CN109634117A - 一种用于脱硝控制的信息物理融合系统及其控制方法 - Google Patents

一种用于脱硝控制的信息物理融合系统及其控制方法 Download PDF

Info

Publication number
CN109634117A
CN109634117A CN201811534095.XA CN201811534095A CN109634117A CN 109634117 A CN109634117 A CN 109634117A CN 201811534095 A CN201811534095 A CN 201811534095A CN 109634117 A CN109634117 A CN 109634117A
Authority
CN
China
Prior art keywords
variable
module
control
computing module
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.)
Pending
Application number
CN201811534095.XA
Other languages
English (en)
Inventor
金秀章
左梓诺
翟永杰
赵文杰
仝卫国
丁续达
李奕颖
景昊
李京
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.)
North China Electric Power University
Original Assignee
North China Electric Power 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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN201811534095.XA priority Critical patent/CN109634117A/zh
Publication of CN109634117A publication Critical patent/CN109634117A/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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (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)
  • Feedback Control In General (AREA)

Abstract

本发明公开一种用于脱硝控制的信息物理融合系统及其控制方法，所述系统包括预测模型变量选取模块、氮氧化物预测计算模块和控制模块；所述方法包括：步骤1：所述DCS系统将火电厂现场的氮氧化物含量数据实时发送给预测模型变量选取模块；步骤2：所述氮氧化物预测计算模块先使用预测模型变量选取模块中计算出各个变量之间的时滞；步骤3：所述DCS系统根据所述SCR脱硝系统入口、出口氮氧化物含量实现对脱硝系统的控制。本发明能够克服NOx含量测量速度慢，无法及时提供给脱硝系统反馈信息，导致难以控制的问题。

Description

一种用于脱硝控制的信息物理融合系统及其控制方法
技术领域
本发明涉及脱硝控制技术领域，具体来说，涉及一种用于脱硝控制的信息物理融合系统及其控制方法。
背景技术
随着中国对环境污染和节能的日益关注，燃煤的清洁与高效利用已成为一个重要问题，中国对于燃煤机组NOx的排放浓度限制极其严格为50mg/m3,远高于美国的135mg/m3和欧盟的200mg/m3，因此对燃煤机组进行NOx的快速精确排放控制十分重要，快速精确排放控制的基础是快速、精确的测量，为控制系统提供有效的反馈，目前广泛使用的烟气自动监护系统(CEMS)中存在许多不足，CEMS需要定期离线维护，成本较高，所需测量时间较长，而且实际运行中不能持续测量，因此难以准确的实现对NOx排放浓度的精确控制。
近年来，随着工业4.0的推进，信息物理系统(CPS)逐渐应用于各个领域。信息物理系统是集通信、计算、控制于一体的新型控制系统，它的优势在于可以将智能计算和传统控制结合，克服传统控制的不足，基于如上契机，本发明提供一种用于脱硝控制的信息物理融合系统及其控制方法。
发明内容
本发明提供一种用于脱硝控制的信息物理融合系统及其控制方法，能够克服NOx含量测量速度慢，无法及时提供给脱硝系统反馈信息，导致难以控制的问题。
为达到上述目的，本发明采用以下技术方案：
一种用于脱硝控制的信息物理融合系统，包括预测模型变量选取模块、氮氧化物预测计算模块和控制模块：
所述预测模型变量选取模块能够接收火电厂现场的实时数据并能够计算出电场测点的变量之间的时滞；
所述氮氧化物预测计算模块能够使所述变量的时滞信息统一并能够对氮氧化物的含量进行预测；
所述控制模块用于控制SCR脱硝系统；
通信模块，所述预测模型变量选取模块和所述氮氧化物预测计算模块通过所述通信模块连接于所述控制模块，所述预测模型变量选取模块还连接于所述氮氧化物预测计算模块。
进一步地，所述控制模块为DCS系统。
进一步地，所述预测模型变量选取模块包括历史数据存储模块、变量选取计算模块、变量时滞计算模块，其中，所述历史数据存储模块连接于所述变量选取计算模块，所述变量选取计算模块连接于所述变量时滞计算模块。
进一步地，所述氮氧化物预测计算模块包括变量时滞统一模块、机器学习预测模块，其中，所述变量时滞统一模块连接于所述机器学习预测模块。
本发明还提供一种用于脱硝控制的信息物理融合系统的控制方法，包括如下步骤：
步骤1：所述DCS系统将火电厂现场的氮氧化物含量数据实时发送给预测模型变量选取模块、并储存到历史数据储存模块中，通过变量选取计算模块使用历史数据计算并选择出能够作为预测模块的输入并有效输出的变量以供后续的预测、通过变量时滞计算模块使用历史数据计算出各个变量之间的时滞以供后续的时滞统一；
步骤2：所述氮氧化物预测计算模块先使用预测模型变量选取模块中计算出各个变量之间的时滞，通过变量时滞统一模块统一时滞，之后使用预测模型变量选取模块中计算并选择出变量，通过机器学习预测模块进行预测，最后将预测得到的SCR脱硝系统入口、出口氮氧化物含量发送给控制模块；
步骤3：所述DCS系统根据所述SCR脱硝系统入口、出口氮氧化物含量实现对脱硝系统的控制。
进一步地，步骤1中，首先将DCS发送过来的变量进行二值化
其中，xi是i时刻的原始变量的值，|xi-xi-1|为绝对值，δ为可变参数，是二值化之后j时刻的值，根据公式(1)可将原始值二值化；
将变量两两配对，计算之间的因果效应，定义一个变量为x，一个为y；
为查找变量之间的时滞关系，设计了参数τ；
其中，为第n个，其参数为k的新数组，为第n个，其参数为l的新数组；
本发明考虑到系统的非马可夫性质，将这对变量做如下改变：
为或逻辑，意思是如果数组从i到n中有1，则全部为1，如果没有1，全部为0，之后计算这对变量之间的
其中，为参数为k，l时，从变量y到x的因果关系，Σ为求和号，为xn,的联合密度函数，是条件概率密度函数，条件为已知，是条件概率密度函数，条件为已知；
同样的，从变量x到y的因果关系为：
根据公式(2)可知，随着参数τ的变化而变化，通过改变τ分别寻找和最大的数值，作为变量之间的传递关系CY→X、CX→Y；
接下来，筛选合适的辅助变量；
记被预测的变量为Y，DCS中其他变量为X1，X2，……，Xn，其中，n为其他变量的数量；
根据之前的描述两两求取传递关系，构成传递函数初始矩阵：
根据之前的描述两两求取传递关系，构成被预测变量的传递函数初始向量：
通过如下公式迭代至收敛
最终得到其他变量的选取指数
选取前10的变量作为辅助变量。
与现有技术相比，本发明的优越效果在于：
本发明所述的用于脱硝控制的信息物理融合系统及其控制方法，通过预测模型变量选取模块、氮氧化物预测计算模块和控制模块的配合设置，实现脱硝系统的数字化，能够实时的将NOx含量提供预测值矫正；通过得到的预测值提供给控制系统，实现高度自动化的控制系统，大大减少工作人员的操作，还能够适用不同的工况。
附图说明
图1是本发明实施例中的所述用于脱硝控制的信息物理融合系统结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述，需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
实施例
如图1所示，一种用于脱硝控制的信息物理融合系统，包括预测模型变量选取模块、氮氧化物预测计算模块和控制模块：
所述预测模型变量选取模块能够接收火电厂现场的实时数据并能够计算出电场测点的变量之间的时滞，其中，所述预测模型变量选取模块包括历史数据存储模块、变量选取计算模块、变量时滞计算模块，其中，所述历史数据存储模块连接于所述变量选取计算模块，所述变量选取计算模块连接于所述变量时滞计算模块，所述电场测点的变量包括SCR反应器喷氨量和一次风量；
所述氮氧化物预测计算模块能够使所述变量的时滞信息统一并能够对氮氧化物的含量进行预测，其中，所述氮氧化物预测计算模块包括变量时滞统一模块、机器学习预测模块，其中，所述变量时滞统一模块连接于所述机器学习预测模块；
所述控制模块用于控制SCR脱硝系统，所述SCR脱硝系统用于把烟气中的NOx通过催化剂转化成对人体没有危害的N2和H2O，其中，所述控制模块为DCS系统，所述DCS系统由过程控制级和过程监控级组成的以通信网络为纽带的多级计算机系统，综合了计算机，通信、显示和控制等技术，其核心思想是分散控制、集中操作、分级管理、配置灵活及组态方便；
通信模块，所述预测模型变量选取模块和所述氮氧化物预测计算模块通过所述通信模块连接于所述控制模块，所述预测模型变量选取模块还连接于所述氮氧化物预测计算模块。
本发明中用于脱硝控制的信息物理融合系统的控制方法包括如下步骤：
步骤1：所述DCS系统将火电厂现场的氮氧化物含量数据实时发送给预测模型变量选取模块、并储存到历史数据储存模块中，通过变量选取计算模块使用历史数据计算并选择出能够作为预测模块的输入并有效输出的变量以供后续的预测、通过变量时滞计算模块使用历史数据计算出各个变量之间的时滞以供后续的时滞统一；
步骤2：所述氮氧化物预测计算模块先使用预测模型变量选取模块中计算出各个变量之间的时滞，通过变量时滞统一模块统一时滞，之后使用预测模型变量选取模块中计算并选择出合适的变量，通过机器学习预测模块进行预测，最后将预测得到的SCR脱硝系统入口、出口氮氧化物含量发送给控制模块；
步骤3：所述DCS系统根据所述SCR脱硝系统入口、出口氮氧化物含量实现对脱硝系统的控制。
以下为预测模型变量选取模块的原理，首先将DCS发送过来的变量进行二值化
其中，xi是i时刻的原始变量的值，|xi-xi-1|为绝对值，δ为可变参数，是二值化之后j时刻的值，根据公式(1)可将原始值二值化；
之后将变量两两配对，计算之间的因果效应，定义一个变量为x，一个为y；
为查找变量之间的时滞关系，设计了参数τ；
其中，为第n个，其参数为k的新数组，为第n个，其参数为l的新数组；
本发明考虑到系统的非马可夫性质，将这对变量做如下改变：
为或逻辑，意思是如果数组从i到n中有1，则全部为1，如果没有1，全部为0，之后计算这对变量之间的
其中，为参数为k，l时，从变量y到x的因果关系，Σ为求和号，为xn,的联合密度函数，是条件概率密度函数，条件为已知，是条件概率密度函数，条件为已知；
同样的，从变量x到y的因果关系为：
根据公式(2)可知，随着参数τ的变化而变化，通过改变τ分别寻找和最大的数值，作为变量之间的传递关系CY→X、CX→Y；
接下来，筛选合适的辅助变量；
记被预测的变量为Y，DCS中其他变量为X1，X2，···，Xn，其中，n为其他变量的数量；
根据之前的描述两两求取传递关系，构成传递函数初始矩阵：
设置权威值α和链接值h，权威值表示变量的重要性，链接值表示变量之间的链接关系，权威值、链接值和T有如下关系：
a＝TTh………………………………………………………(7)
h＝Ta
根据之前的描述两两求取传递关系，构成被预测变量的传递函数初始向量：
通过如下公式迭代至收敛
最终得到其他变量的选取指数
选取前10的变量作为辅助变量。
以下为变量时滞计算模块的原理：
根据变量选取模块选取的变量结果，寻找通过改变τ分别寻找中最大的数值的对应的τ，分别作为这10个变量的时滞。
下面对变量时滞统一模块的原理进行简要的介绍：
设有从DCS中取得的两个变量，a,b,分辨率为1秒，长度为n，有：
根据变量时滞计算模块的结果，时滞为t秒，以a为调整的标准，新序列被调整为：
基于此原理，将辅助变量的序列均调整为以被预测变量为标准的新序列组。
以下为机器学习预测模块的原理：
该模块分两阶段执行，首先为初始化阶段：
根据最小二乘支持向量机原理，有
其中，K(x,xk)为核函数，本发明中使用高斯核函数为核函数，αk和b为初始化使用300组数据训练时寻优的结果；
接下来，寻找C满足以下条件
其中，K0、β0、y0为上一步使用300组数据训练时寻优时的K、β、y；
初始化阶段，
得到迭代：
对于时变系统而言，新数据更能体现当前的情况。这里加入自适应遗忘因子调整，遗忘因子根据新样本的信息来更新，对新数据特别敏感，避免饱和现象，适应于时变系统；
式中：为在βk下的新样本预测误差，ξk+1为辅助标量，如果ξk+1＝0，则令Pk+1＝Pk，如果ξk+1>0，则把式(26)变为以下形式：
式中：εk+1为中间变量，λk为第k次的遗忘因子，并且满足0＜λk≤1，λk越小，则旧数据的影响越小[7]，第k+1次的遗忘因子公式如下：
νk+1＝λk(νk+1)
式中：ρ是一个固定的常数，初始的γ和ν是0到1之间的数。
具体步骤如下：
初始的训练数据从数据中挑选，初始化参数λ0；γ0；ν0；ρ；C；μ；
Step1:XL随机从D0中选择作为映射样本；
Step2:D0和XL计算初始的核矩阵K0＝K(X0,XL)；
Step3:获得初始的输出权重β0；
Step4:令k＝0；
Step5:当第k+1次数据到来时，求得Kk+1；
Step6:得到βk+1、ξk+1；
Step7:如果ξk+1＝0，则令Pk+1＝Pk；如果ξk+1＞0，求得Pk+1；
Step8:计算ηk+1、γk+1、νk+1；
Step9:计算下一步的遗忘因子λk+1，返回Step5继续执行。
本发明考虑到由于实际中工况经常变化，提出了可以对核函数及参数进行更新的方法，即根据预测误差来抛弃冗余数据，增加新的数据来更新训练样本，这个预测模型同时满足实时和预测精度。
定义预测误差为预测值和实际值之间的偏差
其中，yi为i时刻的实际值，为i时刻的预测值，ei为i时刻的预测误差。
模型总预测误差为
其中，m为模型训练样本数量。
建立一个滑动数据窗口，由式(29)计算的总预测误差来确定模型参数是否更新，若总预测误差大于阈值需要更新时，插入滑动窗口中误差大于阈值的n组训练样本，删除依据式(28)中计算得到的最小的n组训练样本，更新模型参数，生成新的预测模型，该方式可以避免删除训练数据中的重要样本。
机器学习预测模块具体步骤为：
S1：使用初始数据建立模型；
S2：建立滑动窗口；
S3：计算模型中样本的个体预测误差；
S4：获取新的数据并输入模型和滑动窗口中，旧数据从滑动窗口删除；
S5：计算滑动窗口中的总体预测误差与个体预测误差；
S6：如果总体预测误差超过阈值转至S7；否则转至S4；
S7：使用滑动窗口中个体预测误差超过阈值的数据顶替模型样本中依次最小的式(29)的原数据；
S8：重新建立模型，并转到S3。
本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书界定。

Claims (6)

1.一种用于脱硝控制的信息物理融合系统，包括预测模型变量选取模块、氮氧化物预测计算模块和控制模块，其特征在于：
所述预测模型变量选取模块能够接收火电厂现场的实时数据并能够计算出电场测点的变量之间的时滞；
所述氮氧化物预测计算模块能够使所述变量的时滞信息统一并能够对氮氧化物的含量进行预测；
所述控制模块用于控制SCR脱硝系统；
通信模块，所述预测模型变量选取模块和所述氮氧化物预测计算模块通过所述通信模块连接于所述控制模块，所述预测模型变量选取模块还连接于所述氮氧化物预测计算模块。
2.根据权利要求1所述的用于脱硝控制的信息物理融合系统，其特征在于，所述控制模块为DCS系统。
3.根据权利要求1所述的用于脱硝控制的信息物理融合系统，其特征在于，所述预测模型变量选取模块包括历史数据存储模块、变量选取计算模块、变量时滞计算模块，其中，所述历史数据存储模块连接于所述变量选取计算模块，所述变量选取计算模块连接于所述变量时滞计算模块。
4.根据权利要求1所述的用于脱硝控制的信息物理融合系统，其特征在于，所述氮氧化物预测计算模块包括变量时滞统一模块、机器学习预测模块，其中，所述变量时滞统一模块连接于所述机器学习预测模块。
5.一种用于脱硝控制的信息物理融合系统的控制方法，其特征在于，包括如下步骤：
步骤1：所述DCS系统将火电厂现场的氮氧化物含量数据实时发送给预测模型变量选取模块、并储存到历史数据储存模块中，通过变量选取计算模块使用历史数据计算并选择出能够作为预测模块的输入并有效输出的变量以供后续的预测、通过变量时滞计算模块使用历史数据计算出各个变量之间的时滞以供后续的时滞统一；
步骤2：所述氮氧化物预测计算模块先使用预测模型变量选取模块中计算出各个变量之间的时滞，通过变量时滞统一模块统一时滞，之后使用预测模型变量选取模块中计算并选择出合适的变量，通过机器学习预测模块进行预测，最后将预测得到的SCR脱硝系统入口、出口氮氧化物含量发送给控制模块；
步骤3：所述DCS系统根据所述SCR脱硝系统入口、出口氮氧化物含量实现对脱硝系统的控制。
6.根据权利要求5所述的用于脱硝控制的信息物理融合系统的控制方法，其特征在于，步骤1中，首先将DCS发送过来的变量进行二值化
其中，xi是i时刻的原始变量的值，|xi-xi-1|为绝对值，δ为可变参数，是二值化之后j时刻的值，根据公式(1)可将原始值二值化；
将变量两两配对，计算之间的因果效应，定义一个变量为x，一个为y；
为查找变量之间的时滞关系，设计了参数τ；
其中，为第n个，其参数为k的新数组，为第n个，其参数为l的新数组；
将这对变量做如下改变：
为或逻辑，意思是如果数组从i到n中有1，则全部为1，如果没有1，全部为0，之后计算这对变量之间的
其中，为参数为k，l时，从变量y到x的因果关系，Σ为求和号，为xn,的联合密度函数，是条件概率密度函数，条件为已知，是条件概率密度函数，条件为已知；
同样的，从变量x到y的因果关系为：
根据公式(2)可知，随着参数τ的变化而变化，通过改变τ分别寻找和最大的数值，作为变量之间的传递关系CY→X、CX→Y；
接下来，筛选合适的辅助变量；
记被预测的变量为Y，DCS中其他变量为X1，X2，···，Xn，其中，n为其他变量的数量；
根据之前的描述两两求取传递关系，构成传递函数初始矩阵：
根据之前的描述两两求取传递关系，构成被预测变量的传递函数初始向量：
通过如下公式迭代至收敛
最终得到其他变量的选取指数
选取前10的变量作为辅助变量。
CN201811534095.XA 2018-12-14 2018-12-14 一种用于脱硝控制的信息物理融合系统及其控制方法 Pending CN109634117A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811534095.XA CN109634117A (zh) 2018-12-14 2018-12-14 一种用于脱硝控制的信息物理融合系统及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811534095.XA CN109634117A (zh) 2018-12-14 2018-12-14 一种用于脱硝控制的信息物理融合系统及其控制方法

Publications (1)

Publication Number Publication Date
CN109634117A true CN109634117A (zh) 2019-04-16

Family

ID=66074106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811534095.XA Pending CN109634117A (zh) 2018-12-14 2018-12-14 一种用于脱硝控制的信息物理融合系统及其控制方法

Country Status (1)

Country Link
CN (1) CN109634117A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110935312A (zh) * 2019-12-16 2020-03-31 广州珠江电力有限公司 一种scr烟气脱硝系统的动态监控装置及动态监测方法
CN111266004A (zh) * 2020-03-20 2020-06-12 大唐环境产业集团股份有限公司 一种SCR脱硝反应器入口NOx延迟估计系统
CN113592163A (zh) * 2021-07-22 2021-11-02 汉谷云智(武汉)科技有限公司 Scr脱硝反应器入口氮氧化物浓度预测方法及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105629736A (zh) * 2016-03-22 2016-06-01 东南大学 数据驱动的火电机组scr脱硝扰动抑制预测控制方法
CN106647610A (zh) * 2017-02-04 2017-05-10 华北电力大学（保定） 一种智能的scr脱硝控制系统及其控制方法
CN206497349U (zh) * 2017-02-04 2017-09-15 华北电力大学（保定） 一种智能的scr脱硝控制系统
CN107464014A (zh) * 2017-07-19 2017-12-12 华北电力大学（保定） 一种燃煤机组脱硝控制系统入口氮氧化物的预测方法
CN108804851A (zh) * 2018-06-28 2018-11-13 浙江大学 一种混沌群智寻优高精度的丙烯聚合生产过程最优软测量仪表
CN108803525A (zh) * 2018-06-28 2018-11-13 浙江大学 一种混沌敏捷高精度的丙烯聚合生产过程最优软测量仪表

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105629736A (zh) * 2016-03-22 2016-06-01 东南大学 数据驱动的火电机组scr脱硝扰动抑制预测控制方法
CN106647610A (zh) * 2017-02-04 2017-05-10 华北电力大学（保定） 一种智能的scr脱硝控制系统及其控制方法
CN206497349U (zh) * 2017-02-04 2017-09-15 华北电力大学（保定） 一种智能的scr脱硝控制系统
CN107464014A (zh) * 2017-07-19 2017-12-12 华北电力大学（保定） 一种燃煤机组脱硝控制系统入口氮氧化物的预测方法
CN108804851A (zh) * 2018-06-28 2018-11-13 浙江大学 一种混沌群智寻优高精度的丙烯聚合生产过程最优软测量仪表
CN108803525A (zh) * 2018-06-28 2018-11-13 浙江大学 一种混沌敏捷高精度的丙烯聚合生产过程最优软测量仪表

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SONGTING LI等: "Causal inference in nonlinear systems: Granger causality", 《APS PHYSICS》 *
赵文杰等: "基于互信息变量选择的SCR 烟气脱硝系统", 《热力发电》 *
金秀章等: "传递熵变量选择的非线性系统时序预测模型", 《中国电机工程学报》 *
金秀章等: "基于改进极限学习机的入口氮氧化物预测", 《计算机工程与设计》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110935312A (zh) * 2019-12-16 2020-03-31 广州珠江电力有限公司 一种scr烟气脱硝系统的动态监控装置及动态监测方法
CN110935312B (zh) * 2019-12-16 2022-08-30 广州珠江电力有限公司 一种scr烟气脱硝系统的动态监控装置及动态监测方法
CN111266004A (zh) * 2020-03-20 2020-06-12 大唐环境产业集团股份有限公司 一种SCR脱硝反应器入口NOx延迟估计系统
CN113592163A (zh) * 2021-07-22 2021-11-02 汉谷云智(武汉)科技有限公司 Scr脱硝反应器入口氮氧化物浓度预测方法及设备

Similar Documents

Publication Publication Date Title
CN109634117A (zh) 一种用于脱硝控制的信息物理融合系统及其控制方法
CN107220734A (zh) 基于决策树的数控车床车削过程能耗预测系统
CN108932567B (zh) 一种基于卷积神经网络的水泥烧成过程多能耗指标预测方法
CN103676881B (zh) 一种半导体生产线动态瓶颈分析方法
CN109491816A (zh) 基于知识的故障诊断方法
CN109190848A (zh) 一种基于时延预估的SCR系统NOx排放浓度预测方法
CN110163436A (zh) 基于动态瓶颈预测的智能车间生产优化方法
CN115570228B (zh) 一种焊接管道供气智能反馈控制方法与系统
CN102354114A (zh) 一种网络控制系统的随机时延建模方法
CN106292563A (zh) 一种工业固废综合利用产业链风险监控管理系统
CN113156900B (zh) 一种基于元强化学习的加工变形控制方法
CN105320987A (zh) 一种基于bp神经网络的卫星遥测数据智能判读方法
CN106597840A (zh) 一种基于产生式规则推理的pid参数整定方法
CN102073274B (zh) 专家模糊增量式自适应的参数在线整定优化系统及方法
CN106094751B (zh) 一种原料的调度方法及装置
CN103279030B (zh) 基于贝叶斯框架的动态软测量建模方法及装置
CN116722605B (zh) 一种基于物联网的配电网调度优化方法
CN113488111A (zh) 一种scr脱硝系统喷氨量优化建模方法
CN116859839A (zh) 基于模型训练的工业控制方法和装置
CN116307028A (zh) 一种基于改进决策树的短期电力负荷预测方法及系统
CN111796519B (zh) 一种基于极限学习机的多输入多输出系统自动控制方法
CN103558762B (zh) 基于图形化组态技术的免疫遗传pid控制器的实现方法
CN113591384B (zh) 一种基于门控卷积网络的水泥成品比表面积预测方法
CN111781821B (zh) SISO紧格式无模型控制器基于Attention机制循环神经网络的参数自整定方法
Li et al. Establishment of a self-learning mechanism for multi-time scale forecasting of concrete distributor transport capacity

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190416