CN111428906A - 一种基于图像变换的工业锅炉蒸汽量预测方法 - Google Patents

一种基于图像变换的工业锅炉蒸汽量预测方法 Download PDF

Info

Publication number
CN111428906A
CN111428906A CN202010095541.2A CN202010095541A CN111428906A CN 111428906 A CN111428906 A CN 111428906A CN 202010095541 A CN202010095541 A CN 202010095541A CN 111428906 A CN111428906 A CN 111428906A
Authority
CN
China
Prior art keywords
characteristic variable
steam quantity
graph
time
steam
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
CN202010095541.2A
Other languages
English (en)
Other versions
CN111428906B (zh
Inventor
童水光
陈鑫
童哲铭
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010095541.2A priority Critical patent/CN111428906B/zh
Publication of CN111428906A publication Critical patent/CN111428906A/zh
Application granted granted Critical
Publication of CN111428906B publication Critical patent/CN111428906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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"
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于图像变换的工业锅炉蒸汽量预测方法，使用深度学习训练方法，从原始特征变量自动提取特征，预测出蒸汽量目标值；相较于传统的基于特征工程的机器学习方法，本发明操作简单，无需做过多特征工程，且有更优的预测效果；本发明分为预处理阶段和使用阶段，预处理阶段不消耗实际中运行预测蒸汽量的时间，实际应用中仅通过训练好的模型即可使用，提高了预测效率，保证了预测的实时性。本发明能够提供锅炉蒸汽量的预测，完成蒸汽量与特征变量的关系建模，进而可以对蒸汽量进行控制以及优化影响蒸汽量的因素，从而提高锅炉运行效率。

Description

一种基于图像变换的工业锅炉蒸汽量预测方法
技术领域
本发明属于工业锅炉技术领域，具体涉及一种基于图像变换的工业锅炉蒸汽量预测方法。
背景技术
工业锅炉在发电和供暖方面具有广泛应用。锅炉通过燃煤产生的高温热量使水生成蒸汽，蒸汽再推动汽轮机旋转，进而带动发电机旋转，产生电能。锅炉运行产生的蒸汽量是评价锅炉生产性能与效率的重要指标。锅炉是一个复杂的非线性系统，锅炉产生的蒸汽量与许多特征因素如炉膛温度、过热器温度、一次配风、二次配风、煤质品种、给煤量、给水量等等有关。建立起工业锅炉蒸汽量的预测对指导特征因素控制，提高锅炉运行效率尤为关键。
传统的预测方法主要为特征工程形式的工程试错方式进行人工设计与选择特征。人工设计的优劣决定了最终的任务精度，并且费时费力，适应性差，很难将其应用于另一任务。
目前针对工业锅炉蒸汽量预测的现有技术如下：(1)以中国专利201510197675.4为例，通过采用径向基函数神经网络建立起输入和输出的关系从而对蒸汽量进行预测，但只采用了燃料量一个输入量，实际的蒸汽量与许多变量有关。而且径向基函数神经网络结构深度太小，能够对原数据非线性拟合，但不能抽象出高层的特征，预测的效果较差；(2)以中国专利201610347464.9为例，通过建立整个锅炉系统的传递函数方程模型进而对蒸汽量进行预测，由于锅炉系统是复杂、非线性系统，传递函数方程难以建立且不能反映锅炉的实际运行工况，此方法预测的精度和复杂工况的适应性较差。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供一种基于图像变换的工业锅炉蒸汽量预测方法。
为了实现上述目的，本发明提供以下技术方案：
一种基于图像变换的工业锅炉蒸汽量预测方法，包括预处理阶段和使用阶段；
预处理阶段包括如下步骤：
步骤1：制作样本数据集，样本数据集的特征变量数据和蒸汽量数据分别由锅炉传感器采集得到；
步骤2：依次对每个样本中的特征变量数据进行制图，一张图中有三个通道，分别对应t时刻、t-1时刻、t-2时刻对应的特征变量数据，作为深度学习训练的原始数据输入图；
步骤3：将t时刻蒸汽量数据作为目标输出值，作为深度学习训练的输出收敛目标；
步骤4：基于深度学习训练方法将步骤2得到的原始数据输入图和步骤3得到的目标输出值划分为训练集和测试集，并对训练集的原始数据输入图和目标输出值进行深度学习训练，最后保存训练好的模型；
使用阶段包括如下步骤：
(1)将要预测的样本用锅炉传感器采集特征变量数据，并按照预处理阶段的步骤2对新采集的特征变量数据制图得到原始数据输入图；
(2)利用预处理阶段步骤4得到的模型对使用阶段的步骤(1)的原始数据输入图进行预测，得到蒸汽量预测结果。
进一步地，预处理阶段的步骤2中对特征变量数据进行制图的方法为：首先将t时刻、t-1时刻、t-2时刻的特征变量数据进行最大最小值归一化，再对归一化后的每个特征变量复制增添至N个，再将每个特征变量顺序排列成类似图像的形式。
进一步地，预处理阶段的步骤4中深度学习训练的网络结构包括t时刻、t-1时刻、t-2时刻组成的原始数据输入图、主干网络、输入/输出连接线、主干网络输出特征图、注意力模块、注意力模块输出特征图、池化操作、池化后特征图、1*1卷积操作、目标蒸汽量值；原始数据输入图经过主干网络进行提取特征，得到主干网络输出特征图，主干网络输出特征图为原始数据输入图四分之一分辨率的特征图，主干网络输出特征图再通过输入/输出连接线连接注意力模块，得到滤波后的注意力模块输出特征图，对注意力模块输出特征图的每个通道进行全局平均池化操作，得到池化后特征图，最终通过1*1卷积操作将通道数降至一个通道并输出目标蒸汽量值。
进一步地，主干网络选用HRNet_18模型，注意力模块选用基于SENet的通道注意力机制网络结构模块。
本发明的有益效果是：
(1)本发明使用深度学习方法，从数据原始特征变量自动提取特征，预测出蒸汽量目标值；相较于传统的基于特征工程的机器学习方法，本发明操作简单，无需做过多特征工程，且有更优的预测效果。
(2)本发明分为预处理阶段和使用阶段，预处理阶段不消耗实际中运行预测蒸汽量的时间，实际应用中仅通过训练好的模型即可使用，提高了预测效率，保证了预测的实时性。
(3)本发明能够提供锅炉蒸汽量的预测，完成蒸汽量与特征变量的关系建模，进而可以对蒸汽量进行控制以及优化影响蒸汽量的因素，从而提高锅炉运行效率。
附图说明
图1为本发明方法的流程图。
图2为实施例中，针对其中一个样本的特征变量数据制得的原始数据输入图。
图3为实施例中，深度学习训练网络结构图。
图4为实施例中，蒸汽量预测值和真实值的对比图。
具体实施方式
以下结合附图和具体实施案例对本发明的技术方案做进一步详细说明，应当指出的是，具体实施方式只是对本发明的详细说明，不应视为对本发明的限定。
本发明的一种基于图像变换的工业锅炉蒸汽量预测方法，包括预处理阶段和使用阶段；如图1所示，预处理阶段包括如下步骤：
预处理阶段包括如下步骤：
步骤1：制作样本数据集，样本数据集包括特征变量数据、蒸汽量数据；特征变量数据和蒸汽量数据分别由锅炉DCS传感器系统采集得到，本实施例中，样本数据集共有2888个样本，每个样本包含t时刻对应的32个特征变量数据、t-1时刻对应的32个特征变量数据、t-2时刻对应的32个特征变量数据和t时刻蒸汽量目标数据；特征变量数据作为输入数据，蒸汽量数据作为目标数据；本实施例中，t时刻、t-1时刻、t-2时刻的时间间隔为1分钟；采集三个时间点t时刻、t-1时刻、t-2时刻分别对应的32个特征变量数据，能够得到过去的历史两个时间t-1时刻、t-2时刻与要预测的t时刻的变化趋势，从而更好地调控蒸汽量；如果只用t时刻的32个特征变量数据预测t时刻的蒸汽量数据，效果会急剧下降，预测精度不如t时刻结合t-1时刻、t-2时刻分别对应的32个特征变量数据。
步骤2：本实施例中，依次对2886个样本(第一和第二个样本因为没有t-1、t-2时刻数据，所以不选用第一个样本与第二个样本)中的特征变量数据进行制图，一张图中有三个通道，分别对应t时刻、t-1时刻、t-2时刻对应的特征变量数据，作为深度学习训练的原始数据输入图；
步骤3：直接将t时刻蒸汽量数据作为目标输出值，作为深度学习训练的输出收敛目标；
步骤4：基于深度学习训练方法将步骤2得到的原始数据输入图和步骤3得到的目标输出值划分为训练集和测试集，作为一种优选的方式，训练集和测试集的个数比为7:3，本实施例中划分为2000个训练集、886个测试集，并对训练集的原始数据输入图和目标输出值进行深度学习训练，最后保存训练好的模型。
作为一种优选的方式，预处理阶段的步骤2中t时刻、t-1时刻、t-2时刻的特征变量数据分别包括过热器的温度、出口蒸汽温度、进口烟气温度、给水流量、给水温度、鼓风机A的送风量、鼓风机B的送风量、引风机甲电流、引风机甲转速、引风机乙电流、引风机乙转速、送风机甲电流、送风机甲转速、送风机乙电流、送风机乙转速反馈、第一锅炉氧量测量、第二锅炉氧量测量、第一炉膛负压、第二炉膛负压、第三炉膛负压、送风机甲进风量、送风机乙进风量。
作为一种优选的方式，预处理阶段的步骤2中对特征变量数据进行制图的方法为：首先将t时刻、t-1时刻、t-2时刻分别对应的32个特征变量数据按每个特征变量对所有样本进行最大最小值归一化，归一化公式为：
Figure BDA0002385044410000061
其中xnorm为归一化后的值，X为归一化之前的值，Xmin为最小值，Xmax为最大值；
再对归一化后的每个特征变量复制增添至N个，本实施例中N取值为256*4个，再将每个特征变量顺序排列成类似图像的形式，如图2所示。
作为一种优选的方式，如图3所示，预处理阶段的步骤4中深度学习训练的网络结构包括原始数据输入图1、主干网络2、输入/输出连接线3、主干网络输出特征图4、注意力模块5、注意力模块输出特征图6、池化操作7、池化后特征图8、1*1卷积操作9、目标蒸汽量值10；原始数据输入图1包括t时刻对应的32个特征变量输入数据It、t-1时刻对应的32个特征变量输入数据It-1、t-2时刻对应的32个特征变量输入数据It-2，原始数据输入图1经过主干网络2进行提取特征，得到主干网络输出特征图4，主干网络输出特征图4为原始数据输入图1四分之一分辨率的十八个通道特征图，主干网络输出特征图4再通过输入/输出连接线3连接注意力模块5，最后得到滤波后的注意力模块输出特征图6，对注意力模块输出特征图6的每个通道进行全局平均池化操作7，得到池化后特征图8，最终通过1*1卷积操作9将十八个通道数降至一个通道并输出目标蒸汽量值10，本实施例中主干网络2选用HRNet_18模型，注意力模块5选用基于SENet的通道注意力机制网络结构模块。
作为一种优选的方式，预处理阶段的步骤4中，深度学习训练方法采用Adam优化器，损失函数为L2损失函数；本实施例中深度学习训练每次训练输入一张原始数据输入图，训练阶段冻结HRNet_18网络结构中的BatchNorm层，学习率为1×10-6，迭代轮数为30轮，测试集结果如图4所示，可以看到预测值与真实值几乎重合，说明预测效果很好；得到的训练集平均均方误差为0.0622，测试集平均均方误差为0.0760。
使用阶段包括如下步骤：
(1)将要预测的样本用锅炉传感器采集特征变量数据，并按照预处理阶段的步骤2对新采集的特征变量数据制图得到原始数据输入图；
(2)利用预处理阶段步骤4得到的模型对使用阶段的步骤(1)的原始数据输入图进行预测，得到蒸汽量预测结果。

Claims (4)

1.一种基于图像变换的工业锅炉蒸汽量预测方法，其特征在于，包括预处理阶段和使用阶段；
预处理阶段包括如下步骤：
步骤1：制作样本数据集，样本数据集的特征变量数据和蒸汽量数据分别由锅炉传感器采集得到；
步骤2：依次对每个样本中的特征变量数据进行制图，一张图中有三个通道，分别对应t时刻、t-1时刻、t-2时刻对应的特征变量数据，作为深度学习训练的原始数据输入图；
步骤3：将t时刻蒸汽量数据作为目标输出值，作为深度学习训练的输出收敛目标；
步骤4：基于深度学习训练方法将步骤2得到的原始数据输入图和步骤3得到的目标输出值划分为训练集和测试集，并对训练集的原始数据输入图和目标输出值进行深度学习训练，最后保存训练好的模型；
使用阶段包括如下步骤：
(1)将要预测的样本用锅炉传感器采集特征变量数据，并按照预处理阶段的步骤2对新采集的特征变量数据制图得到原始数据输入图；
(2)利用预处理阶段步骤4得到的模型对使用阶段的步骤(1)的原始数据输入图进行预测，得到蒸汽量预测结果。
2.根据权利要求1所述的一种基于图像变换的工业锅炉蒸汽量预测方法，其特征在于，预处理阶段的步骤2中对特征变量数据进行制图的方法为：首先将t时刻、t-1时刻、t-2时刻的特征变量数据进行最大最小值归一化，再对归一化后的每个特征变量复制增添至N个，再将每个特征变量顺序排列成类似图像的形式。
3.根据权利要求1所述的一种基于图像变换的工业锅炉蒸汽量预测方法，其特征在于，预处理阶段的步骤4中深度学习训练的网络结构包括t时刻、t-1时刻、t-2时刻组成的原始数据输入图、主干网络、输入/输出连接线、主干网络输出特征图、注意力模块、注意力模块输出特征图、池化操作、池化后特征图、1*1卷积操作、目标蒸汽量值；原始数据输入图经过主干网络进行提取特征，得到主干网络输出特征图，主干网络输出特征图为原始数据输入图四分之一分辨率的特征图，主干网络输出特征图再通过输入/输出连接线连接注意力模块，得到滤波后的注意力模块输出特征图，对注意力模块输出特征图的每个通道进行全局平均池化操作，得到池化后特征图，最终通过1*1卷积操作将通道数降至一个通道并输出目标蒸汽量值。
4.根据权利要求3所述的一种基于图像变换的工业锅炉蒸汽量预测方法，其特征在于，主干网络选用HRNet_18模型，注意力模块选用基于SENet的通道注意力机制网络结构模块。
CN202010095541.2A 2020-02-17 2020-02-17 一种基于图像变换的工业锅炉蒸汽量预测方法 Active CN111428906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010095541.2A CN111428906B (zh) 2020-02-17 2020-02-17 一种基于图像变换的工业锅炉蒸汽量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010095541.2A CN111428906B (zh) 2020-02-17 2020-02-17 一种基于图像变换的工业锅炉蒸汽量预测方法

Publications (2)

Publication Number Publication Date
CN111428906A true CN111428906A (zh) 2020-07-17
CN111428906B CN111428906B (zh) 2023-05-09

Family

ID=71547075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010095541.2A Active CN111428906B (zh) 2020-02-17 2020-02-17 一种基于图像变换的工业锅炉蒸汽量预测方法

Country Status (1)

Country Link
CN (1) CN111428906B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613651A (zh) * 2020-12-16 2021-04-06 上海全应科技有限公司 一种工业蒸汽末端消费量预测模型建立、预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197743A (zh) * 2017-12-31 2018-06-22 北京化工大学 一种基于深度学习的预测模型软测量方法
WO2019082491A1 (ja) * 2017-10-25 2019-05-02 株式会社日立製作所 プラントの運転支援装置及び運転支援方法
CN110222416A (zh) * 2019-06-05 2019-09-10 重庆邮电大学 一种基于大数据的工业蒸汽量预测方法
CN110363289A (zh) * 2019-07-17 2019-10-22 山东浪潮人工智能研究院有限公司 一种基于机器学习的工业蒸汽量预测方法及装置
CN110782008A (zh) * 2019-10-16 2020-02-11 北京百分点信息科技有限公司 深度学习模型的训练方法、预测方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019082491A1 (ja) * 2017-10-25 2019-05-02 株式会社日立製作所 プラントの運転支援装置及び運転支援方法
CN108197743A (zh) * 2017-12-31 2018-06-22 北京化工大学 一种基于深度学习的预测模型软测量方法
CN110222416A (zh) * 2019-06-05 2019-09-10 重庆邮电大学 一种基于大数据的工业蒸汽量预测方法
CN110363289A (zh) * 2019-07-17 2019-10-22 山东浪潮人工智能研究院有限公司 一种基于机器学习的工业蒸汽量预测方法及装置
CN110782008A (zh) * 2019-10-16 2020-02-11 北京百分点信息科技有限公司 深度学习模型的训练方法、预测方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613651A (zh) * 2020-12-16 2021-04-06 上海全应科技有限公司 一种工业蒸汽末端消费量预测模型建立、预测方法及系统
CN112613651B (zh) * 2020-12-16 2024-05-03 上海全应科技有限公司 一种工业蒸汽末端消费量预测模型建立、预测方法及系统

Also Published As

Publication number Publication date
CN111428906B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN109270842B (zh) 一种基于贝叶斯网络的区域供热模型预测控制系统及方法
CN111815042B (zh) 计及精细化热网模型的电热综合能源系统优化调度方法
CN110070460A (zh) 多套燃气-蒸汽联合循环机组热电负荷优化调度系统
CN112016754A (zh) 基于神经网络的电站锅炉排烟温度超前预测系统及方法
CN111754093A (zh) 一种基于煤质预测和pso-svm的飞灰含碳量预测方法
CN113837464A (zh) 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法
CN115238597A (zh) 涉及园区级综合能源系统源网荷碳排放模型的构建方法
CN112163380A (zh) 基于数值模拟的神经网络预测炉膛氧气浓度系统及方法
CN111931436A (zh) 一种基于数值模拟与神经网络的燃烧器喷口风量预测方法
WO2024060488A1 (zh) 一种基于深度循环神经网络和进化计算的工业锅炉燃烧优化方法
CN109492319A (zh) 一种火电厂锅炉烟气含氧量软测量方法
CN110207094A (zh) 基于主成分分析的iqga-svr锅炉受热面沾污特性辨识方法
CN111428906B (zh) 一种基于图像变换的工业锅炉蒸汽量预测方法
CN114239197A (zh) 供热系统碳转化过程建模和低碳优化运行调度决策的方法
CN111723331B (zh) 一种联合循环二拖一机组汽轮机负荷的权益分配计算方法
CN112950409A (zh) 煤气和蒸汽能源综合利用系统生产调度优化方法
CN107742000A (zh) 锅炉燃烧含氧量建模方法
CN113868836B (zh) 基于大数据的智慧热力系统在线专家分析平台
CN114547987B (zh) 一种基于改进人工神经网络的离心泵作透平性能预测方法
CN114881207A (zh) 基于lstm深度循环神经网络的蒸汽压力预测方法及装置
CN115712976A (zh) 基于多元供热机组的热能及电负荷优化方法及相关设备
CN100366876C (zh) 燃气-蒸汽联合循环发电站运行效率在线解析方法和系统
CN112818610B (zh) 超临界水流动换热实验系统压力与流量的调控方法及系统
CN112036091A (zh) 一种利用回归算法预测四角切圆燃烧器喷口风量的方法
CN112231978B (zh) 一种基于人工神经网络的锅炉烟气酸露点测试方法

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