CN111340199B - 一种基于物料衡算和深度学习的脱硫系统节能方法 - Google Patents

一种基于物料衡算和深度学习的脱硫系统节能方法 Download PDF

Info

Publication number
CN111340199B
CN111340199B CN202010225766.5A CN202010225766A CN111340199B CN 111340199 B CN111340199 B CN 111340199B CN 202010225766 A CN202010225766 A CN 202010225766A CN 111340199 B CN111340199 B CN 111340199B
Authority
CN
China
Prior art keywords
desulfurization system
deep learning
concentration
slurry
prediction model
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.)
Active
Application number
CN202010225766.5A
Other languages
English (en)
Other versions
CN111340199A (zh
Inventor
李瑞华
董宝光
王东军
王帅
李庆
史元腾
赵泽盟
白延斌
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.)
China Coal Energy Research Institute Co Ltd
Original Assignee
China Coal Energy Research Institute Co Ltd
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 China Coal Energy Research Institute Co Ltd filed Critical China Coal Energy Research Institute Co Ltd
Priority to CN202010225766.5A priority Critical patent/CN111340199B/zh
Publication of CN111340199A publication Critical patent/CN111340199A/zh
Application granted granted Critical
Publication of CN111340199B publication Critical patent/CN111340199B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • B01D53/30—Controlling by gas-analysis apparatus
    • 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
    • B01D53/346—Controlling the process
    • 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
    • B01D53/46—Removing components of defined structure
    • B01D53/48—Sulfur compounds
    • B01D53/50—Sulfur oxides
    • 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
    • B01D53/80—Semi-solid phase processes, i.e. by using slurries
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明公开了一种基于物料衡算和深度学习的脱硫系统节能方法，属于节能环保领域。本发明的步骤为：步骤一：获取电厂SIS中脱硫系统运行历史数据，并对数据进行稳态清洗；步骤二：将脱硫系统物料衡算关系融合到深度学习算法中，选择合适的训练参数，建立深度学习脱硫系统预测模型；步骤三：将已建立的预测模型应用于电厂脱硫系统实时控制调节。本发明解决了吸收塔各物料过量供给造成的能耗浪费问题，能有效降低脱硫系统耗电量，达到系统节能的目的。

Description

一种基于物料衡算和深度学习的脱硫系统节能方法
技术领域
本发明属于节能环保技术领域，具体涉及一种基于物料衡算和深度学习的脱硫系统节能方法。
背景技术
电厂脱硫系统是多因素耦合的系统，烟气成分、烟气量、烟温、浆液pH、氯离子浓度、液气比、钙硫比等参数对吸收塔的脱硫效果均存在影响。由于脱硫系统建模过于复杂，难以建立包含各影响因素的通用数学模型，这使得机组负荷变化过程中对脱硫系统的控制往往不够精细。为保证脱硫塔出口净烟气中二氧化硫浓度，部分参数设置裕度过大、且调节波动大，造成了设备的能耗普遍偏大。
发明内容
本发明的目的在于针对现有技术中的不足，提供了一种基于物料衡算和深度学习的脱硫系统节能方法。
本发明采用如下技术方案来实现的：
一种基于物料衡算和深度学习的脱硫系统节能方法，包含以下步骤：
1)获取电厂SIS中脱硫系统运行历史数据，包括：机组负荷、原烟气量、原烟气温度、进口SO2浓度、入口尘浓度、浆液pH、净烟气量、出口SO2浓度、浆液密度、浆液循环量、吸收剂量和氧化空气量，并对历史数据进行稳态清洗；
2)基于稳态清洗后的电厂SIS中脱硫系统运行历史数据，将脱硫系统物料衡算关系融合到深度学习算法中，选择合适的训练参数，建立深度学习脱硫系统预测模型；
3)将已建立的深度学习脱硫系统预测模型应用于电厂SIS中脱硫系统实时控制调节，在保证吸收塔出口SO2浓度达标的前提下，进一步调整液气比、吸收剂量和氧化空气量，降低设备电耗。
本发明进一步的改进在于，步骤2)中，基于稳态清洗后的电厂SIS中脱硫系统运行历史数据，利用Tensor Flow搭建深度学习脱硫系统预测模型，通过新产生脱硫系统运行数据，对深度学习脱硫系统预测模型进行不断优化。
本发明进一步的改进在于，深度学习脱硫系统预测模型的输出层为1个神经元，是出口SO2浓度。
本发明进一步的改进在于，步骤3)中，液气比作为深度学习脱硫系统预测模型的输入层神经元，液气比＝浆液循环量/吸收塔入口烟气量测量值，考虑浆液循环泵不设变频和备用，浆液循环量＝浆液循环泵投入数量×浆液泵流量。
本发明进一步的改进在于，脱硫过程所需氧化空气量为：
Figure BDA0002427583010000021
其中，Qy为吸收塔入口烟气量实测值；
Figure BDA0002427583010000023
为吸收塔入口SO2浓度实测值；
Figure BDA0002427583010000024
吸收塔出口SO2浓度设定值；α为SO2自然氧化率，取0.1～0.2；β为SO2强制氧化率，取0.3～0.4。
本发明进一步的改进在于，考虑机组负荷变化及调整过程存在延时，吸收剂量调节以浆液pH值和出口SO2浓度为被控量；同时，已实测吸收塔入口烟气量和SO2浓度计算吸收剂需求量作为超前预控；浆液供浆泵流量以浆液pH值、出口SO2浓度和吸收剂计算值三者进行调控；吸收剂需求量计算公式：
Figure BDA0002427583010000022
其中，
Figure BDA0002427583010000025
为SO3脱除率，在30％～50％之间；
Figure BDA0002427583010000026
CHCl、CHF分别为吸收塔入口SO3、HCl、HF浓度，若无测量值，采用设计值带入计算；Ca/S为钙硫比，取1.02～1.05。
本发明进一步的改进在于，在获取输入参数实时测量值后，结合氧化空气量、液气比和吸收剂量计算值，利用训练好的深度学习脱硫系统预测模型计算吸收塔出口SO2浓度；若满足要求，则采用各参数进行控制调节；否则，调整液气比和吸收剂量，重新试算。
本发明具有如下有益的技术效果：
本发明将深度学习算法与传统脱硫系统相结合，基于脱硫系统物料衡算方法，利用海量运行历史数据对脱硫系统进行多因素下的建模。在建模分析的基础上，在线实时对脱硫系统运行参数进行预测、分析、优化，进而实现整个系统的节能优化。
附图说明
图1为本发明一种基于物料衡算和深度学习的脱硫系统节能方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明所述的一种基于物料衡算和深度学习的脱硫系统节能方法，包含以下步骤：
1)获取电厂SIS中脱硫系统运行历史数据，包括：机组负荷、原烟气量、原烟气温度、进口SO2浓度、入口尘浓度、浆液pH、净烟气量、出口SO2浓度、浆液密度、浆液循环量、吸收剂量和氧化空气量，并对历史数据进行稳态清洗；
2)基于稳态清洗后的电厂SIS中脱硫系统运行历史数据，将脱硫系统物料衡算关系融合到深度学习算法中，选择合适的训练参数，建立深度学习脱硫系统预测模型；
3)将已建立的预测模型应用于电厂脱硫系统实时控制调节，在保证吸收塔出口SO2浓度达标的前提下，进一步调整液气比、吸收剂量和氧化空气量，降低设备电耗。
基于稳态清洗后的电厂SIS中脱硫系统运行历史数据，利用Tensor Flow搭建深度学习脱硫系统预测模型，最开始利用离线数据训练产生预测模型。预测模型应用于在线控制调节后，模型并不是一成不变的，而是利用新产生的运行数据对模型进行调整，这样使得模型随着机组运行情况在不断优化，调节精度和效率降提升。
深度学习脱硫系统预测模型的输出层为1个神经元，是出口SO2浓度。
液气比作为深度学习脱硫系统预测模型的输入层神经元，液气比是利用测量值计算得出的，液气比＝浆液循环量/吸收塔入口烟气量测量值。吸收塔浆液循环泵不设备用，单台泵的流量也是固定的，没有变频调节，运行过程中通过调节泵的开启数量来调节浆液循环量，浆液循环量＝浆液循环泵投入数量×浆液泵流量。
脱硫过程所需氧化空气量为：
Figure BDA0002427583010000041
其中，Qy为吸收塔入口烟气量实测值；
Figure BDA0002427583010000043
为吸收塔入口SO2浓度实测值；
Figure BDA0002427583010000044
吸收塔出口SO2浓度设定值；α为SO2自然氧化率，取0.1～0.2；β为SO2强制氧化率，取0.3～0.4。
考虑机组负荷变化及调整过程存在延时，吸收剂量调节以浆液pH值和出口SO2浓度为被控量。同时，已实测吸收塔入口烟气量和SO2浓度计算吸收剂需求量作为超前预控。浆液供浆泵流量以浆液pH值、出口SO2浓度和吸收剂计算值三者进行调控。吸收剂需求量计算公式：
Figure BDA0002427583010000042
其中，
Figure BDA0002427583010000045
为SO3脱除率，在30％～50％之间；
Figure BDA0002427583010000046
CHCl、CHF分别为吸收塔入口SO3、HCl、HF浓度，若无测量值，采用设计值带入计算；Ca/S为钙硫比，取1.02～1.05。
在获取输入参数实时测量值后，计算氧化空气量、液气比、吸收剂量，并结合运行情况给出节能最佳值，再利用训练好的深度学习脱硫系统预测模型计算吸收塔出口SO2浓度。若满足要求，则采用各参数进行控制调节；否则，调整液气比和吸收剂量，重新试算。
以上所述，仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于任何熟悉本技术领域的技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。因此，本发明的保护范围应该以权力要求的保护范围为准。

Claims (5)

1.一种基于物料衡算和深度学习的脱硫系统节能方法，其特征在于，包含以下步骤：
1)获取电厂SIS中脱硫系统运行历史数据，包括：机组负荷、原烟气量、原烟气温度、进口SO2浓度、入口尘浓度、浆液pH、净烟气量、出口SO2浓度、浆液密度、浆液循环量、吸收剂量和氧化空气量，并对历史数据进行稳态清洗；
2)基于稳态清洗后的电厂SIS中脱硫系统运行历史数据，将脱硫系统物料衡算关系融合到深度学习算法中，选择合适的训练参数，建立深度学习脱硫系统预测模型；
3)将已建立的深度学习脱硫系统预测模型应用于电厂SIS中脱硫系统实时控制调节，在保证吸收塔出口SO2浓度达标的前提下，进一步调整液气比、吸收剂量和氧化空气量，降低设备电耗；脱硫过程所需氧化空气量为：
Figure FDA0004122664810000011
其中，Qy为吸收塔入口烟气量实测值；
Figure FDA0004122664810000014
为吸收塔入口SO2浓度实测值；
Figure FDA0004122664810000015
吸收塔出口SO2浓度设定值；α为SO2自然氧化率，取0.1～0.2；β为SO2强制氧化率，取0.3～0.4；
考虑机组负荷变化及调整过程存在延时，吸收剂量调节以浆液pH值和出口SO2浓度为被控量；同时，已实测吸收塔入口烟气量和SO2浓度计算吸收剂需求量作为超前预控；浆液供浆泵流量以浆液pH值、出口SO2浓度和吸收剂计算值三者进行调控；吸收剂需求量计算公式：
Figure FDA0004122664810000012
其中，
Figure FDA0004122664810000013
为SO3脱除率，在30％～50％之间；
Figure FDA0004122664810000016
CHCl、CHF分别为吸收塔入口SO3、HCl、HF浓度，若无测量值，采用设计值带入计算；Ca/S为钙硫比，取1.02～1.05。
2.根据权利要求1所述的一种基于物料衡算和深度学习的脱硫系统节能方法，其特征在于，步骤2)中，基于稳态清洗后的电厂SIS中脱硫系统运行历史数据，利用Tensor Flow搭建深度学习脱硫系统预测模型，通过新产生脱硫系统运行数据，对深度学习脱硫系统预测模型进行不断优化。
3.根据权利要求2所述的一种基于物料衡算和深度学习的脱硫系统节能方法，其特征在于，深度学习脱硫系统预测模型的输出层为1个神经元，是出口SO2浓度。
4.根据权利要求2所述的一种基于物料衡算和深度学习的脱硫系统节能方法，其特征在于，步骤3)中，液气比作为深度学习脱硫系统预测模型的输入层神经元，液气比＝浆液循环量/吸收塔入口烟气量测量值，考虑浆液循环泵不设变频和备用，浆液循环量＝浆液循环泵投入数量×浆液泵流量。
5.根据权利要求1所述的一种基于物料衡算和深度学习的脱硫系统节能方法，其特征在于，在获取输入参数实时测量值后，结合氧化空气量、液气比和吸收剂量计算值，利用训练好的深度学习脱硫系统预测模型计算吸收塔出口SO2浓度；若满足要求，则采用各参数进行控制调节；否则，调整液气比和吸收剂量，重新试算。
CN202010225766.5A 2020-03-26 2020-03-26 一种基于物料衡算和深度学习的脱硫系统节能方法 Active CN111340199B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010225766.5A CN111340199B (zh) 2020-03-26 2020-03-26 一种基于物料衡算和深度学习的脱硫系统节能方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010225766.5A CN111340199B (zh) 2020-03-26 2020-03-26 一种基于物料衡算和深度学习的脱硫系统节能方法

Publications (2)

Publication Number Publication Date
CN111340199A CN111340199A (zh) 2020-06-26
CN111340199B true CN111340199B (zh) 2023-05-12

Family

ID=71182579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010225766.5A Active CN111340199B (zh) 2020-03-26 2020-03-26 一种基于物料衡算和深度学习的脱硫系统节能方法

Country Status (1)

Country Link
CN (1) CN111340199B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112023650A (zh) * 2020-08-12 2020-12-04 北京国电龙源环保工程有限公司 一种全工况自适应的pH调节系统
CN112034795A (zh) * 2020-08-18 2020-12-04 北京国电龙源环保工程有限公司 一种基于数据模型和机理运算的氧化风系统控制方法
CN113477379B (zh) * 2021-07-29 2022-09-30 九江一晖环保集团有限公司 一种基于物料衡算的废弃物金属回收方法
CN113713536A (zh) * 2021-08-25 2021-11-30 九江一晖环保集团有限公司 一种废气污染源分析方法
CN114110616B (zh) * 2021-11-22 2024-03-08 广州环投从化环保能源有限公司 一种垃圾焚烧炉hcl浓度排放控制方法和控制系统
JP2023175210A (ja) * 2022-05-30 2023-12-12 三菱重工業株式会社 湿式排煙脱硫装置の制御装置、遠隔監視システム、及び、制御方法
CN115729184B (zh) * 2022-11-14 2023-06-27 青芥一合碳汇(武汉)科技有限公司 基于大数据分析和边缘控制的脱硫优化运行方法及装置
CN115869745B (zh) * 2023-03-08 2023-05-16 福建龙净环保股份有限公司 一种脱硫处理方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194026A (zh) * 2017-04-17 2017-09-22 中国大唐集团科学技术研究院有限公司火力发电技术研究所 基于贝叶斯网络的吸收塔脱硫过程建模方法
CN109420424A (zh) * 2017-08-22 2019-03-05 邢台国泰发电有限责任公司 一种石灰石-石膏湿法烟气脱硫系统节能优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7599750B2 (en) * 2005-12-21 2009-10-06 Pegasus Technologies, Inc. Model based sequential optimization of a single or multiple power generating units

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194026A (zh) * 2017-04-17 2017-09-22 中国大唐集团科学技术研究院有限公司火力发电技术研究所 基于贝叶斯网络的吸收塔脱硫过程建模方法
CN109420424A (zh) * 2017-08-22 2019-03-05 邢台国泰发电有限责任公司 一种石灰石-石膏湿法烟气脱硫系统节能优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于支持向量机的湿法脱硫塔污染治理优化与能效评价;罗启圭;李鸣;周国发;;环境工程学报(06);全文 *
样本优选BP神经网络在脱硫效率预测中的应用;孙栓柱;李益国;周春蕾;代家元;王明;;自动化仪表(03);全文 *
火电厂烟气脱硫脱硝技术的节能环保问题分析;刘军;;石河子科技(02);全文 *

Also Published As

Publication number Publication date
CN111340199A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN111340199B (zh) 一种基于物料衡算和深度学习的脱硫系统节能方法
WO2020088485A1 (zh) 一种智能化多种污染物超低排放系统及全局优化方法
US11364466B2 (en) Automatic control system for emission indexes of desulfurization device of thermal power unit and method thereof
CN108636094A (zh) 一种湿法脱硫工艺中的精确预测控制与节能系统及方法
CN112506162B (zh) 一种基于数据模型和机理运算的氧化风系统控制方法
CN105467954B (zh) 一种石灰石-石膏法脱硫ORP与pH双控制的方法及装置
CN112967760B (zh) 基于脱硫系统入口二氧化硫含量的石灰石浆液量预估方法
CN112619389A (zh) 一种石灰石-湿法脱硫系统供浆优化控制方法和系统
CN112883553B (zh) 一种单塔双循环脱硫装置的氧化风机运行优化方法
CN110496507B (zh) 一种湿法脱硫工艺中拟合亚硫酸钙浓度的方法
CN106482507B (zh) 一种水泥分解炉燃烧自动控制方法
CN113041808B (zh) 脱酸塔的石灰浆与冷却水投加量控制方法及控制系统
CN112742187A (zh) 一种脱硫系统中pH值的控制方法及装置
CN111013370A (zh) 一种基于深度神经网络的湿法脱硫浆液供给量预测方法
CN111598308B (zh) 基于回归和二重pso算法解决浆液循环泵组合优化方法
CN104959015A (zh) 能实现超净排放的烟气脱硫自动控制系统及其脱硫方法
CN202823158U (zh) 石灰石湿法脱硫吸收塔浆液pH脱硫率的自动控制结构
CN113593653B (zh) 一种湿法脱硫装置整体经济效益最优控制方法
CN204746081U (zh) 能实现超净排放的烟气脱硫自动控制机构
CN107648988B (zh) 一种双回路调节脱硫供浆流量的装置及方法
CN109966870B (zh) 发电厂脱硫系统二氧化硫排放量适应性控制方法
CN111408243A (zh) 一种火电机组湿法脱硫pH值控制系统及方法
CN114625186A (zh) 一种火电机组启停过程多目标一体化控制系统及控制方法
CN114880944A (zh) 一种基于Lasso算法的脱硫系统运行优化方法及系统
CN112044270B (zh) 一种基于数据驱动多模型的脱硫氧化风系统控制方法

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