CN107797456A - 基于渐消记忆在线极限学习机的电厂除尘器优化控制方法 - Google Patents

基于渐消记忆在线极限学习机的电厂除尘器优化控制方法 Download PDF

Info

Publication number
CN107797456A
CN107797456A CN201711110877.6A CN201711110877A CN107797456A CN 107797456 A CN107797456 A CN 107797456A CN 201711110877 A CN201711110877 A CN 201711110877A CN 107797456 A CN107797456 A CN 107797456A
Authority
CN
China
Prior art keywords
mrow
dust catcher
plant dust
particle
energy consumption
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
CN201711110877.6A
Other languages
English (en)
Inventor
黄治军
华伟
帅云峰
王卫群
祁建民
陈建明
张磊
傅高健
李国奇
崔晓波
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
Nanjing Institute of Technology
State Grid Jiangsu Electric Power Co Ltd
Jiangsu Fangtian Power Technology Co Ltd
Original Assignee
State Grid Corp of China SGCC
Nanjing Institute of Technology
State Grid Jiangsu Electric Power Co Ltd
Jiangsu Fangtian Power Technology 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, Nanjing Institute of Technology, State Grid Jiangsu Electric Power Co Ltd, Jiangsu Fangtian Power Technology Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201711110877.6A priority Critical patent/CN107797456A/zh
Publication of CN107797456A publication Critical patent/CN107797456A/zh
Pending legal-status Critical Current

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
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于渐消记忆在线极限学习机的电厂除尘器优化控制方法，1）采集电厂静电除尘相关可测数据，对数据进行分析处理，基于静电除尘能耗影响关键因素，确定若干渐消记忆在线极限学习机模型的输入量；2）建立基于渐消记忆在线极限学习机的电厂除尘器总能耗模型，预测出将来时刻的电厂除尘器总能耗值，提供优化模型；3）采用粒子群算法进行优化计算，得出最优控制参数值，将计算结果指令送给除尘器各电场执行。本发明算法先进、模型预测精度高，可以预测出将来时刻电厂除尘器的总能耗值，结合粒子群优化算法对该模型进行优化计算可得出电厂除尘器最优运行参数，在保障基本排放指标的前提下降低电厂除尘器能耗，实现节能经济优化运行。

Description

基于渐消记忆在线极限学习机的电厂除尘器优化控制方法
技术领域
本发明涉及一种基于渐消记忆在线极限学习机的电厂除尘器优化控制方法，属于热能动力工程和热工控制技术领域。
背景技术
为了在满足环保排放标准要求的基础上达到降低电厂电除尘器损耗的目的，许多业内学者从荷电机理、供电方式等方面开展研究，这些研究为电除尘的节能优化控制及其实现奠定了基础。但到目前为止仍然还没有推导出适用于电除尘控制系统的除尘效率与供电参数之间关系的数学模型，而且单纯的除尘效率数学模型中存在某些参数的不可检测性以及没有考虑到电除尘器实际功耗问题，这也对整个电除尘装置的节能优化控制造成极大障碍。
另外，电厂电除尘器实际运行中为了满足环保考核指标，几乎全部电除尘器的运行模式均采取“过度”运行与粗犷的手动方式，均未考虑采用经济运行细调自动方法，造成了大量电量浪费，为了实现在满足环保考核排放指标的前提下降低电厂除尘器能耗，实现节能经济优化自动运行，通过开发电厂除尘器优化控制方法，对进一步实现节能减排具有重要意义。
发明内容
目的：为了克服现有技术中存在的不足，本发明提供一种基于渐消记忆在线极限学习机的电厂除尘器优化控制方法，实现电厂除尘器的节能经济优化自动运行。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
一种基于渐消记忆在线极限学习机的电厂除尘器优化控制方法，包括以下步骤：
步骤1：采集电厂静电除尘相关可测数据，对数据进行分析处理，基于静电除尘能耗影响关键因素，确定若干基于渐消记忆在线极限学习机的电厂除尘器总能耗模型的输入量；
步骤2：建立基于渐消记忆在线极限学习机的电厂除尘器总能耗模型，预测出将来时刻的电厂除尘器总能耗值，从而为实现电厂除尘器经济运行控制提供优化模型；
步骤3：采用粒子群算法进行优化计算，得出电厂除尘器最优控制参数值，将计算结果指令送给除尘器各电场执行。
作为优选方案，所述步骤1包括：电厂除尘器总能耗模型的关键输入量个数为7个，包括：除尘器入口粉尘浓度、除尘器入口烟气温度、除尘器入口烟气压力、除尘器入口烟气湿度、发电机组负荷、振打周期、除尘器电场的二次电流值。
作为优选方案，所述步骤2包括：建立基于渐消记忆在线极限学习机的电厂除尘器总能耗模型，具体步骤如下：
2-1随机选取输入连接权值ω和偏置值b；
2-2选定火电机组DCS中关于电厂除尘器的部分历史数据构建网络隐含层输出矩阵H0；
2-3计算渐消记忆在线极限学习机迭代公式中的过渡矩阵K初始值K0＝H0 TH0；
其中，H0 T为网络隐含层输出矩阵H0的转置矩阵；
2-4计算隐含层与输出层的连接权初始值矩阵β0＝(K0)-1H0 TY0；
其中，(K0)-1为过渡矩阵K初始值矩阵K0的逆矩阵，Y0为所建电厂除尘器总能耗模型的初始输出向量；
2-5基于以下的渐消记忆在线极限学习机迭代计算公式计算电厂除尘器总能耗模型中各参数的实时值；
式中，Kk和Kk+1分别为第k步和第k+1步迭代的过渡矩阵，μ为遗忘因子，Hk+1为基于当前实时采集的输入值得出的网络隐含层输出矩阵，I为单位矩阵，βk为k步隐含层与输出层的连接权矩阵，βk+1为k+1步隐含层与输出层的连接权矩阵，Yk+1为基于当前实时采集的输出值得出的输出向量。
作为优选方案，所述步骤3包括：采用粒子群算法进行优化计算，具体步骤如下：
3-1将电厂除尘器总能耗模型的输入量进行分类，其中除尘器入口粉尘浓度、除尘器入口烟气温度、除尘器入口烟气压力、除尘器入口烟气湿度、发电机组负荷5个输入为条件因素；振打周期、除尘器电场的二次电流值为可控因素即为粒子群算法中的优化变量，该优化变量取值范围为电厂除尘器允许最大可调范围；
3-2综合考虑电除尘器实际电场数量将粒子维度设计为M，初始种群规模为N；选取电除尘器总能耗量的倒数作为粒子群算法的适应度函数，通过粒子的迭代计算，得出电厂除尘器最优控制参数值，将计算结果指令送给除尘器各电场执行。
作为优选方案，所述粒子的迭代计算，具体步骤如下：
3-2-1将第i个粒子的飞行速度记为Vi，Vi是一个M维的向量；
3-2-2通过适应度函数比较计算出第i个粒子迄今为止搜索到的最优位置，即个体极值，记为pbest；
3-2-3通过适应度函数比较计算出整个粒子群迄今为止搜索到的最优位置，即全局极值，记为gbest；
3-2-4当找到个体极值和全局极值这两个最优值时，粒子根据如下的公式来更新自己的速度和位置，
Vi+1＝ζVi+c1r1(pbest-xi)+c2r2(gbest-xi)
xi+1＝xi+Vi+1
其中，Vi+1为第i+1粒子新的飞行速度，ζ为惯性权值，c1和c2为学习因子、也称加速常数，r1和r2为[0，1]范围内的均匀随机数，xi为当前粒子的位置，xi+1为经过速度更新后粒子新的位置；
3-2-5将上述得到的新的粒子重新进行基于渐消记忆在线极限学习机的电厂除尘器总能耗模型的计算，经过多次粒子更新，当满足经迭代更新种群最优值变化小于阀值0.001时，迭代终止，输出的末代粒子群中的最优粒子对应的当前除尘器运行工况下的振打周期与除尘器电场的二次电流值。
作为优选方案，所述步骤2中μ取值为0.9。
作为优选方案，所述步骤3中ζ为0.6，c1和c2均为2。
有益效果：本发明提供的基于渐消记忆在线极限学习机的电厂除尘器优化控制方法，实现了电厂除尘器的节能、经济优化自动运行；实现了基于渐消记忆在线极限学习机模型与粒子群优化算法的有机融合，算法先进、工程实施容易，可实现在满足环保考核排放指标的前提下降低电厂除尘器能耗，实现电厂除尘器节能、经济优化自动运行。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示，一种基于渐消记忆在线极限学习机的电厂除尘器优化控制方法，包括以下步骤：
步骤1：采集电厂静电除尘相关可测数据，对数据进行分析处理，基于静电除尘能耗影响关键因素，确定若干基于渐消记忆在线极限学习机的电厂除尘器总能耗模型的输入量；
其中，电厂除尘器总能耗模型的关键输入量个数为7个，包括：除尘器入口粉尘浓度、除尘器入口烟气温度、除尘器入口烟气压力、除尘器入口烟气湿度、发电机组负荷、振打周期、除尘器电场的二次电流值。
步骤2：建立基于渐消记忆在线极限学习机的电厂除尘器总能耗模型，预测出将来时刻的电厂除尘器总能耗值，从而为实现电厂除尘器经济运行控制提供优化模型；
建立基于渐消记忆在线极限学习机的电厂除尘器总能耗模型，具体步骤如下：
2-1随机选取输入连接权值ω和偏置值b；
2-2选定火电机组DCS中关于电厂除尘器的部分历史数据构建网络隐含层输出矩阵H0；
2-3计算渐消记忆在线极限学习机迭代公式中的过渡矩阵K初始值K0＝H0 TH0；
其中，H0 T为网络隐含层输出矩阵H0的转置矩阵；
2-4计算隐含层与输出层的连接权初始值矩阵β0＝(K0)-1H0 TY0；
其中，(K0)-1为过渡矩阵K初始值矩阵K0的逆矩阵，Y0为所建电厂除尘器总能耗模型的初始输出向量；
2-5基于以下的渐消记忆在线极限学习机迭代计算公式计算电厂除尘器总能耗模型中各参数的实时值；
式中，Kk和Kk+1分别为第k步和第k+1步迭代的过渡矩阵，μ为遗忘因子，μ取值为0.9，Hk+1为基于当前实时采集的输入值得出的网络隐含层输出矩阵，I为单位矩阵，βk为k步隐含层与输出层的连接权矩阵，βk+1为k+1步隐含层与输出层的连接权矩阵，Yk+1为基于当前实时采集的输出值得出的输出向量。
步骤3：采用粒子群算法进行优化计算，得出电厂除尘器最优控制参数值，将计算结果指令送给除尘器各电场执行。
其中，采用粒子群算法进行优化计算，具体步骤如下：
3-1将电厂除尘器总能耗模型的输入量进行分类，其中除尘器入口粉尘浓度、除尘器入口烟气温度、除尘器入口烟气压力、除尘器入口烟气湿度、发电机组负荷5个输入为条件因素；振打周期、除尘器电场的二次电流值为可控因素即为粒子群算法中的优化变量，该优化变量取值范围为电厂除尘器允许最大可调范围；
3-2综合考虑电除尘器实际电场数量将粒子维度设计为M，初始种群规模为N；选取电除尘器总能耗量的倒数作为粒子群算法的适应度函数，通过粒子的迭代计算，得出电厂除尘器最优控制参数值，将计算结果指令送给除尘器各电场执行。
所述粒子的迭代计算，具体步骤如下：
3-2-1将第i个粒子的飞行速度记为Vi，Vi是一个M维的向量；
3-2-2通过适应度函数比较计算出第i个粒子迄今为止搜索到的最优位置，即个体极值，记为pbest；
3-2-3通过适应度函数比较计算出整个粒子群迄今为止搜索到的最优位置，即全局极值，记为gbest；
3-2-4当找到个体极值和全局极值这两个最优值时，粒子根据如下的公式来更新自己的速度和位置，
Vi+1＝ζVi+c1r1(pbest-xi)+c2r2(gbest-xi)
xi+1＝xi+Vi+1
其中，Vi+1为第i+1粒子新的飞行速度，ζ为惯性权值，ζ为0.6，c1和c2为学习因子、也称加速常数，c1和c2均为2，r1和r2为[0，1]范围内的均匀随机数，xi为当前粒子的位置，xi+1为经过速度更新后粒子新的位置；
3-2-5将上述得到的新的粒子重新进行基于渐消记忆在线极限学习机的电厂除尘器总能耗模型的计算，经过多次粒子更新，当满足经迭代更新种群最优值变化小于阀值0.001时，迭代终止，输出的末代粒子群中的最优粒子对应的当前除尘器运行工况下的振打周期与除尘器电场的二次电流值。
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 (7)

1.一种基于渐消记忆在线极限学习机的电厂除尘器优化控制方法，其特征在于：包括以下步骤：
步骤1：采集电厂静电除尘相关可测数据，对数据进行分析处理，基于静电除尘能耗影响关键因素，确定若干基于渐消记忆在线极限学习机的电厂除尘器总能耗模型的输入量；
步骤2：建立基于渐消记忆在线极限学习机的电厂除尘器总能耗模型，预测出将来时刻的电厂除尘器总能耗值，从而为实现电厂除尘器经济运行控制提供优化模型；
步骤3：采用粒子群算法进行优化计算，得出电厂除尘器最优控制参数值，将计算结果指令送给除尘器各电场执行。
2.根据权利要求1所述的基于渐消记忆在线极限学习机的电厂除尘器优化控制方法，其特征在于：所述步骤1包括：电厂除尘器总能耗模型的关键输入量个数为7个，包括：除尘器入口粉尘浓度、除尘器入口烟气温度、除尘器入口烟气压力、除尘器入口烟气湿度、发电机组负荷、振打周期、除尘器电场的二次电流值。
3.根据权利要求1所述的基于渐消记忆在线极限学习机的电厂除尘器优化控制方法，其特征在于：所述步骤2包括：建立基于渐消记忆在线极限学习机的电厂除尘器总能耗模型，具体步骤如下：
2-1随机选取输入连接权值ω和偏置值b；
2-2选定火电机组DCS中关于电厂除尘器的部分历史数据构建网络隐含层输出矩阵H0；
2-3计算渐消记忆在线极限学习机迭代公式中的过渡矩阵K初始值K0＝H0 TH0；
其中，H0 T为网络隐含层输出矩阵H0的转置矩阵；
2-4计算隐含层与输出层的连接权初始值矩阵β0＝(K0)-1H0 TY0；
其中，(K0)-1为过渡矩阵K初始值矩阵K0的逆矩阵，Y0为所建电厂除尘器总能耗模型的初始输出向量；
2-5基于以下的渐消记忆在线极限学习机迭代计算公式计算电厂除尘器总能耗模型中各参数的实时值；
<mrow> <msubsup> <mi>K</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>=</mo> <msup> <mi>&amp;mu;</mi> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </msup> <msubsup> <mi>K</mi> <mi>k</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mo>-</mo> <msup> <mi>&amp;mu;</mi> <mrow> <mo>-</mo> <mn>4</mn> </mrow> </msup> <msubsup> <mi>K</mi> <mi>k</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <msubsup> <mi>H</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>T</mi> </msubsup> <msup> <mrow> <mo>(</mo> <mi>I</mi> <mo>+</mo> <msup> <mi>&amp;mu;</mi> <mrow> <mo>-</mo> <mn>2</mn> </mrow> </msup> <msub> <mi>H</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <msubsup> <mi>K</mi> <mi>k</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <msubsup> <mi>H</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>T</mi> </msubsup> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <msub> <mi>H</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <msubsup> <mi>K</mi> <mi>k</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> </mrow>
<mrow> <msup> <mi>&amp;beta;</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msup> <mo>=</mo> <msup> <mi>&amp;beta;</mi> <mi>k</mi> </msup> <mo>+</mo> <msubsup> <mi>K</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <msubsup> <mi>H</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>T</mi> </msubsup> <mrow> <mo>(</mo> <msub> <mi>Y</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>H</mi> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <msup> <mi>&amp;beta;</mi> <mi>k</mi> </msup> <mo>)</mo> </mrow> </mrow>
式中，Kk和Kk+1分别为第k步和第k+1步迭代的过渡矩阵，μ为遗忘因子，Hk+1为基于当前实时采集的输入值得出的网络隐含层输出矩阵，I为单位矩阵，βk为k步隐含层与输出层的连接权矩阵，βk+1为k+1步隐含层与输出层的连接权矩阵，Yk+1为基于当前实时采集的输出值得出的输出向量。
4.根据权利要求1所述的基于渐消记忆在线极限学习机的电厂除尘器优化控制方法，其特征在于：所述步骤3包括：采用粒子群算法进行优化计算，具体步骤如下：
3-1将电厂除尘器总能耗模型的输入量进行分类，其中除尘器入口粉尘浓度、除尘器入口烟气温度、除尘器入口烟气压力、除尘器入口烟气湿度、发电机组负荷5个输入为条件因素；振打周期、除尘器电场的二次电流值为可控因素即为粒子群算法中的优化变量，该优化变量取值范围为电厂除尘器允许最大可调范围；
3-2综合考虑电除尘器实际电场数量将粒子维度设计为M，初始种群规模为N；选取电除尘器总能耗量的倒数作为粒子群算法的适应度函数，通过粒子的迭代计算，得出电厂除尘器最优控制参数值，将计算结果指令送给除尘器各电场执行。
5.根据权利要求4所述的基于渐消记忆在线极限学习机的电厂除尘器优化控制方法，其特征在于：所述粒子的迭代计算，具体步骤如下：
3-2-1将第i个粒子的飞行速度记为Vi，Vi是一个M维的向量；
3-2-2通过适应度函数比较计算出第i个粒子迄今为止搜索到的最优位置，即个体极值，记为pbest；
3-2-3通过适应度函数比较计算出整个粒子群迄今为止搜索到的最优位置，即全局极值，记为gbest；
3-2-4当找到个体极值和全局极值这两个最优值时，粒子根据如下的公式来更新自己的速度和位置，
Vi+1＝ζVi+c1r1(pbest-xi)+c2r2(gbest-xi)
xi+1＝xi+Vi+1
其中，Vi+1为第i+1粒子新的飞行速度，ζ为惯性权值，c1和c2为学习因子、也称加速常数，r1和r2为[0，1]范围内的均匀随机数，xi为当前粒子的位置，xi+1为经过速度更新后粒子新的位置；
3-2-5将上述得到的新的粒子重新进行基于渐消记忆在线极限学习机的电厂除尘器总能耗模型的计算，经过多次粒子更新，当满足经迭代更新种群最优值变化小于阀值0.001时，迭代终止，输出的末代粒子群中的最优粒子对应的当前除尘器运行工况下的振打周期与除尘器电场的二次电流值。
6.根据权利要求3所述的基于渐消记忆在线极限学习机的电厂除尘器优化控制方法，其特征在于：所述步骤2中μ取值为0.9。
7.根据权利要求4所述的基于渐消记忆在线极限学习机的电厂除尘器优化控制方法，其特征在于：所述步骤3中ζ为0.6，c1和c2均为2。
CN201711110877.6A 2017-11-09 2017-11-09 基于渐消记忆在线极限学习机的电厂除尘器优化控制方法 Pending CN107797456A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711110877.6A CN107797456A (zh) 2017-11-09 2017-11-09 基于渐消记忆在线极限学习机的电厂除尘器优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711110877.6A CN107797456A (zh) 2017-11-09 2017-11-09 基于渐消记忆在线极限学习机的电厂除尘器优化控制方法

Publications (1)

Publication Number Publication Date
CN107797456A true CN107797456A (zh) 2018-03-13

Family

ID=61534936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711110877.6A Pending CN107797456A (zh) 2017-11-09 2017-11-09 基于渐消记忆在线极限学习机的电厂除尘器优化控制方法

Country Status (1)

Country Link
CN (1) CN107797456A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109225640A (zh) * 2018-10-15 2019-01-18 厦门邑通软件科技有限公司 一种智慧化电除尘节能方法
CN109343342A (zh) * 2018-11-23 2019-02-15 江苏方天电力技术有限公司 基于遗传算法的电除尘器节能优化方法和系统
CN112068577A (zh) * 2020-09-24 2020-12-11 哈尔滨工程大学 一种uuv集群中uuv个体的绿色动态控位方法
CN112503746A (zh) * 2020-12-09 2021-03-16 上海安悦节能技术有限公司 基于机器学习与粒子群算法的动力站房冷源系统的控制方法
CN114114921A (zh) * 2021-11-26 2022-03-01 华能平凉发电有限责任公司 一种除尘电源的控制方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101393453A (zh) * 2008-11-04 2009-03-25 江苏方天电力技术有限公司 火力发电机组能耗实时监测系统
CN101940868A (zh) * 2009-07-06 2011-01-12 王向明 一种工业烟气处理的方法和系统
CN103675629A (zh) * 2013-12-31 2014-03-26 武汉大学 基于电场特征量的电极起晕电压预测方法
CN106096106A (zh) * 2016-06-03 2016-11-09 江苏科技大学 静电除尘用高频高压变压器优化设计方法
CN106355980A (zh) * 2016-10-27 2017-01-25 江苏方天电力技术有限公司 一种基于限定记忆极限学习机的电网调节能力预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101393453A (zh) * 2008-11-04 2009-03-25 江苏方天电力技术有限公司 火力发电机组能耗实时监测系统
CN101940868A (zh) * 2009-07-06 2011-01-12 王向明 一种工业烟气处理的方法和系统
CN103675629A (zh) * 2013-12-31 2014-03-26 武汉大学 基于电场特征量的电极起晕电压预测方法
CN106096106A (zh) * 2016-06-03 2016-11-09 江苏科技大学 静电除尘用高频高压变压器优化设计方法
CN106355980A (zh) * 2016-10-27 2017-01-25 江苏方天电力技术有限公司 一种基于限定记忆极限学习机的电网调节能力预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄治军等: "基于在线极限学习的电厂除尘器节能控制研究", 《机电信息》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109225640A (zh) * 2018-10-15 2019-01-18 厦门邑通软件科技有限公司 一种智慧化电除尘节能方法
CN110624696A (zh) * 2018-10-15 2019-12-31 厦门邑通软件科技有限公司 一种智慧化电除尘节能方法
WO2020078008A1 (zh) * 2018-10-15 2020-04-23 厦门邑通软件科技有限公司 一种智慧化电除尘节能方法
CN110624696B (zh) * 2018-10-15 2021-05-28 厦门邑通软件科技有限公司 一种智慧化电除尘节能方法
CN109343342A (zh) * 2018-11-23 2019-02-15 江苏方天电力技术有限公司 基于遗传算法的电除尘器节能优化方法和系统
CN112068577A (zh) * 2020-09-24 2020-12-11 哈尔滨工程大学 一种uuv集群中uuv个体的绿色动态控位方法
CN112503746A (zh) * 2020-12-09 2021-03-16 上海安悦节能技术有限公司 基于机器学习与粒子群算法的动力站房冷源系统的控制方法
CN112503746B (zh) * 2020-12-09 2022-06-24 上海安悦节能技术有限公司 基于机器学习与粒子群算法的动力站房冷源系统的控制方法
CN114114921A (zh) * 2021-11-26 2022-03-01 华能平凉发电有限责任公司 一种除尘电源的控制方法及装置

Similar Documents

Publication Publication Date Title
CN107797456A (zh) 基于渐消记忆在线极限学习机的电厂除尘器优化控制方法
CN104836259B (zh) 一种多能源船舶微网实时能量优化调度方法
CN110956314B (zh) 一种基于改进型粒子群算法的混合储能系统容量规划方法
CN105550766A (zh) 一种含可再生能源的微网鲁棒多目标运行优化方法
CN107104454A (zh) 计及电动汽车功率可调控域的最优潮流节点电价计算方法
CN104037776B (zh) 随机惯性因子粒子群优化算法的电网无功容量配置方法
CN106091239A (zh) 一种基于大型建筑空调负荷集群的电网一次调频方法
CN102855412A (zh) 一种风电功率预测方法及其装置
CN105225022A (zh) 一种热电联产型微电网的经济性优化运行方法
CN110866636A (zh) 一种综合考虑电动汽车充电站及分布式能源的微电网规划方法
CN112018762B (zh) 一种考虑输配协同含无功电压约束的电动汽车充电优化调度方法
CN112668791A (zh) 热电联供系统的优化方法
CN107403244A (zh) 基于人工神经网络改进灰色模型的短期风速预测方法
CN110097217A (zh) 一种基于等效rc模型的建筑动态室温预测方法
CN114492941A (zh) 一种基于集群划分和数据增强的整县光伏预测方法
CN106355980A (zh) 一种基于限定记忆极限学习机的电网调节能力预测方法
CN106779254A (zh) 一种含分布式电源的充电站规划方法
CN108537370A (zh) 基于混合智能降维算法的特大流域水电站群优化调度方法
CN105937823A (zh) 一种地源热泵控制方法及系统
CN112132379A (zh) 考虑经济性的新能源跨区域消纳评估方法和存储介质
CN114741960A (zh) 一种综合能源经济环境调度优化方法及系统
CN116596340A (zh) 具有工况适应性的船舶综合能源系统能量管理策略
CN111401659A (zh) 一种基于案例推理的超短期或短期光伏发电功率预测方法
CN109950933B (zh) 一种基于改进粒子群算法的风光储联合调峰优化方法
CN107844053A (zh) 一种楼宇级冷热电联供系统主动能源供应方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180313

RJ01 Rejection of invention patent application after publication