CN109359428B - 一种锅炉燃烧效率和氮氧化合物排放量的建模方法 - Google Patents

一种锅炉燃烧效率和氮氧化合物排放量的建模方法 Download PDF

Info

Publication number
CN109359428B
CN109359428B CN201811423016.8A CN201811423016A CN109359428B CN 109359428 B CN109359428 B CN 109359428B CN 201811423016 A CN201811423016 A CN 201811423016A CN 109359428 B CN109359428 B CN 109359428B
Authority
CN
China
Prior art keywords
boiler
model
efficiency
data
value
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
Application number
CN201811423016.8A
Other languages
English (en)
Other versions
CN109359428A (zh
Inventor
刘娟
黄细霞
刘晓丽
韩志亮
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.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
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 Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN201811423016.8A priority Critical patent/CN109359428B/zh
Publication of CN109359428A publication Critical patent/CN109359428A/zh
Application granted granted Critical
Publication of CN109359428B publication Critical patent/CN109359428B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Regulation And Control Of Combustion (AREA)

Abstract

本发明公开了一种锅炉燃烧效率和氮氧化合物排放量的建模方法，方法包括：(11)对电厂锅炉的历史运行数据进行预处理；(12)从预处理后的历史运行数据中获取训练集和测试集；(13)构建以氮氧化合物排放量为输出变量的锅炉氮氧化合物排放量模型；(14)将测试集输入锅炉燃烧效率模型和锅炉氮氧化合物排放量模型；(15)模型无效返回步骤(13)，否则，确定有效模型。应用本发明的实施例，能够自适应提取关键特征，减少了基于人工经验进行特征选择带来的工作量和误差，同时提出了模型自适应更新方法。

Description

一种锅炉燃烧效率和氮氧化合物排放量的建模方法
技术领域
本发明涉及电厂锅炉燃烧的建模技术领域，尤其涉及一种锅炉燃烧效率和氮氧化合物排放量的建模方法。
背景技术
燃煤锅炉是火电厂主要的设备之一，其污染物排放对环境影响较大，为了提高锅炉燃烧效率、减少氮氧化合物排放，对锅炉燃烧效率和氮氧化合物排放量进行建模尤为重要。
锅炉是多输入、非线性系统、大延迟系统，锅炉燃烧模型输入参数较多，建立准确的锅炉燃烧效率和氮氧化合物排放预测模型是锅炉燃烧优化的基础，基于传统机器学习的建模方法已在电站锅炉建模和优化领域得到广泛应用，但模型的输入特征选择过程是基于人工经验的，对人员专业知识储备要求较高且存在很大的差异。
发明内容
本发明的目的在于提供一种锅炉燃烧效率和氮氧化合物排放量的建模方法，旨在能够自适应提取关键特征，减少了基于人工经验进行特征选择带来的工作量和误差，同时提出了模型自适应更新方法。。
为了实现上述目的，本发明提供一种锅炉燃烧效率和氮氧化合物排放量的建模方法，所述方法包括：
(11)获得电厂锅炉的历史运行数据，并对所述历史运行数据进行预处理；
(12)从预处理后的历史运行数据中获取训练集和测试集；
(13)将所述训练集输入CNN-LSTM网络结构，利用CNN-LSTM方法对数据进行构建以锅炉效率作为输出变量的锅炉燃烧效率模型，以及构建以氮氧化合物排放量为输出变量的锅炉氮氧化合物排放量模型；
(14)将所述测试集输入所述锅炉燃烧效率模型和所述锅炉氮氧化合物排放量模型；
(15)判断模型是否有效，如果否，则返回步骤(13)，否则，确定有效模型。
本发明的一种实施方式中，所述获得电厂锅炉的历史运行数据，并对所述历史运行数据进行预处理的步骤，包括：
从电厂锅炉集散控制系统中获得历史运行数据，在特征行存在缺失值和/或异常值时，删除该特征行，以及，在特征列存在缺失值和/或异常值时，删除该特征列，获得预处理后数据；
对所述预处理后数据进行归一化处理。
本发明的一种实施方式中，所述利用CNN-LSTM方法对数据进行构建以锅炉效率作为输出变量的锅炉燃烧效率模型的步骤，包括：
确定输入变量为训练集、输出变量为锅炉效率；
采用CNN-LSTM方法对所述输入变量为训练集的数据依次进行卷积、池化、全连接操作，自动提取特征，提取后的特征输入长短期记忆神经网络，对模型训练。
本发明的一种实施方式中，利用CNN-LSTM方法对数据进行构建以氮氧化合物排放量为输出变量的锅炉氮氧化合物排放量模型的步骤，包括：
确定输入变量为训练集、输出变量为氮氧化合物排放量；
采用CNN-LSTM方法对所述输入变量为训练集的数据依次进行卷积、池化、全连接操作，自动提取特征，提取后的特征输入长短期记忆神经网络，对模型训练。
本发明的一种实施方式中，所述方法还包括：
根据预设运行时间，分别针对锅炉效率和/或氮氧化合物排放量的输出值对所述有效模型进行检查；
在所述有效模型不合格的情况下，返回步骤(13)执行模型更新。
本发明的一种实施方式中，所述根据预设运行时间，分别针对锅炉效率和/或氮氧化合物排放量的输出值对所述有效模型进行检查的步骤，包括：
针对锅炉效率，获得预设运行时间所划分的多个时间节点、每一个时间节点所对应的锅炉效率实际输出值和锅炉效率期望输出值；
获得每一个时间点上锅炉效率期望输出值和锅炉效率实际输出值的误差值；
计算所有时间点所对应的锅炉效率平均误差差值；
判断所述锅炉效率平均误差差值是否大于第一预设误差值；
如果是，确定所述有效模型检查不合格；否则，检查合格；
以及，
针对氮氧化合物，获得预设运行时间所划分的多个时间节点、每一个时间节点所对应的氮氧化合物实际输出值和氮氧化合物期望输出值；
获得每一个时间点上氮氧化合物期望输出值和氮氧化合物实际输出值的误差值；
计算所有时间点所对应的氮氧化合物平均误差差值；
判断所述氮氧化合物平均误差差值是否大于第二预设误差值；
如果是，确定所述有效模型检查不合格；否则，检查合格。
本发明的一种实施方式中，所述从预处理后的历史运行数据中获取训练集和测试集的步骤，包括：
从预处理后的历史运行数据中，按照预设比例划分训练集和测试集。
本发明的一种实施方式中，所述从预处理后的历史运行数据中，按照预设比例划分训练集和测试集的步骤，包括：
从预处理后的历史运行数据中，按照7:3的比例划分训练集和测试集。
本发明的一种实施方式中，所述获得电厂锅炉的历史运行数据的步骤，包括：
获得电厂锅炉的历史运行数据，所述历史运行数据中包括：给水参数、蒸汽参数、减水温参数、水位参数、空气系统参数、烟气系统参数、一次风参数、二次风参数、引风机参数、脱销参数、给煤机参数中的多种参数。
本发明提供的一种锅炉燃烧效率和氮氧化合物排放量的建模方法，有益效果如下：
能够自适应提取关键特征，减少了基于人工经验进行特征选择带来的工作量和误差，同时提出了模型自适应更新方法；用卷积神经网络对电厂集散控制系统中原始数据进行特征自适应提取，将提取后的特征作为LSTM神经网络的输入，分别得到锅炉的燃烧效率模型和NOx排放模型。
附图说明
图1是本发明实施例锅炉燃烧效率和氮氧化合物排放量的建模方法的一种流程图图。
图2是本发明实施例锅炉燃烧效率和氮氧化合物排放量的建模方法的另一张流程图图。
图3是本发明实施例锅炉燃烧效率和氮氧化合物排放量的建模方法的一种效果示意图。
图4是本发明实施例锅炉燃烧效率和氮氧化合物排放量的建模方法的另一种效果示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1-4。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
具体的，如图1所示，本发明实施例提供了一种锅炉燃烧效率和氮氧化合物排放量的建模方法，所述方法包括：
S11：获得电厂锅炉的历史运行数据，并对所述历史运行数据进行预处理。
如图2所示，原始数据的采集后进行锅炉数据清洗，电站锅炉集散控制系统DCS中有给水参数、蒸汽参数、减水温参数、水位参数、空气系统参数、烟气系统参数、一次风参数、二次风参数、引风机参数、脱销参数、给煤机参数等参数。示例性的，将一个月的历史数据导出，在特征行或者特征列存在缺失值和/或异常值时，删除该特征行或者特征列，获得预处理后数据，删除无效和异常数据。
然后将整理后数据进行归一化处理，将每一个数据标准化映射到[0,1]之间，即：
Figure BDA0001880938770000051
针对每一个数据x，进行归一化后的值为x′，xmax是数据中的最大值，xmin是数据中的最小值，因此，所有数据与最小值xmin的差值都不会大于最大值xmax与最小值xmin的差值，因此，归一化后x′的值始终不会大于1，实现数据的归一化。
S12：从预处理后的历史运行数据中获取训练集和测试集。
示例性的，将一个月的历史数据导出，整理后共计10000个数据，共计M个特征。
具体的，从预处理后的历史运行数据中，按照预设比例划分训练集和测试集，该预设比例可以是7:3的比例。
S13：将所述训练集输入CNN-LSTM网络结构，利用CNN-LSTM方法对数据进行构建以锅炉效率作为输出变量的锅炉燃烧效率模型，以及构建以氮氧化合物排放量为输出变量的锅炉氮氧化合物排放量模型。
示例性的，将7000个数据集，如图2所示，将清洗后数据所得到的数据集输入CNN-LSTM网络结构，利用CNN-LSTM方法对数据进行建模，分别以锅炉效率作为输出变量建立锅炉燃烧效率模型，以氮氧化合物NOx排放量为输出变量建立锅炉NOx排放量模型，建模过程如图3所示。
S14：将所述测试集输入所述锅炉燃烧效率模型和所述锅炉氮氧化合物排放量模型。
需要说明的是，S14具体包括，针对锅炉燃烧效率模型构建过程：确定输入变量为训练集、输出变量为锅炉效率；采用CNN-LSTM方法对所述输入变量为训练集的数据依次进行卷积、池化、全连接操作，自动提取特征，提取后的特征输入长短期记忆神经网络，对模型训练，如图3所示。
针对锅炉氮氧化合物排放量模型构建过程：确定输入变量为训练集、输出变量为氮氧化合物排放量；采用CNN-LSTM方法对所述输入变量为训练集的数据依次进行卷积、池化、全连接操作，自动提取特征，提取后的特征输入长短期记忆神经网络，对模型训练，如图3所示。
S15：判断模型是否有效，如果否，则返回步骤(13)，否则，确定有效模型。
如图2所示，模型建立以后需要进行判断误差是否满足工程要求，如果不满足使用要求的模型是没有必要进行工程投入使用的，如果满足要求则投入模型应用，否则重新返回训练。
如图2所示，为了有效防止建好的模型，测量在应用一段时间后出现模型问题或者设备问题导致模型预测结果不正确，所以可以在当平均误差超过某个范围，检查设备完整性，重新采集数据进行训练。
因此，本发明实施例中，在图1和图2所示的实施例基础上，还包括步骤：据预设运行时间，分别针对锅炉效率和/或氮氧化合物排放量的输出值对所述有效模型进行检查；在所述有效模型不合格的情况下，返回步骤(13)执行模型更新。
具体的实现过程为：针对锅炉效率，获得预设运行时间所划分的多个时间节点、每一个时间节点所对应的锅炉效率实际输出值和锅炉效率期望输出值；获得每一个时间点上锅炉效率期望输出值和锅炉效率实际输出值的误差值；计算所有时间点所对应的锅炉效率平均误差差值；判断所述锅炉效率平均误差差值是否大于第一预设误差值；如果是，确定所述有效模型检查不合格；否则，检查合格；
针对氮氧化合物，获得预设运行时间所划分的多个时间节点、每一个时间节点所对应的氮氧化合物实际输出值和氮氧化合物期望输出值；获得每一个时间点上氮氧化合物期望输出值和氮氧化合物实际输出值的误差值；计算所有时间点所对应的氮氧化合物平均误差差值；判断所述氮氧化合物平均误差差值是否大于第二预设误差值；如果是，确定所述有效模型检查不合格；否则，检查合格。
如图4所示，第一预设误差值和第二预设误差值分别为设定阈值，从而实现模型更新的过程。
示例性的，模型在实际应用中，由于设备损耗在运行一段时间后会出现很偏差，导致预测模型不精确，设置模型更新，即若n个时间点内，当平均误差大于某一个值时，在设备完好的状态下，说明模型不可用，需要进行重新训练。
Figure BDA0001880938770000081
其中，n是预设时间段内的时间点，m是平均误差，ypre是期望输出值，ytrue是实际输出值，n可以通过将预设时间进行均分或者不均分，针对锅炉效率和氮氧化合物的预测输出均可以使用该公式。模型的更新能够及时发现模型的问题，避免模型出现问题造成预测误差，同时该过程为自动进行。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (9)

1.一种锅炉燃烧效率和氮氧化合物排放量的建模方法，其特征在于，所述方法包括：
(11)获得电厂锅炉的历史运行数据，并对所述历史运行数据进行预处理；
(12)从预处理后的历史运行数据中获取训练集和测试集；
(13)将所述训练集输入CNN-LSTM网络结构，利用CNN-LSTM方法对数据进行构建以锅炉效率作为输出变量的锅炉燃烧效率模型，以及构建以氮氧化合物排放量为输出变量的锅炉氮氧化合物排放量模型；
(14)将所述测试集输入所述锅炉燃烧效率模型和所述锅炉氮氧化合物排放量模型；
(15)判断模型是否有效，如果否，则返回步骤(13)，否则，确定有效模型。
2.根据权利要求1所述的锅炉燃烧效率和氮氧化合物排放量的建模方法，其特征在于，所述获得电厂锅炉的历史运行数据，并对所述历史运行数据进行预处理的步骤，包括：
从电厂锅炉集散控制系统中获得历史运行数据，在特征行存在缺失值和/或异常值时，删除该特征行，以及，在特征列存在缺失值和/或异常值时，删除该特征列，获得预处理后数据；
对所述预处理后数据进行归一化处理。
3.根据权利要求1或2所述的锅炉燃烧效率和氮氧化合物排放量的建模方法，其特征在于，所述利用CNN-LSTM方法对数据进行构建以锅炉效率作为输出变量的锅炉燃烧效率模型的步骤，包括：
确定输入变量为训练集、输出变量为锅炉效率；
采用CNN-LSTM方法对所述输入变量为训练集的数据依次进行卷积、池化、全连接操作，自动提取特征，提取后的特征输入长短期记忆神经网络，对模型训练。
4.根据权利要求3所述的锅炉燃烧效率和氮氧化合物排放量的建模方法，其特征在于，利用CNN-LSTM方法对数据进行构建以氮氧化合物排放量为输出变量的锅炉氮氧化合物排放量模型的步骤，包括：
确定输入变量为训练集、输出变量为氮氧化合物排放量；
采用CNN-LSTM方法对所述输入变量为训练集的数据依次进行卷积、池化、全连接操作，自动提取特征，提取后的特征输入长短期记忆神经网络，对模型训练。
5.根据权利要求1-2、4任一项所述的锅炉燃烧效率和氮氧化合物排放量的建模方法，其特征在于，所述方法还包括：
根据预设运行时间，分别针对锅炉效率和/或氮氧化合物排放量的输出值对所述有效模型进行检查；
在所述有效模型不合格的情况下，返回步骤(13)执行模型更新。
6.根据权利要求5所述的锅炉燃烧效率和氮氧化合物排放量的建模方法，其特征在于，所述根据预设运行时间，分别针对锅炉效率和/或氮氧化合物排放量的输出值对所述有效模型进行检查的步骤，包括：
针对锅炉效率，获得预设运行时间所划分的多个时间节点、每一个时间节点所对应的锅炉效率实际输出值和锅炉效率期望输出值；
获得每一个时间点上锅炉效率期望输出值和锅炉效率实际输出值的误差值；
计算所有时间点所对应的锅炉效率平均误差差值；
判断所述锅炉效率平均误差差值是否大于第一预设误差值；
如果是，确定所述有效模型检查不合格；否则，检查合格；
以及，
针对氮氧化合物，获得预设运行时间所划分的多个时间节点、每一个时间节点所对应的氮氧化合物实际输出值和氮氧化合物期望输出值；
获得每一个时间点上氮氧化合物期望输出值和氮氧化合物实际输出值的误差值；
计算所有时间点所对应的氮氧化合物平均误差差值；
判断所述氮氧化合物平均误差差值是否大于第二预设误差值；
如果是，确定所述有效模型检查不合格；否则，检查合格。
7.根据权利要求1所述的锅炉燃烧效率和氮氧化合物排放量的建模方法，其特征在于，所述从预处理后的历史运行数据中获取训练集和测试集的步骤，包括：
从预处理后的历史运行数据中，按照预设比例划分训练集和测试集。
8.根据权利要求7所述的锅炉燃烧效率和氮氧化合物排放量的建模方法，其特征在于，所述从预处理后的历史运行数据中，按照预设比例划分训练集和测试集的步骤，包括：
从预处理后的历史运行数据中，按照7:3的比例划分训练集和测试集。
9.根据权利要求1-2、4、6-8任一项所述的锅炉燃烧效率和氮氧化合物排放量的建模方法，其特征在于，所述获得电厂锅炉的历史运行数据的步骤，包括：
获得电厂锅炉的历史运行数据，所述历史运行数据中包括：给水参数、蒸汽参数、减水温参数、水位参数、空气系统参数、烟气系统参数、一次风参数、二次风参数、引风机参数、脱销参数、给煤机参数中的多种参数。
CN201811423016.8A 2018-11-27 2018-11-27 一种锅炉燃烧效率和氮氧化合物排放量的建模方法 Active CN109359428B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811423016.8A CN109359428B (zh) 2018-11-27 2018-11-27 一种锅炉燃烧效率和氮氧化合物排放量的建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811423016.8A CN109359428B (zh) 2018-11-27 2018-11-27 一种锅炉燃烧效率和氮氧化合物排放量的建模方法

Publications (2)

Publication Number Publication Date
CN109359428A CN109359428A (zh) 2019-02-19
CN109359428B true CN109359428B (zh) 2022-09-30

Family

ID=65338907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811423016.8A Active CN109359428B (zh) 2018-11-27 2018-11-27 一种锅炉燃烧效率和氮氧化合物排放量的建模方法

Country Status (1)

Country Link
CN (1) CN109359428B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110618610A (zh) * 2019-08-29 2019-12-27 杭州华电江东热电有限公司 基于LSTM深度学习的燃机NOx超标预警方法与装置
CN113742989A (zh) * 2020-05-27 2021-12-03 国家能源投资集团有限责任公司 燃烧优化控制方法、装置、存储介质及电子设备
CN111701444B (zh) * 2020-07-01 2022-02-08 盐城工学院 一种基于卷积神经网络的生物滴滤塔处理有机废气的方法
CN114527235B (zh) * 2020-11-23 2022-10-21 清华大学 一种排放强度实时量化检测的方法
CN113628694A (zh) * 2021-07-05 2021-11-09 国能国华(北京)电力研究院有限公司 一种预测锅炉氮氧化物排放量的方法
CN117076834B (zh) * 2023-09-01 2024-04-19 北京启迪中谷能源科技有限公司 一种生物质低氮化燃烧调节方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009111912A1 (zh) * 2008-03-14 2009-09-17 烟台龙源电力技术股份有限公司 一种采用内燃式燃烧器的煤粉锅炉降低氮氧化物的方法
CN108038306A (zh) * 2017-12-11 2018-05-15 太原理工大学 一种面向海量高维数据的电站锅炉燃烧建模及优化的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009111912A1 (zh) * 2008-03-14 2009-09-17 烟台龙源电力技术股份有限公司 一种采用内燃式燃烧器的煤粉锅炉降低氮氧化物的方法
CN108038306A (zh) * 2017-12-11 2018-05-15 太原理工大学 一种面向海量高维数据的电站锅炉燃烧建模及优化的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于RF-GBDT的燃煤锅炉NO_x排放预测;桂良明等;《电站系统工程》;20170315(第02期);全文 *

Also Published As

Publication number Publication date
CN109359428A (zh) 2019-02-19

Similar Documents

Publication Publication Date Title
CN109359428B (zh) 一种锅炉燃烧效率和氮氧化合物排放量的建模方法
CN108052007B (zh) 火电机组运行优化方法、装置、设备及计算机存储介质
CN110618610A (zh) 基于LSTM深度学习的燃机NOx超标预警方法与装置
CN113868953B (zh) 工业系统中多机组运行优化方法、装置、系统及存储介质
CN112686971A (zh) 建筑系统关系拓扑无向图有向化方法和系统
CN111897240B (zh) 一种基于核动力系统运行的仿真方法及系统
CN107844679B (zh) 一种分段式高炉铁水硅含量预测方法及装置
US11475186B2 (en) Apparatus and method for deriving boiler combustion model
CN115935784B (zh) 一种建筑陶瓷窑炉燃烧系统中燃料数据的分析方法及系统
CN116128136A (zh) 一种基于LSO-CatBoost的燃煤电厂锅炉NOX排放预测方法
CN116306242A (zh) 一种火电厂入炉煤低位热值实时计算方法及系统
CN114038513A (zh) 燃煤锅炉内硫化氢的质量浓度预测方法、装置及终端
CN112800672B (zh) 锅炉粘污系数的评估方法、系统、介质及电子设备
CN115113519A (zh) 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法
CN115527078A (zh) 数据预测方法、装置、设备以及模型训练方法
CN113779858A (zh) 一种燃烧优化方法、系统、存储介质及电子设备
Lusenko et al. Development of a waste-heat boiler model based on a fuzzy logic apparatus
CN114708924B (zh) 预测scr系统中吹灰器吹灰间隔时间的模型构建方法及装置
CN113569366B (zh) 基于大数据的供热管网优化设计方法及终端设备
CN111237789A (zh) 锅炉吹灰方法、装置和计算机可读存储介质
CN113761666B (zh) 一种飞机质量特性数据自动处理方法
CN117290798B (zh) 燃气管网拓扑数据中异常数据的检修方法、系统和芯片
CN118277737A (zh) 基于ssa-lstm的工业锅炉水质预测方法
Hao et al. Research on the Methods of Predicting Compressor Characteristic Curve
CN116822371A (zh) 一种基于多模态模型的锅炉垂直水冷壁超温优化系统及方法

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