CN109766666A - 基于低氮燃烧与SNCR-SCR协同控制的锅炉烟气排放NOx浓度预测方法 - Google Patents
基于低氮燃烧与SNCR-SCR协同控制的锅炉烟气排放NOx浓度预测方法 Download PDFInfo
- Publication number
- CN109766666A CN109766666A CN201910113946.1A CN201910113946A CN109766666A CN 109766666 A CN109766666 A CN 109766666A CN 201910113946 A CN201910113946 A CN 201910113946A CN 109766666 A CN109766666 A CN 109766666A
- Authority
- CN
- China
- Prior art keywords
- link
- parameter
- scr
- sncr
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 34
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 17
- 239000000779 smoke Substances 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 230000006872 improvement Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 abstract description 18
- 230000006870 function Effects 0.000 description 10
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 8
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 6
- 239000003546 flue gas Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 229910021529 ammonia Inorganic materials 0.000 description 4
- 239000003245 coal Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 108700018263 Brassica oleracea SCR Proteins 0.000 description 2
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003455 independent Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006722 reduction reaction Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明提供了基于低氮燃烧与SNCR‑SCR协同控制的锅炉烟气排放NOx浓度预测方法，该方法先确定预测目标，再确定预测模型的输入向量，根据预测目标和步输入向量，基于改进支持向量回归机，构建超低排放环节NOx浓度协同预测模型。本发明低氮燃烧与SNCR‑SCR协同控制的锅炉烟气排放NOx浓度预测方法，与现有技术中的标准支持向量回归机和基于粒子群优化的支持向量回归机模型相比，具有更低的预测方根误差和平均绝对误差。
Description
技术领域
本发明属于火力发电领域，具体涉及基于低氮燃烧与SNCR-SCR协同控制的锅炉烟气排放NOx浓度预测方法。
背景技术
燃煤火力发电是电力供应的主要来源，出于环保考虑，对燃煤火力发电过程的NOx的排放控制要求日益严格，实现火电厂的NOx超低排放意义重大。
NOx超低排放环节可分为三个子环节：低氮燃烧环节、SNCR脱硝环节和SCR脱硝环节。低氮燃烧环节燃烧效率取决于煤种、负荷、配风量等因素；SNCR脱硝环节脱硝效率取决于炉膛出口温度和氨气流量等因素；SCR脱硝环节脱硝效率取决于催化剂活性、氨气流量、进口温度和烟气流场速度等因素。NOx超低排放环节的三个子环节中具有非线性和耦合性。一方面，如果低氮燃烧不充分，就会影响SNCR脱硝环节脱硝效率；另一方面，如果SNCR脱硝不充分，就会影响SCR脱硝效率。
要实现NOx超低排放，前提是有效地对锅炉出口烟气NOx的排放浓度进行预测。现有技术中，火电厂SCR和SNCR脱硝环节出口NOx浓度预测的方法主要分为两类，一类是通过机理建模预测；另一类是基于数据建模来预测。由于火电厂SCR和SNCR脱硝环节机理复杂，难以建立精确数学模型，因此SCR和SNCR一般不采用机理建模方法，而基于数据的出口 NOx浓度预测有基于神经网络预测方法、基于支持向量机预测方法等。CN103324991B公开了一种煤粉锅炉NOx排放预测的方法与系统，该方法将实际的煤粉锅炉模型化，并对模型进行网格划分，再采用FLUENT软件模拟锅炉燃烧过程，并求解NOx的浓度，以了解环境污染程度，该方法由于不需要进行试验，省去了试验装置开支，且相比传统的试验方法更灵活，然而精确程度有限。CN106931453B公开了一种循环流化床生活垃圾焚烧锅炉NOx排放的实时预测系统及方法，该发明采用BP神经网络算法和引入单纯形算子的多种群粒子群优化算法集成建模的方法，构建了一种快速经济且自适应更新的系统和方法对锅炉烟气NOx排放进行实时预测，避开了机理建模工作，利用BP神经网络算法的非线性动力学特性、泛化能力和实时预测能力来表征NOx排放的动态变化特性，利用粒子群优化算法对BP神经网络的初始权值和阈值进行寻优，降低BP神经网络在训练过程中陷入局部最优值的可能性，引入单纯形算子和多种群迁移机制，提高粒子群优化算法解的多样性和局部搜索能力，减少粒子群算法寻优算陷入局部最优的可能性，然而，神经网络存在容易陷入局部最优和过拟合的问题。CN106991507A公开了一种SCR入口NOx浓度在线预测方法，该方法先获得当前时间周期的运行参数数据，运行参数数据包括负荷、给煤量、风门阀位和烟气含氧量，再将运行参数数据输入到预先在线训练启用的NOx排放模型中，获得当前时间周期对应的SCR入口的NOx浓度预测值。
综上，为了更加有效地对排放环节NOx浓度进行预测，仍需一种新的方法。
发明内容
为解决现有技术中存在的问题，本发明的目的是提供基于低氮燃烧与SNCR-SCR协同控制的锅炉烟气排放NOx浓度预测方法。
为实现上述目的，本发明采用以下方案：
低氮燃烧与SNCR-SCR协同控制的锅炉烟气排放NOx浓度预测方法，步骤包括：
(1)确定预测目标；
(2)确定预测模型的输入向量；
(3)根据步骤(1)确定的预测目标和步骤(2)确定的输入向量，基于改进支持向量回归机，构建NOx超低排放环节协同预测模型。
优选地，所述预测目标包括工艺参数低氮燃烧环节、SNCR脱硝环节和SCR脱硝环节中的出口NOx浓度。
优选地，所述输入向量包括NOx超低排放环节参数、SCR脱硝环节参数和SNCR脱硝环节参数。
优选地，所述NOx超低排放环节参数包括NOx超低排放环节输入参数、NOx超低排放环节操作参数和NOx超低排放环节状态参数。
优选地，所述SCR脱硝环节参数包括SCR脱硝环节输入参数、SCR脱硝环节操作参数和SCR脱硝环节状态参数。
优选地，所述SNCR脱硝环节参数包括SNCR脱硝环节输入参数、SNCR脱硝环节操作参数和SNCR脱硝环节状态参数。
优选地，所述预测模型表达为：
表达式(12)中，αi、αi *是通过训练得到的对偶问题的解系数；
b为相应的偏差值；
xi为训练样本输入向量，x为测试样本输入向量。
优选地，所述改进支持向量回归机为正弦余弦算法优化的支持向量回归机。
支持向量机(SVM)是一种常用的分类和回归机器学习工具。支持向量回归机是一种非参数技术，因为它依赖于核函数。与其他已有的预测方法相比，支持向量回归算法特别适用于小样本、非线性和高维数据集。由于引入软间隔，支持向量回归机具有很强的泛化能力。支持向量回归机主要思想是将输入向量映射到高维空间，然后通过在高维空间内求解线性回归。
假设数据集有l个样本其中xi第i个训练样本输入列向量，yi为样本输出值。表示输入空间(如)，目标是找到一个函数f(x)使得输出值yi与预测值之间的偏差至多为ε，即预测值f(x)与实测值y最大的容忍度为∈。
通过引入松驰变量，原问题优化函数为：
其中c为平衡参数，ε不敏感损失函数|ξ|ε，偏差如果大于ε，定义以下函数：
引入拉格朗日乘子：
其中L为拉格朗日函数，ηi,αi,为拉格朗日乘子，该拉格朗日乘子需要满足式(5) 条件：
其中指的是αi和
对拉格朗日函数L求偏导，并置偏导为0，获得式(6)～(8)：
将式(6)～(8)代入原问题的对偶优化问题(4)：
利用式(8)消除ηi,即
因此，预测模型表达式为：
SCR脱硝系统因其高效的脱硝效率在火电厂里得到了广泛的应用，其脱硝环节利用被稀释的氨气与烟气中的NOx混合，在催化剂(例如TiO2)的催化作用下发生选择性催化还原反应，反应后的产物为氮气和水，脱硝环节中的化学反应主要有：
4NH3+4NO+O2＝4N2+6H2O (13)
4NH3+3O2＝2N2+6H2O (14)
本发明的有益效果
本发明低氮燃烧与SNCR-SCR协同控制的锅炉烟气排放NOx浓度预测方法，与标准支持向量回归机和基于粒子群优化的支持向量回归机模型相比，具有更低的预测方根误差和平均绝对误差。
附图说明
图1是标准支持向量回归的预测结果。
图2是基于粒子群优化的支持向量回归的预测结果。
图3是基于正弦余弦的支持向量机回归的预测结果。
图4是标准支持向量回归的预测结果。
图5是基于粒子群优化的支持向量回归的预测结果。
图6是基于正弦余弦的支持向量机回归的预测结果。
具体实施方式
以下是本发明的具体实施例，并结合实施例对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
实施例1
低氮燃烧与SNCR-SCR协同控制的锅炉烟气排放NOx浓度预测方法，步骤包括：
(1)确定预测目标；
(2)确定预测模型的输入向量；
(3)根据步骤(1)确定的预测目标和步骤(2)确定的输入向量，基于改进支持向量回归机，构建NOx超低排放环节协同预测模型。
其中，预测目标包括工艺参数低氮燃烧环节、SNCR脱硝环节和SCR脱硝环节中的出口 NOx浓度。
输入向量包括NOx超低排放环节参数、SCR脱硝环节参数和SNCR脱硝环节参数。
NOx超低排放环节参数包括NOx超低排放环节输入参数、NOx超低排放环节操作参数和 NOx超低排放环节状态参数。
SCR脱硝环节参数包括SCR脱硝环节输入参数、SCR脱硝环节操作参数和SCR脱硝环节状态参数。
SNCR脱硝环节参数包括SNCR脱硝环节输入参数、SNCR脱硝环节操作参数和SNCR脱硝环节状态参数。
预测模型表达为：
表达式(12)中，αi、αi *是通过训练得到的对偶问题的解系数；
b为相应的偏差值；
xi为训练样本输入向量，x为测试样本输入向量。
改进支持向量回归机为正弦余弦算法优化的支持向量回归机。
实施例2
为了验证基于正弦余弦支持向量机算法函数逼近和全局泛化能力，采用SCR出口NOx 浓度进行测试，该数据集由252组数据组成，每组数据含有1个因变量和5个自变量。SCR出口NOx浓度数据集用于验证方法的有效性。此次测试将252组观测数据中的前150组数据作为训练样本，其余102组数据作为测试样本用来验证模型的性能。数据集的描述如表1所示。
表1数据集变量描述
分别采用标准支持向量机回归机(SVR)、基于粒子群优化的支持向量回归机(PSO-SVR)、基于正弦余弦的支持向量回归机(Sin-Cos-SVR)进行仿真测试。标准的支持向量回归机通过网络搜索确定平衡参数和高斯核函数，基于粒子群优化的支持向量回归机利用粒子群算法优化平衡参数和高斯核函数，基于正弦余弦的支持向量回归机利用正弦余弦获得最优平衡参数和高斯核函数，对测试样本的预测结果如图1～图3所示。
从图1、图2和图3可知，基于正弦余弦的支持向量回归机所建模型的预测值与实际测量值拟合效果更好，表明基于正弦余弦的支持向量回归机具有更高的预测精度。为了更准确评估所提算法的性能，利用均方根误差(RMSE)和平均绝对误差(MAPE)进行评价，计算公式如下：
其中，yi，f(x)分别表示实际输出值与预测输出值，n代表测试样本个数。表2给出了三种模型预测误差对比结果，基于正弦余弦的支持向量回归机的均方根误差、平均绝对百分比误差分别为0.3246，0.1903，两项误差指标均小于标准支持向量回归机和基于粒子群优化的支持向量回归机模型，验证了基于正弦余弦的支持向量回归机的有效性，同时表明了基于正弦余弦的支持向量回归机具有更强的适应性和泛化能力。
表2三种SVR模型的误差对比结果
实施例3
为了进一步验证基于正弦余弦的支持向量回归机的有效性，同时也为了对火电厂脱硝系统协同控制，提出了将SNCR脱硝环节和SCR脱硝环节综合结合起来考虑，将SNCR和SCR 的操作参数、输入参数等作为支持向量回归机的输入向量，将出口NOx浓度作为输出值。采用SCR出口NOx浓度进行测试，该数据集由1400组数据组成，每组数据含有1个因变量和 17个自变量。SCR出口NOx浓度数据集用于验证方法的有效性。此次测试将1400组观测数据中的前1260组数据作为训练样本，其余140组数据作为测试样本用来验证模型的性能。数据集变量的描述如表3所示。
表3数据集变量描述
从图4～图6所示的实验结果，标准支持向量回归机方法所建模型的预测曲线与实际值曲线保持相近的变化趋势，但是拟合误差较大；基于粒子群优化的支持向量机回归机模型的预测效果优于标准支持向量回归机，且基于正弦余弦的支持向量回归机模型的预测结果优于基于粒子群优化的支持向量回归机模型。由表4可知，标准支持向量回归机的预测精度最低，基于粒子群优化的支持向量机回归机模型的泛化能力优于标准支持向量回归机，表明粒子群算法选择最优参数后支持向量回归机模型具有了比网格搜索更精确的预测性能；基于正弦余弦的支持向量回归机模型预测的均方根误差、平均绝对误差分别为0.3178，0.1824，预测精度明显优于前两种方法，表明基于正弦余弦的支持向量回归机模型利用正弦余弦算法优化支持向量机后获得最优的平衡参数和核参数，提高了模型预测精度。
表4三种SVR模型的误差对比结果
本发明针对SCR和SNCR脱硝环节的非线性、多变量问题，提出了基于正弦余弦的支持向量回归机模型。通过对SCR和SNCR机理分析，入口NOx浓度、入口烟气流量、入口烟气温度、喷氨量、机组负荷等作为支持向量回归机的输入向量，SCR出口NOx浓度作为支持向量回归输出值。利用均方根误差和平均绝对误差作为评价指标和适应度函数，获得标准支持向量回归机、基于粒子群优化的支持向量回归机和基于正弦余弦的支持向量回归机最优平衡参数和核参数，然后利用该参数训练支持向量回归机模型，最后对测试样本进行测试，获得均方根误差和平均绝对误差。实验结果表明，与标准支持向量回归机和基于粒子群优化的支持向量回归机相比，基于正弦余弦的支持向量回归机具有更低的均方根误差和平均绝对误差。
Claims (8)
1.基于低氮燃烧与SNCR-SCR协同控制的锅炉烟气排放NOx浓度预测方法，其特征在于，步骤包括：
(1)确定预测目标；
(2)确定预测模型的输入向量；
(3)根据步骤(1)确定的预测目标和步骤(2)确定的输入向量，基于改进支持向量回归机，构建NOx超低排放环节协同预测模型。
2.根据权利要求1所述的方法，其特征在于，所述预测目标包括工艺参数低氮燃烧环节、SNCR脱硝环节和SCR脱硝反应器中的出口NOx浓度。
3.根据权利要求1所述的方法，其特征在于，所述输入向量包括NOx超低排放环节参数、SCR脱硝环节参数和SNCR脱硝环节参数。
4.根据权利要求3所述的方法，其特征在于，所述NOx超低排放环节参数包括NOx超低排放环节输入参数、NOx超低排放环节操作参数和NOx超低排放环节状态参数。
5.根据权利要求3所述的方法，其特征在于，所述SCR脱硝环节参数包括SCR脱硝环节输入参数、SCR脱硝环节操作参数和SCR脱硝环节状态参数。
6.根据权利要求3所述的方法，其特征在于，所述SNCR脱硝环节参数包括SNCR脱硝环节输入参数、SNCR脱硝环节操作参数和SNCR脱硝环节状态参数。
7.根据权利要求1所述的方法，其特征在于，所述预测模型表达为：
表达式(12)中，αi、αi*是通过训练得到的对偶问题的解系数；
b为相应的偏差值；
xi为训练样本输入向量，x为测试样本输入向量。
8.根据权利要求1所述的方法，其特征在于，所述改进支持向量回归机为正弦余弦算法优化的支持向量回归机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910113946.1A CN109766666A (zh) | 2019-02-14 | 2019-02-14 | 基于低氮燃烧与SNCR-SCR协同控制的锅炉烟气排放NOx浓度预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910113946.1A CN109766666A (zh) | 2019-02-14 | 2019-02-14 | 基于低氮燃烧与SNCR-SCR协同控制的锅炉烟气排放NOx浓度预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109766666A true CN109766666A (zh) | 2019-05-17 |
Family
ID=66456145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910113946.1A Pending CN109766666A (zh) | 2019-02-14 | 2019-02-14 | 基于低氮燃烧与SNCR-SCR协同控制的锅炉烟气排放NOx浓度预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109766666A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113238671A (zh) * | 2021-05-31 | 2021-08-10 | 东莞市铭冠电子科技有限公司 | 一种急速滚轮的实现方法及装置 |
| CN114534466A (zh) * | 2020-11-11 | 2022-05-27 | 台泥资讯股份有限公司 | 控制系统控制氮氧化物排放的方法 |
| CN114878745A (zh) * | 2022-04-25 | 2022-08-09 | 北京市生态环境保护科学研究院 | 一种基于支持向量机的燃气锅炉氮氧化物预测监测系统 |
| US11853023B2 (en) | 2020-11-11 | 2023-12-26 | Tcc Information Systems Corp. | Method of controlling coal management system for reducing coal usage |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105894109A (zh) * | 2016-03-31 | 2016-08-24 | 国网江西省电力科学研究院 | 一种火电机组锅炉混煤优化配煤方案获取方法 |
| CN106500128A (zh) * | 2017-01-12 | 2017-03-15 | 东北电力大学 | 一种变负荷工况下火电厂锅炉NOx排放控制方法 |
| CN107657104A (zh) * | 2017-09-20 | 2018-02-02 | 浙江浙能台州第二发电有限责任公司 | 基于在线支持向量机的锅炉燃烧系统动态建模方法 |
| CN108254678A (zh) * | 2018-01-19 | 2018-07-06 | 成都航空职业技术学院 | 一种基于正弦余弦算法的模拟电路故障分类方法 |
-
2019
- 2019-02-14 CN CN201910113946.1A patent/CN109766666A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105894109A (zh) * | 2016-03-31 | 2016-08-24 | 国网江西省电力科学研究院 | 一种火电机组锅炉混煤优化配煤方案获取方法 |
| CN106500128A (zh) * | 2017-01-12 | 2017-03-15 | 东北电力大学 | 一种变负荷工况下火电厂锅炉NOx排放控制方法 |
| CN107657104A (zh) * | 2017-09-20 | 2018-02-02 | 浙江浙能台州第二发电有限责任公司 | 基于在线支持向量机的锅炉燃烧系统动态建模方法 |
| CN108254678A (zh) * | 2018-01-19 | 2018-07-06 | 成都航空职业技术学院 | 一种基于正弦余弦算法的模拟电路故障分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 马平等: "基于声波测温和LSSVM_GA的电厂NO_x排放建模与优化", 《中国测试》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114534466A (zh) * | 2020-11-11 | 2022-05-27 | 台泥资讯股份有限公司 | 控制系统控制氮氧化物排放的方法 |
| US11853023B2 (en) | 2020-11-11 | 2023-12-26 | Tcc Information Systems Corp. | Method of controlling coal management system for reducing coal usage |
| CN114534466B (zh) * | 2020-11-11 | 2024-03-22 | 台泥资讯股份有限公司 | 控制系统控制氮氧化物排放的方法 |
| CN113238671A (zh) * | 2021-05-31 | 2021-08-10 | 东莞市铭冠电子科技有限公司 | 一种急速滚轮的实现方法及装置 |
| CN114878745A (zh) * | 2022-04-25 | 2022-08-09 | 北京市生态环境保护科学研究院 | 一种基于支持向量机的燃气锅炉氮氧化物预测监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109766666A (zh) | 基于低氮燃烧与SNCR-SCR协同控制的锅炉烟气排放NOx浓度预测方法 | |
| CN107243257B (zh) | 适合全负荷的智能喷氨控制系统 | |
| CN112580250A (zh) | 基于深度学习的火电机组脱硝系统及优化控制方法 | |
| CN109420424A (zh) | 一种石灰石-石膏湿法烟气脱硫系统节能优化方法 | |
| CN115238597B (zh) | 涉及园区级综合能源系统源网荷碳排放模型的构建方法 | |
| CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
| Yu et al. | Dynamic modeling for SO2-NOx emission concentration of circulating fluidized bed units based on quantum genetic algorithm-Extreme learning machine | |
| CN112085196A (zh) | 一种基于sca算法优化bp神经网络的scr脱硝系统的喷氨调节方法 | |
| CN111460726B (zh) | 一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法 | |
| CN110299188A (zh) | 基于ga变量选择的scr烟气脱硝系统grnn建模方法 | |
| Xi et al. | Simultaneous parametric optimization for design and operation of solvent-based post-combustion carbon capture using particle swarm optimization | |
| Wu et al. | Prediction of NOx emission concentration from coal-fired power plant based on joint knowledge and data driven | |
| Nemitallah et al. | Artificial intelligence for control and optimization of boilers’ performance and emissions: A review | |
| CN112365065B (zh) | 一种wfgd自适应在线优化调度方法 | |
| Strušnik et al. | Optimisation of an old 200 MW coal-fired boiler with urea injection through the use of supervised machine learning algorithms to achieve cleaner power generation | |
| CN116688754A (zh) | 船舶烟气脱硫自动控制系统及其方法 | |
| Shao et al. | Predictive scheduling of wet flue gas desulfurization system based on reinforcement learning | |
| Ahn et al. | Economic optimization of integrated network for utility supply and carbon dioxide mitigation with multi-site and multi-period demand uncertainties | |
| Li et al. | Real-time prediction of SO2 emission concentration under wide range of variable loads by convolution-LSTM VE-transformer | |
| Krzywanski | Advanced AI applications in energy and environmental engineering systems | |
| Pitel et al. | Approximation of CO/lambda biomass combustion dependence by artificial intelligence techniques | |
| Chen et al. | Prediction method of sulfur dioxide emission | |
| 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 | |
| CN116050643A (zh) | 一种基于集成模型的流程工业污染物排放浓度预测方法 | |
| Xie et al. | Selective catalytic reduction system ammonia injection control based on deep deterministic policy reinforcement learning |
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 |
Application publication date: 20190517 |
|
| RJ01 | Rejection of invention patent application after publication |