CN110675920A - 一种基于MI-LSTM的锅炉NOx预测方法 - Google Patents
一种基于MI-LSTM的锅炉NOx预测方法 Download PDFInfo
- Publication number
- CN110675920A CN110675920A CN201911003427.6A CN201911003427A CN110675920A CN 110675920 A CN110675920 A CN 110675920A CN 201911003427 A CN201911003427 A CN 201911003427A CN 110675920 A CN110675920 A CN 110675920A
- Authority
- CN
- China
- Prior art keywords
- variable
- lstm
- model
- variables
- mutual information
- 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 23
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000010845 search algorithm Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010187 selection method Methods 0.000 abstract description 4
- 230000007774 longterm Effects 0.000 abstract description 2
- 230000006403 short-term memory Effects 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 5
- 239000003245 coal Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000000843 powder Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- RJIWZDNTCBHXAL-UHFFFAOYSA-N nitroxoline Chemical compound C1=CN=C2C(O)=CC=C([N+]([O-])=O)C2=C1 RJIWZDNTCBHXAL-UHFFFAOYSA-N 0.000 description 1
- 231100001143 noxa Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Medical Informatics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于MI‑LSTM的锅炉NOx预测方法，以互信息(MI)“最小冗余最大相关”为准则对辅助变量进行重要性排序和变量选择，将筛选出来的辅助变量集作为长期短时记忆(LSTM)模型的输入，建立了NOx排放量预测的MI‑LSTM模型，并利用多层网格搜索优选LSTM模型的参数。在变量筛选过程中采用序列前向选择方法，以模型预测精度为目标确定最优输入特征集和最佳模型参数，可以有效地减少输入变量间的信息冗余，降低模型复杂度，提高模型的预测精度和泛化能力。
Description
技术领域
本发明属于燃烧控制技术领域，具体涉及一种基于MI-LSTM的锅炉NOx预测方法。
背景技术
燃煤过程中产生的NOx是大气污染物的重要来源，严重影响人类健康和空气质量。2011年，环保部颁布了新的污染物排放标准，要求燃煤锅炉NOx排放不超过100mg/m3。氮氧化物排放的限制将变得越来越严格，为了达到排放标准，火电机组需要对NOx排放进行实时监测与控制。但现有的测量设备达不到实时测量NOx的要求，监控难度大。为此，建立有效的NOx排放预测模型，对NOx浓度进行高效、快速监测十分必要。
锅炉燃烧是一个动态过程，当前的工况与历史工况密切相关。因此，NOx的排放量是一个典型的时间序列问题，基于时间序列的数据挖掘预测，常用的模型有回归分析、神经网络(artificial neural network，ANN)、支持向量机(SVM)等。然而，神经网络存在着一些不足，比如需要大量的训练数据，结构难以确定，存在过拟合的风险。采用SVM对NOx排放进行建模，由于支持向量机具有良好的非线性映射能力，其建模性能优于神经网络，然而，SVM也有一些缺点，例如在输入变量较多的情况下，很难得到最优解，使用大数据集的训练过程可能会导致的计算困难。
伴随着大数据时代的到来，一些深度学习模型逐渐被应用到时序数据的研究中。深度学习作为一种基于对数据进行高度表征的学习方法，能够对输入信号逐层抽象并提取特征，挖掘出更深层次的潜在规律。长期短时记忆(long-term short Memory, LSTM)是一种著名的深度学习模型。它将时序的概念引入到网络结构设计中，其内部有自循环，允许数据在网络中循环流动，可以保存之前的信息供将来使用，对时间序列数据具有强大的处理能力。近年来，LSTM模型已经在不同领域应用并获得了良好效果。例如，自然语言处理、机器翻译、电力负荷预测等。然而，在实际建模过程中，NOx生成机理复杂，受多个变量影响，辅助变量的选择将会直接影响到模型的预测精度。辅助量多选会使特征分析和模型训练花费更多的时间，还可能导致“维度灾难”，使模型过度复杂并降低其泛化能力；而变量少选或漏选将导致模型不够精确。互信息(Mutual information, MI)描述了两个随机变量之间相互依存关系的强弱，不仅可以表示变量之间的线性关系，而且还可以表示非线性关系。
综上，本发明以模型预测精度作为目标，将互信息变量选择方法应用于NOx排放量建模过程中，结合长短期记忆网络，建立基于MI-LSTM的NOx预测模型，可以有效地减少输入变量间的信息冗余，降低模型复杂度，提高模型的预测精度和泛化能力。
发明内容
本发明公开了一种基于MI-LSTM的锅炉NOx预测方法，通过对辅助变量进行重要性排序和变量选择作为 LSTM模型的输入，建立NOx排放量预测的MI-LSTM模型，并利用多层网格搜索优选 LSTM 模型的参数，可以有效地减少输入变量间的信息冗余，降低模型复杂度，提高模型的预测精度和泛化能力。
本发明解决其技术问题采用的技术方案如下：
一种基于MI-LSTM的锅炉NOx预测方法，包括如下步骤：
步骤一，利用互信息筛选原始特征集，得到以互信息MI值为度量标准的特征序列子集；
步骤二，基于LTSM建立NOx排放MI-LSTM模型；
步骤三，使用网格搜索算法确定最优超参数集，开展前向特征选择，获取最优特征子集；
步骤四，以最优特征子集构建LSTM预测模型，预测NOx排放量。
所述步骤一中所述互信息筛选以互信息“最小冗余最大相关”为准则进行重要性排序和变量选择，评价函数为
式中，
为待选变量，c为主导变量，
为已选变量，β为惩罚因子。
所述步骤二中所述MI-LSTM模型采用步骤如下：
S1 初始化参数；
S2 计算待选变量集
与主导变量c之间的互信息，取出最大值对应的变量存入已选变量集
中；
S3 贪心搜索的过程，循环以下步骤，直至搜索到目标数量K(K=1,2,3,…)个变量：
(1)候选变量与已选变量之间互信息计算，计算所有组合之间的互信息；
(2)根据所述步骤一中所述评价函数选择下一变量，取出待选变量
存入已选变量集
中；
S4 输出已选出的辅助变量子集
；
S5 构建LSTM模型，利用辅助变量子集
对网络进行训练，使用网格搜索算法确定最优超参数集，计算模型均方根误差RMSE指标
其中，为均方根误差，为真实NOx排放量，
为神经网络预测的NOx排放量，
为测试样本总数；
S6 重复步骤S3至S5，直至找到均方根误差RMSE最小的目标数量K(K=1,2,3,…)，即为最优变量个数和特征子集；
S7 根据得到的特征子集重新训练LSTM预测模型。
本发明利用互信息的特征选择方法对输入变量进行筛选，建立NOX排放的MI-LSTM模型，可以降低模型复杂度，提高模型精度和泛化能力，有助于将其广泛应用于实际生产过程中。
附图说明
图1为本发明的NOx排放预测流程图。
图2为本发明的NOx排放动态预测模型建模流程图。
图3为本发明的网络搜索特征个数对模型RMSE的影响图。
图4为本发明的NOx排放质量浓度的预测结果图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的说明。
电站锅炉NOx排放受多个热工变量的影响，而变量间具有相关性以及现场数据的时序特性，通过本发明可以对锅炉NOx排放进行动态预测，本实施例以河南某燃煤电厂660MW机组数据为例，锅炉为DG2060/26.15-Ⅱ2型超超临界参数变压运行直流炉。锅炉燃烧方式为前后墙对冲燃烧，共布置6层燃烧器（前后墙各3层），每层各有6只旋流燃烧器，前墙从下往上依次为A、B、C层，后墙从下往上依次为D、E、F层，每台中速磨煤机为同层的6只煤粉燃烧器提供风粉混合物。同时各布置1层燃尽风在前、后墙旋流煤粉燃烧器上方，其中每层6只燃尽风（AAP）喷口、2只侧燃尽风（SAP）喷口。从电厂监控信息系统((supervisoryinformation system，SIS))中采集历史数据进行挖掘与预测，采样周期为1min，负荷跨度为 300~660MW。其中，包括锅炉侧、汽轮机侧等多组数据，共45组变量，包含给煤量、二次风量、燃尽风量、炉膛出口处烟气含氧量、一次风温、二次风温等。主导变量为选择性催化还原（selective catalytic reduction，SCR）反应器入口处NOx浓度，所采集的3500组数据分为测试集和验证集两部分，其中，选取3000组的数据用来建立基于MI-LSTM的NOx排放量预测模型，其余500组数据作为测试集，用来验证模型的准确度和泛化能力。
本发明主要步骤如图1所示。首先，利用互信息筛选原始特征集，得到以互信息MI值为度量标准的特征序列子集；然后，基于LTSM建立NOx排放模型，使用网格搜索算法确定最优超参数集，以预测模型的RMSE为指标，开展前向特征选择，获取最优特征子集；最后，以最优特征子集构建LSTM预测模型，动态预测NOx排放。具体建模步骤如下。
步骤一，利用互信息筛选原始特征集，得到以互信息MI值为度量标准的特征序列子集。
以互信息“最小冗余最大相关”为准则进行重要性排序和变量选择，评价函数为
式中，
为待选变量，
为主导变量，
为已选变量，β为惩罚因子。
步骤二，基于LTSM建立NOx排放MI-LSTM模型。采用如下步骤，如图2所示
S1 初始化参数；
S2 计算待选变量集
与主导变量之间的互信息，取出最大值对应的变量
存入已选变量集
中；
S3 贪心搜索的过程，循环以下步骤，直至搜索到目标数量K(K=1,2,3,…)个变量：
(1)候选变量与已选变量之间互信息计算，计算所有组合之间的互信息；
(2)根据所述步骤一中所述评价函数选择下一变量，取出待选变量
存入已选变量集中
S4 输出已选出的辅助变量子集
；
S5 构建LSTM模型，利用辅助变量子集
对网络进行训练，使用网格搜索算法确定最优超参数集，计算模型均方根误差RMSE指标
其中，
为均方根误差，
为真实NOx排放量，
为神经网络预测的NOx排放量，
为测试样本总数
S6 重复步骤S3至S5，直至找到均方根误差RMSE最小的目标数量K(K=1,2,3,…)，即为最优变量个数和特征子集；
S7 根据得到的特征子集重新训练LSTM预测模型。
步骤三，使用网格搜索算法确定最优超参数集。
利用序列前向选择方法选择最优特征子集，同时针对LSTM网络的时间步长、学习速率和隐层神经元数目3个重要参数进行网格搜索，在可视层输入特征数量从1个到45个以2为序列差循环训练的条件下得到，如图3所示。随着特征数量的增多，RMSE的值逐渐上升，说明在高维特征的条件下，结构简单的LSTM很难做到高维特征与回归数据的精确拟合。同时，由于学习速率变化，随着模型序号的变化，RMSE的值出现明显的循环波峰和波谷。由此筛选出最优特征变量特征子集为：后墙固定端燃尽风量、F层二次风量、E给煤机给煤率反馈、总风量、E磨一次风量、主给水温度及机组负荷。
步骤四，以最优特征子集构建LSTM预测模型，预测NOx排放量。
使用筛选出来的变量集合作为模型的输入，SCR反应器入口处NOx浓度为模型的输出，建立排放量预测模型。其中，LSTM模型中时间步长取4，学习速率取0.001，隐含层神经元数目取256，迭代次数取2000，Batchsize取16，模型测试集的预测结果如图4所示。
Claims (3)
1.一种基于MI-LSTM的锅炉NOx预测方法，其特征在于，所述方法包括如下步骤：
步骤一，利用互信息筛选原始特征集，得到以互信息MI值为度量标准的特征序列子集；
步骤二，基于LTSM建立NOx排放MI-LSTM模型；
步骤三，使用网格搜索算法确定最优超参数集，开展前向特征选择，获取最优特征子集；
步骤四，以最优特征子集构建LSTM预测模型，预测NOx排放量。
2.根据权利要求1所述的一种基于MI-LSTM的锅炉NOx预测方法，其特征在于，所述步骤一中所述互信息筛选以互信息“最小冗余最大相关”为准则进行重要性排序和变量选择，评价函数为
式中，
为待选变量，
为主导变量，为已选变量，β为惩罚因子。
3.根据权利要求1所述的一种基于MI-LSTM的锅炉NOx预测方法，其特征在于，所述步骤二中所述MI-LSTM模型采用步骤如下：
S1 初始化参数；
S2 计算待选变量集
与主导变量
之间的互信息，取出最大值对应的变量
存入已选变量集
中；
S3 贪心搜索的过程，循环以下步骤，直至搜索到目标数量K(K=1,2,3,…)个变量：
(1)候选变量与已选变量之间互信息计算，计算所有组合之间的互信息；
(2)根据所述步骤一中所述评价函数选择下一变量，取出待选变量
存入已选变量集中；
S4 输出已选出的辅助变量子集
；
S5 构建LSTM模型，利用辅助变量子集
对网络进行训练，使用网格搜索算法确定最优超参数集，计算模型均方根误差RMSE指标
其中，
为均方根误差，
为真实NOx排放量，
为神经网络预测的NOx排放量，为测试样本总数；
S6 重复步骤S3至S5，直至找到均方根误差RMSE最小的目标数量K(K=1,2,3,…)，即为最优变量个数和特征子集；
S7 根据得到的特征子集重新训练LSTM预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911003427.6A CN110675920A (zh) | 2019-10-22 | 2019-10-22 | 一种基于MI-LSTM的锅炉NOx预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911003427.6A CN110675920A (zh) | 2019-10-22 | 2019-10-22 | 一种基于MI-LSTM的锅炉NOx预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110675920A true CN110675920A (zh) | 2020-01-10 |
Family
ID=69083483
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911003427.6A Pending CN110675920A (zh) | 2019-10-22 | 2019-10-22 | 一种基于MI-LSTM的锅炉NOx预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110675920A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111584015A (zh) * | 2020-05-27 | 2020-08-25 | 大唐环境产业集团股份有限公司 | 脱硝系统入口NOx测量延迟估计方法及装置 |
| CN111985706A (zh) * | 2020-08-15 | 2020-11-24 | 西北工业大学 | 一种基于特征选择和lstm的景区日客流量预测方法 |
| CN113111588A (zh) * | 2021-04-23 | 2021-07-13 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种燃气轮机nox排放浓度预测方法及装置 |
| CN113268871A (zh) * | 2021-05-21 | 2021-08-17 | 燕山大学 | 基于多变量时序深度网络模型的水泥烟囱nox预测方法 |
| CN113435584A (zh) * | 2021-07-15 | 2021-09-24 | 国家能源集团科学技术研究院有限公司 | 一种基于lstm的scr出口氮氧化物浓度预测方法 |
| 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 |
| CN115146833A (zh) * | 2022-06-14 | 2022-10-04 | 北京全应科技有限公司 | 一种锅炉氮氧化物生成浓度的预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
| CN109165789A (zh) * | 2018-09-04 | 2019-01-08 | 广东电网有限责任公司 | 基于LSTM的锅炉NOx排放量预测模型的建模方法及装置 |
| CN109388774A (zh) * | 2018-07-06 | 2019-02-26 | 国家电投集团河南电力有限公司技术信息中心 | 一种基于对比法的火电厂NOx预测模型变量特征提取方法 |
| AU2019100364A4 (en) * | 2019-04-05 | 2019-05-09 | Shenyuan Huang | A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network |
| CN110263356A (zh) * | 2019-03-08 | 2019-09-20 | 华北电力大学（保定） | 一种火电厂锅炉NOx排放量建模变量选择方法 |
-
2019
- 2019-10-22 CN CN201911003427.6A patent/CN110675920A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
| CN109388774A (zh) * | 2018-07-06 | 2019-02-26 | 国家电投集团河南电力有限公司技术信息中心 | 一种基于对比法的火电厂NOx预测模型变量特征提取方法 |
| CN109165789A (zh) * | 2018-09-04 | 2019-01-08 | 广东电网有限责任公司 | 基于LSTM的锅炉NOx排放量预测模型的建模方法及装置 |
| CN110263356A (zh) * | 2019-03-08 | 2019-09-20 | 华北电力大学（保定） | 一种火电厂锅炉NOx排放量建模变量选择方法 |
| AU2019100364A4 (en) * | 2019-04-05 | 2019-05-09 | Shenyuan Huang | A Method of Air Quality Prediction Using Long Short-Term Memory Neural Network |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111584015A (zh) * | 2020-05-27 | 2020-08-25 | 大唐环境产业集团股份有限公司 | 脱硝系统入口NOx测量延迟估计方法及装置 |
| CN111584015B (zh) * | 2020-05-27 | 2021-09-10 | 大唐环境产业集团股份有限公司 | 脱硝系统入口NOx测量延迟估计方法及装置 |
| CN111985706A (zh) * | 2020-08-15 | 2020-11-24 | 西北工业大学 | 一种基于特征选择和lstm的景区日客流量预测方法 |
| CN111985706B (zh) * | 2020-08-15 | 2023-08-25 | 西北工业大学 | 一种基于特征选择和lstm的景区日客流量预测方法 |
| CN113111588A (zh) * | 2021-04-23 | 2021-07-13 | 中国大唐集团科学技术研究院有限公司华东电力试验研究院 | 一种燃气轮机nox排放浓度预测方法及装置 |
| CN113268871A (zh) * | 2021-05-21 | 2021-08-17 | 燕山大学 | 基于多变量时序深度网络模型的水泥烟囱nox预测方法 |
| 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 |
| CN113435584A (zh) * | 2021-07-15 | 2021-09-24 | 国家能源集团科学技术研究院有限公司 | 一种基于lstm的scr出口氮氧化物浓度预测方法 |
| CN115146833A (zh) * | 2022-06-14 | 2022-10-04 | 北京全应科技有限公司 | 一种锅炉氮氧化物生成浓度的预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110675920A (zh) | 一种基于MI-LSTM的锅炉NOx预测方法 | |
| CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
| CN112488145A (zh) | 一种基于智能化方法的NOx在线预测方法及系统 | |
| 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 | |
| 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 | |
| Lin et al. | Approximate mixed-integer programming solution with machine learning technique and linear programming relaxation | |
| CN114219185A (zh) | 一种基于不确定集的城市规模工业碳排放量预测方法 | |
| CN116186624A (zh) | 一种基于人工智能的锅炉评估方法及系统 | |
| Zjavka | PV power intra‐day predictions using PDE models of polynomial networks based on operational calculus | |
| CN109858785A (zh) | 一种评价智能电能表运行状态的方法和系统 | |
| Lim et al. | Smart soft-sensing for the feedwater flowrate at PWRs using a GMDH algorithm | |
| Zahraoui et al. | ANN-LSTM Based Tool For Photovoltaic Power Forecasting. | |
| Fu et al. | Prediction model of desulfurization efficiency of coal-fired power plants based on long short-term memory neural network | |
| CN112446175A (zh) | 基于配电网概率潮流计算的分布式电源选址优化方法 | |
| CN111476437A (zh) | 一种光伏发电功率超短期区间预测的方法及设备 | |
| CN116757078A (zh) | 一种基于作用力的煤粉流速测量方法及系统 | |
| CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
| CN115907178A (zh) | 一种净生态系统co2交换量的预测方法 | |
| Wu et al. | A hybrid least square support vector machine for boiler efficiency prediction | |
| Mbasso et al. | Demand-supply forecasting based on deep learning for electricity balance in Cameroon | |
| CN113094636A (zh) | 一种基于海量监测数据的干扰性用户谐波水平估计方法 | |
| Li et al. | Optimization for Boiler Based on Data Mining and Multi-Condition Combustion Model | |
| Savargave et al. | Self-adaptive firefly algorithm with neural network for design modelling and optimization of boiler plants | |
| CN115146833B (zh) | 一种锅炉氮氧化物生成浓度的预测方法 | |
| Wang et al. | Evolutionary Optimization of Robust Multi-objective Expensive Problems Assisted by Incremental Kriging Models |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200110 |
|
| WD01 | Invention patent application deemed withdrawn after publication |