CN109583585A - 一种电站锅炉壁温预测神经网络模型 - Google Patents
一种电站锅炉壁温预测神经网络模型 Download PDFInfo
- Publication number
- CN109583585A CN109583585A CN201811401381.9A CN201811401381A CN109583585A CN 109583585 A CN109583585 A CN 109583585A CN 201811401381 A CN201811401381 A CN 201811401381A CN 109583585 A CN109583585 A CN 109583585A
- Authority
- CN
- China
- Prior art keywords
- wall temperature
- neural network
- layer
- input layer
- temperature
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明公开了一种电站锅炉壁温预测神经网络模型，由输入层、隐含层和输出层构成，所述输入层由两部分构成，分别为影响壁温的外部影响因素以及需预测壁温的历史数据；所述隐含层的节点个数由公式确定，其中m为输入层节点个数，n为输出层节点个数，a为1‑10之间的常数；通过遗传算法确定隐含层权值；所述输出层由需预测壁温温度构成；本发明在分析影响壁温外部因素的基础上，同时考虑壁温的历史数据对壁温本身的影响，能够缩短模型训练时间，提高计算效率，从而能够更好的实现对壁温的预测；其次，可以实现对壁温超前动态预测，为运行人员对超温进行处置提供了时间。
Description
技术领域
本发明涉及电站锅炉燃烧的自动控制领域，具体涉及一种电站锅炉壁温预测神经网络模型。
背景技术
超(超)临界机组锅炉具有大容量、高参数特点，具有较高的发电效率，从而可以降低燃煤消耗量，同时能够降低污染物的生成，因此得到了迅速的发展。目前，我国投产的超(超)临界机组已经超过百台。然而，超(超)临界机组爆管问题时有发生，严重影响了超(超)临界机组的运行安全。研究表明，长时间超温运行、氧化皮堵塞、吹灰不当、烟气腐蚀等都会引起锅炉爆管，其中长时间超温运行是引起锅炉管壁超温的重要原因。
为了应对上述超温问题，首先要实现对壁温的测量和预测。
目前，壁温的测量主要从两方面入手。一是现场直接测量，即通过在锅炉管壁安装热电偶来实现壁温测量。该方法对测点周围的环境要求较高，而炉内环境往往较恶劣，对测量的精度和准确性有一定的影响。该方法只能够测得一点的温度，因此电厂普遍增设大量的壁温测点，以实现对壁温的全面监测。另外一种方法是通过软测量的方式进行计算，即通过机理分析等方法建立壁温预测模型对壁温进行预测。比如国内常见的有1973年热力计算标准《锅炉机组热力计算标准方法》进行管壁温度计算，但是该计算方法复杂，需要的参数较多，且模型不同条件下需要不断修正，因此不符合在线计算的要求。此外，基于人工神经网络的的壁温预测方法也得到了一定的研究。在对有关数据进行处理并分析影响壁温因素基础上，采用BP神经网络和RBF神经网络对锅炉管壁温度进行预测，所得结果证明该方法有一定的准确度，可以用来预测壁温。但是上述研究只考虑了外部因素对壁温的影响，没有考虑到壁温的历史数据本身的影响，也没有实现壁温的动态超前预测。
综上所述，现有的壁温超温应对措施，主要是增设大量壁温测点来加强对壁温的监测。当超温发生后，运行人员获得报警信息，从而进行人工处置，仅能实现超温发生后再进行处理，有一定的滞后性。通过软测量的方式对壁温进行计算，计算所得结果有一定的的准确性，但是没有实现壁温的动态超前预测。
发明内容
为了解决上述现有技术存在的问题，本发明提出一种新的电站锅炉壁温预测神经网络模型，在分析影响壁温外部因素的基础上，同时考虑壁温的历史数据对壁温本身的影响，能够缩短模型训练时间，提高计算效率，从而能够更好的实现对壁温的预测；其次，可以实现对壁温超前动态预测，为运行人员对超温进行处置提供了时间。
为了实现上述目的，本发明采用以下技术方案：
一种电站锅炉壁温预测神经网络模型，由输入层、隐含层和输出层构成，
所述输入层由两部分构成，分别为影响壁温的外部影响因素以及需预测壁温的历史数据；所述隐含层的节点个数由公式确定，其中m为输入层节点个数，n为输出层节点个数，a为1-10之间的常数；通过遗传算法确定隐含层权值；所述输出层由需预测壁温温度构成。
所述输出层与输入层之间的关系可以用下式来表示：
z(t)＝f(x(t-1),…,x(t-p),y(t-1),…,y(t-q))
其中，x(t)表示的是神经网络的输入层中影响壁温的外部影响因素部分的历史数据；y(t)表示的是神经网络的输入层中需预测壁温的壁温历史数据；z(t)表示的是神经网络的预测输出，即需预测的壁温温度；p表示神经网络输入层中影响壁温外部影响因素的延迟阶数，q表示神经网络输入层中壁温历史数据的延迟阶数，每个延迟阶数对应的时间长度为一个采样周期。
所述影响壁温的外部影响因素包括主蒸汽流量、主蒸汽温度、一次风量、二次风量、燃尽风量、总煤量和总风量，上述影响壁温的七个因素作为神经网络模型输入层壁温外部影响因素部分的输入。
同时选择需预测壁温的历史数据作为神经网络模型输入层壁温历史数据部分的输入，与壁温外部影响因素并行作为输入层的输入，既考虑了影响壁温的外部因素，同时考虑了壁温历史数据对壁温本身的影响。
所述通过遗传算法确定隐含层权值，即通过选择、交叉、变异操作来寻找最优适应度对应个体，从而确定隐含层最佳权值。
输出层为需预测壁温温度，从而利用影响壁温的外部影响因素以及需预测壁温的历史数据，实现对壁温的超前动态预测。
采用以上结构的神经网络相比现有技术的神经网络具有以下优势：
首先，采用该神经网络，既考虑了外部影响因素对壁温的影响，又考虑壁温历史数据对壁温的影响。并采用遗传算法确定神经网络的隐含层权值，能够缩短模型训练时间，提高计算效率，从而能够更好的实现对壁温的预测。其次，可以实现对壁温超前动态预测，为运行人员对超温进行处置提供了时间。
附图说明
图1为本发明电站锅炉壁温预测神经网络模型结构图。
图2为本发明电站锅炉壁温预测神经网络模型预测效果误差图。
具体实施方式
下面结合附图和具体实施例对本发明作更详细的说明。
如图1所示，本发明一种电站锅炉壁温预测神经网络模型，由输入层、隐含层和输出层构成。输入层由两部分构成，分别为影响壁温的外部影响因素以及需预测壁温的历史数据；所述隐含层的节点个数由公式确定，其中m为输入层节点个数，n为输出层节点个数，a为1-10之间的常数；隐含层权值通过遗传算法确定；所述输出层由需预测壁温温度构成。
输出层与输入层之间的关系可以用下式来表示：
z(t)＝f(x(t-1),…,x(t-p),y(t-1),…,y(t-q))
其中，x(t)表示的是神经网络的输入层中影响壁温的外部影响因素部分的历史数据；y(t)表示的是神经网络的输入层中需预测壁温的壁温历史数据；z(t)表示的是神经网络的预测输出，即需预测的壁温温度；p表示神经网络输入层中影响壁温外部影响因素的延迟阶数，q表示神经网络输入层中壁温历史数据的延迟阶数，每个延迟阶数对应的时间长度为一个采样周期。
影响壁温的外部影响因素包括主蒸汽流量、主蒸汽温度、一次风量、二次风量、燃尽风量、总煤量和总风量，上述影响壁温的因素作为神经网络模型输入层外部影响因素部分的输入。
同时选择需预测壁温的历史数据作为神经网络模型输入层壁温历史数据部分的输入，与外部影响因素并行作为输入层的输入，既考虑了影响壁温的外部因素，同时考虑了壁温历史数据对壁温本身的影响。
通过遗传算法确定隐含层权值，即通过选择、交叉、变异操作来寻找最优适应度对应个体，从而隐含层确定最佳权值。
输出层为需预测壁温温度，从而利用影响壁温的外部影响因素以及需预测壁温的历史数据，实现对壁温的超前动态预测。
实施例
某电厂660MW机组，锅炉为超临界变压直流本生型锅炉，采用单炉膛，一次中间再热，尾部双烟道结构。综合分析某点的屏过温度影响因素包括主蒸汽流量、主蒸汽温度、一次风量、二次风量、燃尽风量、总煤量和总风量，上述影响壁温的因素作为神经网络模型输入层外部影响因素部分的输入。延迟阶数p和q均选择为3，即神经网络输入层中影响壁温外部影响因素部分历史数据的延迟阶数为3，神经网络输入层中壁温历史数据的延迟阶数为3。输入层包含8个节点，其中包括7个外部影响因素部分的历史数据和1个壁温历史数据节点，每个节点包含上述3个阶数的历史数据；输出层节点个数为1，即需预测壁温温度；隐含层的节点个数由公式确定，其中m为输入层节点个数，n为输出层节点个数，a为1-10之间的常数，a选择为2，m为8，n为1，则隐含层节点个数为5；所设置的神经网络结构为8-5-1，包括权值共有8*5+5*1＝45，所以遗传算法的编码长度为45；选取某电厂历史数据共1700组作为训练数据训练神经网络，并把预测值与实际值的偏差作为个体适应度值。遗传算法通过选择、交叉和变异操作找到最优个体适应度值对应个体；将上述获得的最优个体给神经网络隐含层权值赋值，用某电厂历史数据共820组作为测试数据对壁温进行预测，验证结果表明，可以实现对壁温温度一个采样周期(60s)的超前动态预测，预测误差绝对值在2℃以内(如图2所示)。
Claims (6)
1.一种电站锅炉壁温预测神经网络模型，由输入层、隐含层和输出层构成，其特征在于：所述输入层由两部分构成，分别为影响壁温的外部影响因素以及需预测壁温的历史数据；所述隐含层的节点个数由公式确定，其中m为输入层节点个数，n为输出层节点个数，a为1-10之间的常数；通过遗传算法确定隐含层权值；所述输出层由需预测壁温温度构成。
2.根据权利要求1所述的一种电站锅炉壁温预测神经网络模型，其特征在于：所述输出层与输入层之间的关系可以用下式来表示：
z(t)＝f(x(t-1),···,x(t-p),y(t-1),…,y(t-q))
其中，x(t)表示的是神经网络的输入层中影响壁温的外部影响因素部分的历史数据；y(t)表示的是神经网络的输入层中需预测壁温的壁温历史数据；z(t)表示的是神经网络的预测输出，即需预测的壁温温度；p表示神经网络输入层中影响壁温外部影响因素的延迟阶数，q表示神经网络输入层中壁温历史数据的延迟阶数，每个延迟阶数对应的时间长度为一个采样周期。
3.根据权利要求1所述的一种电站锅炉壁温预测神经网络模型，其特征在于：所述影响壁温的外部影响因素包括主蒸汽流量、主蒸汽温度、一次风量、二次风量、燃尽风量、总煤量和总风量，上述影响壁温的七个因素作为神经网络模型输入层壁温外部影响因素部分的输入。
4.根据权利要求1所述的一种电站锅炉壁温预测神经网络模型，其特征在于：同时选择需预测壁温的历史数据作为神经网络模型输入层壁温历史数据部分的输入，与壁温外部影响因素并行作为输入层的输入，既考虑了影响壁温的外部因素，同时考虑了壁温历史数据对壁温本身的影响。
5.根据权利要求1所述的一种电站锅炉壁温预测神经网络模型，其特征在于：所述通过遗传算法确定隐含层权值，即通过选择、交叉、变异操作来寻找最优适应度对应个体，从而确定隐含层最佳权值。
6.根据权利要求1所述的一种电站锅炉壁温预测神经网络模型，其特征在于：输出层为需预测壁温温度，从而利用影响壁温的外部影响因素以及需预测壁温的历史数据，实现对壁温的超前动态预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811401381.9A CN109583585B (zh) | 2018-11-22 | 2018-11-22 | 一种电站锅炉壁温预测神经网络模型的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811401381.9A CN109583585B (zh) | 2018-11-22 | 2018-11-22 | 一种电站锅炉壁温预测神经网络模型的构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109583585A true CN109583585A (zh) | 2019-04-05 |
| CN109583585B CN109583585B (zh) | 2023-04-18 |
Family
ID=65923540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811401381.9A Active CN109583585B (zh) | 2018-11-22 | 2018-11-22 | 一种电站锅炉壁温预测神经网络模型的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109583585B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110531797A (zh) * | 2019-05-31 | 2019-12-03 | 华电国际电力股份有限公司技术服务分公司 | 基于神经网络的超超临界机组高温过热器壁温预测方法 |
| CN111651938A (zh) * | 2020-06-04 | 2020-09-11 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 基于热力计算与大数据的变煤质机组出力预测方法 |
| CN112016754A (zh) * | 2020-08-31 | 2020-12-01 | 哈电发电设备国家工程研究中心有限公司 | 基于神经网络的电站锅炉排烟温度超前预测系统及方法 |
| CN112307650A (zh) * | 2020-11-27 | 2021-02-02 | 浙江浙能技术研究院有限公司 | 一种用于超超临界锅炉受热面管壁超温预警的多步预测方法 |
| CN112381296A (zh) * | 2020-11-15 | 2021-02-19 | 西安热工研究院有限公司 | 一种燃煤机组高温过热器壁温预测神经网络模型 |
| CN112381210A (zh) * | 2020-11-15 | 2021-02-19 | 西安热工研究院有限公司 | 一种燃煤机组水冷壁壁温预测神经网络模型 |
| CN112396162A (zh) * | 2020-11-15 | 2021-02-23 | 西安热工研究院有限公司 | 一种燃煤机组屛式过热器壁温预测神经网络模型 |
| CN112668135A (zh) * | 2019-10-14 | 2021-04-16 | 河北云酷科技有限公司 | 火力发电厂锅炉金属壁温趋势预测模型及其建立方法 |
| CN112833409A (zh) * | 2021-01-18 | 2021-05-25 | 江苏方天电力技术有限公司 | 一种基于动态损失预测的炉膛吹灰优化方法 |
| CN114350889A (zh) * | 2021-12-29 | 2022-04-15 | 金川集团股份有限公司 | 用于转炉的炉衬厚度监测方法及炉衬厚度监测系统 |
| CN115221791A (zh) * | 2022-07-27 | 2022-10-21 | 浙江大学 | 一种超临界锅炉壁温在线预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103235986A (zh) * | 2013-05-03 | 2013-08-07 | 上海发电设备成套设计研究院 | 基于锅炉安全性分析的运行优化耗差优化方法 |
| CN104881714A (zh) * | 2015-05-25 | 2015-09-02 | 上海发电设备成套设计研究院 | 一种锅炉高温受热面屏间热偏差模型预测方法 |
| WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
| BR102016013317A2 (pt) * | 2015-07-22 | 2017-01-24 | Boeing Co | método e aparelho para modelar mistura térmica para predição de fluxos de múltiplas correntes |
| CN107203662A (zh) * | 2017-05-11 | 2017-09-26 | 北方工业大学 | 一种电子设备舱室的温度预测模型建立方法及装置 |
-
2018
- 2018-11-22 CN CN201811401381.9A patent/CN109583585B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103235986A (zh) * | 2013-05-03 | 2013-08-07 | 上海发电设备成套设计研究院 | 基于锅炉安全性分析的运行优化耗差优化方法 |
| WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
| CN104881714A (zh) * | 2015-05-25 | 2015-09-02 | 上海发电设备成套设计研究院 | 一种锅炉高温受热面屏间热偏差模型预测方法 |
| BR102016013317A2 (pt) * | 2015-07-22 | 2017-01-24 | Boeing Co | método e aparelho para modelar mistura térmica para predição de fluxos de múltiplas correntes |
| CN107203662A (zh) * | 2017-05-11 | 2017-09-26 | 北方工业大学 | 一种电子设备舱室的温度预测模型建立方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 刘月正等: "基于改进BP神经网络的锅炉过热器管壁温度预测研究", 《科技创新与应用》 * |
| 杨栋等: "锅炉高温受热面管束寿命在线监测技术研究", 《中国电力》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110531797A (zh) * | 2019-05-31 | 2019-12-03 | 华电国际电力股份有限公司技术服务分公司 | 基于神经网络的超超临界机组高温过热器壁温预测方法 |
| CN112668135A (zh) * | 2019-10-14 | 2021-04-16 | 河北云酷科技有限公司 | 火力发电厂锅炉金属壁温趋势预测模型及其建立方法 |
| CN111651938A (zh) * | 2020-06-04 | 2020-09-11 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 基于热力计算与大数据的变煤质机组出力预测方法 |
| CN111651938B (zh) * | 2020-06-04 | 2022-11-08 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 基于热力计算与大数据的变煤质机组出力预测方法 |
| CN112016754A (zh) * | 2020-08-31 | 2020-12-01 | 哈电发电设备国家工程研究中心有限公司 | 基于神经网络的电站锅炉排烟温度超前预测系统及方法 |
| CN112381296A (zh) * | 2020-11-15 | 2021-02-19 | 西安热工研究院有限公司 | 一种燃煤机组高温过热器壁温预测神经网络模型 |
| CN112396162A (zh) * | 2020-11-15 | 2021-02-23 | 西安热工研究院有限公司 | 一种燃煤机组屛式过热器壁温预测神经网络模型 |
| CN112381210A (zh) * | 2020-11-15 | 2021-02-19 | 西安热工研究院有限公司 | 一种燃煤机组水冷壁壁温预测神经网络模型 |
| CN112381296B (zh) * | 2020-11-15 | 2023-04-07 | 西安热工研究院有限公司 | 一种燃煤机组高温过热器壁温预测神经网络模型 |
| CN112396162B (zh) * | 2020-11-15 | 2023-04-07 | 西安热工研究院有限公司 | 一种燃煤机组屏式过热器壁温预测神经网络模型 |
| CN112381210B (zh) * | 2020-11-15 | 2023-04-07 | 西安热工研究院有限公司 | 一种燃煤机组水冷壁壁温预测神经网络模型 |
| CN112307650B (zh) * | 2020-11-27 | 2021-05-11 | 浙江浙能技术研究院有限公司 | 一种用于超超临界锅炉受热面管壁超温预警的多步预测方法 |
| CN112307650A (zh) * | 2020-11-27 | 2021-02-02 | 浙江浙能技术研究院有限公司 | 一种用于超超临界锅炉受热面管壁超温预警的多步预测方法 |
| CN112833409A (zh) * | 2021-01-18 | 2021-05-25 | 江苏方天电力技术有限公司 | 一种基于动态损失预测的炉膛吹灰优化方法 |
| CN114350889A (zh) * | 2021-12-29 | 2022-04-15 | 金川集团股份有限公司 | 用于转炉的炉衬厚度监测方法及炉衬厚度监测系统 |
| CN114350889B (zh) * | 2021-12-29 | 2023-08-08 | 金川集团股份有限公司 | 用于转炉的炉衬厚度监测方法及炉衬厚度监测系统 |
| CN115221791A (zh) * | 2022-07-27 | 2022-10-21 | 浙江大学 | 一种超临界锅炉壁温在线预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109583585B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109583585A (zh) | 一种电站锅炉壁温预测神经网络模型 | |
| US7584024B2 (en) | Method and apparatus for optimizing operation of a power generating plant using artificial intelligence techniques | |
| CA2532689C (en) | Method and apparatus for improving steam temperature control | |
| CN112069567A (zh) | 基于随机森林和智能算法预测混凝土抗压强度的方法 | |
| CN112085277B (zh) | 一种基于机器学习的scr脱硝系统预测模型优化方法 | |
| CN111829003B (zh) | 一种电厂燃烧控制系统及控制方法 | |
| CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及系统 | |
| 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 | |
| CN113627071B (zh) | 一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉nox软测量方法 | |
| CN109886471A (zh) | 基于神经网络与智能优化算法的火电机组负荷分配方法 | |
| CN103728879A (zh) | 基于最小二乘支持向量机及在线更新的电站锅炉烟气软测量方法 | |
| CN103729569A (zh) | 一种基于lssvm及在线更新的电站锅炉烟气软测量系统 | |
| CN110207094B (zh) | 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法 | |
| CN110442974B (zh) | 马蹄焰玻璃窑蓄热室性能优化方法和装置 | |
| CN110941186A (zh) | 基于神经网络与万有引力搜索算法的汽温控制寻优方法 | |
| CN112016754A (zh) | 基于神经网络的电站锅炉排烟温度超前预测系统及方法 | |
| CN105808945B (zh) | 一种混合智能锅炉效率燃烧优化方法 | |
| CN115437245A (zh) | 一种基于燃烧状态预测模型的锅炉优化控制方法 | |
| CN109858125A (zh) | 一种基于径向基神经网络的火电机组供电煤耗计算方法 | |
| CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
| Yang et al. | BP-GA mixed algorithms for short-term load forecasting | |
| CN116085823A (zh) | 锅炉燃烧控制方法及系统 | |
| CN115809744A (zh) | 一种基于遗传模拟退火参数优化的飞灰含碳量预测方法 | |
| CN115221791A (zh) | 一种超临界锅炉壁温在线预测方法及系统 | |
| Chen et al. | Lowering Nitrogen Oxide Emissions in a Coal‐Powered 1000‐MW Boiler |
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 |