CN110716512A - 一种基于燃煤电站运行数据的环保装备性能预测方法 - Google Patents
一种基于燃煤电站运行数据的环保装备性能预测方法 Download PDFInfo
- Publication number
- CN110716512A CN110716512A CN201910822076.5A CN201910822076A CN110716512A CN 110716512 A CN110716512 A CN 110716512A CN 201910822076 A CN201910822076 A CN 201910822076A CN 110716512 A CN110716512 A CN 110716512A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- correlation
- environmental protection
- performance
- 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 35
- 230000007613 environmental effect Effects 0.000 title claims abstract description 23
- 238000013499 data model Methods 0.000 claims abstract description 13
- 238000000611 regression analysis Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000000546 chi-square test Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 230000008602 contraction Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 17
- 239000003546 flue gas Substances 0.000 description 17
- 239000003344 environmental pollutant Substances 0.000 description 9
- 231100000719 pollutant Toxicity 0.000 description 8
- 238000006477 desulfuration reaction Methods 0.000 description 7
- 230000023556 desulfurization Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于燃煤电站运行数据的环保装备性能预测方法，通过采集机组环保装备运行数据，对数据进行预处理，去除噪声干扰和异常数据，获得高质量数据；然后，对采集到的环保装备各状态参数进行关键因素识别，并选取影响环保装备性能权重大的状态参数，以作为环保装备性能模型的输入；在此基础上，依托回归分析搭建环保装备性能预测的数据模型并进行训练；选用数据模型评价指标来判定数据模型的有效性和准确性。本方法的预测模型具有高精确性和较强的自适应性，基于机组实际运行数据，借助于高效、智能的数据算法，能够科学、高效、准确地预测燃煤电站环保装备性能，为后续环保装备的节能优化和故障诊断课题研究和应用做出重要技术奠基。
Description
技术领域
本发明属于燃煤电站烟气净化环保技术领域，尤其涉及一种基于燃煤电站运行数据的环保装备性能预测方法。
背景技术
为响应国家生态环保相关产业政策，国内绝大部分燃煤电站陆续完成了烟气净化的技术改造，即在原有机组设备的基础上新增或扩容了烟气脱硝、烟气除尘、烟气脱硫装备及其辅助设施。通常，环保装备按照出口污染物浓度低于排放限值且保留一定裕量的方式运行和调整，使得大气污染物得到了足效的控制与脱除，同时遗留了一些问题，如低浓度污染物的准确连续测量、环保装备的深度运行优化及精细化控制等。
机组的运行过程中，DCS或SIS系统每日存储大量历史数据，这些数据来源于运行实际，是机组运行特性的全面、客观反映，不可改变，具备绝对真实性。如何正确运用历史数据，提取机组运行特性，使其更好地为运行实际服务，是摆在工程技术人员面前的一个重要课题。
现有技术中,公开号为CN109472406A、公开日为2019年3月15日的中国发明专利申请公开了一种超低排放系统多装置多污染物协同脱除过程的精确建模，该方法基于多种污染物生成、迁移转化及其在烟气净化系统的脱除机理，结合运行历史数据，重构有关性能曲线，从而构建精准预测模型。该方法能够有效地减少污染物的排放总量，但该方法需丰富而扎实的专业理论知识，对于燃煤电站的应用实施具有一定的难度。
现有技术中，从控制角度，公告号为CN105786035B、公开日为2016年7月20日的中国专利公开了一种试探式预测控制器的内部NOx浓度预测模型，能够有效地减小了NOx的波动量和氨气使用量，规避了复杂传统的非线性预测控制算法，方便实施和工程应用，但无法实现全负荷脱硝时NOx浓度的精确预测。
发明内容
本发明的目的在于克服现有技术中存在的上述不足，而提供一种基于燃煤电站运行数据的环保装备性能预测方法，能够模拟环保装备实时性能并具有预测功能，为后续环保装备的深度优化调整及精细化控制提供坚实基础，最终降低燃煤电站环保装备的能耗物耗水平。
本发明解决上述问题所采用的技术方案是：本发明通过采集机组环保装备运行数据，对数据进行数据预处理，去除噪声干扰和异常数据，以获得高质量数据；然后，对采集到的环保装备各状态参数进行关键因素识别，并选取影响环保装备性能权重大的状态参数，以作为环保装备性能模型的输入；在此基础上，依托回归分析搭建环保装备性能预测的数据模型并进行训练；选用数据模型评价指标来判定数据模型的有效性和准确性。
进一步的，基于燃煤电站运行数据的环保装备性能预测方法，包括以下步骤：
A、数据采集及数据预处理：设定采样周期、采样总时长、机组和环保装备状态参数，在燃煤电站DCS或SIS系统数据库内采集运行数据，检查参数测点的完整性，同时对数据进行数据预处理，去除噪声和异常数据干扰，提高原始数据的质量，然后进入步骤B；
B、对状态参数进行关键因素识别：首先通过方差来衡量数据变量的发散性，若方差接近于零，则该参数在采样期间数值基本不变，该参数与预测目标无关，予以剔除；关键因素识别依托相关性分析而得到状态参数对最终预测目标的影响程度或权重系数；对于不同的参数变量需选择适宜的相关性分析方法，以获得影响环保性能的关键因素及其权重系数，然后进入步骤C；
C、依托回归分析的环保装备性能预测模型搭建：选取关键因素作为环保装备性能预测模型的输入，采用回归分析技术搭建环保装备性能预测的数据模型，而回归分析技术所包涵的各算法具有各自适用情况，模型搭建时须进行算法调优；为使数据模型持续地具有良好精度和性能，须对模型进行多次的测试和迭代优化；然后进入步骤D；
D、模型有效性和准确性验证：对于回归类数据模型，模型评价指标主要有R2、RMSE、MAE、MAPE；各指标合理数值的大小，须结合具体的业务知识，确定其误差数值范围，以符合业务目标需求；评价指标的数值作为模型参数调优的反馈，直至各项指标合理且最佳，即得到基于数据的性能预测建模结果。
进一步的，所述步骤A中数据预处理包括测点参数辨识、数据集成、数据清理、光滑去噪、数据变换。
进一步的，所述步骤B中相关性分析的具体方法有Pearson相关性、卡方检验、互信息法或基于决策树的相关性；
Pearson相关性主要用于评价线性相关性，取值范围在[-1,1]；0代表无相关性，负值代表负相关，正值代表正相关，绝对值越大，说明相关性越强；
卡方检验主要用于检验两组数据是否具有统计学差异，从而分析自变量与因变量之间的相关性；该差异包括实际值与理论值偏差的绝对大小和差异程度与理论值的相对大小；χ2值越大，相关程度越大；故此，常用χ2值来做降维，保留相关程度大的变量；
互信息法用于评价定性自变量对定性因变量的相关性；
基于决策树的集成学习算法具有预测精度高、模型训练后可输出模型所使用特征的相对重要度，因此采用树模型的方法来理解某因素对预测目标是否有关键影响，从而选择建模特征；而特征j的全局重要度通过特征j在单颗树中的重要度的平均值来计算。
进一步的，所述步骤C中回归分析技术可用的回归算法有岭回归、Lasso回归、神经网络；其中，岭回归主要用于数据具有多重共线性，通过收缩参数ƛ来解决多重共线性问题；Lasso回归是在线性回归的基础上，增加一个绝对值惩罚项，以减少变化性，并提高线性回归模型的准确性；神经网络主要用于对复杂函数进行估计或近似，而采用非线性的激活函数后，神经网络的准确性和适用性得到大大提高，可逼近任意的非线性函数；模型的迭代优化采用梯度下降算法完成。
进一步的，所述步骤D中模型评价指标，R2用于评价模型好坏程度，数值越接近1，模型效果越好；MAPE（平均绝对百分误差）越接近零，说明模型效果越好；RMSE（均方根误差）和MAE（平均绝对误差）为带量纲的指标，其合理数值视具体的业务目标需求而定。
本发明与现有技术相比，具有以下优点和效果：（1）本发明方法所采集的工况样本非常丰富，借助科学高效的数据预处理提高数据质量，从源头上提高了数据的可靠性，保证预测模型有较高的准确性；（2）本发明方法的预测模型融合回归分析的多个算法和梯度下降算法，具有较强的自适应性和泛化能力；（3）本发明方法从运行数据角度出发，利用关键因素分析算法提炼影响烟气污染物脱除性能的关键因素，有效规避了复杂的污染物脱除机理分析，不仅有利于大数据技术在烟气环保行业的应用，还方便与本发明方法的工程推广应用。
附图说明
图1是本发明实施例的流程示意图。
图2是本发明实施例的烟气脱硝系统的关键因素识别结果图。
图3是本发明实施例的烟气脱硫系统性能预测模型图。
图4是本发明实施例的烟气脱硫电耗模型预测精度图。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
某燃煤电站660MW超临界机组配备SCR烟气脱硝、双室五电场电除尘、石灰石-石膏湿法烟气脱硫装置。通过机组DCS或SIS系统，采集到该机组2018年4月至6月为期50天的运行数据，107个参数测点，共计13983个工况的运行数据。依据机组DCS或SIS参数编码规则，识别各测点，获得测点的物理名及单位量纲。为去除噪声和异常数据的干扰，对得到的样本数据进行缺省值填充、数据清理、数据光滑、数据变换，剔除2829个工况数据，获得数据质量高的11154个工况数据。
基于前述高质量数据，不同状态参数选用不同的分析方法进行关键因素识别，如机组功能与脱硝出口NOx浓度关系选用Pearson相关性分析，以得到状态参数对最终预测目标的影响程度或权重系数，如图2。
以烟气脱硫系统性能预测为例，选取关键因素原烟气SO2、原烟气O2、原烟气量、原烟气温度等作为烟气脱硫系统性能预测模型的输入，如图3，采用神经网络的回归分析技术搭建性能预测的数据模型，同时进行算法调优和模型训练。烟气脱硫电耗预测模型评价指标：R2为0.99，接近1；MAPE为0.01，接近于零；RMSE为88.82MW；MAP为54.53MW；表明该性能预测模型参数调优已完成、能够高精度地达到预测目的。
虽然本发明以实施例公开如上，但其并非用以限定本发明的保护范围，任何熟悉该项技术的技术人员，在不脱离本发明的构思和范围内所作的更改，均应属于本发明的保护范围。
Claims (5)
1.一种基于燃煤电站运行数据的环保装备性能预测方法，其特征在于，包括以下步骤：
A、数据采集及数据预处理：设定采样周期、采样总时长、机组和环保装备状态参数，在燃煤电站DCS或SIS系统数据库内采集运行数据，检查参数测点的完整性，同时对数据进行数据预处理，去除噪声和异常数据干扰，提高原始数据的质量，然后进入步骤B；
B、对状态参数进行关键因素识别：首先通过方差来衡量数据变量的发散性，若方差接近于零，则该参数在采样期间数值基本不变，该参数与预测目标无关，予以剔除；关键因素识别依托相关性分析而得到状态参数对最终预测目标的影响程度或权重系数；对于不同的参数变量选择适宜的相关性分析方法，以获得影响环保性能的关键因素及其权重系数，然后进入步骤C；
C、依托回归分析的环保装备性能预测模型搭建：选取关键因素作为环保装备性能预测模型的输入，采用回归分析技术搭建环保装备性能预测的数据模型，而回归分析技术所包涵的各算法具有各自适用情况，模型搭建时进行算法调优；为使数据模型持续地具有良好精度和性能，对模型进行多次的测试和迭代优化；然后进入步骤D；
D、模型有效性和准确性验证：对于回归类数据模型，模型评价指标主要有R2、RMSE、MAE、MAPE；各指标合理数值的大小，结合具体的业务知识，确定其误差数值范围，以符合业务目标需求；评价指标的数值作为模型参数调优的反馈，直至各项指标合理且最佳，即得到基于数据的性能预测建模结果。
2.根据权利要求1所述的基于燃煤电站运行数据的环保装备性能预测方法，其特征在于，所述步骤A中数据预处理包括测点参数辨识、数据集成、数据清理、光滑去噪、数据变换。
3.根据权利要求1所述的基于燃煤电站运行数据的环保装备性能预测方法，其特征在于，所述步骤B中相关性分析的具体方法有Pearson相关性、卡方检验、互信息法或基于决策树的相关性；
Pearson相关性主要用于评价线性相关性，取值范围在[-1,1]；0代表无相关性，负值代表负相关，正值代表正相关，绝对值越大，说明相关性越强；
卡方检验主要用于检验两组数据是否具有统计学差异，从而分析自变量与因变量之间的相关性；该差异包括实际值与理论值偏差的绝对大小和差异程度与理论值的相对大小；χ2值越大，相关程度越大；故此，常用χ2值来做降维，保留相关程度大的变量；
互信息法用于评价定性自变量对定性因变量的相关性；
基于决策树的集成学习算法具有预测精度高、模型训练后可输出模型所使用特征的相对重要度，因此采用树模型的方法来理解某因素对预测目标是否有关键影响，从而选择建模特征；而特征j的全局重要度通过特征j在单颗树中的重要度的平均值来计算。
4.根据权利要求1所述的基于燃煤电站运行数据的环保装备性能预测方法，其特征在于，所述步骤C中回归分析技术可用的回归算法有岭回归、Lasso回归、神经网络；其中，岭回归主要用于数据具有多重共线性，通过收缩参数ƛ来解决多重共线性问题；Lasso回归是在线性回归的基础上，增加一个绝对值惩罚项，以减少变化性，并提高线性回归模型的准确性；神经网络主要用于对复杂函数进行估计或近似，而采用非线性的激活函数后，神经网络的准确性和适用性得到大大提高，可逼近任意的非线性函数；模型的迭代优化采用梯度下降算法完成。
5.根据权利要求1所述的基于燃煤电站运行数据的环保装备性能预测方法，其特征在于，所述步骤D中模型评价指标，R2用于评价模型好坏程度，数值越接近1，模型效果越好；MAPE（平均绝对百分误差）越接近零，说明模型效果越好；RMSE（均方根误差）和MAE（平均绝对误差）为带量纲的指标，其合理数值视具体的业务目标需求而定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910822076.5A CN110716512A (zh) | 2019-09-02 | 2019-09-02 | 一种基于燃煤电站运行数据的环保装备性能预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910822076.5A CN110716512A (zh) | 2019-09-02 | 2019-09-02 | 一种基于燃煤电站运行数据的环保装备性能预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110716512A true CN110716512A (zh) | 2020-01-21 |
Family
ID=69210206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910822076.5A Pending CN110716512A (zh) | 2019-09-02 | 2019-09-02 | 一种基于燃煤电站运行数据的环保装备性能预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110716512A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111611744A (zh) * | 2020-03-31 | 2020-09-01 | 华电电力科学研究院有限公司 | 基于循环卷积网络及变分推理的滚动轴承寿命预测方法 |
| CN112099343A (zh) * | 2020-07-29 | 2020-12-18 | 福建龙净环保股份有限公司 | 一种基于神经网络的电除尘系统智能节能优化方法 |
| CN112180316A (zh) * | 2020-09-27 | 2021-01-05 | 青岛鼎信通讯股份有限公司 | 一种基于自适应收缩岭回归的电能表计量误差分析方法 |
| CN112258019A (zh) * | 2020-10-19 | 2021-01-22 | 佛山众陶联供应链服务有限公司 | 一种煤耗的评估方法 |
| CN112504348A (zh) * | 2020-12-11 | 2021-03-16 | 厦门汇利伟业科技有限公司 | 一种融合环境因素的物体状态显示方法和系统 |
| CN113031552A (zh) * | 2021-03-09 | 2021-06-25 | 浙江菲达环保科技股份有限公司 | 炉后环保设备协同控制方法及系统 |
| CN113723674A (zh) * | 2021-08-18 | 2021-11-30 | 卫宁健康科技集团股份有限公司 | 一种基于大数据相关性的医疗风险预测方法 |
| CN114028882A (zh) * | 2022-01-07 | 2022-02-11 | 华润水泥技术研发有限公司 | 一种基于大数据的收尘器监管方法及系统 |
| CN114882961A (zh) * | 2022-06-09 | 2022-08-09 | 佛山众陶联供应链服务有限公司 | 基于原料权重作为模型参数选择条件的烧成曲线预测方法 |
| CN115081697A (zh) * | 2022-06-09 | 2022-09-20 | 佛山众陶联供应链服务有限公司 | 基于原料预测烧成曲线的方法、设备及计算机存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106792465A (zh) * | 2016-12-26 | 2017-05-31 | 华中科技大学 | 一种基于众包指纹的室内指纹地图构建方法 |
| DE102017108169A1 (de) * | 2016-04-25 | 2017-10-26 | Fanuc Corporation | Produktionssystem, das einen Bestimmungswert einer Variablen in Bezug auf eine Produktabweichung festlegt |
| CN108280096A (zh) * | 2017-01-06 | 2018-07-13 | 北京京东尚科信息技术有限公司 | 数据清洗方法及数据清洗装置 |
| CN108469180A (zh) * | 2018-04-09 | 2018-08-31 | 华北理工大学 | 基于大数据和机器学习的烧结终点预测系统的建立方法 |
| CN108876034A (zh) * | 2018-06-13 | 2018-11-23 | 重庆邮电大学 | 一种改进的Lasso+RBF神经网络组合预测模型 |
| CN109255029A (zh) * | 2018-09-05 | 2019-01-22 | 大连海事大学 | 一种采用加权优化训练集增强自动Bug报告分配的方法 |
-
2019
- 2019-09-02 CN CN201910822076.5A patent/CN110716512A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102017108169A1 (de) * | 2016-04-25 | 2017-10-26 | Fanuc Corporation | Produktionssystem, das einen Bestimmungswert einer Variablen in Bezug auf eine Produktabweichung festlegt |
| CN106792465A (zh) * | 2016-12-26 | 2017-05-31 | 华中科技大学 | 一种基于众包指纹的室内指纹地图构建方法 |
| CN108280096A (zh) * | 2017-01-06 | 2018-07-13 | 北京京东尚科信息技术有限公司 | 数据清洗方法及数据清洗装置 |
| CN108469180A (zh) * | 2018-04-09 | 2018-08-31 | 华北理工大学 | 基于大数据和机器学习的烧结终点预测系统的建立方法 |
| CN108876034A (zh) * | 2018-06-13 | 2018-11-23 | 重庆邮电大学 | 一种改进的Lasso+RBF神经网络组合预测模型 |
| CN109255029A (zh) * | 2018-09-05 | 2019-01-22 | 大连海事大学 | 一种采用加权优化训练集增强自动Bug报告分配的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 候佳: "《基于炉温趋势的高炉喷煤量预测研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111611744A (zh) * | 2020-03-31 | 2020-09-01 | 华电电力科学研究院有限公司 | 基于循环卷积网络及变分推理的滚动轴承寿命预测方法 |
| CN111611744B (zh) * | 2020-03-31 | 2023-05-02 | 华电电力科学研究院有限公司 | 基于循环卷积网络及变分推理的滚动轴承寿命预测方法 |
| CN112099343A (zh) * | 2020-07-29 | 2020-12-18 | 福建龙净环保股份有限公司 | 一种基于神经网络的电除尘系统智能节能优化方法 |
| CN112180316A (zh) * | 2020-09-27 | 2021-01-05 | 青岛鼎信通讯股份有限公司 | 一种基于自适应收缩岭回归的电能表计量误差分析方法 |
| CN112258019A (zh) * | 2020-10-19 | 2021-01-22 | 佛山众陶联供应链服务有限公司 | 一种煤耗的评估方法 |
| CN112504348A (zh) * | 2020-12-11 | 2021-03-16 | 厦门汇利伟业科技有限公司 | 一种融合环境因素的物体状态显示方法和系统 |
| CN113031552A (zh) * | 2021-03-09 | 2021-06-25 | 浙江菲达环保科技股份有限公司 | 炉后环保设备协同控制方法及系统 |
| CN113031552B (zh) * | 2021-03-09 | 2022-10-25 | 浙江菲达环保科技股份有限公司 | 炉后环保设备协同控制方法及系统 |
| CN113723674A (zh) * | 2021-08-18 | 2021-11-30 | 卫宁健康科技集团股份有限公司 | 一种基于大数据相关性的医疗风险预测方法 |
| CN114028882A (zh) * | 2022-01-07 | 2022-02-11 | 华润水泥技术研发有限公司 | 一种基于大数据的收尘器监管方法及系统 |
| CN114882961A (zh) * | 2022-06-09 | 2022-08-09 | 佛山众陶联供应链服务有限公司 | 基于原料权重作为模型参数选择条件的烧成曲线预测方法 |
| CN115081697A (zh) * | 2022-06-09 | 2022-09-20 | 佛山众陶联供应链服务有限公司 | 基于原料预测烧成曲线的方法、设备及计算机存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
| CN111804146B (zh) | 一种智能喷氨控制方法以及智能喷氨控制装置 | |
| CN114035468B (zh) | 基于XGBoost算法的风机检修流程预测性监控方法与系统 | |
| CN103853106A (zh) | 一种建筑能源供应设备的能耗预测参数优化方法 | |
| CN114858976A (zh) | 一种工业园区大气质量智能分析方法及系统 | |
| CN118536410B (zh) | 基于大数据驱动建模的能耗优化决策分析方法及系统 | |
| CN106056210A (zh) | 一种基于混合神经网络的pm2.5浓度值预测方法 | |
| CN108956876A (zh) | 一种烟气在线连续监测系统的测量时延修正方法 | |
| CN112016248B (zh) | 一种基于Elman神经网络SCR脱硝系统不良数据辨识方法 | |
| CN115759488A (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
| CN109116444B (zh) | 基于PCA-kNN的空气质量模式PM2.5预报方法 | |
| CN113570163B (zh) | 基于数学模型的大气臭氧浓度预测方法、系统和装置 | |
| CN115587526B (zh) | 基于神经网络的车辆二氧化碳实时排放预测方法及系统 | |
| CN116151621A (zh) | 一种基于数据分析的大气污染治理风险检测系统 | |
| CN114819773A (zh) | 一种基于大数据的企业绿色生产管控方法及系统 | |
| CN114462511A (zh) | 一种基于XGBoost算法的PM2.5数据异常识别方法 | |
| CN117852684A (zh) | 基于电力和大数据的大气污染物实时分析核算方法及系统 | |
| CN117055765A (zh) | 基于分布式内存计算和在线obm模型的臭氧敏感性分析方法 | |
| CN110490220B (zh) | 一种母线负荷辨识方法和系统 | |
| CN114676779A (zh) | 基于鲁棒宽度网络的大气质量监测数据校准方法及系统 | |
| CN119443343A (zh) | 基于绿色供应链管理的碳排放优化方法及系统 | |
| CN116822788A (zh) | 一种调度指挥业务全过程操作效率分析方法 | |
| CN114881290A (zh) | 一种基于数理统计分析耦合神经网络预测的不良数据辨识方法 | |
| CN115754131B (zh) | 一种VOCs实时源解析方法 | |
| CN118693783B (zh) | 用于新能源电站的发电量预测精度提高方法及系统 |
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: 20200121 |
|
| WD01 | Invention patent application deemed withdrawn after publication |