CN105867132A - 稳态追踪自矫正的联合循环机组排烟含氧量在线测量方法 - Google Patents
稳态追踪自矫正的联合循环机组排烟含氧量在线测量方法 Download PDFInfo
- Publication number
- CN105867132A CN105867132A CN201610247071.0A CN201610247071A CN105867132A CN 105867132 A CN105867132 A CN 105867132A CN 201610247071 A CN201610247071 A CN 201610247071A CN 105867132 A CN105867132 A CN 105867132A
- Authority
- CN
- China
- Prior art keywords
- data
- measuring point
- oxygen content
- exhaust smoke
- air
- 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
Links
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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing Of Engines (AREA)
Abstract
本发明公开了一种稳态追踪及自矫正的燃气‑蒸汽联合循环机组排烟含氧量在线测量方法,包括如下步骤:利用网络交换机获取机组实时运行数据,将采集的各个测点数据按时间顺序进行队列存储;利用样本熵从各队列数据中筛选最靠近当前时刻的稳态时间段,并同时将该段时间内各测点数据进行平均处理,进行故障诊断,若筛选的测点数据判定没有问题,则进行下一步的排烟含氧量计算,同时导入历史数据库,若筛选的测点数据判定出现问题,则利用该诊断模型进行测点数据重构,再进行下一步烟气氧含量计算;烟气氧含量经迭代计算得到。本发明提供一种燃气‑蒸汽联合循环机组排烟含氧量在线测量方法,可实现稳态追踪及自适应矫正计算。
Description
技术领域
本发明涉及一种稳态追踪自矫正的联合循环机组排烟含氧量在线测量方法,兼有样本熵稳态判定和鲁棒输入神经网络的故障诊断模型属于数据挖掘和机器学习建模领域。
背景技术:
在工业过程中,存在一些无法直接测量或测量有很大滞后的变量,需要通过软测量技术建立模型进行估测。对于燃气机组或燃气-蒸汽联合循环机组而言,由于燃烧室内温度较高(超过1000℃),无法利用仪器直接测量燃烧室内温度或燃气透平初温来监测燃烧状况,但燃机排烟含氧量是监测燃烧室燃烧状况以优化燃烧的重要指标。燃机排烟中氧气含量与过量空气系数有确定(单值)的函数关系,且燃气-蒸汽连环循环机组中燃料特性相对稳定,因此排烟含氧量实际反映的是过量空气系数或空燃比,若空燃比过大,则多余的空气吸收能量导致排烟损失增大,而当空燃比过小时,则会发生燃料不完全燃焼,因此通过监测燃机排烟含氧量使其保持在一定的范围内,可以保证燃烧室的燃烧效率,促使机组的正常运行,其次考虑到燃机燃烧室存在材料温度极限,排烟含氧量监测的安全意义更为重大。
目前计算排烟含氧量的方法主要有直接测量法和分别基于工艺机理分析、过程对象动态数学模型、神经网络、支持向量机等软测量方法。直接测量法是利用氧气传感器直接测量,氧气传感器主要有热磁式氧气传感器和氧化锆传感器两种,但直接测量存在测量滞后大、误差大,投资大、寿命短及传感器易发生故障等缺点。
相对于燃煤机组,燃气机组或燃气-蒸汽联合循环机组燃料为特性稳定的洁净能源天然气,燃烧过程相对简单,因此可以利用基于工艺机理分析的软测量方法计算排烟含氧量。本发明根据现场燃机功率、天然气体积流量、压气机进气温度和压损、燃机排气温度和压损等已有测点数据计算得到燃机排烟含氧量。进一步,考虑到测点传感器潜在的漂移问题,建立了燃机侧鲁棒输入神经网络模型,以此及时诊断传感器故障并重构故障测点数据,确保排烟含氧量计算的输入数据正常。
发明内容:
发明目的:为了克服现有技术中的不足,本发明提供一种稳态追踪自矫正的联合循环机组排烟含氧量在线测量方法。
技术方案:为解决上述技术问题,本发明的一种稳态追踪自矫正的联合循环机组排烟含氧量在线测量方法,所述步骤包括如下:
(1)现场DCS数据经由网络交换机输出至数据接口,间隔5s采集燃机功率Wgt、天然气体积流量qf、压气机进口气温度t1和压力p1、压气机出口温度t2和压力p2、燃机排气温度t4和压力p4、IGV开度α、大气压力p0测点数据。将采集的各测点数据按时间顺序进行队列存储,连续存储1h内的测点数据,其中间隔采样周期和连续存储时间可自定义。
(2)利用样本熵从各队列数据中筛选最靠近当前时刻的稳态时间段,并同时将该段时间内各测点数据进行平均处理,经RITNN测点数据诊断模型进行故障诊断。RITNN测点数据诊断模型是由测点稳态历史数据库内的数据样本训练得到的。
(2.1)将步骤(1)中每个队列数据进行标准化处理(即为归一化处理,是对原始数据的线性变换,使结果值映射到[0,1]之间。),设定滑动窗体参数(包括滑动窗口数据串长度l及连续两滑动窗间的数据间隔t),按照参数将队列数据划分为若干组滑动窗体(即在序列中放置一个固定长度为l的小窗口,随着时间的推移,小窗口以数据间隔t不断向后移动,同时求解窗体内数据串的样本熵,最终得到一组样本熵序列。),分段计算每个滑动内各测点数据的样本熵。
(2.3)设定稳态容忍度,当各测点计算出的样本熵值大于稳态容忍度时,判定该工况下各测点数据为稳态数据,并在机组运行时进行长期筛选和保留稳态数据工作,建立测点稳态历史数据库。
(2.4)训练测点稳态历史数据库内的数据样本,设定隐藏层数目和各层神经元个数,建立鲁棒输入神经网络模型(RITNN),作为测点数据诊断模型。
(3)若出现测点故障,则将诊断模型给出的故障测点重构数据作为该测点数值;若无测点故障,则将该组样本导入历史数据库中,更新测点数据诊断模型建模的数据样本。
(4)从重构数据或无故障数据中提取燃机功率Wgt、天然气体积流量qf、压气机进口温度t1、燃机排气温度t4和大气压力p0。
(5)进入排烟含氧量计算模块,根据质量、能量及元素守恒定律,经迭代计算得到稳定工况下的排烟含氧量。
(5.1)初始化空气燃料质量比
首先初始化一个空燃比u,u=mair/mf,其中mair和mf分别为空气和天然气的质量流量,假设u的初始值为10。
(5.2)计算天然气质量流量。
mf=qf·ρf
式中,qf为天然气体积流量,ρf为天然气密度。
(5.3)计算压气机进口空气焓值。
式中,t1为进口空气温度,h1为t1的多项式函数,各项系数为a0=-4.77;a1=1.05;a2=-2.07;a3=3.39;a4=-1.51;a5=1.79。
(5.4)计算燃机出口烟气焓值。
由天然气燃烧的化学方程式:
计算排烟中各气体成分体积分数分别为:
式中,xAr分别为空气中各组分O2、N2、CO2、H2O、Ar的体积分数;Mair和Mf分别为空气和天然气的摩尔质量。
则燃机排气焓值可表示为:
式中,hAr(t4)分别为t4温度下O2、N2、CO2、H2O、Ar的焓值,均可表示为t4的多项式函数,即:
式中,各多项式的系数矩阵为:
(5.5)计算燃机功率。
将整个燃气侧看作一个整体,根据能量守恒方程,得到燃机功率的计算值:
Wgt c=mair·h1-mgas·h4+mf·LHV·ηcc
式中,mair=u·mf;mgas=mair+mf=(1+u)·mf;LHV为天然气的低位热值;ηcc为燃烧效率。
(5.6)计算燃机功率测点值与计算值的误差。
燃机功率测点值Wgt与程序计算值Wgt c的相对误差为:
σ=|Wgt c-Wgt|/Wgt
若σ≥0.001,则u=u+0.01,进入步骤(3.4)不断迭代计算,直至σ<0.001,得到最终结果u。
(5.7)根据公式计算得到排烟含氧量yO2。
(6)输出并记录最靠近当前时刻的稳态时间及排烟含氧量值。
本发明实现了过程数据中稳态数据的提取和稳态工况下排烟含氧量的测算,进一步,考虑到测点传感器潜在的漂移问题,建立了燃机侧鲁棒输入神经网络模型,以此诊断传感器故障并重构故障测点数据,可实现排烟含氧量稳态下自适应矫正计算,目的是为了获得各指标间的静态耦合关系以此监测优化燃烧。
有益效果:本发明相对于现有技术而言,具有以下优点:
(1)依据质量、能量及元素守恒定律来进行排烟含氧量测算,不仅准确率高,而且滞后性较小,可较为真实地再现燃机排烟含氧量。
(2)计算并记录稳定工况下的排烟含氧量,便于分析各指标间的静态耦合关系,达到监测和优化燃烧的效果。
(3)建立了燃机侧鲁棒输入神经网络模型,进行测点传感器的故障诊断及数据重构,同时通过不断的更新样本数据库使得模型更加接近实际。
附图说明
图1是本发明的流程图。
图2是本实施例中燃机功率曲线图。
具体实施方式:
下面结合附图对本发明作更进一步的说明。
以某200MW燃气-蒸汽联合循环机组为例,采集SIS系统中2015年05月12日20:30:00至24:00:00间的数据,采集间隔为5s。本发明框架主要由数据采集、数据筛选、数据校验和排烟含氧量计算等核心模块,详细流程图如图1所示:
1)现场DCS数据经由网络交换机输出至数据接口,间隔5s采集燃机功率Wgt、天然气体积流量qf、压气机进口气温度t1和压力p1、压气机出口温度t2和压力p2、燃机排气温度t4和压力p4、IGV开度α、大气压力p0测点数据。
2)将采集的各测点数据按时间顺序进行队列存储,连续存储1h内的测点数据。利用样本熵从各队列数据中筛选最靠近当前时刻的稳态时间段,并同时将该段时间内各测点数据进行平均处理,经RITNN测点数据诊断模型进行故障诊断。
3)若出现测点故障,则将诊断模型给出的故障测点重构数据作为该测点数值;若无测点故障,则将该组样本导入历史数据库中,更新测点数据诊断模型建模的数据样本。
4)从重构数据或无故障数据中提取燃机功率、天然气体积流量、压气机进口温度、燃机排气温度和大气压力。
5)进入排烟含氧量计算模块,计算天然气质量流量mf和压气机进口空气焓值h1,初始化空燃比u为10。
6)由天然气燃烧的化学方程式,计算排烟中各气体成分体积分数 和yAr,通过体积分数加权计算排烟焓值h4。根据整个燃机侧的能量守恒,得到燃机功率的计算值Wgt c。
7)计算燃机功率测点值与计算值的相对误差σ,若σ≥0.001,则u=u+0.01,进入步骤6)迭代计算,直至σ<0.001,得到最终结果u。由公式计算得排烟含氧量
8)输出并记录最靠近当前时刻的稳态时间及排烟含氧量值。
计算实例:
图2为2015年05月12日20:30:00至24:00:00间的燃机功率,可以看出在此期间燃机降负荷运行,四个不同时刻记录并计算的排烟含氧量如表1所示。通过本发明可追踪到上一小时内机组最近的稳态时间,同时计算该段时间内燃机排烟含氧量。在23:35:45至24:00:00间发现天然气体积流量测点传感器发生漂移,修正前后的结果如表2所示,体现了本发明自适应矫正的计算能力。
表1 不同时刻排烟含氧量
表2 传感器滑移后自适应矫正计算
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种稳态追踪自矫正的联合循环机组排烟含氧量在线测量方法,其特征在于:所述测量步骤为:
(1)现场DCS数据经由网络交换机输出至数据接口,间隔5s采集燃机功率Wgt、天然气体积流量qf、压气机进口气温度t1和压力p1、压气机出口温度t2和压力p2、燃机排气温度t4和压力p4、IGV开度α、大气压力p0测点数据,将采集的各测点数据按时间顺序进行队列存储,连续存储1h内的测点数据,其中间隔采样周期和连续存储时间可自定义;
(2)利用样本熵从各队列数据中筛选最靠近当前时刻的稳态时间段,并同时将该段时间内各测点数据进行平均处理,经RITNN测点数据诊断模型进行故障诊断,RITNN测点数据诊断模型是由测点稳态历史数据库内的数据样本训练得到的;
(3)若出现测点故障,则将诊断模型给出的故障测点重构数据作为该测点数值;若无测点故障,则将该组样本导入历史数据库中,更新测点数据诊断模型建模的数据样本;
(4)从重构数据或无故障数据中提取燃机功率Wgt、天然气体积流量qf、压气机进口温度t1、燃机排气温度t4和大气压力p0;
(5)进入排烟含氧量计算模块,根据质量、能量及元素守恒定律,经迭代计算得到稳定工况下的排烟含氧量;
(6)输出并记录最靠近当前时刻的稳态时间及排烟含氧量值。
2.根据权利要求1所述的稳态追踪自矫正的联合循环机组排烟含氧量在线测量方法,其特征在于:所述步骤(2)具体步骤为:
(2.1)将步骤(1)中存储的每个队列数据进行标准化处理,设定滑动窗体参数,包括滑动窗口数据串长度l及连续两滑动窗间的数据间隔t,按照滑动窗体参数将队列数据划分为若干组滑动窗体,分段计算每个滑动内各测点数据的样本熵;
(2.3)设定稳态容忍度,当各测点计算出的样本熵值大于稳态容忍度时,判定该工况下各测点数据为稳态数据,并在机组运行时进行长期筛选和保留稳态数据工作,建立测点稳态历史数据库;
(2.4)训练测点稳态历史数据库内的数据样本,设定隐藏层数目和各层神经元个数,建立鲁棒输入神经网络模型,作为测点数据诊断模型。
3.根据权利要求1所述的稳态追踪自矫正的联合循环机组排烟含氧量在线测量方法,其特征在于:所述步骤(5)具体步骤为:
(5.1)初始化空气燃料质量比
首先初始化一个空燃比u,u=mair/mf,其中mair和mf分别为空气和天然气的质量流量,假设u的初始值为10;
(5.2)计算天然气质量流量;
mf=qf·ρf
式中,qf为天然气体积流量,ρf为天然气密度;
(5.3)计算压气机进口空气焓值
式中,t1为进口空气温度,h1为t1的多项式函数,各项系数为a0=-4.77;a1=1.05;a2=-2.07;a3=3.39;a4=-1.51;a5=1.79。
(5.4)计算燃机出口烟气焓值
由天然气燃烧的化学方程式:
计算排烟中各气体成分体积分数分别为:
式中,xAr分别为空气中各组分O2、N2、CO2、H2O、Ar的体
积分数;Mair和Mf分别为空气和天然气的摩尔质量;
则燃机排气焓值可表示为:
式中,hAr(t4)分别为t4温度下O2、N2、CO2、H2O、Ar的焓值,均可表示为t4的多项式函数,即:
式中,各多项式的系数矩阵为:
(5.5)计算燃机功率
将整个燃气侧看作一个整体,根据能量守恒方程,得到燃机功率的计算值:
Wgt c=mair·h1-mgas·h4+mf·LHV·ηcc
式中,mair=u·mf;mgas=mair+mf=(1+u)·mf;LHV为天然气的低位热值;ηcc为燃烧效率;
(5.6)计算燃机功率测点值与计算值的误差
燃机功率测点值Wgt与程序计算值Wgt c的相对误差为:
σ=|Wgt c-Wgt|/Wgt
若σ≥0.001,则u=u+0.01,进入步骤(3.4)不断迭代计算,直至σ<0.001,得到最终结果u;
(5.7)根据公式计算得到排烟含氧量yO2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610247071.0A CN105867132B (zh) | 2016-04-19 | 2016-04-19 | 稳态追踪自矫正的联合循环机组排烟含氧量在线测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610247071.0A CN105867132B (zh) | 2016-04-19 | 2016-04-19 | 稳态追踪自矫正的联合循环机组排烟含氧量在线测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105867132A true CN105867132A (zh) | 2016-08-17 |
CN105867132B CN105867132B (zh) | 2018-08-10 |
Family
ID=56632457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610247071.0A Active CN105867132B (zh) | 2016-04-19 | 2016-04-19 | 稳态追踪自矫正的联合循环机组排烟含氧量在线测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105867132B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682259A (zh) * | 2016-11-17 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种联合联产机组中燃机能量损失率的测算方法 |
CN106997391A (zh) * | 2017-04-10 | 2017-08-01 | 华北电力大学(保定) | 一种快速筛选大规模过程数据中的稳态工况数据的方法 |
CN107451395A (zh) * | 2017-06-30 | 2017-12-08 | 华电电力科学研究院 | 一种燃气内燃机排气流量和排气能量计算方法 |
CN112832911A (zh) * | 2021-01-05 | 2021-05-25 | 中国神华能源股份有限公司国华电力分公司 | 降低二拖一联合循环机组氮氧化物排放的方法及装置 |
CN112883631A (zh) * | 2021-01-13 | 2021-06-01 | 新智数字科技有限公司 | 燃气轮机的排烟含氧量预测方法及装置 |
CN114593920A (zh) * | 2020-12-02 | 2022-06-07 | 新智数字科技有限公司 | 燃气内燃机的排烟含氧量测量方法、装置及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018279A (zh) * | 2012-11-27 | 2013-04-03 | 华北电力大学 | 一种提高锅炉烟气含氧量测量精度的方法 |
CN104102842A (zh) * | 2014-07-17 | 2014-10-15 | 烟台龙源电力技术股份有限公司 | 基于经济性指标参数的氮氧化物排放预测方法和装置 |
CN105444201A (zh) * | 2014-09-26 | 2016-03-30 | 通用电气公司 | 燃烧优化的方法及其系统 |
-
2016
- 2016-04-19 CN CN201610247071.0A patent/CN105867132B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018279A (zh) * | 2012-11-27 | 2013-04-03 | 华北电力大学 | 一种提高锅炉烟气含氧量测量精度的方法 |
CN104102842A (zh) * | 2014-07-17 | 2014-10-15 | 烟台龙源电力技术股份有限公司 | 基于经济性指标参数的氮氧化物排放预测方法和装置 |
CN105444201A (zh) * | 2014-09-26 | 2016-03-30 | 通用电气公司 | 燃烧优化的方法及其系统 |
Non-Patent Citations (6)
Title |
---|
SHAOJUN REN 等: "Multiple sensor Validation for Natural Gas Combined Cycle Power Plants Based on Robust Input Training Neural Networks", 《JOURNAL OF CHEMICAL ENGINEERING OF JAPAN》 * |
司风琪 等: "基于鲁棒输入训练神经网络的非线性多传感器故障诊断方法及其应用", 《东南大学学报(自然科学版)》 * |
孔羽 等: "基于样本熵的燃气-蒸汽联合循环机组稳态判定", 《热力发电》 * |
孔羽 等: "基于灯用分析的燃气- 蒸汽联合循环机组变工况研究", 《节能科技》 * |
熊志化 等: "基于支持向量机的火电厂烟气含氧量软测量", 《测控技术》 * |
韩璞 等: "基于神经网络的火电厂烟气含氧量软测量", 《信息与控制》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682259A (zh) * | 2016-11-17 | 2017-05-17 | 云南电网有限责任公司电力科学研究院 | 一种联合联产机组中燃机能量损失率的测算方法 |
CN106682259B (zh) * | 2016-11-17 | 2021-02-02 | 云南电网有限责任公司电力科学研究院 | 一种联合联产机组中燃机能量损失率的测算方法 |
CN106997391A (zh) * | 2017-04-10 | 2017-08-01 | 华北电力大学(保定) | 一种快速筛选大规模过程数据中的稳态工况数据的方法 |
CN106997391B (zh) * | 2017-04-10 | 2020-11-03 | 华北电力大学(保定) | 一种快速筛选大规模过程数据中的稳态工况数据的方法 |
CN107451395A (zh) * | 2017-06-30 | 2017-12-08 | 华电电力科学研究院 | 一种燃气内燃机排气流量和排气能量计算方法 |
CN114593920A (zh) * | 2020-12-02 | 2022-06-07 | 新智数字科技有限公司 | 燃气内燃机的排烟含氧量测量方法、装置及可读存储介质 |
CN114593920B (zh) * | 2020-12-02 | 2024-01-12 | 新奥新智科技有限公司 | 燃气内燃机的排烟含氧量测量方法、装置及可读存储介质 |
CN112832911A (zh) * | 2021-01-05 | 2021-05-25 | 中国神华能源股份有限公司国华电力分公司 | 降低二拖一联合循环机组氮氧化物排放的方法及装置 |
CN112832911B (zh) * | 2021-01-05 | 2022-04-05 | 中国神华能源股份有限公司国华电力分公司 | 降低二拖一联合循环机组氮氧化物排放的方法及装置 |
CN112883631A (zh) * | 2021-01-13 | 2021-06-01 | 新智数字科技有限公司 | 燃气轮机的排烟含氧量预测方法及装置 |
CN112883631B (zh) * | 2021-01-13 | 2024-05-24 | 新奥新智科技有限公司 | 燃气轮机的排烟含氧量预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105867132B (zh) | 2018-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105867132A (zh) | 稳态追踪自矫正的联合循环机组排烟含氧量在线测量方法 | |
CN109446187B (zh) | 基于注意力机制与神经网络的复杂装备健康状态监测方法 | |
US11436395B2 (en) | Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction | |
CN105971738B (zh) | 一种燃气轮机组烟气流量在线监测的方法 | |
CN106094755B (zh) | 一种基于大数据的燃气-蒸汽联合循环发电机组远程能效诊断方法 | |
CN101477375B (zh) | 基于矩阵奇异值关联规则挖掘的传感器数据校验方法 | |
CN109557869A (zh) | 一种火电机组碳排放在线监测管理系统 | |
CN103742901B (zh) | 一种循环流化床机组耗差分析优化目标值体系的确定方法 | |
CN101802728A (zh) | 对气体排放进行基于经验集合的虚拟传感的系统和方法 | |
CN106870955A (zh) | 服务于供水管网节点需水量反演的管网监测点优化布置方法 | |
CN110206596B (zh) | 一种测量航空发动机、燃气轮机进气流量方法 | |
CN105809249B (zh) | 一种基于双神经网络的pm2.5浓度检测与预测系统及方法 | |
Siqueira et al. | Estimating scalar sources, sinks, and fluxes in a forest canopy using Lagrangian, Eulerian, and hybrid inverse models | |
CN116011317B (zh) | 一种基于多方法融合的小尺度近实时大气污染溯源方法 | |
CN106018730A (zh) | 基于磨煤机入口一次风修正的煤质水分测量装置和方法 | |
CN110532681A (zh) | 基于narx网络-箱线图和常模式提取的燃机异常检测方法 | |
CN106292590A (zh) | 一种电厂煤耗及碳排放监测方法及系统 | |
CN109377810A (zh) | 采场风流参数监测与自动调节实验平台和系统 | |
CN108225437A (zh) | 一种通用的温室气体排放在线监测系统及方法 | |
CN106323661A (zh) | 一种隧道排烟口集中排烟性能测试装置的测试方法 | |
CN108197723A (zh) | 煤电机组供电煤耗与污染物排放的优化节能调度方法 | |
CN106802285A (zh) | 一种近红外快速检测秸秆热值的方法 | |
CN110112445A (zh) | 一种固体氧化物燃料电池系统振荡源定位的方法 | |
CN113533622A (zh) | 一种基于神经网络的磨煤机煤质预测方法 | |
CN103697958B (zh) | 燃煤机组汽包出口饱和蒸汽质量流量的实时计量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |