CN111708388A - 一种基于gru-pid的锅炉调压预测控制方法 - Google Patents
一种基于gru-pid的锅炉调压预测控制方法 Download PDFInfo
- Publication number
- CN111708388A CN111708388A CN202010699723.0A CN202010699723A CN111708388A CN 111708388 A CN111708388 A CN 111708388A CN 202010699723 A CN202010699723 A CN 202010699723A CN 111708388 A CN111708388 A CN 111708388A
- Authority
- CN
- China
- Prior art keywords
- gru
- boiler pressure
- time
- value
- boiler
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D16/00—Control of fluid pressure
- G05D16/20—Control of fluid pressure characterised by the use of electric means
- G05D16/2006—Control of fluid pressure characterised by the use of electric means with direct action of electric energy on controlling means
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B35/00—Control systems for steam boilers
- F22B35/18—Applications of computers to steam boiler control
-
- 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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P.I., P.I.D.
-
- 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
Abstract
本发明涉及一种基于GRU‑PID的锅炉调压预测控制方法,步骤1:建立锅炉压力调节控制系统;步骤2:使用训练好的GRU算法模型预测锅炉未来多个时步的压力;步骤3:计算基于锅炉压力多时步控制误差的关联函数;步骤4:计算基于上述关联函数的锅炉控制系统输出。本发明基于GRU算法预测的多时步锅炉压力值计算多时步控制误差关联函数,可以解决锅炉控制滞后问题,显著提高锅炉压力控制精度。
Description
技术领域
本发明涉及锅炉调压控制领域,特别涉及一种基于GRU-PID的锅炉调压预测控制方法。
背景技术
在工业领域,锅炉作为一种生产蒸汽的设备广为应用。锅炉通过煤、油或燃气等燃料的燃烧释放的能量,将液态水转变为蒸汽,之后蒸汽直接供给工业生产中所需的热能,或通过蒸汽动力机和汽轮发电机转变为机械能和电能。这其中,锅炉压力控制是一个至关重要的问题,传统方法通过经验丰富的工程师手动调控,但随着生产要求的逐渐提高,锅炉压力控制的难度也在逐渐增大,人工调控的方法效率低下,安全性不高,因此自动化控制的方法成为主流。
目前来看,锅炉的调压控制存在着急需解决的问题。随着技术的发展,动态压力调控的应用越来越广泛,现有的自动化控制技术仅仅基于当前时刻的压力误差对控制变量进行调控,压力调控常常会存在明显的滞后性,如果锅炉的压力执行机构的执行滞后较大(尤其是调控燃气浓度的鼓风机在增强风力时需要较长的时间),这种压力调控的滞后性将非常严重,这势必导致锅炉调压的控制过程中控制超调量和稳态误差较大的问题,从而锅炉的整体控制精度低下,不能满足工业生产的需求。
发明内容
为了解决上述存在问题,本发明提出一种基于GRU-PID的锅炉调压预测控制方法,可以解决锅炉控制滞后问题,显著提高锅炉压力控制精度,为达此目的:
本发明提出一种基于GRU-PID的锅炉调压预测控制方法,具体步骤如下,
步骤1:建立锅炉压力调节控制系统;
步骤2:使用训练好的GRU算法模型预测锅炉未来多个时步的压力;
步骤3:计算基于锅炉压力多时步控制误差的关联函数;
步骤4:计算基于上述关联函数的锅炉控制系统输出;
作为本发明的进一步改进,所述步骤1中的锅炉压力调节控制系统,主要由可调节风量的鼓风机,燃料进气管,燃烧室,锅炉室,压力反馈机构,蒸汽输出管组成。其中,压力反馈机构基于压电传感器电信号经放大器产生压力值,实时获取锅炉的压力值P,并通过电路将压力值上传到上位机。整个锅炉控制系统,通过调控鼓风机的风量u,改变燃料进气管的燃料进给速率,从而控制锅炉产生的蒸汽压力。
作为本发明的进一步改进,所述步骤2中使用GRU算法为门控循环单元算法,GRU算法模型预测锅炉压力的步骤是,
式中,Pk,uk表示归一化后k时刻的锅炉压力和鼓风机风量,分别表示GRU算法训练时的归一化处理训练集的锅炉压力和鼓风机风量的最大值和最小值。则归一化后的时间序列可表示为X=[xt-T+1,...xk,...,xt],简化下标格式为X=[x1,...xk,...,xT],作为GRU每个单元的输入节点。
步骤2.3基于预先训练好的锅炉压力预测GRU模型,先计算GRU算法模块k时刻更新门节点值zk,
zk=g(Wxzxk+Whzhk-1)
然后,计算GRU模块算法k时刻重置门节点值rk,
rk=g(Wxrxk+Whrhk-1)
接着,计算GRU模块算法k时刻记忆单元节点值ck,
最后,计算GRU模块算法k时刻隐含层节点值hk,
步骤2.4重复步骤2.3,依次算出每个时步k时刻隐含层节点值hk,其中k=1,2,3,…,T,最终将隐含层节点矩阵H=[h1,...hk,...,hT]输入到全连接层来映射出预测向量O=[o1,...,oj,...,od],式中,oj表示第t+j时刻(即未来第j时刻)的锅炉压力预测值。
作为本发明的进一步改进,所述步骤2.3中所述锅炉压力预测GRU模型的训练方法,具体步骤为:
2.使用动态视窗的方法,在每一组数组提取出样本,其中样本的输入为长度为T的序列,输出为长度为d的序列,将提取出的样本集作为原始训练集。
3.对原始训练集的样本每个数值随机加高斯噪声,并将生成的数据样本填入到原始训练集中,生成最终的训练集。
4.随机初始化锅炉压力预测GRU模型的每个权重矩阵;
5.将训练集的样本依次喂入GRU网络,根据步骤2.3的公式前向计算锅炉压力预测GRU模型每个神经元的输出值。
6.计算GRU模型最终输出预测的锅炉压力O=[o1,...,oj,...,od]与训练集样本的输出锅炉压力真值序列的均方根误差。
7.反向计算每个神经元的误差项,基于误差项利用Adam优化算法计算相应的权重梯度,然后更新梯度。
8.根据更新后的梯度计算出GRU模型的每个权重矩阵并更新。
9.将训练样本集顺序打乱,重复步骤4-7,直到计算出的均方根误差小于阈值,方可认定锅炉压力预测模型收敛,训练完毕。
作为本发明的进一步改进,所述步骤3中所述计算t时刻基于锅炉压力多时步控制误差的关联函数具体为,
式中,oj表示锅炉压力预测GRU模块输出第t+j时刻(即未来第j时刻)的预测值,reqj表示的是第t+j时刻(即未来第j时刻)所需的锅炉压力值,αj表示的是每个时刻的权重系数。
作为本发明的进一步改进,所述步骤4中计算基于上述关联函数的锅炉控制系统输出,具体为:
计算控制变量鼓风机风量的控制差值
式中,uI为积分比例因子,uD为微分比例因子,kp为控制比例因子。
最后计算出控制变量鼓风机风量的t+1时刻控制值以实现控制
Pt+1=Pt+ΔPt
本发明提出一种基于GRU-PID的锅炉调压预测控制方法,有益效果在于:
1.本发明基于GRU深度学习算法,可以预测锅炉多时步压力,非线性数据挖掘能力强。
2.本发明基于GRU算法预测的多时步锅炉压力值构建多时步控制误差关联函数,可以解决锅炉控制滞后问题。
3.本发明提出的方法对每个时步的误差进行加权,作为控制变量系统输出的考虑,可以解决锅炉调压的控制过程中控制超调量和稳态误差较大的问题,从而提高锅炉的整体控制精度,以满足工业生产的需求。
4.本发明采用的训练集样本加入了有噪声的样本,提升了模型的鲁棒性,使得训练好的GRU锅炉压力预测模型的在实际应用中,即使锅炉压力抖动严重,依然可以保持良好的预测性能。
5.本发明算法实现简单,系统构建成本较低。
附图说明
图1是本发明提出的基于GRU-PID的锅炉调压预测控制方法架构图;
图2是本发明的锅炉调压控制系统简图;
图3是本发明动态时窗提取锅炉数据的方法;
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
一种基于GRU-PID的锅炉调压预测控制方法,如图1所示为基于GRU-PID的锅炉调压预测控制方法架构图,具体步骤如下,
步骤1:建立锅炉压力调节控制系统,如图2所示为锅炉调压控制系统简图,主要由可调节风量的鼓风机,燃料进气管,燃烧室,锅炉室,压力反馈机构,蒸汽输出管组成。其中,压力反馈机构基于压电传感器电信号经放大器产生压力值,实时获取锅炉的压力值P,并通过电路将压力值上传到上位机。整个锅炉控制系统,通过调控鼓风机的风量u,改变燃料进气管的燃料进给速率,从而控制锅炉产生的蒸汽压力。
步骤2:使用训练好的GRU算法模型预测锅炉未来多个时步的压力,使用GRU算法为门控循环单元算法,GRU算法模型预测锅炉压力的步骤是,
式中,Pk,uk表示归一化后k时刻的锅炉压力和鼓风机风量,分别表示GRU算法训练时的归一化处理训练集的锅炉压力和鼓风机风量的最大值和最小值。则归一化后的时间序列可表示为X=[xt-T+1,...xk,...,xt],简化下标格式为X=[x1,...xk,...,xT],作为GRU每个单元的输入节点。
步骤2.3基于预先训练好的锅炉压力预测GRU模型,先计算GRU算法模块k时刻更新门节点值zk,
zk=g(Wxzxk+Whzhk-1)
然后,计算GRU模块算法k时刻重置门节点值rk,
rk=g(Wxrxk+Whrhk-1)
接着,计算GRU模块算法k时刻记忆单元节点值ck,
最后,计算GRU模块算法k时刻隐含层节点值hk,
步骤2.4重复步骤2.3,依次算出每个时步k时刻隐含层节点值hk,其中k=1,2,3,…,T,最终将隐含层节点矩阵H=[h1,...hk,...,hT]输入到全连接层来映射出预测向量O=[o1,...,oj,…,od],式中,oj表示第t+j时刻(即未来第j时刻)的锅炉压力预测值。
所述步骤2.3中所述锅炉压力预测GRU模型的训练方法,具体步骤为:
2.如图3所示,使用动态视窗的方法,在每一组数组提取出样本,其中样本的输入为长度为T的序列,输出为长度为d的序列,将提取出的样本集作为原始训练集。
3.对原始训练集的样本每个数值随机加高斯噪声,并将生成的数据样本填入到原始训练集中,生成最终的训练集。
4.随机初始化锅炉压力预测GRU模型的每个权重矩阵;
5.将训练集的样本依次喂入GRU网络,根据步骤2.3的公式前向计算锅炉压力预测GRU模型每个神经元的输出值。
6.计算GRU模型最终输出预测的锅炉压力O=[o1,…,oj,…,od]与训练集样本的输出锅炉压力真值序列的均方根误差。
7.反向计算每个神经元的误差项,基于误差项利用Adam优化算法计算相应的权重梯度,然后更新梯度。
8.根据更新后的梯度计算出GRU模型的每个权重矩阵并更新。
9.将训练样本集顺序打乱,重复步骤4-7,直到计算出的均方根误差小于阈值,方可认定锅炉压力预测模型收敛,训练完毕。
步骤3:计算基于锅炉压力多时步控制误差的关联函数;
所述计算t时刻基于锅炉压力多时步控制误差的关联函数具体为,
式中,oj表示锅炉压力预测GRU模块输出第t+j时刻(即未来第j时刻)的预测值,reqj表示的是第t+j时刻(即未来第j时刻)所需的锅炉压力值,αj表示的是每个时刻的权重系数。
步骤4:计算基于上述关联函数的锅炉控制系统输出,具体为:
计算控制变量鼓风机风量的控制差值
式中,uI为积分比例因子,uD为微分比例因子,kp为控制比例因子。
最后计算出控制变量鼓风机风量的t+1时刻控制值,实现控制。
Pt+1=Pt+ΔPt
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (3)
1.一种基于GRU-PID的锅炉调压预测控制方法,具体步骤如下,其特征在于,
步骤1:建立锅炉压力调节控制系统;
所述步骤1中的锅炉压力调节控制系统,主要由可调节风量的鼓风机,燃料进气管,燃烧室,锅炉室,压力反馈机构,蒸汽输出管组成,其中,压力反馈机构基于压电传感器电信号经放大器产生压力值,实时获取锅炉的压力值P,并通过电路将压力值上传到上位机,整个锅炉控制系统,通过调控鼓风机的风量u,改变燃料进气管的燃料进给速率,从而控制锅炉产生的蒸汽压力;
步骤2:使用训练好的GRU算法模型预测锅炉未来多个时步的压力;
所述步骤2中使用GRU算法为门控循环单元算法,GRU算法模型预测锅炉压力的步骤是,
式中,Pk,uk表示归一化后k时刻的锅炉压力和鼓风机风量,分别表示GRU算法训练时的归一化处理训练集的锅炉压力和鼓风机风量的最大值和最小值,则归一化后的时间序列可表示为X=[xt-T+1,...xk,...,xt],简化下标格式为X=[x1,...xk,...,xT],作为GRU每个单元的输入节点;
步骤2.3基于预先训练好的锅炉压力预测GRU模型,先计算GRU算法模块k时刻更新门节点值zk,
zk=g(Wxzxk+Whzhk-1)
然后,计算GRU模块算法k时刻重置门节点值rk,
rk=g(Wxrxk+Whrhk-1)
接着,计算GRU模块算法k时刻记忆单元节点值ck,
最后,计算GRU模块算法k时刻隐含层节点值hk,
步骤2.4重复步骤2.3,依次算出每个时步k时刻隐含层节点值hk,其中k=1,2,3,…,T,最终将隐含层节点矩阵H=[h1,...hk,...,hT]输入到全连接层来映射出预测向量O=[o1,...,oj,...,od],式中,oj表示第t+j时刻(即未来第j时刻)的锅炉压力预测值;
步骤3:计算基于锅炉压力多时步控制误差的关联函数;
所述步骤3中所述计算t时刻基于锅炉压力多时步控制误差的关联函数具体为,
式中,oj表示锅炉压力预测GRU模块输出第t+j时刻(即未来第j时刻)的预测值,reqj表示的是第t+j时刻(即未来第j时刻)所需的锅炉压力值,αj表示的是每个时刻的权重系数;
步骤4:计算基于上述关联函数的锅炉控制系统输出;
所述步骤4中计算基于上述关联函数的锅炉控制系统输出,具体为:
计算控制变量鼓风机风量的控制差值
式中,uI为积分比例因子,uD为微分比例因子,kp为控制比例因子;
最后计算出控制变量鼓风机风量的t+1时刻控制值以实现控制
Pt+1=Pt+ΔPt。
2.根据权利要求1所述的一种基于GRU-PID的锅炉调压预测控制方法,其特征在于;
所述步骤2中使用GRU算法为门控循环单元算法,GRU算法模型预测锅炉压力的步骤是,
式中,Pk,uk表示归一化后k时刻的锅炉压力和鼓风机风量,分别表示GRU算法训练时的归一化处理训练集的锅炉压力和鼓风机风量的最大值和最小值,则归一化后的时间序列可表示为X=[xt-T+1,...xk,...,xt],简化下标格式为X=[x1,...xk,...,xT],作为GRU每个单元的输入节点;
步骤2.3基于预先训练好的锅炉压力预测GRU模型,先计算GRU算法模块k时刻更新门节点值zk,
zk=g(Wxzxk+Whzhk-1)
然后,计算GRU模块算法k时刻重置门节点值rk,
rk=g(Wxrxk+Whrhk-1)
接着,计算GRU模块算法k时刻记忆单元节点值ck,
最后,计算GRU模块算法k时刻隐含层节点值hk,
步骤2.4重复步骤2.3,依次算出每个时步k时刻隐含层节点值hk,其中k=1,2,3,…,T,最终将隐含层节点矩阵H=[h1,...hk,...,hT]输入到全连接层来映射出预测向量O=[o1,...,oj,...,od],式中,oj表示第t+j时刻(即未来第j时刻)的锅炉压力预测值。
3.根据权利要求1所述的一种基于GRU-PID的锅炉调压预测控制方法,其特征在于:
所述步骤2.3中所述锅炉压力预测GRU模型的训练方法,具体步骤为:
2.使用动态视窗的方法,在每一组数组提取出样本,其中样本的输入为长度为T的序列,输出为长度为d的序列,将提取出的样本集作为原始训练集;
3.对原始训练集的样本每个数值随机加高斯噪声,并将生成的数据样本填入到原始训练集中,生成最终的训练集;
4.随机初始化锅炉压力预测GRU模型的每个权重矩阵;
5.将训练集的样本依次喂入GRU网络,根据步骤2.3的公式前向计算锅炉压力预测GRU模型每个神经元的输出值;
6.计算GRU模型最终输出预测的锅炉压力O=[o1,...,oj,...,od]与训练集样本的输出锅炉压力真值序列的均方根误差;
7.反向计算每个神经元的误差项,基于误差项利用Adam优化算法计算相应的权重梯度,然后更新梯度;
8.根据更新后的梯度计算出GRU模型的每个权重矩阵并更新;
9.将训练样本集顺序打乱,重复步骤4-7,直到计算出的均方根误差小于阈值,方可认定锅炉压力预测模型收敛,训练完毕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010699723.0A CN111708388B (zh) | 2020-07-20 | 2020-07-20 | 一种基于gru-pid的锅炉调压预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010699723.0A CN111708388B (zh) | 2020-07-20 | 2020-07-20 | 一种基于gru-pid的锅炉调压预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111708388A true CN111708388A (zh) | 2020-09-25 |
CN111708388B CN111708388B (zh) | 2022-08-02 |
Family
ID=72546801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010699723.0A Active CN111708388B (zh) | 2020-07-20 | 2020-07-20 | 一种基于gru-pid的锅炉调压预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111708388B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113464920A (zh) * | 2021-07-07 | 2021-10-01 | 哈尔滨中远控制工程有限公司 | 一种母管蒸汽压力协调控制方法及系统 |
CN113741189A (zh) * | 2021-08-31 | 2021-12-03 | 广东工业大学 | 一种注塑机自适应学习快速控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104932566A (zh) * | 2015-06-05 | 2015-09-23 | 国网山东省电力公司电力科学研究院 | 一种提高单元发电机组锅炉快速调整能力的控制系统及方法 |
CN105183023A (zh) * | 2015-08-05 | 2015-12-23 | 华北电力科学研究院有限责任公司 | 一种单元机组主汽压力前馈控制方法及装置 |
CN106647597A (zh) * | 2016-10-11 | 2017-05-10 | 南京工业大学 | 一种流化床催化燃烧电加热炉plc多段温控方法 |
CN107045289A (zh) * | 2017-06-05 | 2017-08-15 | 杭州电子科技大学 | 一种电加热炉温度的非线性神经网络优化pid控制方法 |
CN108426239A (zh) * | 2018-04-09 | 2018-08-21 | 时枫娇 | 一种余热锅炉压力调节的改良系统及其方法 |
-
2020
- 2020-07-20 CN CN202010699723.0A patent/CN111708388B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104932566A (zh) * | 2015-06-05 | 2015-09-23 | 国网山东省电力公司电力科学研究院 | 一种提高单元发电机组锅炉快速调整能力的控制系统及方法 |
CN105183023A (zh) * | 2015-08-05 | 2015-12-23 | 华北电力科学研究院有限责任公司 | 一种单元机组主汽压力前馈控制方法及装置 |
CN106647597A (zh) * | 2016-10-11 | 2017-05-10 | 南京工业大学 | 一种流化床催化燃烧电加热炉plc多段温控方法 |
CN107045289A (zh) * | 2017-06-05 | 2017-08-15 | 杭州电子科技大学 | 一种电加热炉温度的非线性神经网络优化pid控制方法 |
CN108426239A (zh) * | 2018-04-09 | 2018-08-21 | 时枫娇 | 一种余热锅炉压力调节的改良系统及其方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113464920A (zh) * | 2021-07-07 | 2021-10-01 | 哈尔滨中远控制工程有限公司 | 一种母管蒸汽压力协调控制方法及系统 |
CN113741189A (zh) * | 2021-08-31 | 2021-12-03 | 广东工业大学 | 一种注塑机自适应学习快速控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111708388B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107726358A (zh) | 基于cfd数值模拟和智能建模的锅炉燃烧优化系统及方法 | |
CN111708388B (zh) | 一种基于gru-pid的锅炉调压预测控制方法 | |
CN104122797B (zh) | 一种新型火电机组负荷多变量预测控制方法 | |
Wu et al. | Intelligent predictive control of large-scale solvent-based CO2 capture plant using artificial neural network and particle swarm optimization | |
CN109670629A (zh) | 基于长短期记忆神经网络的燃煤锅炉热效率预测方法 | |
CN107168392B (zh) | 一种锅炉汽包水位pid参数的整定方法 | |
Vali et al. | Adjoint-based model predictive control of wind farms: Beyond the quasi steady-state power maximization | |
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 | |
Vali et al. | Model predictive active power control for optimal structural load equalization in waked wind farms | |
CN115907191B (zh) | 一种自适应建筑光伏表皮模型预测控制方法 | |
CN106650934A (zh) | 采用改进的遗传优化算法精确辨识热工过程状态空间模型参数的方法 | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
CN105955014A (zh) | 分布式动态矩阵控制优化的焦炭炉炉膛压力控制方法 | |
CN113962140A (zh) | 基于ga-lstm的汽轮机阀门流量特性函数的优化方法 | |
CN112990674A (zh) | 一种海上浮式风电场多目标运行调度方法 | |
CN116595845A (zh) | 一种螺旋翅片管式换热器的结构优化方法 | |
CN113836819B (zh) | 一种基于时序关注的床温预测方法 | |
Tarik et al. | Optimization of neural network hyperparameters for gas turbine modelling using Bayesian optimization | |
CN111428906B (zh) | 一种基于图像变换的工业锅炉蒸汽量预测方法 | |
CN103645633B (zh) | 一种变换炉系统的炉温自学习控制方法 | |
CN113110628A (zh) | 基于pso的压水堆除氧器水位控制方法 | |
CN114611418A (zh) | 天然气管道流动状态预测方法 | |
Anead et al. | Control on Temperature of Hybrid Nanofluid in Evacuated Tube Solar Collector Using Smart Curtain | |
CN116798531B (zh) | 一种基于融合算法的超声速燃烧室碳氢燃料机理简化方法 | |
CN111539615B (zh) | 一种基于深度学习的锅炉燃烧过程状态监测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230918 Address after: 150001 Dawangjiatun, Jinxing Village, Songbei Town, Songbei District, Harbin City, Heilongjiang Province Patentee after: Jieneng Thermal Power Station Co.,Ltd. Address before: No. 99 Jiangning Road, Nanjing District hirokage 210000 cities in Jiangsu Province Patentee before: JINLING INSTITUTE OF TECHNOLOGY |