bessel公式计算出标准偏差:
如果某一样本数据yk的偏差vk(1≤k≤n)满足|vk|>3σ,则认为数据不合理,应予剔除;
随机误差的处理采用五点线性平滑法:
设某一辅助变量样本数据为{x1,x2,…,xn},xi=si+ni,式中si为真值,ni为噪声,则经五点线性平滑处理后的数据为
式中{ar}是一组权重值,满足 其中q=5;
所述的Step1中的归一化处理将原始数据标度变换至[-1,1]区间,方法如下:
设某一辅助变量的采样数据为X={x1,x2,…,xi,…,xn}
则标准化后的数据X'为:
2.根据权利要求1所述的基于改进支持向量机的锅炉飞灰含碳量软测量方法,其特征在于:所述的Step2具体包括以下步骤:
S2-1、初始化粒子种群:设定迭代次数为200、粒子个数为20,并随机产生一组粒子的初始位置和速度;
S2-2、适应度评估:采用适应度函数进行适应度评估,其中,f(xi)、yi分别为预测值和实际值;
S2-3、若粒子的当前适应度值优于先前的最好位置pbest,则将其替换为当前的最好位置pbest;若粒子的当前适应度值优于全局所经历的最好位置gbest,则将gbest替换为最好粒子的当前位置;
S2-4、根据下式更新粒子的速度和位置:
Vi=w*Vi+c1*rand()*(pBest[i]-Xi)+c2*Rand()*(pBest[g]-Xi)
Xi=Xi+Vi
其中c1,c2为常数,称为学习因子;rand()和Rand()是[0,1]上的随机数,w是惯性权重,用于控制前一速度对当前速度的影响;Xi为粒子位置,Vi为粒子速度;pBest[i]为个体最优解pbest;pBest[g]为全局最优解gbest;
S2-5、若达到迭代次数,则停止迭代,输出最优解;否则跳转至S2-2。
3.根据权利要求2所述的基于改进支持向量机的锅炉飞灰含碳量软测量方法,其特征在于:所述的Step3为:
支持向量机满足经验风险最小化原则,即使得Rreg最小化:
其中,||w||2是描述模型复杂度的项,αi、是最小化Rreg的解,xi是支持向量;C是惩罚系数,它的作用是在经验风险和模型复杂度之间进行折衷处理;Remp是经验风险;l是样本数;y是实际值;f(x)是预测值;
飞灰含碳量的求取公式为
式中,K(xi,x)=exp(g×|xi-x|2),其中,g是核函数参数,wi是支持向量的系数,xi是支持向量,x是待求解的变量,b是计算得到的常量,l是样本数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210234724.3A CN102778538B (zh) | 2012-07-06 | 2012-07-06 | 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210234724.3A CN102778538B (zh) | 2012-07-06 | 2012-07-06 | 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102778538A CN102778538A (zh) | 2012-11-14 |
CN102778538B true CN102778538B (zh) | 2014-12-10 |
Family
ID=47123513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210234724.3A Active CN102778538B (zh) | 2012-07-06 | 2012-07-06 | 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102778538B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715142A (zh) * | 2015-02-06 | 2015-06-17 | 东南大学 | 一种电站锅炉NOx排放动态软测量方法 |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103076035B (zh) * | 2012-12-28 | 2015-10-07 | 徐州工程学院 | 一种基于双支持向量机的传感器测量方法 |
CN103714262B (zh) * | 2014-01-20 | 2016-08-10 | 华北电力大学 | 一种基于缓冲块时序设计的热工软测量模型更新方法 |
CN104634478B (zh) * | 2015-03-06 | 2018-01-16 | 沈阳工业大学 | 一种回转窑煅烧带温度的软测量方法 |
CN105605610A (zh) * | 2016-01-13 | 2016-05-25 | 上海交通大学 | 一种基于粒子群算法的锅炉燃烧优化方法 |
CN105929109B (zh) * | 2016-04-18 | 2018-02-23 | 中国神华能源股份有限公司 | 飞灰含碳量测量方法 |
CN105930929A (zh) * | 2016-04-19 | 2016-09-07 | 东南大学 | 基于pca-svm的火电厂燃煤低位热值软测量方法 |
CN107016176A (zh) * | 2017-03-24 | 2017-08-04 | 杭州电子科技大学 | 一种混合智能锅炉综合燃烧优化方法 |
US10677768B2 (en) * | 2017-07-29 | 2020-06-09 | Infineon Technologies Ag | Gas sensing systems and methods of operation thereof |
CN107452011A (zh) * | 2017-08-11 | 2017-12-08 | 深圳市益鑫智能科技有限公司 | 一种实时的烟尘颗粒在线监测系统 |
CN108241789A (zh) * | 2018-01-12 | 2018-07-03 | 内蒙古电力勘测设计院有限责任公司 | 基于自适应加权awls-svr的锅炉炉渣含碳量测量方法及设备 |
CN108764305A (zh) * | 2018-05-14 | 2018-11-06 | 浙江大学 | 一种改进的群智能机器学习故障诊断系统 |
CN109388774A (zh) * | 2018-07-06 | 2019-02-26 | 国家电投集团河南电力有限公司技术信息中心 | 一种基于对比法的火电厂NOx预测模型变量特征提取方法 |
CN109521001A (zh) * | 2018-11-19 | 2019-03-26 | 华南理工大学 | 一种基于PSO和ε-SVR的飞灰含碳量测量方法 |
CN109960146A (zh) * | 2019-01-25 | 2019-07-02 | 石化盈科信息技术有限责任公司 | 提高软测量仪表模型预测精度的方法 |
CN109992844A (zh) * | 2019-03-13 | 2019-07-09 | 上海电力学院 | 一种基于adqpso-svr模型的锅炉飞灰含碳量预测方法 |
CN110954536B (zh) * | 2019-12-03 | 2024-02-09 | 华电电力科学研究院有限公司 | 一种飞灰含碳量在线测量装置及方法 |
CN112287598A (zh) * | 2020-09-28 | 2021-01-29 | 山西漳山发电有限责任公司 | 一种基于粒子群参数优化的飞灰含碳量预测方法 |
CN113063916A (zh) * | 2021-03-11 | 2021-07-02 | 武汉钢铁有限公司 | 基于pso-svr模型的热镀锌带钢镀层铝含量预测方法 |
CN113358811A (zh) * | 2021-05-26 | 2021-09-07 | 中电华创电力技术研究有限公司 | 一种基于灼烧法标定的飞灰含碳量软测量方法及装置 |
CN113740406A (zh) * | 2021-09-09 | 2021-12-03 | 南开大学 | 一种便携式小型化cod电化学测量装置及其测量方法 |
CN113790817B (zh) * | 2021-09-10 | 2023-07-21 | 山西格盟中美清洁能源研发中心有限公司 | 一种等离子飞灰熔融炉飞灰熔融温度的软测量方法 |
CN116000069B (zh) * | 2023-02-06 | 2023-11-17 | 一夫科技股份有限公司 | 一种废弃资源的处理方法及系统 |
CN117391734B (zh) * | 2023-10-07 | 2024-03-26 | 华北电力大学 | 一种基于支持向量机回归模型的发电成本预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038277A (zh) * | 2007-04-19 | 2007-09-19 | 东北大学 | 基于最小二乘-支持向量机的制粉过程煤粉细度软测量方法 |
CN101498458A (zh) * | 2009-03-02 | 2009-08-05 | 杭州电子科技大学 | 一种锅炉在线燃烧优化的模型更新方法 |
CN101498457A (zh) * | 2009-03-02 | 2009-08-05 | 杭州电子科技大学 | 一种锅炉燃烧优化的方法 |
CN102096375A (zh) * | 2011-02-25 | 2011-06-15 | 华东理工大学 | 水煤浆气化装置黑水氯根浓度的软测量及优化控制方法 |
-
2012
- 2012-07-06 CN CN201210234724.3A patent/CN102778538B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038277A (zh) * | 2007-04-19 | 2007-09-19 | 东北大学 | 基于最小二乘-支持向量机的制粉过程煤粉细度软测量方法 |
CN101498458A (zh) * | 2009-03-02 | 2009-08-05 | 杭州电子科技大学 | 一种锅炉在线燃烧优化的模型更新方法 |
CN101498457A (zh) * | 2009-03-02 | 2009-08-05 | 杭州电子科技大学 | 一种锅炉燃烧优化的方法 |
CN102096375A (zh) * | 2011-02-25 | 2011-06-15 | 华东理工大学 | 水煤浆气化装置黑水氯根浓度的软测量及优化控制方法 |
Non-Patent Citations (8)
Title |
---|
乔弘.火电厂热工参数软测量关键技术和方法研究.《中国博士学位论文数据库》.2009, * |
关于支持向量机中参数优化的研究;张楠;《中国优秀硕士学位论文数据库》;20081231;正文22-24 * |
刘长良.支持向量机在锅炉飞灰含碳量软测量中的应用.《电力科学与工程》.2010,第26卷(第1期),39-45. * |
张楠.关于支持向量机中参数优化的研究.《中国优秀硕士学位论文数据库》.2008,正文22-24. * |
支持向量机在锅炉飞灰含碳量软测量中的应用;刘长良;《电力科学与工程》;20100131;第26卷(第1期);39-45 * |
火电厂热工参数软测量关键技术和方法研究;乔弘;《中国博士学位论文数据库》;20091231;正文19-21 * |
火电厂锅炉飞灰含碳量测量技术发展与现状;程启明;《锅炉技术》;20110131;第42卷(第1期);1-4 * |
程启明.火电厂锅炉飞灰含碳量测量技术发展与现状.《锅炉技术》.2011,第42卷(第1期),1-4. * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715142A (zh) * | 2015-02-06 | 2015-06-17 | 东南大学 | 一种电站锅炉NOx排放动态软测量方法 |
CN104715142B (zh) * | 2015-02-06 | 2018-02-02 | 东南大学 | 一种电站锅炉NOx排放动态软测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102778538A (zh) | 2012-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102778538B (zh) | 一种基于改进支持向量机的锅炉飞灰含碳量软测量方法 | |
CN103912966B (zh) | 一种地源热泵制冷系统优化控制方法 | |
CN102566551B (zh) | 一种基于数据挖掘的火电厂运行指标最优目标值的分析方法 | |
CN104534507B (zh) | 一种锅炉燃烧优化控制方法 | |
CN109583585B (zh) | 一种电站锅炉壁温预测神经网络模型的构建方法 | |
CN111829003B (zh) | 一种电厂燃烧控制系统及控制方法 | |
CN103455635A (zh) | 基于最小二乘支持向量机集成的热工过程软测量建模方法 | |
CN104504509B (zh) | 一种采用动态基准值的火电厂耗差分析系统及其方法 | |
CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及系统 | |
CN107133460A (zh) | 一种锅炉飞灰含碳量在线动态预测方法 | |
CN104748807A (zh) | 一种基于流量校正的电站主蒸汽流量在线计算方法 | |
CN109165418B (zh) | 基于户用热量表数据的室温测量方法 | |
CN106779165A (zh) | 基于城市空气质量预测技术的电力系统环境调度方法 | |
CN103473480A (zh) | 基于改进万有引力支持向量机的在线监测数据校正方法 | |
CN106594794B (zh) | 一种混合智能锅炉效率燃烧优化模型更新方法 | |
CN102750424B (zh) | 一种生物质炉燃烧优化的方法 | |
CN110207094A (zh) | 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法 | |
CN112016754A (zh) | 基于神经网络的电站锅炉排烟温度超前预测系统及方法 | |
CN103425049B (zh) | 循环流化床锅炉热效率预测系统及方法 | |
Wang et al. | Multi-criteria comprehensive study on predictive algorithm of heating energy consumption of district heating station based on timeseries processing | |
CN113074459A (zh) | 锅炉控制优化方法及系统 | |
CN103235885B (zh) | 基于Takagi-Sugeno型模糊规则的火电厂球磨机制粉系统出力预测方法 | |
CN115713029A (zh) | 一种考虑迟延的风电场随机模型预测优化控制方法 | |
CN114492727A (zh) | 一种除尘系统入口烟尘浓度智能预测与控制方法 | |
CN113418208A (zh) | 一种基于炉膛温度场的锅炉燃烧优化方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |