CN110188383A - 一种基于选择性集成模型的电站scr脱硝建模方法 - Google Patents

一种基于选择性集成模型的电站scr脱硝建模方法 Download PDF

Info

Publication number
CN110188383A
CN110188383A CN201910329371.7A CN201910329371A CN110188383A CN 110188383 A CN110188383 A CN 110188383A CN 201910329371 A CN201910329371 A CN 201910329371A CN 110188383 A CN110188383 A CN 110188383A
Authority
CN
China
Prior art keywords
model
library
model library
moment
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.)
Granted
Application number
CN201910329371.7A
Other languages
English (en)
Other versions
CN110188383B (zh
Inventor
谭鹏
饶德备
张�成
李壮扬
胡昌镁
曹楠
李胜男
方庆艳
陈刚
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910329371.7A priority Critical patent/CN110188383B/zh
Publication of CN110188383A publication Critical patent/CN110188383A/zh
Application granted granted Critical
Publication of CN110188383B publication Critical patent/CN110188383B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B01D53/8628—Processes characterised by a specific catalyst
    • 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
    • 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"
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2219/00—Indexing scheme relating to application aspects of data processing equipment or methods
    • G06F2219/10—Environmental application, e.g. waste reduction, pollution control, compliance with environmental legislation

Abstract

本发明属于热工自动控制领域，并公开了一种基于选择性集成模型库的电站锅炉SCR脱硝建模方法。该方法包括下列步骤：(a)采集多天的电站SCR反应器入口和出口处的参数值，将其分为训练集和测试集，选取学习器，利用训练集数据训练获得多个模型形成模型库；(b)利用模型库中的模型预测一天中每个时刻的预测值；(c)t＝t+1，返回步骤(b)，当完成一天所有时刻的预测后，更新模型库，将更新后的模型库作为当前模型库，返回步骤(b)，直至完成测试集中最后一天模型库的更新，以此获得最终的所需的模型库，即完成电站SCR脱硝的建模。通过本发明，大大降低模型更新时带来的数据筛选和调参问题，减少了人工作用，智能化程度更高。

Description

一种基于选择性集成模型的电站SCR脱硝建模方法
技术领域
本发明属于热工自动控制领域，更具体地，涉及一种基于选择性集成模型的电站SCR脱硝建模方法。
背景技术
随着环保法规的日益严苛，烟气脱硝技术成了燃煤电站必备的烟气处理装置。选择性催化还原技术(Selective Catalytic Reduction，SCR)技术成熟、高效稳定的特点使其在燃煤电站中获得了广泛应用。精确、高效的喷氨控制方式是提高脱硝效率、保障系统安全运行的关键。喷氨不足会导致脱硝效率降低，烟气出口NOx浓度超标；喷氨过量会造成额外的氨逃逸，增加硫酸氢铵的生成，导致下游空预器堵塞，影响电厂安全生产。
可再生能源入网比例的持续升高使火电机组身份从基础电源向调峰电源方向转变，机组负荷率下降，非设计工况、变工况运行时段增多。此外，我国煤炭市场复杂，电厂煤源复杂，煤质多变。这大大增加了SCR脱硝系统运行的难度，传统PID控制难以适应复杂条件的喷氨精确控制，研究、开发更精确更快速的喷氨控制方法具有重要意义。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于选择性集成模型的电站SCR脱硝建模方法，通过建立关于电站SCR反应器入口和出口处的参数值的模型库，克服现有因模型失效而导致喷氨量控制不准确的问题，通过采用本发明建立的模型库，可实现在变工况条件下出口处氮氧化合物的预测，从而实施调整喷氨量，避免NOX排放超标时而氨逃逸过量的问题。
为实现上述目的，按照本发明，提供了一种基于选择性集成模型的电站SCR脱硝建模方法，该方法包括下列步骤：
(a)采集多天的电站SCR反应器入口和出口处的参数值，将该参数值分成训练集和测试集，选取学习器，将连续m天的数据划分为一组，以此获得M组数据，分别利用所述M组数据训练所述学习器，以此获得M个模型，该M个模型形成模型库，其中，训练所述学习器过程中，所述训练集中SCR反应器入口处的参数值作为输入，出口处的参数值作为输出，m和M为自然数；
(b)对于所述测试集中每天的数据，将t时刻所述模型库中所有模型分别预测获得t时刻SCR反应器出口处的参数值，以此获得每个模型对应的预测值；将每个模型对应的预测值分别与实际的参数值进行比较并计算误差，以此获得每个模型对应的预测误差REi(t)，利用该预测误差REi(t)计算每个模型对应的预测权重Wi(t+1)，利用所述预测权重预测t+1时刻SCR反应器出口处的参数值，以此获得t+1时刻的预测值；
(c)t＝t+1，返回步骤(b)，当完成一天所有时刻的预测后，更新所述模型库，将更新后的模型库作为当前模型库，返回步骤(b)，直至完成所述测试集中最后一天模型库的更新，以此获得最终的所需的模型库，即完成电站SCR脱硝的建模。
进一步优选地，在步骤(b)中，所述利用该预测误差REi(t)计算每个模型对应的预测权重Wi(t+1)时，优选先按照下列方式对每个模型的预测误差进行处理：将每个模型对应的预测误差REi(t)进行排序，按照预设的比例保留预测误差不变，其余的预测误差置为无穷大，以此方式更新每个模型的预测误差，然后将更新后的预测误差用于计算每个模型对应的预测权重Wi(t+1)。
进一步优选地，在步骤(b)中，利用该预测误差REi(t)计算每个模型对应的预测权重Wi(t+1)，优选按照下列方式进行计算：
其中，Wi(t+1)是i第个模型在t+1时刻的预测权重，n是模型t时刻模型库中模型的总数量。
进一步优选地，在步骤(c)中，所述更新所述模型库优选按照下列方式：
(c1)利用一天中每个时刻的预测值与实际值的误差R(t)计算该天的平均误差，当平均误差大于预设阈值时，增加模型库中的模型；
(c2)对每个模型设定计数器衡量其预测误差被置为无穷大的次数，将一天中模型库中每个模型的计数器次数与预设次数进行比较，当计数器次数大于预设次数时，在所述模型库中删除计数器次数最大的模型。
进一步优选地，在步骤(c1)中，所述增加模型库中的模型优选按照下列方式：优选将当天与前k天的数据作为训练数据，利用所述学习器训练该训练数据获得一个新的模型，将该新的模型增加到当前的模型库中，以此实现模型的增加。
进一步优选地，在步骤(c)中，计算误差优选按照下列表达式进行：
其中，i是模型的数量，y(t)是t时刻SCR反应器出口处实际的参数值，是t时刻SCR反应器出口处参数预测值，REi(t)是第i个模型t时刻的预测值与实际的参数值之间的误差。
进一步优选地，在步骤(c)中，所述预测权重优选按照下列方式进行计算：
其中，Wi(t+1)是i第个模型在t+1时刻的预测权重，n是模型t时刻模型库中模型的总数量。
进一步优选地，在步骤(a)中，所述SCR反应器入口处的参数值优选为锅炉负荷、烟气温度、入口NOx浓度、氧气浓度和喷氨量，出口处的参数值优选为NOx浓度。
进一步优选地，在步骤(a)中，所述学习器优选为BPNN、SVM、或LSTM。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明提供的方法构建的模型库，使用了针对SCR运行数据的短期相关性而改进的选择性实时误差权重法，并配有合适的模型库更新策略，有效解决了锅炉SCR系统长期运行过程中出现的煤质和系统特性改变造成的模型失效问题，实现了对反应器出口NOX浓度的长期稳定预测；
2、本发明选择性模型库不仅实现了模型的长期有效性，更是大大降低了模型更新时带来的数据筛选和调参问题，减少了人工作用，智能化程度更高，此外，以模型库为基础实现对喷氨流量/阀门开度的滚动优化，提高了SCR喷氨控制精度、速度以及稳定能力。
附图说明
图1是按照本发明的优选实施例所构建的基于选择性集成模型的电站SCR脱硝方法的流程图；
图2是按照本发明的优选实施例所构建的基于选择性集成模型的电站SCR脱硝的设备示意图；
图3是按照本发明的优选实施例所构建的选择性集成模型库和滑动窗口-BP神经网络的预测结果对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
为克服现有喷氨控制方法在变工况条件下喷氨调整不及时而导致时而NOX排放超标时而氨逃逸过量的问题，以及模型控制方法中因模型失效而导致喷氨量不准确的问题，提出一种基于选择性集成模型库的电站锅炉SCR脱硝建模方法。
本发明利用电站SCR系统SIS系统中的运行数据，使用选择性集成模型库算法进行数据建模，利用配套的更新策略实现电站SCR喷氨长期运行中保持精确和稳定。
图1是按照本发明的优选实施例所构建的基于选择性集成模型的电站SCR脱硝方法的流程图，如图1所示，选择性集成模型库算法包含构建方法、结合策略和更新策略三个部分。
(1)构建方法
将某种模型(BPNN、SVM、LSTM等)作为基学习器分别对不同时段的多个数据集进行训练，例如，对3-5天的运行数据进行训练得到多个模型，将这些模型集合为一个模型库。
(2)结合策略——选择性实时误差权重法
模型库中所有模型同时进行计算，将各自的预测结果与实际结果对比，精度较高的模型在下一次预测中获得更大的权重，而精度较低的模型在下一次预测中的权重降低甚至置零。
设模型库中有n个模型，输入参数为x，输出参数为y，模型为f。
①t时刻模型库中所有模型的输出为其中i＝1,2,…,n；
②考察t时刻各个模型的预测值与真实值的相对误差
③分别统计所有模型的所有的REi(t)并排序，选定不同的排除百分比或者保留数量，例如保留REi(t)中较小的50％，被选定为排除对象的REi(t)值置为无限大，保留对象的值不变；
④计算各个模型对t+1时刻预测的权重步骤③中相对误差较小的模型获得更高的权重，被置为无限大的部分的模型的权重为0，即去除了该模型在下一次预测的资格。
⑤计算t+1刻的最终预测值
(3)更新策略
随着新数据的到来，算法会评估该段数据有无必要对其建模并添加至模型库。同时为了防止模型库中的模型数量过多，算法会定期对库中作用最小的模型进行清除。
模型库中新模型加入策略：利用模型库对一天的数据进行预测，若一整天的平均MRE大于设定值。则对这一天的数据包括前数天的数据进行新的建模，并将新模型加入至模型库中。
模型库中模型剔除策略：模型表现评价方法：给模型库中的所有模型加装计数器，在进行预测时，每当一个模型的权重计算为0时，该模型的计数器加1，当一个新的模型加入时，统计所有当前模型的计数器的值，值越大的模型则认为模型作用较小，表现较差。若某些模型的计数器达到一定的设定值或是占比超过计数器总数的一定百分比(如30％)，则剔除该模型。若没有这样的模型，则本轮不剔除任何模型，计数器重新归0，进入下一轮统计。但是该模型剔除策略仍然可能造成模型库缓慢变大，因此每过一段时间对模型库中的模型进行历史数据复盘预测，根据模型表现评价方法，表现较差的可以进行清除。
下面结合具体的实施例进一步说明本发明。
图2是按照本发明的优选实施例所构建的基于选择性集成模型的电站SCR脱硝的设备示意图，如图2所示，以某电厂660MW机组的50天的SCR运行数据为例，详细说明本发明内容。
以某660MW电站煤粉锅炉SCR脱硝系统为例进行了选择性集成模型库的建模研究。液氨作为SCR系统还原剂，气化后经稀释由喷氨格栅送入SCR反应器，在催化剂作用下与烟气中的NOx发生选择性催化还原反应。该脱硝系统采用V2O5-WO3/TiO2型蜂窝式催化剂，分上中下三层布置在反应器内，结构如图1所示。
共收集了研究对象电站SCR系统运行数据72000组，采样间隔1min，包含了该系统连续50天的运行数据。采样数据覆盖了从35％BMCR到100％BMCR的运行工况，且包含了大量升降负荷过程。
选择性集成模型库采用BP神经网络作为基学习器。输入为t时刻到t-4时刻的锅炉负荷、烟气温度、入口NOx浓度、氧气浓度、喷氨量和出口NOx浓度，共计5×6＝30个参数。预测值为t+1时刻的出口NOx浓度。模型以前20天数据作为训练集训练模型，后30天作为测试集测试模型效果。BP神经网络和选择性集成模型库中的基学习器均采用同样的参数，单隐层，单元数为12，学习率为0.01，优化算法为带动量及自适应学习率的梯度下降算法。选择性集成模型库中模型的训练集长度为5天的数据量，模型库的更新间隔为1天。
图3即是选择性集成模型库对后30天数据的预测结果以及与传统在线学习方法——滑动窗口-BP神经网络的比较，优势在于在长期运行过程中由于系统特性或是煤质特性改变造成传统在线学习方法出现模型失效时，选择性集成模型库仍能保持模型的有效性。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于选择性集成模型的电站SCR脱硝建模方法，其特征在于，该方法包括下列步骤：
(a)采集多天的电站SCR反应器入口和出口处的参数值，将该参数值分成训练集和测试集，选取学习器，将连续m天的数据划分为一组，以此获得M组数据，分别利用所述M组数据训练所述学习器，以此获得M个模型，该M个模型形成模型库，其中，训练所述学习器过程中，所述训练集中SCR反应器入口处的参数值作为输入，出口处的参数值作为输出，m和M为自然数；
(b)对于所述测试集中每天的数据，将t时刻所述模型库中所有模型分别预测获得t时刻SCR反应器出口处的参数值，以此获得每个模型对应的预测值；将每个模型对应的预测值分别与实际的参数值进行比较并计算误差，以此获得每个模型对应的预测误差REi(t)，利用该预测误差REi(t)计算每个模型对应的预测权重Wi(t+1)，利用所述预测权重预测t+1时刻SCR反应器出口处的参数值，以此获得t+1时刻的预测值；
(c)t＝t+1，返回步骤(b)，当完成一天所有时刻的预测后，更新所述模型库，将更新后的模型库作为当前模型库，返回步骤(b)，直至完成所述测试集中最后一天模型库的更新，以此获得最终的所需的模型库，即完成电站SCR脱硝的建模。
2.如权利要求1所述的一种基于选择性集成模型的电站SCR脱硝建模方法，其特征在于，在步骤(b)中，所述利用该预测误差REi(t)计算每个模型对应的预测权重Wi(t+1)时，优选先按照下列方式对每个模型的预测误差进行处理：将每个模型对应的预测误差REi(t)进行排序，按照预设的比例保留预测误差不变，其余的预测误差置为无穷大，以此方式更新每个模型的预测误差，然后将更新后的预测误差用于计算每个模型对应的预测权重Wi(t+1)。
3.如权利要求1或2所述的一种基于选择性集成模型的电站SCR脱硝建模方法，其特征在于，在步骤(b)中，利用该预测误差REi(t)计算每个模型对应的预测权重Wi(t+1)，优选按照下列方式进行计算：
其中，Wi(t+1)是i第个模型在t+1时刻的预测权重，n是模型t时刻模型库中模型的总数量。
4.如权利要求2所述的一种基于选择性集成模型的电站SCR脱硝建模方法，其特征在于，在步骤(c)中，所述更新所述模型库优选按照下列方式：
(c1)利用一天中每个时刻的预测值与实际值的误差R(t)计算该天的平均误差，当平均误差大于预设阈值时，增加模型库中的模型；
(c2)对每个模型设定计数器衡量其预测误差被置为无穷大的次数，将一天中模型库中每个模型的计数器次数与预设次数进行比较，当计数器次数大于预设次数时，在所述模型库中删除计数器次数最大的模型。
5.如权利要求4所述的一种基于选择性集成模型的电站SCR脱硝建模方法，其特征在于，在步骤(c1)中，所述增加模型库中的模型优选按照下列方式：优选将当天与前m-1天的数据作为训练数据，利用所述学习器训练该训练数据获得一个新的模型，将该新的模型增加到当前的模型库中，以此实现模型的增加。
6.如权利要求1-5任一项所述的一种基于选择性集成模型的电站SCR脱硝建模方法，其特征在于，在步骤(c)中，计算误差优选按照下列表达式进行：
其中，i是模型的数量，y(t)是t时刻SCR反应器出口处实际的参数值，是t时刻SCR反应器出口处参数预测值，REi(t)是第i个模型t时刻的预测值与实际的参数值之间的误差。
7.如权利要求1-6任一项所述的一种基于选择性集成模型的电站SCR脱硝建模方法，其特征在于，在步骤(c)中，所述预测权重优选按照下列方式进行计算：
其中，Wi(t+1)是i第个模型在t+1时刻的预测权重，n是模型t时刻模型库中模型的总数量。
8.如权利要求1-7任一项所述的一种基于选择性集成模型的电站SCR脱硝建模方法，其特征在于，在步骤(a)中，所述SCR反应器入口处的参数值优选为锅炉负荷、烟气温度、入口NOx浓度、氧气浓度和喷氨量，出口处的参数值优选为NOx浓度。
9.如权利要求1-8任一项所述的一种基于选择性集成模型的电站SCR脱硝建模方法，其特征在于，在步骤(a)中，所述学习器优选为BPNN、SVM、或LSTM。
CN201910329371.7A 2019-04-23 2019-04-23 一种基于选择性集成模型的电站scr脱硝建模方法 Active CN110188383B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910329371.7A CN110188383B (zh) 2019-04-23 2019-04-23 一种基于选择性集成模型的电站scr脱硝建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910329371.7A CN110188383B (zh) 2019-04-23 2019-04-23 一种基于选择性集成模型的电站scr脱硝建模方法

Publications (2)

Publication Number Publication Date
CN110188383A true CN110188383A (zh) 2019-08-30
CN110188383B CN110188383B (zh) 2021-01-05

Family

ID=67715006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910329371.7A Active CN110188383B (zh) 2019-04-23 2019-04-23 一种基于选择性集成模型的电站scr脱硝建模方法

Country Status (1)

Country Link
CN (1) CN110188383B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111804146A (zh) * 2020-06-29 2020-10-23 远光软件股份有限公司 一种智能喷氨控制方法以及智能喷氨控制装置
CN111860701A (zh) * 2020-09-24 2020-10-30 大唐环境产业集团股份有限公司 一种基于聚类方法的脱硝系统工况判别预处理方法
CN111968708A (zh) * 2020-10-23 2020-11-20 浙江浙能技术研究院有限公司 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
CN112364536A (zh) * 2020-11-06 2021-02-12 大唐环境产业集团股份有限公司 脱硝反应器结构智能优化系统及方法
CN112403261A (zh) * 2020-11-20 2021-02-26 中煤能源研究院有限责任公司 一种数字化构建烟气脱硝核心装置scr反应器的方法
CN113339113A (zh) * 2021-07-15 2021-09-03 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
CN113468813A (zh) * 2021-07-07 2021-10-01 大唐环境产业集团股份有限公司 一种脱硫系统入口so2浓度预测方法、装置、电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103488824A (zh) * 2013-09-06 2014-01-01 广东电网公司电力科学研究院 Scr脱硝系统现场运行优化方法
US20150224441A1 (en) * 2014-02-12 2015-08-13 Kurita Water Industries Ltd. Method for preventing fouling of exhaust gas flow path of burning equipment and method for removing ammonium hydrogen sulfate contained in exhaust gas of burning equipment
CN106980822A (zh) * 2017-03-14 2017-07-25 北京航空航天大学 一种基于选择性集成学习的旋转机械故障诊断方法
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
CN108445752A (zh) * 2018-03-02 2018-08-24 北京工业大学 一种自适应选择深度特征的随机权神经网络集成建模方法
CN108664006A (zh) * 2018-07-02 2018-10-16 大唐环境产业集团股份有限公司 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
CN109304086A (zh) * 2018-10-31 2019-02-05 华中科技大学 一种电站锅炉scr脱硝精细化喷氨控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103488824A (zh) * 2013-09-06 2014-01-01 广东电网公司电力科学研究院 Scr脱硝系统现场运行优化方法
US20150224441A1 (en) * 2014-02-12 2015-08-13 Kurita Water Industries Ltd. Method for preventing fouling of exhaust gas flow path of burning equipment and method for removing ammonium hydrogen sulfate contained in exhaust gas of burning equipment
CN106980822A (zh) * 2017-03-14 2017-07-25 北京航空航天大学 一种基于选择性集成学习的旋转机械故障诊断方法
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
CN108445752A (zh) * 2018-03-02 2018-08-24 北京工业大学 一种自适应选择深度特征的随机权神经网络集成建模方法
CN108664006A (zh) * 2018-07-02 2018-10-16 大唐环境产业集团股份有限公司 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
CN109304086A (zh) * 2018-10-31 2019-02-05 华中科技大学 一种电站锅炉scr脱硝精细化喷氨控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WEN PENG HONG 等: "Numerical Simulation of Flue Gas Flow and NH3 Diffusion Properties in SCR System", 《ADVANCED MATERIALS RESEARCH》 *
张春霞 等: "选择性集成学习算法综述", 《计算机学报》 *
毛剑宏: "大型电站锅炉SCR烟气脱硝系统关键技术研究", 《中国优秀硕士学位论文全文数据库（工程科技Ⅱ辑）》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111804146A (zh) * 2020-06-29 2020-10-23 远光软件股份有限公司 一种智能喷氨控制方法以及智能喷氨控制装置
CN111804146B (zh) * 2020-06-29 2022-07-01 远光软件股份有限公司 一种智能喷氨控制方法以及智能喷氨控制装置
CN111860701A (zh) * 2020-09-24 2020-10-30 大唐环境产业集团股份有限公司 一种基于聚类方法的脱硝系统工况判别预处理方法
CN111860701B (zh) * 2020-09-24 2021-01-26 大唐环境产业集团股份有限公司 一种基于聚类方法的脱硝系统工况判别预处理方法
CN111968708A (zh) * 2020-10-23 2020-11-20 浙江浙能技术研究院有限公司 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
CN111968708B (zh) * 2020-10-23 2020-12-29 浙江浙能技术研究院有限公司 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
CN112364536B (zh) * 2020-11-06 2022-07-01 大唐环境产业集团股份有限公司 脱硝反应器结构智能优化系统及方法
CN112364536A (zh) * 2020-11-06 2021-02-12 大唐环境产业集团股份有限公司 脱硝反应器结构智能优化系统及方法
CN112403261A (zh) * 2020-11-20 2021-02-26 中煤能源研究院有限责任公司 一种数字化构建烟气脱硝核心装置scr反应器的方法
CN113468813B (zh) * 2021-07-07 2022-04-15 大唐环境产业集团股份有限公司 一种脱硫系统入口so2浓度预测方法、装置、电子设备
CN113468813A (zh) * 2021-07-07 2021-10-01 大唐环境产业集团股份有限公司 一种脱硫系统入口so2浓度预测方法、装置、电子设备
CN113339113A (zh) * 2021-07-15 2021-09-03 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
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

Also Published As

Publication number Publication date
CN110188383B (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN110188383A (zh) 一种基于选择性集成模型的电站scr脱硝建模方法
CN107243257B (zh) 适合全负荷的智能喷氨控制系统
CN106599586B (zh) 基于神经网络的scr智能喷氨优化方法及装置
US11755976B2 (en) Method for predicting oxygen load in iron and steel enterprises based on production plan
CN107526292B (zh) 一种基于入口NOx浓度预测的调控喷氨量的方法
CN105678407A (zh) 一种基于人工神经网络的日用电量预测方法
CN106529719A (zh) 基于粒子群优化算法风速融合的风电功率预测的方法
CN109345010A (zh) 一种梯级泵站的多目标优化调度方法
CN104009494A (zh) 一种环境经济发电调度方法
CN110866640A (zh) 一种基于深度神经网络的电力负荷预测方法
CN110299188A (zh) 基于ga变量选择的scr烟气脱硝系统grnn建模方法
CN109670625A (zh) 基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法
CN103345663B (zh) 考虑爬坡速率约束的电力系统机组组合优化方法
CN106251242A (zh) 一种风电出力区间组合预测方法
CN107464014A (zh) 一种燃煤机组脱硝控制系统入口氮氧化物的预测方法
CN110414725A (zh) 预测决策一体化的风电场储能系统调度方法及装置
CN109726894B (zh) 保障现货交易和中长期电量的新能源有功指令计算方法
CN115049139A (zh) 一种针对水泥烧成脱硝系统的多指标模型预测控制方法
CN109046021B (zh) 一种强自适应能力的scr系统精确喷氨控制方法
CN114123313A (zh) 一种时序生产模拟新能源电力系统消纳方法
CN106934545B (zh) 一种电站群联合经济调度方法及系统
CN112365065A (zh) 一种wfgd自适应在线优化调度方法
Zhang et al. Joint optimization of the number, type and layout of wind turbines for a new offshore wind farm
CN112132379A (zh) 考虑经济性的新能源跨区域消纳评估方法和存储介质
CN109492802A (zh) 一种基于专家系统的多年调节水库年末消落水位优选方法

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