CN109046021B - 一种强自适应能力的scr系统精确喷氨控制方法 - Google Patents
一种强自适应能力的scr系统精确喷氨控制方法 Download PDFInfo
- Publication number
- CN109046021B CN109046021B CN201810796229.9A CN201810796229A CN109046021B CN 109046021 B CN109046021 B CN 109046021B CN 201810796229 A CN201810796229 A CN 201810796229A CN 109046021 B CN109046021 B CN 109046021B
- Authority
- CN
- China
- Prior art keywords
- miso
- scr system
- prediction model
- ammonia injection
- prediction
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/86—Catalytic processes
- B01D53/8621—Removing nitrogen compounds
- B01D53/8625—Nitrogen oxides
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/86—Catalytic processes
- B01D53/8696—Controlling the catalytic process
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
- B01D53/86—Catalytic processes
- B01D53/90—Injecting reactants
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2251/00—Reactants
- B01D2251/20—Reductants
- B01D2251/206—Ammonium compounds
- B01D2251/2062—Ammonia
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2258/00—Sources of waste gases
- B01D2258/02—Other waste gases
- B01D2258/0283—Flue gases
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Analytical Chemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Treating Waste Gases (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种强自适应能力的SCR系统精确喷氨控制方法,步骤为:采集历史连续时间段内机组多维运行特性数据;建立与目标机组运行特性相匹配的MISO预测模型,包括:根据主成分分析方法在上述采集的机组多维运行特性数据中锁定影响目标机组SCR系统入口NOx浓度的关键运行参数;根据锁定的关键运行参数及入口NOx浓度历史运行数据,建立基于支持向量机与神经网络模型的并行MISO预测模型;根据建立的MISO预测模型对喷氨量进行控制;根据目标机组的运行数据,对MISO预测模型进行在线自更新,以尽可能逼近SCR系统运行特性的MISO预测控制模型指导高精度喷氨控制。本发明方法可实现SCR系统强适应性、准确的高精度喷氨自动控制,显著压缩出口NOx浓度的波动特性,降低氨逃逸水平。
Description
技术领域
本发明涉及一种强自适应能力的SCR系统精确喷氨控制方法,属于热能动力工程与热工过程控制技术领域。
背景技术
选择性催化还原(Selective Catalyst Reduction,SCR)脱硝已经成为国内外燃煤机组最广泛应用的烟气脱硝技术,近年来国家颁布了更加严苛的氮氧化物排放标准,全国各地的超低排放改造工作大规模开展。超低排放改造完成后,SCR系统出口NOx浓度调整区间显著压缩,单纯依靠传统的PID进行调节,难以克服系统的非线性、大迟滞特性,出口NOx浓度排放普遍呈现出了排放浓度波动大、定值控制精度低的特点。
国内已公开了相关进步性的SCR系统喷氨自动控制技术方法,诸如多级前馈/反馈引入控制、复合模式识别控制、神经网络预测控制、支持向量机预测控制、变PID控制、模糊PID控制等,已取得了一定的应用经验。但是总体看来,当前现有的控制策略将预测值直接作为参与控制的输入量,此类参与控制的方法欠合理;预测控制的数据来源相对简单,运行数据采样容量有待于进一步扩展,以免遗漏重要的影响因素;现场运行数据的预处理相对简单,导致测量值失真工况下的控制精度较低;所应用的预测控制模型相对单一,预测误差相对较大;所使用的控制模型参数是固定不变的,难以适应机组运行特性随时间的迁移。因此,超低排放改造形势下燃煤电站SCR系统喷氨自动控制仍有较大的优化空间。
对此,本发明公开一种强自适应能力的SCR系统精确喷氨控制方法,通过开展历史连续时间段内机组多维运行数据的采集与处理、与目标机组运行特性相匹配的MISO预测模型离线获取、具备强自适应能力的SCR系统精确喷氨控制方法集成、MISO预测模型在线自更新开发四方面的技术内容,实现SCR系统强适应性、准确的高精度喷氨自动控制,显著压缩出口NOx浓度的波动特性,降低氨逃逸水平。
发明内容
技术问题:为进一步解决当前SCR系统喷氨技术存在的不足,本发明提供一种强自适应能力的SCR系统精确喷氨控制方法,实现SCR系统准确的高精度喷氨自动控制,显著压缩出口NOx浓度的波动特性,降低氨逃逸水平。
技术方案:为实现上述目的,本发明采用的技术方案是:
一种强自适应能力的SCR系统精确喷氨控制方法,其特征在于,步骤为:
步骤1:采集历史连续时间段内机组多维运行特性数据;其中机组多维运行特性数据包括目标机组不同关键设备的运行数据;
步骤2:建立与目标机组运行特性相匹配的MISO预测模型,包括:
21)根据主成分分析方法在步骤1采集的机组多维运行特性数据中锁定影响目标机组SCR系统入口NOx浓度的关键运行参数;
21)根据锁定的关键运行参数及入口NOx浓度历史运行数据,建立基于支持向量机与神经网络模型的并行MISO预测模型;
步骤3:根据步骤2建立的MISO预测模型对喷氨量进行控制,包括:
31)、利用步骤21)建立的MISO预测模型修正入口NOx浓度;
32)、根据步骤31)预测获得的修正入口NOx浓度,控制喷氨量。
步骤4:根据目标机组的运行数据,对MISO预测模型进行在线自更新,以尽可能逼近SCR系统运行特性的MISO预测控制模型指导高精度喷氨控制。
所述步骤2中的并行MISO预测模型为:
步骤31)中,修正后入口NOx浓度为:
其中:为t时刻的喷氨量;为SCR系统的氨氮摩尔比;c1、c2分别为理论烟气量与实际烟气量的经验修正系数,c1+c2=1;Qair、Qcoal分别为机组总风量、总煤量;Qsmoke为机组实测烟气量;为t时刻的出口NOx浓度设定值;MNH3、MNOx分别为NH3和氮氧化物的摩尔质量;ρsmoke、ρNH3分别为燃烧烟气、NH3的密度。
所述步骤4中,MISO预测模型在线自更新的更新原则为:
所述步骤1中,采集的多维运行特性数据的持续时长不低于30×24小时,离散点时间间隔为5s~10s,每一项运行参数需带有时间标签且数据采集的起始时间及中间离散点时刻均保持一致。
所述步骤21)中,根据主成分分析方法在步骤1采集的机组多维运行特性数据中锁定影响目标机组SCR系统入口NOx浓度的关键运行参数的方法是:
其中:E1、E2…En分别代表不同关键设备影响目标机组SCR系统入口NOx浓度变化的运行参数集合,m、p、q分别为对应关键设备所采集运行参数的样本空间长度。关键设备为目标机组的主机及辅机设备、系统。
本发明一种强自适应能力的SCR系统精确喷氨控制方法,共分为历史连续时间段内机组多维运行数据的采集与处理、与目标机组运行特性相匹配的MISO预测模型离线获取、具备强自适应能力的SCR系统精确喷氨控制系统开发、SCR系统精确喷氨控制系统的投入与在线自更新四个步骤。
具体步骤为:
1、历史连续时间段内机组多维运行数据的采集与处理,包括:
11)多维运行特性的数据包括目标机组不同关键设备的运行数据;
12)历史连续时间段内机组多维运行数据应达到需求的数据采集品质,满足持续时长、离散点时间间隔的要求,每一项运行参数需带有时间标签,获得多维数据样本空间,为后续预测模型的建立及自更新提供数据基础;
2、与目标机组运行特性相匹配的MISO预测模型离线获取,包括:
21)根据主成分分析方法锁定影响目标机组SCR系统入口NOx浓度的关键运行参数;
21)根据锁定的关键运行参数及入口NOx浓度历史运行数据,建立基于支持向量机与神经网络模型的并行MISO预测模型,离线获取与目标机组运行特性相匹配的MISO预测模型;
3、具备强自适应能力的SCR系统精确喷氨控制方法集成,包括:
31)根据MISO预测控制模型获取的SCR系统入口NOx浓度预测值、当前时刻SCR系统入口NOx浓度实测值之间的关系,实现修正后入口NOx浓度的精确预测;
32)根据精准预测获得的修正入口NOx浓度、总风量、总煤量、烟气密度、烟气量、出口NOx浓度设定值、氨氮摩尔比,指导高精度喷氨控制;
4、MISO预测模型在线自更新开发,包括:
41)实现MISO预测控制模型的在线自更新,以尽可能逼近SCR系统运行特性的MISO预测控制模型指导高精度喷氨控制。
有益效果:与现有技术相比,本发明具有的优点为:本发明一种强自适应能力的SCR系统精确喷氨控制方法,目标机组运行数据采集维度广,不仅局限于SCR本身的运行参数,而且考虑了目标机组不同关键设备多维运行参数的扰动,减小了遗漏重要影响参数的几率;采用了支持向量机-神经网络并行MISO预测模型,可以提高预测模型预测调控精度;打破了传统直接使用软测量值参与控制的思路,形成了修正后入口NOx浓度预测结果的合理利用方法,以精准指导高精度喷氨控制;参与调控的MISO预测模型可根据运行时间的积累进行在线自更新,以最逼近系统运行特性的MISO预测控制模型指导高精度喷氨控制,有效提高了MISO预测模型的预测调控精度。本发明SCR系统精确喷氨控制方法,能够实现SCR系统强适应性、准确的高精度喷氨自动控制,显著压缩出口NOx浓度的波动特性,降低氨逃逸水平。
附图说明
图1是本发明控制方法的流程框图。
图2为本发明实施案例中本方法喷氨超前控制特性。
图3为本发明实施案例中本方法投运前后出口NOx浓度波动特性对比图。
具体实施方式
下面结合附图对本发明进行详细说明,本实施案例在以本技术方案为前提下进行实施,应当理解实施案例是为了说明本发明,但是本发明的保护范围不局限于实施案例。
本实施案例针对某660MW燃煤电站SCR系统开展基于一种强自适应能力的SCR系统精确喷氨控制方法的工程技术改造。该SCR系统采用液氨作为还原剂,A/B侧各有1个喷氨总调节阀,具体实施步骤如下:
1、历史连续时间段内机组多维运行数据的采集与处理
采集2017年4月1日00:00:00-4月30日23:59:59时间范围内目标机组不同关键设备的运行数据。本实施例中取三个关键设备,分别为关键设备1(锅炉)、关键设备2(磨煤机)、关键设备3(脱硝反应器)。每个关键设备所涉各运行参数采样时间间隔均为5s,每一项运行参数需带有时间标签且数据采集的起始时间及中间离散点时刻均保持一致。2017年4月11日所取的部分运行数据如下表1所示:
表1:历史多维运行数据采集(2017年4月11日,部分)
2、与目标机组运行特性相匹配的MISO预测模型离线获取
采用主成分分析方法锁定影响目标机组SCR系统入口NOx浓度的关键运行参数,对潜在影响因素[X]=[E1E2E3]=作主成分分析,根据累计贡献率锁定主成分因素,由此锁定的主成分。
其中:E1、E2、E3分别代表关键设备1、关键设备2、关键设备3影响目标机组SCR系统入口NOx浓度变化的运行参数集合,m、p、q分别为对应三个关键设备所采集运行参数的样本空间长度。
本实施案例中,按照累计贡献率,锁定的主成分有:锅炉负荷、总风量、总煤量等115个运行参数。锁定的主成分作为向量机模型和神经网络模型的自变量输入。
本实施案例中神经网络模型共布置3层,每层节点数量为400,200,100,输入层为上述所锁定的主成分,输出层为入口NOx浓度,采用relu激活函数;向量机模型输入为所锁定的主成分,输出为入口NOx浓度,采用RBF核函数。
3、具备强自适应能力的SCR系统精确喷氨控制方法集成
不把MISO预测模型的预测输出值直接作为预测调控值,参与调控的修正后入口NOx浓度的确定原则如下:
其中:为t时刻的修正后入口NOx浓度预测值,cin,NOx为入口NOx浓度实测值,为t时刻MISO预测模型的预测输出值,为t-ΔT时刻MISO预测模型的预测输出值,ΔT为经验时间常数,此案例中取200秒;
根据修正后入口NOx浓度指导高精度喷氨控制,其指导原则如下:
其中:为t时刻的高精度喷氨量,m3/h;为SCR系统的氨氮摩尔比;c1、c2分别为理论烟气量与实际烟气量的经验修正系数,c1+c2=1;Qair、Qcoal分别为机组总风量、总煤量,t/h;Qsmoke为机组实测烟气量,m3/h;时刻的出口NOx浓度设定值,mg/Nm3;MNH3、MNOx分别为NH3和氮氧化物的摩尔质量,g/mol;ρsmoke、ρNH3分别为燃烧烟气、NH3的密度,g/m3。
4、MISO预测模型在线自更新开发
本实施案例中MISO预测模型的在线自更新原则为:
即:随着运行时间的延长,当“达到临界自更新时间Tcr”且“积累的运行数据长度超过临界空间长度ncr”时,MISO预测模型完成在线的自更新。每更新1次,计时器归零,直到再次达到临界自更新时间Tcr。
本实施案例中,通过采用具备强自适应能力的SCR系统精确喷氨控制系统及方法,可实现基于多维运行参数对入口NOx浓度的较高精度预测;技术改造后,传统喷氨控制滞后、超调等运行问题得到有效缓解(如附图2所示),出口NOx浓度的波动特性得到有效压缩,氨逃逸水平得到有效降低,本方法投运前后出口NOx浓度波动特性如附图3所示,投运后出口NOx浓度实测值与设定值的平均偏差约为3.18mg/Nm3,定值控制精度较高。
通过本实施案例可以说明,本发明所公开的一种强自适应能力的SCR系统精确喷氨控制方法,可实现SCR系统强适应性、准确的高精度喷氨自动控制,显著压缩出口NOx浓度的波动特性,降低氨逃逸水平。
如上所述,尽管结合具体实施案例及附图对本发明的具体实施方式进行了描述,但其不得解释为对本发明自身的限制。在本发明的技术方案的基础上,任何单位和个人不需要付出创造性劳动即可做出的各种修改或者变形仍在本发明的保护范围以内。
Claims (6)
1.一种强自适应能力的SCR系统精确喷氨控制方法,其特征在于,步骤为:
步骤1:采集历史连续时间段内机组多维运行特性数据;其中机组多维运行特性数据包括目标机组不同关键设备的运行数据;
步骤2:建立与目标机组运行特性相匹配的MISO预测模型,包括:
21)根据主成分分析方法在步骤1采集的机组多维运行特性数据中锁定影响目标机组SCR系统入口NOx浓度的关键运行参数;
22)根据锁定的关键运行参数及入口NOx浓度历史运行数据,建立基于支持向量机与神经网络模型的MISO预测模型;
步骤3:根据步骤2建立的MISO预测模型对喷氨量进行控制,包括:
31)、利用步骤22)建立的MISO预测模型修正入口NOx浓度;
32)、根据步骤31)MISO预测模型获得的修正入口NOx浓度,控制喷氨量;
步骤31)中,修正后入口NOx浓度为:
其中:为t时刻的修正后入口NOx浓度预测值,cin,NOx为入口NOx浓度实测值,为t时刻MISO预测模型的预测输出值,为t-ΔT时刻MISO预测模型的预测输出值;ΔT为经验时间常数,取值范围为90秒~600秒;
2.根据权利要求1所述的SCR系统精确喷氨控制方法,其特征在于,还包括步骤4:根据目标机组的运行数据,对MISO预测模型进行在线自更新,以尽可能逼近SCR系统运行特性的MISO预测控制模型指导高精度喷氨控制。
5.根据权利要求1所述的SCR系统精确喷氨控制方法,其特征在于,所述步骤1中,采集的多维运行特性数据的持续时长不低于30×24小时,离散点时间间隔为5s~10s,每一项运行参数需带有时间标签且数据采集的起始时间及中间离散点时刻均保持一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810796229.9A CN109046021B (zh) | 2018-07-19 | 2018-07-19 | 一种强自适应能力的scr系统精确喷氨控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810796229.9A CN109046021B (zh) | 2018-07-19 | 2018-07-19 | 一种强自适应能力的scr系统精确喷氨控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109046021A CN109046021A (zh) | 2018-12-21 |
CN109046021B true CN109046021B (zh) | 2021-03-02 |
Family
ID=64817467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810796229.9A Active CN109046021B (zh) | 2018-07-19 | 2018-07-19 | 一种强自适应能力的scr系统精确喷氨控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109046021B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651166B (zh) * | 2020-11-24 | 2023-03-28 | 呼和浩特科林热电有限责任公司 | 脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统 |
CN113648830B (zh) * | 2021-02-26 | 2022-07-01 | 齐鲁工业大学 | 一种大截面燃煤烟气流速测量及scr系统氨定量方法 |
CN113339113B (zh) * | 2021-07-15 | 2022-08-19 | 中国能源建设集团江苏省电力设计院有限公司 | 一种SCR系统NOx生成与氨需求预测方法、系统及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5089638B2 (ja) * | 2009-03-31 | 2012-12-05 | 中国電力株式会社 | アンモニア注入量補正制御装置及びアンモニア注入量補正制御方法 |
CN104826493A (zh) * | 2015-04-23 | 2015-08-12 | 华北电力大学(保定) | 一种选择性催化还原法烟气脱硝系统的控制方法 |
CN105629738A (zh) * | 2016-03-24 | 2016-06-01 | 内蒙古瑞特优化科技股份有限公司 | Scr烟气脱硝系统控制方法及设备 |
CN105657758A (zh) * | 2016-01-12 | 2016-06-08 | 杭州全维通信服务股份有限公司 | 一种基于Markov模型的多AP自适应切换方法 |
CN107526292A (zh) * | 2017-09-18 | 2017-12-29 | 华中科技大学 | 一种基于入口NOx浓度预测的调控喷氨量的方法 |
CN107694337A (zh) * | 2017-11-03 | 2018-02-16 | 吉林省电力科学研究院有限公司 | 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法 |
-
2018
- 2018-07-19 CN CN201810796229.9A patent/CN109046021B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5089638B2 (ja) * | 2009-03-31 | 2012-12-05 | 中国電力株式会社 | アンモニア注入量補正制御装置及びアンモニア注入量補正制御方法 |
CN104826493A (zh) * | 2015-04-23 | 2015-08-12 | 华北电力大学(保定) | 一种选择性催化还原法烟气脱硝系统的控制方法 |
CN105657758A (zh) * | 2016-01-12 | 2016-06-08 | 杭州全维通信服务股份有限公司 | 一种基于Markov模型的多AP自适应切换方法 |
CN105629738A (zh) * | 2016-03-24 | 2016-06-01 | 内蒙古瑞特优化科技股份有限公司 | Scr烟气脱硝系统控制方法及设备 |
CN107526292A (zh) * | 2017-09-18 | 2017-12-29 | 华中科技大学 | 一种基于入口NOx浓度预测的调控喷氨量的方法 |
CN107694337A (zh) * | 2017-11-03 | 2018-02-16 | 吉林省电力科学研究院有限公司 | 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109046021A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109046021B (zh) | 一种强自适应能力的scr系统精确喷氨控制方法 | |
CN107243257B (zh) | 适合全负荷的智能喷氨控制系统 | |
CN107526292B (zh) | 一种基于入口NOx浓度预测的调控喷氨量的方法 | |
CN109343349B (zh) | 一种基于喷氨量补偿器的scr烟气脱硝优化控制系统和方法 | |
CN105629738B (zh) | Scr烟气脱硝系统控制方法及设备 | |
CN108664006A (zh) | 一种基于分区控制和先进控制的scr脱硝智能喷氨优化方法及系统 | |
CN113433911B (zh) | 基于浓度精准预测的脱硝装置喷氨精准控制系统与方法 | |
CN109062053A (zh) | 一种基于多变量校正的脱硝喷氨控制方法 | |
CN105700570B (zh) | 一种火电厂scr脱硝控制方法 | |
CN111897373B (zh) | 一种基于模型预测的scr脱硝装置喷氨流量调节方法 | |
CN108837699A (zh) | 一种基于软测量和预测控制的scr脱硝智能喷氨优化方法及系统 | |
CN111522290A (zh) | 一种基于深度学习方法的脱硝控制方法和系统 | |
CN107544288A (zh) | 一种脱硝优化控制方法和系统 | |
CN108803309A (zh) | 一种基于软测量和模型自适应的scr脱硝智能喷氨优化方法及系统 | |
JP3242049U (ja) | 粒子群アルゴリズムに基づく脱硝制御用インテリジェントpid適応補正装置 | |
CN105786035A (zh) | 基于试探式预测控制技术的火电机组scr脱硝优化控制系统 | |
CN110188383A (zh) | 一种基于选择性集成模型的电站scr脱硝建模方法 | |
CN111665877B (zh) | 压力控制方法和装置、光伏设备 | |
CN115245735A (zh) | 基于预测控制模型的水泥窑烟气iSNCR控制方法 | |
CN111968708A (zh) | 一种基于随机森林和lstm神经网络的scr脱硝喷氨量预测方法 | |
CN109833773B (zh) | 一种高效脱硝氨流量精确控制方法 | |
CN107561944A (zh) | 一种基于拉盖尔模型的脱硝系统自适应预测控制方法 | |
CN110737198A (zh) | 基于bp神经网络的大型燃煤电站co2捕集系统预测控制方法 | |
CN113970937A (zh) | 一种scr脱硝精准喷氨控制方法 | |
CN109933884B (zh) | 一种面向燃煤机组scr脱硝系统神经网络逆控制的方法 |
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 |