CN105700579A - 一种脱硫系统中的脱硫溶液的ph值预测方法及装置 - Google Patents

一种脱硫系统中的脱硫溶液的ph值预测方法及装置 Download PDF

Info

Publication number
CN105700579A
CN105700579A CN201610051703.6A CN201610051703A CN105700579A CN 105700579 A CN105700579 A CN 105700579A CN 201610051703 A CN201610051703 A CN 201610051703A CN 105700579 A CN105700579 A CN 105700579A
Authority
CN
China
Prior art keywords
absorption tower
value
neural network
flue gas
network model
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
Application number
CN201610051703.6A
Other languages
English (en)
Inventor
贾旭
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.)
State Grid Corp of China SGCC
Qingdao Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Qingdao Power Supply Co of State Grid Shandong Electric Power 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 State Grid Corp of China SGCC, Qingdao Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201610051703.6A priority Critical patent/CN105700579A/zh
Publication of CN105700579A publication Critical patent/CN105700579A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D21/00Control of chemical or physico-chemical variables, e.g. pH value
    • G05D21/02Control of chemical or physico-chemical variables, e.g. pH value characterised by the use of electric means

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Treating Waste Gases (AREA)

Abstract

本发明提供一种脱硫系统中的脱硫溶液的PH值预测方法及装置,所述方法包括如下步骤:获取吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度;利用BP神经网络模型以所述吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度作为所述BP神经网络模型的输入层数据,计算所述脱硫溶液的PH值,其中所述BP神经网络模型是利用之前获取的吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度以及实测PH值进行训练得到的。

Description

一种脱硫系统中的脱硫溶液的PH值预测方法及装置
技术领域
本发明涉及脱硫处理技术领域,具体涉及一种脱硫系统中的脱硫溶液的PH值预测方法及装置。
背景技术
目前在全球范围内都不同程度地出现了环境污染问题,随着经济和贸易的全球化,环境污染也日益呈现国际化趋势,所以对于污染源及除污染设备的监测至关重要。其中电力行业内部的电厂所产生的巨大污染源之一:二氧化硫导致的酸雨。所以监控电厂周边的环境质量至关重要,就要实时监测脱硫系统设备的工作效率并使之保持在90%以上。
脱硫系统分为干法脱硫系统和湿法脱硫系统,本发明所述的脱硫系统是指湿法脱硫系统。由于脱硫系统所使用的脱硫溶液的PH值决定着脱硫效率,大误差的PH值计会导致脱硫系统工作浆液酸碱失衡,容易造成设备损毁加快,严重情况下可能导致整个系统故障,所以PH值监测是脱硫系统中最重要的技术之一。现有技术是采用PH测量装置直接测量脱硫溶液的PH值,由于脱硫现场的环境十分恶劣,因此昂贵的PH测量装置非常易损坏。为了确保PH值的准确性,电厂需要专责频繁检查和购买更换新的PH测量装置,以保证PH测量装置可以正常工作。尽管如此,PH计在工作过程中损坏的情况仍时有发生。由此可见,现有的脱硫溶液的PH监测方案的硬件和人力成本较高,并且由于过于依赖PH测量装置,一旦装置本身存在异常将会影响脱落作业的效率。
发明内容
因此,本发明要解决的技术问题是现有的脱硫溶液的PH监测方式成本过高的问题。
有鉴于此,本发明提供一种脱硫系统中的脱硫溶液的PH值预测方法,包括如下步骤:获取吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度;利用BP神经网络模型以所述吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度作为所述BP神经网络模型的输入层数据,计算脱硫溶液的PH值,其中所述BP神经网络模型是利用之前获取的吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度以及实测的脱硫溶液的PH值进行训练得到的。
优选地,在所述获取吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度之前,还包括:获取多组训练数据,所述训练数据包括吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量、石灰石溶液密度以及实测的脱硫溶液的PH值;利用所述多组训练数据对所述BP神经网络模型进行训练,直至所述BP神经网络模型输出的脱硫溶液的PH值与实测的脱硫溶液的PH值的误差小于预定阈值。
优选地,在所述利用BP神经网络模型以所述吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度作为所述BP神经网络模型的输入层数据,计算脱硫溶液的PH值之后,还包括:判断计算出的脱硫溶液的PH值是否在预设阈值范围之内;当计算出的脱硫溶液的PH值不在所述预设阈值范围之内时,判定计算出的脱硫溶液的PH值异常。
优选地,所述BP神经网络模型是三层神经网络模型。
优选地,所述BP神经网络模型是基于小波算法的神经网络模型。
相应地,本发明还提供一种脱硫系统中的脱硫溶液的PH值预测装置,包括:获取单元,用于获取吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度;预测单元,用于利用BP神经网络模型以所述吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度作为所述BP神经网络模型的输入层数据,计算脱硫溶液的PH值,其中所述BP神经网络模型是利用之前获取的吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度以及实测的脱硫溶液的PH值进行训练得到的。
优选地,还包括:训练数据获取单元,用于获取多组训练数据,所述训练数据包括吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量、石灰石溶液密度以及实测的脱硫溶液的PH值;训练单元,用于利用所述多组训练数据对所述BP神经网络模型进行训练,直至所述BP神经网络模型输出的脱硫溶液的PH值与实测的脱硫溶液的PH值的误差小于预定阈值。
优选地,还包括:比对单元,用于判断计算出的脱硫溶液的PH值是否在预设阈值范围之内;判定单元,用于当计算出的脱硫溶液的PH值不在所述预设阈值范围之内时,判定计算出的脱硫溶液的PH值异常。
优选地,所述BP神经网络模型是三层神经网络模型。
优选地,所述BP神经网络模型是基于小波算法的神经网络模型。
本发明技术方案,具有如下优点:
根据本发明提供的脱硫溶液的PH值预测方法及装置,利用分析得到的吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度5种影响因素作为神经网络的输入,脱硫溶液的PH值作为唯一的输出项目,模拟出5影响作用下1输出的函数关系,建立预测模型预测脱硫溶液的PH值,预测出的PH值可以反映脱硫系统的脱硫效率,为电力系统提供了价值较高的数据,使用本发明提供的PH值预测方案,可以替代现有技术中的PH值测量装置,由此可以降低脱落作业的成本带来直接经济收益。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的脱硫系统中的脱硫溶液的PH值预测方法的流程图;
图2为本发明实施例提中的利用BP神经网络模型计算脱硫溶液PH值的过程示意图;
图3为本发明实施例提供的脱硫系统中的脱硫溶液的PH值预测装置的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供一种脱硫系统中的脱硫溶液的PH值预测方法,如图1所示该方法包括如下步骤:
S1,获取吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度,上述数据均受脱硫系统的控制,且可以实时测量。充分考虑对于一座城市经济发展存在正负两面的影响因子,根据脱硫系统运行规律和现有的资料,分析出影响脱硫效率的因素有很多,但最主要的因素即上述5种数据,因此本发明根据上述5种数据预测脱硫溶液的PH值。
S2,利用BP(BackPropagation)神经网络模型,如图2所示,以吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度作为BP神经网络模型的输入层数据,计算脱硫溶液的PH值,脱硫溶液即经过脱硫反应后的石灰石溶液,其主要成分是硫化钠。。
其中BP神经网络模型是利用训练数据训练过的模型。训练过程可以是在实际预测之前,利用吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度以及相应的实测的脱硫溶液PH值进行训练,并设置适当的训练条件来控制训练过程。本领域技术人员可以理解,神经网络模型的训练过程不仅在实际计算数据之前进行,实际计算数据的过程也同样是训练的过程,下文将对训练过程进行详细介绍。
一个神经网络,如果第一层是S型函数,而第二层是线形函数,就可以用来模拟任何函数(必须是连续有界的)。因此,确定隐含层传递函数为S型函数“tansig",输出层传递函数为线形函数“purelin”。理论已经证明,三层的神经网络可以任意逼近一个非线性连续函数,所以本实施例优选采用三层神经网络建模进行电厂脱硫系统脱硫效率的预测建模。
由于不同的BP算法原理不同,其处理速度和运算结果都有些许不同。特此将三种主流算法进行一组非线性数据的预测算法比较,其中算法包括:LM(LevenbergMarquart)算法,牛顿算法,以及小波算法,通过误差收敛曲线图比较可知,收敛速度最快的是LM算法,收敛精度最高的是小波算法,LM算法虽然反应迅速,但是精度远远不及小波算法;对于二氧化硫浓度值的影响因素很多,所以需要精度较高的改进算法来进行预测。这三种算法各有优劣,大部分预测模型均采用LM算法,力求快速的进行模型的误差函数的收敛,但是精度有些并不能够达到要求。在建立电厂脱硫系统脱硫效率预测分析模型预测过程中,系统对网络训练的反应速度并没有太高要求,而对预测的精度要求较高。所以在本实施例中,优选为基于小波算法的BP神经网络更符合要求。
根据本发明提供的脱硫溶液的PH值预测方案,利用分析得到的吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度5种影响因素作为神经网络的输入,脱硫溶液的PH值作为唯一的输出项目,模拟出5影响作用下1输出的函数关系,建立预测模型预测脱硫溶液的PH值,预测出的PH值可以反映脱硫系统的脱硫效率,为电力系统提供了价值较高的数据,使用本发明提供的PH值预测方案,可以替代现有技术中的PH值测量装置,由此可以降低脱落作业的成本带来直接经济收益。
进一步地,在上述步骤S2之后,还可以包括如下步骤:
S3,判断计算出的脱硫溶液的PH值是否在预设阈值范围之内,预设阈值范围是指安全范围,本领域技术人员可以理解,安全范围是指PH值为中性,例如取值可以是6.8-7;
S4,当计算出的脱硫溶液的PH值不在所述预设阈值范围之内时,判定计算出的脱硫溶液的PH值异常。
根据上述优选方案,如果预测出的PH值不在安全范围之内,则表示当前脱硫系统的上述5种因素设置不合理,进一步可以生成可视化的警示信息,以提示相关人员进行调整,通过脱硫系统调整上述5种因素来改变PH值,使其保持在安全范围之内,由此可以减少因监测设备出现故障而导致的监测失灵和更大的损失。
关于神经网络的训练过程,在上述步骤S1之前,本方法还可以包括如下步骤:
S01,获取多组训练数据,每一组训练数据均包括吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量、石灰石溶液密度,以及在此情况下实测的脱硫溶液的PH值,具体需要借助PH值测量装置进行实际测量。
S02,利用所述多组训练数据对所述BP神经网络模型进行训练,直至所述BP神经网络模型输出的脱硫溶液的PH值与实测的脱硫溶液的PH值的误差小于预定阈值,即二者间的误差,例如取值5%。具体地,使用未经训练的神经网络每次利用5种输入数据都可以计算出1个PH值,然后将计算出的PH值与实测的PH值进行比较,如果二者的误差超过预定阈值,则调整权值训练网络再使用下一组数据再次计算,最终将使计算出的PH值与相应的实测PH值间的误差小于预定阈值。
本领域技术人员可以理解,当神经网络训练完毕后,后续预测时则可以不再进行训练,本方案可以只在训练的过程中需要借助PH值测量装置,由此可以节约硬件成本。
实施例2
本施例提供一种脱硫系统中的脱硫溶液的PH值预测装置,如图3所示,包括:
获取单元31,用于获取吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度;
预测单元32,用于利用BP神经网络模型以所述吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度作为所述BP神经网络模型的输入层数据,计算脱硫溶液的PH值,其中所述BP神经网络模型是利用之前获取的吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度以及实测的脱硫溶液的PH值进行训练得到的。优选地,所述BP神经网络模型是三层神经网络模型,所述BP神经网络模型是基于小波算法的神经网络模型。
根据本发明提供的脱硫溶液的PH值预测方案,利用分析得到的吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度5种影响因素作为神经网络的输入,脱硫溶液的PH值作为唯一的输出项目,模拟出5影响作用下1输出的函数关系,建立预测模型预测脱硫溶液的PH值,预测出的PH值可以反映脱硫系统的脱硫效率,为电力系统提供了价值较高的数据,使用本发明提供的PH值预测方案,可以替代现有技术中的PH值测量装置,由此可以降低脱落作业的成本带来直接经济收益。
进一步地,该装置还可以包括:
比对单元33,用于判断计算出的脱硫溶液的PH值是否在预设阈值范围之内;
判定单元34,用于当计算出的脱硫溶液的PH值不在所述预设阈值范围之内时,判定计算出的脱硫溶液的PH值异常。
根据上述优选方案,如果预测出的PH值不在安全范围之内,则表示当前脱硫系统的上述5种因素设置不合理,进一步可以生成可视化的警示信息,已提示相关人员进行调整,通过脱硫系统调整上述5种因素来改变PH值,使其保持在安全范围之内,由此可以减少因监测设备出现故障而导致的监测失灵和更大的损失。
优选地,该装置还可以包括:
训练数据获取单元301,用于获取多组训练数据,所述训练数据包括吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量、石灰石溶液密度以及实测的脱硫溶液的PH值;
训练单元302,用于利用所述多组训练数据对所述BP神经网络模型进行训练,直至所述BP神经网络模型输出的脱硫溶液的PH值与实测的脱硫溶液的PH值的误差小于预定阈值。
如上文所述,当神经网络训练完毕后,后续预测时则可以不再进行训练,本方案可以只在训练的过程中需要借助PH值测量装置,由此可以节约硬件成本。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种脱硫系统中的脱硫溶液的PH值预测方法,其特征在于,包括如下步骤:
获取吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度;
利用BP神经网络模型以所述吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度作为所述BP神经网络模型的输入层数据,计算脱硫溶液的PH值,其中所述BP神经网络模型是利用之前获取的吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量、石灰石溶液密度以及实测的脱硫溶液的PH值进行训练得到的。
2.根据权利要求1所述的方法,其特征在于,在所述获取吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度之前,还包括:
获取多组训练数据,所述训练数据包括吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量、石灰石溶液密度以及实测的脱硫溶液的PH值;
利用所述多组训练数据对所述BP神经网络模型进行训练,直至所述BP神经网络模型输出的脱硫溶液的PH值与实测的脱硫溶液的PH值的误差小于预定阈值。
3.根据权利要求1所述的方法,其特征在于,在所述利用BP神经网络模型以所述吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度作为所述BP神经网络模型的输入层数据,计算脱硫溶液的PH值之后,还包括:
判断计算出的脱硫溶液的PH值是否在预设阈值范围之内;
当计算出的脱硫溶液的PH值不在所述预设阈值范围之内时,判定计算出的脱硫溶液的PH值异常。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述BP神经网络模型是三层神经网络模型。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述BP神经网络模型是基于小波算法的神经网络模型。
6.一种脱硫系统中的脱硫溶液的PH值预测装置,其特征在于,包括:
获取单元,用于获取吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度;
预测单元,用于利用BP神经网络模型以所述吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度作为所述BP神经网络模型的输入层数据,计算脱硫溶液的PH值,其中所述BP神经网络模型是利用之前获取的吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量以及石灰石溶液密度以及实测的脱硫溶液的PH值进行训练得到的。
7.根据权利要求6所述的装置,其特征在于,还包括:
训练数据获取单元,用于获取多组训练数据,所述训练数据包括吸收塔入口烟气温度、吸收塔入口烟气含氧量、吸收塔入口二氧化硫含量、吸收塔入口含尘量、石灰石溶液密度以及实测的脱硫溶液的PH值;
训练单元,用于利用所述多组训练数据对所述BP神经网络模型进行训练,直至所述BP神经网络模型输出的脱硫溶液的PH值与实测的脱硫溶液的PH值的误差小于预定阈值。
8.根据权利要求6所述的装置,其特征在于,还包括:
比对单元,用于判断计算出的脱硫溶液的PH值是否在预设阈值范围之内;
判定单元,用于当计算出的脱硫溶液的PH值不在所述预设阈值范围之内时,判定计算出的脱硫溶液的PH值异常。
9.根据权利要求6-8中任一项所述的装置,其特征在于,所述BP神经网络模型是三层神经网络模型。
10.根据权利要求6-9中任一项所述的装置,其特征在于,所述BP神经网络模型是基于小波算法的神经网络模型。
CN201610051703.6A 2016-01-26 2016-01-26 一种脱硫系统中的脱硫溶液的ph值预测方法及装置 Pending CN105700579A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610051703.6A CN105700579A (zh) 2016-01-26 2016-01-26 一种脱硫系统中的脱硫溶液的ph值预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610051703.6A CN105700579A (zh) 2016-01-26 2016-01-26 一种脱硫系统中的脱硫溶液的ph值预测方法及装置

Publications (1)

Publication Number Publication Date
CN105700579A true CN105700579A (zh) 2016-06-22

Family

ID=56229136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610051703.6A Pending CN105700579A (zh) 2016-01-26 2016-01-26 一种脱硫系统中的脱硫溶液的ph值预测方法及装置

Country Status (1)

Country Link
CN (1) CN105700579A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109343367A (zh) * 2018-10-26 2019-02-15 齐鲁工业大学 一种基于神经网络预测控制烟气脱硫的方法
CN109420424A (zh) * 2017-08-22 2019-03-05 邢台国泰发电有限责任公司 一种石灰石-石膏湿法烟气脱硫系统节能优化方法
CN109508832A (zh) * 2018-11-22 2019-03-22 李东峰 基于变量压缩bp神经网络的电厂so2排放软测量方法
CN110672792A (zh) * 2019-10-09 2020-01-10 中南大学 湿法炼锌中性浸出过程pH值软测量方法和系统
CN111229010A (zh) * 2020-01-19 2020-06-05 福建龙净环保股份有限公司 一种供浆调节阀的开度控制系统及开度控制方法
CN112231978A (zh) * 2020-10-15 2021-01-15 西安特种设备检验检测院 一种基于人工神经网络的锅炉烟气酸露点测试方法
CN112287302A (zh) * 2020-12-18 2021-01-29 震坤行网络技术(南京)有限公司 用于检测油液酸碱度的方法、计算设备和计算机存储介质
CN112326504A (zh) * 2020-10-28 2021-02-05 国电环境保护研究院有限公司 一种复合脱硫装置石膏浆液密度测量方法及测量系统
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
CN112742187A (zh) * 2020-12-10 2021-05-04 山西漳山发电有限责任公司 一种脱硫系统中pH值的控制方法及装置
CN112933904A (zh) * 2021-01-27 2021-06-11 华能国际电力股份有限公司营口电厂 一种湿法脱硫智能控制系统
CN112947616A (zh) * 2021-01-29 2021-06-11 华能国际电力股份有限公司营口电厂 一种基于趋势预判的湿法脱硫pH值智能约束控制方法
CN114911279A (zh) * 2021-02-08 2022-08-16 中国石油化工股份有限公司 存储器、蒸馏装置塔顶pH值调控方法、装置及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201711089U (zh) * 2010-07-08 2011-01-19 陕西正大环保科技有限公司 中小型锅炉湿法脱硫设备用pH调节控制系统
CN102743972A (zh) * 2012-07-31 2012-10-24 浙江省电力公司电力科学研究院 一种脱硫系统石灰石浆液pH值控制器
CN104656441A (zh) * 2014-12-29 2015-05-27 重庆科技学院 基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法
CN104700158A (zh) * 2015-02-12 2015-06-10 国家电网公司 一种配电园区的能源管理方法与系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201711089U (zh) * 2010-07-08 2011-01-19 陕西正大环保科技有限公司 中小型锅炉湿法脱硫设备用pH调节控制系统
CN102743972A (zh) * 2012-07-31 2012-10-24 浙江省电力公司电力科学研究院 一种脱硫系统石灰石浆液pH值控制器
CN104656441A (zh) * 2014-12-29 2015-05-27 重庆科技学院 基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法
CN104700158A (zh) * 2015-02-12 2015-06-10 国家电网公司 一种配电园区的能源管理方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
尹玉: "基于BP神经网络的脱硫系统PH值预测", 《华北电力大学硕士论文》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109420424A (zh) * 2017-08-22 2019-03-05 邢台国泰发电有限责任公司 一种石灰石-石膏湿法烟气脱硫系统节能优化方法
CN109343367A (zh) * 2018-10-26 2019-02-15 齐鲁工业大学 一种基于神经网络预测控制烟气脱硫的方法
CN109508832A (zh) * 2018-11-22 2019-03-22 李东峰 基于变量压缩bp神经网络的电厂so2排放软测量方法
CN110672792A (zh) * 2019-10-09 2020-01-10 中南大学 湿法炼锌中性浸出过程pH值软测量方法和系统
CN110672792B (zh) * 2019-10-09 2020-08-28 中南大学 湿法炼锌中性浸出过程pH值软测量方法和系统
CN111229010A (zh) * 2020-01-19 2020-06-05 福建龙净环保股份有限公司 一种供浆调节阀的开度控制系统及开度控制方法
CN111229010B (zh) * 2020-01-19 2022-04-26 福建龙净环保股份有限公司 一种供浆调节阀的开度控制系统及开度控制方法
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
CN112231978B (zh) * 2020-10-15 2022-01-28 西安特种设备检验检测院 一种基于人工神经网络的锅炉烟气酸露点测试方法
CN112231978A (zh) * 2020-10-15 2021-01-15 西安特种设备检验检测院 一种基于人工神经网络的锅炉烟气酸露点测试方法
CN112326504A (zh) * 2020-10-28 2021-02-05 国电环境保护研究院有限公司 一种复合脱硫装置石膏浆液密度测量方法及测量系统
CN112326504B (zh) * 2020-10-28 2023-09-26 国电环境保护研究院有限公司 一种复合脱硫装置石膏浆液密度测量方法及测量系统
CN112742187A (zh) * 2020-12-10 2021-05-04 山西漳山发电有限责任公司 一种脱硫系统中pH值的控制方法及装置
CN112287302A (zh) * 2020-12-18 2021-01-29 震坤行网络技术(南京)有限公司 用于检测油液酸碱度的方法、计算设备和计算机存储介质
CN112933904A (zh) * 2021-01-27 2021-06-11 华能国际电力股份有限公司营口电厂 一种湿法脱硫智能控制系统
CN112947616A (zh) * 2021-01-29 2021-06-11 华能国际电力股份有限公司营口电厂 一种基于趋势预判的湿法脱硫pH值智能约束控制方法
CN112947616B (zh) * 2021-01-29 2022-03-01 华能国际电力股份有限公司营口电厂 一种基于趋势预判的湿法脱硫pH值智能约束控制方法
CN114911279A (zh) * 2021-02-08 2022-08-16 中国石油化工股份有限公司 存储器、蒸馏装置塔顶pH值调控方法、装置及设备
CN114911279B (zh) * 2021-02-08 2024-05-28 中国石油化工股份有限公司 存储器、蒸馏装置塔顶pH值调控方法、装置及设备

Similar Documents

Publication Publication Date Title
CN105700579A (zh) 一种脱硫系统中的脱硫溶液的ph值预测方法及装置
CN104350435A (zh) Plc平台上用于设备状态监控、诊断以及时间-故障/服务预测的嵌置预报
CN107256449B (zh) 一种智能变电站继电保护装置状态评价与评估方法
AU2020102181A4 (en) An intelligent recognition system and method of tunnel structure health based on robot vision recognition
CN108376184A (zh) 一种桥梁健康监控的方法及系统
CN110716512A (zh) 一种基于燃煤电站运行数据的环保装备性能预测方法
CN107687924A (zh) 一种桥梁的安全预警方法及系统
CN116934303B (zh) 新能源汽车电池封装用耐温湿聚氨酯粘合剂性能检测系统
CN115373403B (zh) 一种建筑机械设备巡检服务系统
CN114321740B (zh) 一种可燃气体泄漏点定位方法、系统及可读存储模块
CN112726432A (zh) 一种桥梁运维方法、装置、系统、计算机设备和存储介质
CN102445396B (zh) 一种基于起重机钢丝绳载荷测量的在线检测使用强度和疲劳预报的装置及方法
CN110703712A (zh) 一种工业控制系统信息安全攻击风险评估方法及系统
CN103092762B (zh) 一种适用于快速软件开发模式的实时软件缺陷检测方法
CN117309060B (zh) 一种基于云计算的建筑幕墙结构性能监测系统
CN111047476A (zh) 基于rbf神经网络的大坝结构安全监控精确预测方法及系统
CN109406076A (zh) 一种利用位移传感器列阵输出的移动主成分进行梁桥结构损伤定位的方法
CN103754743A (zh) 确定自动扶梯或自动人行道制停距离的方法
CN113204919A (zh) 基于数字孪生的主变油枕状态预测方法、装置及电子设备
CN117474318A (zh) 一种基于移动式红外测温技术的换流站阀厅运行监管系统
Tu et al. Technical Analysis of Highway Bridge Static Load Test
CN115660513A (zh) 一种基于水利工程渡槽变形的监测方法及系统
CN110717728A (zh) 燃气监控综合管理方法、平台、计算机存储介质
CN114165430B (zh) 基于边缘计算的机泵健康监测方法、系统、设备及介质
CN116467857B (zh) 一种基于数据处理的压力管道参数检验管理系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160622

RJ01 Rejection of invention patent application after publication