CN108363838A - 基于atpso-svm模型的静电除尘器中温度效应预测方法 - Google Patents
基于atpso-svm模型的静电除尘器中温度效应预测方法 Download PDFInfo
- Publication number
- CN108363838A CN108363838A CN201810048887.XA CN201810048887A CN108363838A CN 108363838 A CN108363838 A CN 108363838A CN 201810048887 A CN201810048887 A CN 201810048887A CN 108363838 A CN108363838 A CN 108363838A
- Authority
- CN
- China
- Prior art keywords
- atpso
- formula
- temperature
- point
- 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.)
- Granted
Links
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Electrostatic Separation (AREA)
Abstract
本发明涉及一种基于ATPSO‑SVM模型的静电除尘器中温度效应预测方法,包括:建立了高温线板式ESP多场耦合理论模型,数值模拟了不同粒径下高温ESP的除尘效率;建立了ATPSO‑SVM预测模型,结合仿真数据对ESP中不同粒径下的温度效应进行预测,并将ATPSO‑SVM预测结果与仿真数据进行对比。与现有技术相比,本发明为探索温度效应对高温线板式ESP捕集效率的影响提供理论依据,同时也为准确预测高温线板式ESP温度效应提供模型依据,并为进一步提升高温线板式ESP捕集性能提供了技术参考。
Description
技术领域
本发明涉及一种静电除尘器中温度效应预测方法,尤其是涉及一种基于ATPSO-SVM模型的静电除尘器中温度效应预测方法。
背景技术
PM2.5是指大气中直径小于或等于2.5μm的颗粒物,PM2.5的大量排放会严重影响空气能见度并对人体健康造成极大的危害。火电厂中未完全净化的烟气是PM2.5的主要来源之一,目前,在能源化工行业中,高温静电除尘技术是行业的关键和需要克服的重要技术难题,如何提升高温ESP对PM2.5的除尘性能已成为当前除尘领域研究的热点和难点。目前,国内外学者对高温下ESP除尘特性的研究主要集中在实验方面,相关的数值仿真研究鲜见开展,而基于ATPSO-SVM预测模型的不同粒径下ESP温度效应预测更是处于空白状态。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于ATPSO-SVM模型的静电除尘器中温度效应预测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于ATPSO-SVM模型的静电除尘器中温度效应预测方法,包括:
建立了高温线板式ESP多场耦合理论模型,数值模拟了不同粒径下高温ESP的除尘效率;
建立了ATPSO-SVM预测模型,结合仿真数据对ESP中不同粒径下的温度效应进行预测,并将ATPSO-SVM预测结果与仿真数据进行对比。
优选地,所述的高温线板式ESP多场耦合理论模型为基于流场、电场、颗粒动力场和温度场的多场耦合数值模型。
优选地,所述的流场具体为:
静电除尘器内的烟气流动满足质量守恒方程和动量守恒方程,分别表示为:
式中,ρg为烟气密度,kg/m3;ui和uj为气体速度,m·s-1;P为气体平均静压,Pa;μeff为有效扩散系数,μeff=μ+μt;μt为湍流动力粘性系数,kg/(m·s);FDj是空气动力学拖曳力,N;ρ是电荷密度,C/m3;Ej为电场强度,V/m。
优选地,所述的电场具体为:
对于线板式静电除尘器,在电晕稳定放电情况下,忽略磁效应,由Poisson方程和电流连续性方程电场分布进行描述,公式如下:
式中,U为电势,V;ε0为真空介电常数;为电流密度矢量,可分为x,y方向的分量,各分量的单位为A/m2。
优选地,所述的颗粒动力场具体为:
对于PM2.5颗粒而言,由于其体积较小,计算时忽略重力、压差力、Saffman力等,则颗粒的运动方程写为:
式中:mp为粉尘颗粒的质量,kg;uj为颗粒物速度,m·s-1;Fi、Fe分别为电场力和离子风力,N。
优选地,所述的温度场具体为:
温度是影响静电除尘性能的重要因素之一,通过直接影响烟气的密度、动力粘度的物性参数,进而影响烟气在静电除尘器中的流动状态,烟气的物性参数随温度的变化公式,分别写为:
ρgk=Mgk/Vgk
lnμk=b1k+b2klnTk+b3k(lnTk)2+b4k(lnTk)3
式中的各符号均表示温度为Tk时的值;其中,Mgk为空气质量,kg;Vgk为空气体积,m3;bik为待取系数,i=1,2,3,4。
优选地,所述的ATPSO-SVM预测模型具体为:
ATPSO通过引进第3个目标点使第k代粒子的位置不完全受种群历史最优位置和粒子历史最优位置所控制,这里将称为活跃目标点;
下式给出了ATPSO速度更新公式
式中,为学习因子;均为[0,1]之间的随机数;是第i粒子在第k次迭代中的第n维速度;是第i粒子在第k+1次迭代中的第n维速度,限定于中;是粒子i在第k次迭代中第n维的位置;是粒子i的历史最优点,是种群的历史最优点;
确定活跃目标点之后,通过简化复合求得目标点位置,这进一步提高了搜索能力,具体实施步骤如下;
首先,采用下式在邻域内进行随机搜索,取其作为试用活跃目标点的初值
式中,是[-0.1,0.1]之间的随机数;为最大可行域范围;
其次,将试用活跃目标点初值、粒子i的历史最优点和种群的历史最优点组成一个复合形,在三点中挑出最坏点公式写为
若最坏点为则根据下式求出另外两点的中点即有
将求得的最坏点映射,获得映射点xR,公式如下
式中,λ为映射系数,取λ=1.3~0.5递减;
最后,将确定的映射点作为活跃目标点的位置,即为了提高搜索效率,若最坏点映射失败,则直接令而不重复以上过程求取活跃目标点;ATPSO算法则是通过改变粒子更新速度得到更优的个体、全局最优位置,达到优化SVM惩罚参数以及核函数参数的功能,从而建立了ATPSO-SVM预测模型。
与现有技术相比,不同粒径下,除尘效率均随着温度的增加而逐步降低,本发明通过ATPSO-SVM模型所得预测值曲线与仿真数据曲线变化规律基本相同,这说明在不同粒径下的温度效应预测中,本发明模型能较好地反映1.0μm颗粒的除尘效率随温度变化的规律。分析结果为探索温度效应对高温线板式ESP捕集效率的影响提供理论依据,同时也为准确预测高温线板式ESP温度效应提供模型依据,并为进一步提升高温线板式ESP捕集性能提供了技术参考。
附图说明
图1为SVM非线性组合预测结构图;
图2为ATPSO-SVM预测流程图;
图3为线板式ESP电场结构示意图;
图4为不同粒径颗粒除尘效率随温度的变化曲线图;
图5为除尘效率ATPSO-SVM模型预测值与仿真数据的对比曲线图;
图6为除尘效率ATPSO-SVM模型预测值的相对误差曲线图;
图7为除尘效率ATPSO-SVM模型预测值的45°直线对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
本发明结合国内外ESP相关理论和实际应用,在建立高温线板式ESP多场耦合理论模型和ATPSO-SVM模型的基础上,数值模拟了不同粒径下高温ESP的除尘效率,并结合仿真数据和ATPSO-SVM预测模型对ESP不同粒径下的温度效应进行了预测,为准确预测高温线板式ESP温度效应提供了模型依据。通过建立优化的模型实现ESP除尘效率的预测,可快速确定火电厂中静电除尘器运行参数,并为进一步提升高温线板式ESP捕集性能提供了技术参考。
1理论模型
1.1多场耦合理论模型
1.1.1流场
静电除尘器内的烟气流动满足质量守恒方程和动量守恒方程,可分别表示为:
式中,ρg为烟气密度,kg/m3;ui和uj为气体速度,m·s-1;P为气体平均静压,Pa;μeff为有效扩散系数,μeff=μ+μt;μt为湍流动力粘性系数,kg/(m·s);FDj是空气动力学拖曳力,N;ρ是电荷密度,C/m3;E为电场强度,V/m。
1.1.2电场
对于线板式静电除尘器,在电晕稳定放电情况下,忽略磁效应,可由Poisson方程和电流连续性方程电场分布进行描述,公式如下:
式中,U为电势,V;ε0为真空介电常数;为电流密度矢量,可分为x,y方向的分量,各分量的单位为A/m2;
1.1.3颗粒动力场
对于PM2.5颗粒而言,由于其体积较小,计算时可忽略重力、压差力、Saffman力等,则颗粒的运动方程可写为:
式中:mp为粉尘颗粒的质量,kg;uj为颗粒物速度,m·s-1;Fi、Fe分别为电场力和离子风力,N。
1.1.4温度场
温度是影响静电除尘性能的重要因素之一,通过直接影响烟气的密度、动力粘度等物性参数,进而影响烟气在静电除尘器中的流动状态。烟气的物性参数随温度的变化公式,可分别写为:
ρgk=Mgk/Vgk (6)
lnμk=b1k+b2klnTk+b3k(lnTk)2+b4k(lnTk)3 (7)
式中的各符号均表示温度为Tk时的值。其中,Mgk为空气质量,kg;Vgk为空气体积,m3;bik为待取系数。本文中给定的温度场在ESP空间内假定是均匀分布的且不随时间变化,不涉及到温度场方程组的求解计算。
1.2ATPSO-SVM预测模型
SVM是在统计学理论基础上发展起来的算法,是一种专门针对有限样本预测的学习方法。
1)基本原理
假定维数为l的训练样本{(xi,yi)},i=1,2,...,l,其中y由样本的类型所决定。当样本为线性时,y=1。而当样本为非线性时,y=-1。对模型进行学习的目标是确定出一个决策函数,尽可能实现测试数据的正确分类。在实际工程应用中,所处理的试验数据往往具有非线性的特点。因此,当SVM的训练样本为非线性时,需要通过一个非线性函数实现训练集中数据x的高维线性空间特征映射,在这个维数可能为无穷大的线性空间中构造一个最优分类超平面,进而得到分类器所用的决策函数。
2)支持向量机的核函数
核函数作为决定SVM对非线性数据处理能力的主要因素,具有以下特点:当输入样本为多输入对应单输出时,对于任意的函数以及有
式中,对应特征空间中的一个内积。
具体的SVM非线性组合预测结构图如图1所示。
综上所述,SVM模型具有结构简单,学习速度快等优点。
ATPSO通过引进第3个目标点使第k代粒子的位置不完全受种群历史最优位置和粒子历史最优位置所控制,这里将称为活跃目标点。
式(10)给出了ATPSO速度更新公式
式中,为学习因子;均为[0,1]之间的随机数;是第i粒子在第k次迭代中的第n维速度;是第i粒子在第k+1次迭代中的第n维速度,通常限定于中;是粒子i在第k次迭代中第n维的位置;是粒子i的历史最优点,是种群的历史最优点。
确定活跃目标点之后,通过简化复合求得目标点位置,这进一步提高了搜索能力,具体实施步骤如下。
首先,采用下式在邻域内进行随机搜索,取其作为试用活跃目标点的初值
式中,是[-0.1,0.1]之间的随机数;为最大可行域范围。
其次,将试用活跃目标点初值、粒子i的历史最优点和种群的历史最优点组成一个复合形,在三点中挑出最坏点公式可写为
若最坏点为则根据下式求出另外两点的中点即有
将求得的最坏点映射,获得映射点xR,公式如下
式中,λ为映射系数,一般取λ=1.3~0.5递减。
最后,将确定的映射点作为活跃目标点的位置,即为了提高搜索效率,若最坏点映射失败,则直接令而不重复以上过程求取活跃目标点。ATPSO算法则是通过改变粒子更新速度得到更优的个体、全局最优位置,达到优化SVM惩罚参数以及核函数参数的功能,从而建立了ATPSO-SVM预测模型。
结合以上步骤,这里给出ATPSO-SVM模型预测流程图,见图2。
优化的ATPSO-SVM预测模型为本发明独创,并首次应用于预测静电除尘器中温度效应。
2ESP物理模型
图3给出了一组线板式ESP电场结构示意图。假设X轴为气体水平流动方向,Y轴为垂直于气体水平流动的方向,Z轴为静电除尘器的竖直高度方向,其参数分别为:电晕线到收尘极板距离b=114.3mm;电晕线间距C=152.4mm;电晕极半径rw(plate)=2.032mm。基于其电场和结构的对称性,在本文的建模和计算中只取电晕极一侧的电场空间进行计算。
3不同粒径下的温度效应的仿真与预测
本发明通过不同粒径下温度对除尘效率的影响来反映温度效应的作用,具体的仿真与预测结果如下。
3.1不同粒径下温度对粉尘颗粒除尘效率的影响
为了考察不同粒径下温度对粉尘颗粒捕集性能的影响,在固定工况(烟气流速0.5m/s,工作电压50kV)下,可数值模拟得到0.1μm、2.5μm、4.9μm三种粒径颗粒的除尘效率随温度的变化规律,如图4所示。
可以发现:
1)随着温度的升高,不同粒径颗粒的除尘效率均呈非线性降低的趋势,且逐渐趋于平稳;
2)随着温度的升高,对比0.1μm、2.5μm、4.9μm三种粒径颗粒,可以发现0.1μm颗粒的除尘效率变化幅度较大,这表明温度对小粒径颗粒除尘效率的影响更为明显;
3)同一温度下,随着粒径增大,除尘效率随之而增大,但其增幅随之降低;
4)相邻不同粒径颗粒除尘效率曲线的差值随着温度的增大而不断增大,这说明颗粒粒径对除尘效率的影响效果随着温度的增加而不断提高。
3.2基于优化的ATPSO-SVM模型的温度效应预测
选用不同单种粒径颗粒(0.1μm、2.5μm、4.9μm)和不同温度(298K、373K、473K、573K、673K、873K、973K、1073K)下的除尘效率作为训练数据,即图4中的仿真数据。基于该训练数据,采用ATPSO-SVM模型对不同温度下1.0μm颗粒的除尘效率进行预测,并将模型的预测结果与仿真数据进行对比,如图5所示。
可以发现:模型所得预测值曲线与仿真数据曲线变化规律基本相同,这说明在不同粒径下的温度效应预测中,预测模型能较好地反映1.0μm颗粒的除尘效率随温度变化的规律。
结合图5中的数据,可计算得到ATPSO-SVM的相对误差,如图6所示,不难看出:ATPSO-SVM预测值的相对误差均在0.5%以内,这表明ATPSO-SVM模型的预测精度较高。
基于图6中的数据,可作出ATPSO-SVM预测值的45°直线对比图,如图7所示。从图中不难发现:ATPSO-SVM预测值总体十分接近45°直线,证实了ATPSO-SVM预测精度较高。
由此可见,本发明中基于ATPSO-SVM模型的静电除尘器中不同粒径下温度效应预测方法是切实可行的。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于ATPSO-SVM模型的静电除尘器中温度效应预测方法,其特征在于,包括:
建立了高温线板式ESP多场耦合理论模型,数值模拟了不同粒径下高温ESP的除尘效率;
建立了ATPSO-SVM预测模型,结合仿真数据对ESP中不同粒径下的温度效应进行预测,并将ATPSO-SVM预测结果与仿真数据进行对比。
2.根据权利要求1所述的方法,其特征在于,所述的高温线板式ESP多场耦合理论模型为基于流场、电场、颗粒动力场和温度场的多场耦合数值模型。
3.根据权利要求2所述的方法,其特征在于,所述的流场具体为:
静电除尘器内的烟气流动满足质量守恒方程和动量守恒方程,分别表示为:
式中,ρg为烟气密度,kg/m3;ui和uj为气体速度,m·s-1;P为气体平均静压,Pa;μeff为有效扩散系数,μeff=μ+μt;μt为湍流动力粘性系数,kg/(m·s);FDj是空气动力学拖曳力,N;ρ是电荷密度,C/m3;Ej为电场强度,V/m。
4.根据权利要求2所述的方法,其特征在于,所述的电场具体为:
对于线板式静电除尘器,在电晕稳定放电情况下,忽略磁效应,由Poisson方程和电流连续性方程电场分布进行描述,公式如下:
式中,U为电势,V;ε0为真空介电常数;为电流密度矢量,可分为x,y方向的分量,各分量的单位为A/m2。
5.根据权利要求2所述的方法,其特征在于,所述的颗粒动力场具体为:
对于PM2.5颗粒而言,由于其体积较小,计算时忽略重力、压差力、Saffman力等,则颗粒的运动方程写为:
式中:mp为粉尘颗粒的质量,kg;uj为颗粒物速度,m·s-1;Fi、Fe分别为电场力和离子风力,N。
6.根据权利要求2所述的方法,其特征在于,所述的温度场具体为:
温度是影响静电除尘性能的重要因素之一,通过直接影响烟气的密度、动力粘度的物性参数,进而影响烟气在静电除尘器中的流动状态,烟气的物性参数随温度的变化公式,分别写为:
ρgk=Mgk/Vgk
lnμk=b1k+b2klnTk+b3k(lnTk)2+b4k(lnTk)3
式中的各符号均表示温度为Tk时的值;其中,Mgk为空气质量,kg;Vgk为空气体积,m3;bik为待取系数,i=1,2,3,4。
7.根据权利要求2所述的方法,其特征在于,所述的ATPSO-SVM预测模型具体为:
ATPSO通过引进第3个目标点使第k代粒子的位置不完全受种群历史最优位置和粒子历史最优位置所控制,这里将称为活跃目标点;
下式给出了ATPSO速度更新公式
式中,为学习因子;均为[0,1]之间的随机数;是第i粒子在第k次迭代中的第n维速度;是第i粒子在第k+1次迭代中的第n维速度,限定于中;是粒子i在第k次迭代中第n维的位置;是粒子i的历史最优点,是种群的历史最优点;
确定活跃目标点之后,通过简化复合求得目标点位置,这进一步提高了搜索能力,具体实施步骤如下;
首先,采用下式在邻域内进行随机搜索,取其作为试用活跃目标点的初值
式中,是[-0.1,0.1]之间的随机数;为最大可行域范围;
其次,将试用活跃目标点初值、粒子i的历史最优点和种群的历史最优点组成一个复合形,在三点中挑出最坏点公式写为
若最坏点为则根据下式求出另外两点的中点即有
将求得的最坏点映射,获得映射点xR,公式如下
式中,λ为映射系数,取λ=1.3~0.5递减;
最后,将确定的映射点作为活跃目标点的位置,即为了提高搜索效率,若最坏点映射失败,则直接令而不重复以上过程求取活跃目标点;ATPSO算法则是通过改变粒子更新速度得到更优的个体、全局最优位置,达到优化SVM惩罚参数以及核函数参数的功能,从而建立了ATPSO-SVM预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810048887.XA CN108363838B (zh) | 2018-01-18 | 2018-01-18 | 基于atpso-svm模型的静电除尘器中温度效应预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810048887.XA CN108363838B (zh) | 2018-01-18 | 2018-01-18 | 基于atpso-svm模型的静电除尘器中温度效应预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108363838A true CN108363838A (zh) | 2018-08-03 |
CN108363838B CN108363838B (zh) | 2021-10-08 |
Family
ID=63006612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810048887.XA Active CN108363838B (zh) | 2018-01-18 | 2018-01-18 | 基于atpso-svm模型的静电除尘器中温度效应预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108363838B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114798659A (zh) * | 2022-04-18 | 2022-07-29 | 中冶赛迪重庆信息技术有限公司 | 一种多点除尘系统的协同除尘方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104143037A (zh) * | 2013-05-10 | 2014-11-12 | 北京圣涛平试验工程技术研究院有限责任公司 | 航天器器件位移损伤失效率测算方法 |
CN104820747A (zh) * | 2015-05-06 | 2015-08-05 | 北京航空航天大学 | 一种基于仿真的dc-dc开关电源故障预测方法 |
US20170078221A1 (en) * | 2015-09-16 | 2017-03-16 | Sas Institute Inc. | Computer-implemented system for modeling an allocated resource |
CN106682682A (zh) * | 2016-10-20 | 2017-05-17 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN106951603A (zh) * | 2017-02-28 | 2017-07-14 | 上海电力学院 | 基于power函数的pm2.5捕集效率贡献率曲线拟合方法 |
CN106980710A (zh) * | 2017-02-28 | 2017-07-25 | 上海电力学院 | Esp工作电压贡献率与磁感应强度曲线拟合方法 |
-
2018
- 2018-01-18 CN CN201810048887.XA patent/CN108363838B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143037A (zh) * | 2013-05-10 | 2014-11-12 | 北京圣涛平试验工程技术研究院有限责任公司 | 航天器器件位移损伤失效率测算方法 |
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 |
CN104820747A (zh) * | 2015-05-06 | 2015-08-05 | 北京航空航天大学 | 一种基于仿真的dc-dc开关电源故障预测方法 |
US20170078221A1 (en) * | 2015-09-16 | 2017-03-16 | Sas Institute Inc. | Computer-implemented system for modeling an allocated resource |
CN106682682A (zh) * | 2016-10-20 | 2017-05-17 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN106951603A (zh) * | 2017-02-28 | 2017-07-14 | 上海电力学院 | 基于power函数的pm2.5捕集效率贡献率曲线拟合方法 |
CN106980710A (zh) * | 2017-02-28 | 2017-07-25 | 上海电力学院 | Esp工作电压贡献率与磁感应强度曲线拟合方法 |
Non-Patent Citations (4)
Title |
---|
G.C. BETONICO: "DeterminationofthetemperaturedistributionofESPmotors under variableconditionsof flowrateandloading", 《JOURNAL OFPETROLEUMSCIENCEANDENGINEERING》 * |
张英男: "改进的粒子群优化算法(APSO和DPSO)研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李艳: "温度对静电除尘器内颗粒受力影响的数值模拟", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
王亮: "基于LS-SVM 对耐高温滤料过滤效率的预测研究", 《建筑热能通风空调》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114798659A (zh) * | 2022-04-18 | 2022-07-29 | 中冶赛迪重庆信息技术有限公司 | 一种多点除尘系统的协同除尘方法 |
CN114798659B (zh) * | 2022-04-18 | 2023-05-12 | 中冶赛迪信息技术(重庆)有限公司 | 一种多点除尘系统的协同除尘方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108363838B (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nikas et al. | Numerical simulation of the flow and the collection mechanisms inside a laboratory scale electrostatic precipitator | |
Brownstein et al. | Performance enhancement of downstream vertical-axis wind turbines | |
Wang et al. | Insights into the role of ionic wind in honeycomb electrostatic precipitators | |
Horenstein et al. | Modeling of trajectories in an electrodynamic screen for obtaining maximum particle removal efficiency | |
Farnoosh et al. | 3-D numerical simulation of particle concentration effect on a single-wire ESP performance for collecting poly-dispersed particles | |
Ernst et al. | A lattice Boltzmann method for simulating transport and agglomeration of resolved particles | |
Varonos et al. | Prediction of the cleaning efficiency of an electrostatic precipitator | |
CN108372026B (zh) | 基于bp神经网络的静电除尘器中磁场效应预测方法 | |
CN104785374B (zh) | 一种电除尘器性能检测方法及装置 | |
Kanda et al. | Momentum and heat transfer over urban-like surfaces | |
CN106951603A (zh) | 基于power函数的pm2.5捕集效率贡献率曲线拟合方法 | |
CN106980710A (zh) | Esp工作电压贡献率与磁感应强度曲线拟合方法 | |
Zhang et al. | Influence factors in contamination process of XP‐160 insulators based on computational fluid mechanics | |
Zhang et al. | Prediction of urban pm 2.5 concentration based on wavelet neural network | |
CN108363838A (zh) | 基于atpso-svm模型的静电除尘器中温度效应预测方法 | |
Jiang et al. | Dust contamination on surface of transmission line insulators in air-polluted regions in China: statistical characteristics, adhesion mechanism, and environmental impact factors | |
HASSANZADEH et al. | Dispersion and deposition of micro particles over two square obstacles in a channel via hybrid lattice Boltzmann method and discrete phase model | |
Gillies et al. | Changes in the saltation flux following a step‐change in macro‐roughness | |
Shuyang et al. | An actively controlled wind tunnel and its application to the reproduction of the atmospheric boundary layer | |
Huang et al. | Flow field distribution around insulator and contamination uneven characteristic of insulator | |
CN117634336A (zh) | 一种有载分接开关绝缘油中金属颗粒运动分析方法及系统 | |
Hu et al. | Research on dust deposition of PV modules based on three-dimensional numerical simulation and its application in installation parameter optimization | |
Zhang et al. | A numerical simulation of diffusion charging effect on collection efficiency in wire-plate electrostatic precipitators | |
Feng et al. | A critical review of models used in numerical simulation of electrostatic precipitators | |
CN110516351A (zh) | 一种基于绝缘子积污特性的双串绝缘子悬挂角度优化方法 |
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 |