CN110975597A - 一种水泥脱硝的神经网络混合优化方法 - Google Patents
一种水泥脱硝的神经网络混合优化方法 Download PDFInfo
- Publication number
- CN110975597A CN110975597A CN201910976755.8A CN201910976755A CN110975597A CN 110975597 A CN110975597 A CN 110975597A CN 201910976755 A CN201910976755 A CN 201910976755A CN 110975597 A CN110975597 A CN 110975597A
- Authority
- CN
- China
- Prior art keywords
- neural network
- matrix
- follows
- output
- concentration
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2251/00—Reactants
- B01D2251/20—Reductants
- B01D2251/206—Ammonium compounds
- B01D2251/2062—Ammonia
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Physiology (AREA)
- Chemical & Material Sciences (AREA)
- Genetics & Genomics (AREA)
- Probability & Statistics with Applications (AREA)
- Analytical Chemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明涉及一种水泥脱硝的神经网络混合优化方法。本发明首先采集水泥脱硝过程中影响出口浓度的多个变量,利用主成分分析对数据做预处理,降低数据维度,其次使用遗传算法和LM算法对神经网络的中心、宽度和权值进行优化得到神经网络预测模型,最后预处理的数据输入到模型中,使模型预测的准确率提高。不同于传统的神经网络预测方法,本发明结合数据处理、神经网络参数优化,提高了预测精度。
Description
技术领域
本发明属于自动化工业技术领域,涉及到一种水泥脱硝的神经网络混合优化方法。
背景技术
NOx的排放是伴随在水泥生产中不可避免的过程,随着环保部门对NOx排放量限制的日益严格,低NOx燃烧技术和脱硝技术被普遍应用于水泥企业,但是现阶段大多数水泥企业很难实现喷氨量的精确控制,甚至无法实现自动控制,导致NOx的排放不能达到国家要求的环保标准,所以本发明提出了一种水泥脱硝的神经网络混合优化方法,控制合理的喷氨量,保证NOx排放达到国家标准,避免发生二次污染。
发明内容
本发明针对水泥企业很难实现喷氨量的精确控制,导致NOx排放达不到国家标准等问题,提出了一种水泥脱硝的神经网络混合优化方法。
本发明首先采集水泥脱硝过程中影响NOx出口浓度的多个变量,利用主成分分析对数据做预处理,降低数据维度,其次使用遗传算法和LM算法对神经网络的中心、宽度和权值进行优化得到神经网络预测模型,最后预处理的数据输入到模型中,使模型预测的准确率提高。不同于传统的神经网络预测方法,本方法结合数据处理、神经网络参数优化,提高了预测精度。
本发明的技术方案是通过数据采集、数据预处理、系统建模、优化参数等手段,确立了一种基于主成分分析的神经网络预测方法。利用该方法提升了模型预测的准确性。
本发明的方法步骤包括:
步骤1、采集水泥脱硝过程影响NOx浓度输出的相关变量,利用主成分分析对数据进行处理。具体步骤是:
1-1.定义水泥脱硝过程影响NOx浓度输出的第一主成分,形式如下:
t1=Xp1=[v1 v2 ... vJ]p1且||p1||=1
其中,t1是矩阵X的第一主成分,X∈RN×J是标准化后的影响NOx浓度输出的相关向量矩阵组合,如机组负荷、喷氨量、SCR入口烟温、入口NOx浓度、入口烟气含氧量、出口烟气含氧量、脱硝效率等,N和J分别是影响NOx浓度输出的样本个数和影响NOx浓度输出的相关变量个数,p1是矩阵X的协方差矩阵的第一标准化特征向量,[v1 v2 ... vJ]分别是第一、第二、…、第J影响NOx浓度输出的相关变量。
1-2.根据步骤1-1,求得t1的方差,形式如下:
1-3.结合步骤1-1和步骤1-2,根据拉格朗日算法得到:
Vp1=λ1p1
Var(t1)=λ1
其中,λ1是协方差矩阵V的第一特征值。
1-4.以此类推,并重复步骤1-1至1-3,可以得到
ta=Xpa
其中,ta是第a主成分,pa和pa-1是矩阵V的第a和第a-1标准化特征向量,且pa Tpa-1=0,pa T是矩阵V的第a标准化特征向量的转置,λa是矩阵V第a特征值,Var(t1)≥Var(t2)≥...≥Var(ta),Var(t2)和Var(ta)分别是t2和ta的方差。
1-5根据预设的主成分累积贡献率,形式如下:
其中,Ea是前a个主成分的累积贡献率,λj是矩阵V第j特征值,∑是求和符号,如果前a个主成分累积贡献率可以达到预设值,那么前a个主成分可以以预设值的精度描述原变量。
1-6.根据步骤1-5得到主成分分析之后的数据集,形式如下:
其中,T是主成分的得分矩阵,PT是主成分的负载矩阵的转置。
步骤2、使用步骤1中得到的新数据,建立水泥脱硝反应器的模型,并对NOx浓度输出做预测。
2-1.将主成分分析之后的数据集分为训练集和测试集,建立水泥脱硝反应器的神经网络预测模型,形式如下:
其中,是神经网络对NOx浓度的预测输出,是训练集,i=1,2,...,I是隐藏层节点个数,ωi是第i个神经元连接隐藏层和输出层的权值,是使用高斯函数的隐藏层中的第i个神经元输出,ci是第i个神经元函数的中心,σi是第i个神经元函数的宽度,是输入变量和中心之间的欧式距离。水泥脱硝反应器的神经网络预测模型的训练需要求解并优化以下三个参数,步骤如下:
2-2.通过递归最小二乘法得到的权值初始值,使用LM算法进行优化,形式如下:
ω(k+1)=ω(k)+Δω
Δω=(JTJ+μ)-1JTe
2-3.结合步骤2-2,得到权值向量ω(k),根据K-均值聚类算法确定ci和σi两个参数的初始值,用遗传算法优化三个参数,步骤如下:
2-3-1.染色体编码形式如下:对2-2中初步确定的神经网络的ci和σi进行编码成一条染色体,形式如下:
R=[c1...ci...σ1...σi...ω1...ωi].
2-3-2.遗传算法的适应度函数形式如下:根据遗传算法中适应度函数望大的特性,将网络误差平方和的倒数作为适应度函数,则适应度函数表示如下:
2-3-3.对染色体进行选择操作,形式如下:采取轮盘赌方法进行选择操作,选择个体r的概率pr表示如下:
其中,fr和fm分别是个体r和m的适应度函数,M为种群个数。
2-3-4.对染色体进行交叉、变异操作,形式如下:选择操作出来的个体直接复制到下一代,对于其他个体,随机选择两个个体的相同位置,按照交叉概率在选中的位置进行交叉,并按照变异概率对个体的某些基因位进行变异。
2-4.根据根均方误差评估径向基神经网络的建模精度,形式如下:
其中,RMSE是根均方误差,Y(Xn)是实际的输出。
2-5.将步骤2-3-4中得到的三个参数作为神经网络的参数值,进行神经网络训练,重复步骤2-2和步骤2-4,直至模型预测准确率达到预定值,并将测试集输入到神经网络的训练模型中,验证神经网络预测模型的准确性。
本发明的有益效果:通过对影响喷氨量的输入变量主成分分析之后的数据放入神经网络模型中,结合LM算法和遗传算法的混合优化算法对神经网络模型的三个参数进行优化,提高SCR出口NOx浓度的预测精度,实施对喷氨量的精准控制。
具体实施方式
以水泥脱硝反应器系统为例:
反应器入口处设置有喷氨栅格,来自液氨蒸发系统的氨气经过一个供氨调整门,与来自稀释风机稀释后的空气混合后经喷嘴喷出,在与烟气中的NOx在催化剂的作用下发生选择性催化还原反应,生成水和氨气。在这系统过程中,喷氨量是一个关键控制指标,通过建立水泥脱硝反应器的预测模型,把机组负荷、喷氨量、SCR入口烟温、入口NOx浓度、入口烟气含氧量、出口烟气含氧量以及脱硝效率等7个对变量作为模型的输入,SCR出口NOx浓度作为模型的输出。
步骤1、采集水泥脱硝过程影响NOx浓度输出的相关变量,利用主成分分析对数据进行处理。具体步骤是:
1-1.定义水泥脱硝过程影响NOx浓度输出的第一主成分,形式如下:
t1=Xp1=[v1 v2 ... vJ]p1且||p1||=1
其中,t1是矩阵X的第一主成分,X∈RN×J是标准化后的影响NOx浓度输出的相关向量矩阵组合,如机组负荷、喷氨量、SCR入口烟温、入口NOx浓度、入口烟气含氧量、出口烟气含氧量、脱硝效率等,N和J分别是影响NOx浓度输出的样本个数和影响NOx浓度输出的相关变量个数,p1是矩阵X的协方差矩阵的第一标准化特征向量,[v1 v2 ... vJ]分别是第一、第二、…、第J影响NOx浓度输出的相关变量。
1-2.根据步骤1-1,求得t1的方差,形式如下:
1-3.结合步骤1-1和步骤1-2,根据拉格朗日算法可以得到:
Vp1=λ1p1
Var(t1)=λ1
其中,λ1是协方差矩阵V的第一特征值也是最大特征值。
1-4.以此类推,并重复步骤1-1至1-3,可以得到
ta=Xpa
其中,ta是第a主成分,pa和pa-1是矩阵V的第a和第a-1标准化特征向量,且pa Tpa-1=0,pa T是矩阵V的第a标准化特征向量的转置,λa是矩阵V第a特征值,Var(t1)≥Var(t2)≥...≥Var(ta),Var(t2)和Var(ta)分别是t2和ta的方差。
1-5根据预设的主成分累积贡献率,形式如下:
其中,Ea是前a个主成分的累积贡献率,λj是矩阵V第j特征值,∑是求和符号,如果前a个主成分累积贡献率可以达到预设值,那么前a个主成分可以以预设值的精度描述原变量。
1-6.根据步骤1-5可以得到主成分分析之后的数据集,形式如下:
其中,T是主成分的得分矩阵,PT是主成分的负载矩阵的转置。
步骤2、使用步骤1中得到的新数据,建立水泥脱硝反应器的模型,使用混合优化算法进行神经网络参数优化,并对NOx浓度输出做预测。
2-1.将主成分分析之后的数据集分为训练集和测试集,通过使用训练集的数据,建立水泥脱硝反应器的神经网络预测模型,形式如下:
其中,是神经网络对NOx浓度的预测输出,是训练集,i=1,2,...,I是隐藏层节点个数,ωi是第i个神经元连接隐藏层和输出层的权值,是使用高斯函数的隐藏层中的第i个神经元输出,ci是第i个神经元函数的中心,σi是第i个神经元函数的宽度,是输入变量和中心之间的欧式距离。水泥脱硝反应器的神经网络预测模型的训练需要求解并优化以下三个参数,步骤如下:
2-2.首先通过递归最小二乘法得到的权值初始值,使用LM算法对权值初始值进行优化,形式如下:
ω(k+1)=ω(k)+Δω
Δω=(JTJ+m)-1JTe
2-3.结合步骤2-2,得到权值向量ω(k),然后根据K-均值聚类算法确定ci和σi两个参数的初始值,把优化后的权值向量和得到的中心和宽度三个参数用遗传算法优化:步骤如下:
2-3-1.染色体编码形式如下:对2-2中初步确定的神经网络的ci、σi和优化后的权值向量进行编码成一条染色体,形式如下:
R=[c1...ci...σ1...σi...ω1...ωi].
2-3-2.遗传算法的适应度函数形式如下:根据遗传算法中适应度函数望大的特性,将网络误差平方和的倒数作为适应度函数,则适应度函数表示如下:
2-3-3.对染色体进行选择操作,形式如下:采取轮盘赌方法进行选择操作,选择个体r的概率pr表示如下:
其中,fr和fm分别是个体r和m的适应度函数,M为种群个数。
2-3-4.对染色体进行交叉、变异操作,形式如下:选择操作出来的个体直接复制到下一代,对于其他个体,随机选择两个个体的相同位置,按照交叉概率在选中的位置进行交叉,并按照变异概率对个体的某些基因位进行变异。
2-4.根据根均方误差评估径向基神经网络的建模精度,形式如下:
其中,RMSE是根均方误差,Y(Xn)是实际的输出。
2-5.将步骤2-3-4中得到的三个参数作为神经网络的参数值,进行神经网络训练,重复步骤2-2和步骤2-4,直至模型预测准确率达到预定值,并将测试集输入到神经网络的训练模型中,验证神经网络预测模型的准确性。
Claims (1)
1.一种水泥脱硝的神经网络混合优化方法,其特征在于该方法包括以下步骤:
步骤1、采集水泥脱硝过程影响NOx浓度输出的相关变量,利用主成分分析对数据进行处理;具体步骤是:
1-1.定义水泥脱硝过程影响NOx浓度输出的第一主成分,形式如下:
t1=Xp1=[v1 v2...vJ]p1且||p1||=1
其中,t1是矩阵X的第一主成分,X∈RN×J是标准化后的影响NOx浓度输出的相关向量矩阵组合,包括机组负荷、喷氨量、SCR入口烟温、入口NOx浓度、入口烟气含氧量、出口烟气含氧量、脱硝效率,N和J分别是影响NOx浓度输出的样本个数和影响NOx浓度输出的相关变量个数,p1是矩阵X的协方差矩阵的第一标准化特征向量,[v1 v2...vJ]分别是第一、第二、…、第J影响NOx浓度输出的相关变量;
1-2.根据步骤1-1,求得t1的方差,形式如下:
1-3.结合步骤1-1和步骤1-2,根据拉格朗日算法得到:
Vp1=λ1p1
Var(t1)=λ1
其中,λ1是协方差矩阵V的第一特征值;
1-4.以此类推,并重复步骤1-1至1-3,得到
ta=Xpa
其中,ta是第a主成分,pa和pa-1是矩阵V的第a和第a-1标准化特征向量,且pa Tpa-1=0,pa T是矩阵V的第a标准化特征向量的转置,λa是矩阵V第a特征值,Var(t1)≥Var(t2)≥...≥Var(ta),Var(t2)和Var(ta)分别是t2和ta的方差;
1-5根据预设的主成分累积贡献率,形式如下:
其中,Ea是前a个主成分的累积贡献率,λj是矩阵V第j特征值,∑是求和符号;
1-6.根据步骤1-5得到主成分分析之后的数据集,形式如下:
其中,T是主成分的得分矩阵,PT是主成分的负载矩阵的转置;
步骤2、使用步骤1中得到的新数据,建立水泥脱硝反应器的模型,并对NOx浓度输出做预测;
2-1.将主成分分析之后的数据集分为训练集和测试集,建立水泥脱硝反应器的神经网络预测模型,形式如下:
其中,是神经网络对NOx浓度的预测输出,是训练集,i=1,2,...,I是隐藏层节点个数,ωi是第i个神经元连接隐藏层和输出层的权值,是使用高斯函数的隐藏层中的第i个神经元输出,ci是第i个神经元函数的中心,σi是第i个神经元函数的宽度,是输入变量和中心之间的欧式距离;
2-2.通过递归最小二乘法得到的权值初始值,使用LM算法进行优化,形式如下:
ω(k+1)=ω(k)+Δω
Δω=(JTJ+μ)-1JTe
2-3.结合步骤2-2,得到权值向量ω(k),根据K-均值聚类算法确定ci和σi两个参数的初始值,用遗传算法优化三个参数,步骤如下:
2-3-1.染色体编码形式如下:对2-2中初步确定的神经网络的ci和σi进行编码成一条染色体,形式如下:
R=[c1...ci...σ1...σi...ω1...ωi].
2-3-2.遗传算法的适应度函数形式如下:根据遗传算法中适应度函数望大的特性,将网络误差平方和的倒数作为适应度函数,则适应度函数表示如下:
2-3-3.对染色体进行选择操作,形式如下:采取轮盘赌方法进行选择操作,选择个体r的概率pr表示如下:
其中,fr和fm分别是个体r和m的适应度函数,M为种群个数;
2-3-4.对染色体进行交叉、变异操作,形式如下:选择操作出来的个体直接复制到下一代,对于其他个体,随机选择两个个体的相同位置,按照交叉概率在选中的位置进行交叉,并按照变异概率对个体的某些基因位进行变异;
2-4.根据根均方误差评估径向基神经网络的建模精度,形式如下:
其中,RMSE是根均方误差,Y(Xn)是实际的输出;
2-5.将步骤2-3-4中得到的三个参数作为神经网络的参数值,进行神经网络训练,重复步骤2-2和步骤2-4,直至模型预测准确率达到预定值,并将测试集输入到神经网络的训练模型中,验证神经网络预测模型的准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910976755.8A CN110975597B (zh) | 2019-10-15 | 2019-10-15 | 一种水泥脱硝的神经网络混合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910976755.8A CN110975597B (zh) | 2019-10-15 | 2019-10-15 | 一种水泥脱硝的神经网络混合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110975597A true CN110975597A (zh) | 2020-04-10 |
CN110975597B CN110975597B (zh) | 2022-03-01 |
Family
ID=70081910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910976755.8A Active CN110975597B (zh) | 2019-10-15 | 2019-10-15 | 一种水泥脱硝的神经网络混合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110975597B (zh) |
Cited By (6)
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 |
CN112085277A (zh) * | 2020-09-10 | 2020-12-15 | 南京工业大学 | 一种基于机器学习的scr脱硝系统预测模型优化方法 |
CN112791566A (zh) * | 2020-12-01 | 2021-05-14 | 呼和浩特科林热电有限责任公司 | 一种SCR入口NOx浓度分区的预测方法 |
CN113255527A (zh) * | 2021-05-28 | 2021-08-13 | 汉谷云智(武汉)科技有限公司 | 混凝土卸料过程操作规范性监测方法及设备 |
TWI824333B (zh) * | 2020-11-11 | 2023-12-01 | 臺泥資訊股份有限公司 | 基於選擇性非觸媒脫硝還原系統的最適化氨水暨氮氧化物控制方法 |
US11853023B2 (en) | 2020-11-11 | 2023-12-26 | Tcc Information Systems Corp. | Method of controlling coal management system for reducing coal usage |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059824A (zh) * | 2019-05-22 | 2019-07-26 | 杭州电子科技大学 | 一种基于主成分分析的神经网络预测方法 |
-
2019
- 2019-10-15 CN CN201910976755.8A patent/CN110975597B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059824A (zh) * | 2019-05-22 | 2019-07-26 | 杭州电子科技大学 | 一种基于主成分分析的神经网络预测方法 |
Non-Patent Citations (3)
Title |
---|
周鑫等: "火电厂SCR烟气脱硝系统建模与喷氨量最优控制", 《浙江电力》 * |
程琳等: "基于GA-ELM的SCR脱硝系统动态建模", 《热力发电》 * |
陈鸿伟等: "调峰燃煤机组选择性催化还原烟气脱硝的建模预测优化", 《环境污染与防治》 * |
Cited By (9)
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 |
CN112085277A (zh) * | 2020-09-10 | 2020-12-15 | 南京工业大学 | 一种基于机器学习的scr脱硝系统预测模型优化方法 |
CN112085277B (zh) * | 2020-09-10 | 2021-05-18 | 南京工业大学 | 一种基于机器学习的scr脱硝系统预测模型优化方法 |
TWI824333B (zh) * | 2020-11-11 | 2023-12-01 | 臺泥資訊股份有限公司 | 基於選擇性非觸媒脫硝還原系統的最適化氨水暨氮氧化物控制方法 |
US11853023B2 (en) | 2020-11-11 | 2023-12-26 | Tcc Information Systems Corp. | Method of controlling coal management system for reducing coal usage |
CN112791566A (zh) * | 2020-12-01 | 2021-05-14 | 呼和浩特科林热电有限责任公司 | 一种SCR入口NOx浓度分区的预测方法 |
CN113255527A (zh) * | 2021-05-28 | 2021-08-13 | 汉谷云智(武汉)科技有限公司 | 混凝土卸料过程操作规范性监测方法及设备 |
CN113255527B (zh) * | 2021-05-28 | 2021-10-08 | 汉谷云智(武汉)科技有限公司 | 混凝土卸料过程操作规范性监测方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110975597B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110975597B (zh) | 一种水泥脱硝的神经网络混合优化方法 | |
Bai et al. | Reliability prediction-based improved dynamic weight particle swarm optimization and back propagation neural network in engineering systems | |
CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
CN106202946A (zh) | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 | |
CN107229993A (zh) | 一种基于km‑apso‑svm模型的短期电力负荷预测方法 | |
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 | |
CN112488145A (zh) | 一种基于智能化方法的NOx在线预测方法及系统 | |
CN110163444A (zh) | 一种基于gasa-svr的需水预测方法 | |
CN110597070A (zh) | 火电机组系统模型参数的辨识方法 | |
Hao et al. | Prediction of nitrogen oxide emission concentration in cement production process: a method of deep belief network with clustering and time series | |
CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
CN109886314B (zh) | 一种基于pnn神经网络的餐厨废弃油检测方法及其装置 | |
CN112613237B (zh) | 一种基于LSTM的CFB机组NOx排放浓度的预测方法 | |
CN113192569A (zh) | 基于改进粒子群和误差反馈神经网络的有害气体监测方法 | |
CN105975618A (zh) | 一种燃煤燃烧特性计算方法 | |
CN111178627B (zh) | 一种基于spca的神经网络混合优化预测方法 | |
CN112330051A (zh) | 一种基于Kmeans与FR-DBN的短期负荷预测方法 | |
CN112446168A (zh) | 一种基于mic及rbfnn的出水bod浓度软测量方法 | |
CN102609601B (zh) | 一种基于类内质网体膜计算的渣油加氢反应动力学模型参数估计方法 | |
CN116312869A (zh) | 催化裂化再生烟气氮氧化物预测方法、装置及系统 | |
Liu et al. | A prediction method of NOx in thermal power plants using GC-LSTM neural network | |
CN113065242A (zh) | 一种基于kplsr模型的污水处理出水总氮浓度软测量方法 | |
CN111797574A (zh) | 聚合物分子量分布的集成高斯过程回归模型方法 | |
Bing et al. | Application of BP neural network in the evaluation of standard implementation | |
CN114464266B (zh) | 一种基于改进SSA-GPR的煤粉锅炉NOx排放量预测方法及装置 |
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 |