CN111860701B - 一种基于聚类方法的脱硝系统工况判别预处理方法 - Google Patents

一种基于聚类方法的脱硝系统工况判别预处理方法 Download PDF

Info

Publication number
CN111860701B
CN111860701B CN202011015220.3A CN202011015220A CN111860701B CN 111860701 B CN111860701 B CN 111860701B CN 202011015220 A CN202011015220 A CN 202011015220A CN 111860701 B CN111860701 B CN 111860701B
Authority
CN
China
Prior art keywords
denitration system
working condition
scr denitration
clustering
data
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
CN202011015220.3A
Other languages
English (en)
Other versions
CN111860701A (zh
Inventor
袁照威
孟磊
谷小兵
白玉勇
崔焕民
曹书涛
杜明生
宁翔
岳朴杰
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.)
Datang Environment Industry Group Co Ltd
Original Assignee
Datang Environment Industry Group 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 Datang Environment Industry Group Co Ltd filed Critical Datang Environment Industry Group Co Ltd
Priority to CN202011015220.3A priority Critical patent/CN111860701B/zh
Publication of CN111860701A publication Critical patent/CN111860701A/zh
Application granted granted Critical
Publication of CN111860701B publication Critical patent/CN111860701B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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"

Abstract

本公开一个或多个实施例提供了一种基于聚类方法的脱硝系统工况判别预处理方法，包括：获取选择性催化还原SCR脱硝系统的历史运行数据；基于模糊聚类算法对所述历史运行数据进行训练，得到训练完成的聚类模型；获取SCR脱硝系统当前的运行数据；将所述运行数据输入训练完成的聚类模型，得到所述SCR脱硝系统当前所处的工况。该方法可在SCR脱硝系统处于变工况下，基于SCR脱硝系统的运行数据预测出SCR脱硝系统当前所处的工况，从而可基于该工况预测SCR脱硝系统出口的氮氧化物的浓度，以提高SCR脱硝系统出口的氮氧化物的浓度的预测精度。

Description

一种基于聚类方法的脱硝系统工况判别预处理方法
技术领域
本公开涉及数据处理技术领域，尤其是涉及一种基于聚类方法的脱硝系统工况判别预处理方法。
背景技术
煤炭燃烧过程中会产生大量的大气污染物，造成严重的环境污染问题。NOx是燃煤电厂排放的主要污染物之一，其排放进入大气会经过一系列物理化学反应，生成多种有害物质，这些有害物质会对环境以及人体造成巨大伤害。SCR（Selective CatalyticReduction，选择性催化还原）脱硝系统作为常用的一种脱硝技术，在NOx排放控制过程中有着重要作用。
目前，对于NOx的控制主要采用串级PID（Proportion Integral Differential，比例、积分、微分）控制方式或者串级PID加前馈的控制方式，该方式能够控制脱硝反应器出口NOx浓度，但是这种凡是在稳定工况下能够取得较好的效果，但是在变工况下控制效果较差，导致出口NOx超标。因此，在SCR反应器控制逻辑实施一系列操作之前，其所处工况的判别是十分重要的。可见，一种在变工况下确定SCR脱硝系统工况的措施有待被提出。
发明内容
本公开一个或多个实施例提供了一种基于聚类方法的脱硝系统工况判别预处理方法，用以解决相关技术中在变工况下无法实时获知SCR脱硝系统所处工况的问题。
本公开一个或多个实施例提供了一种基于聚类方法的脱硝系统工况判别预处理方法，包括：获取选择性催化还原SCR脱硝系统的历史运行数据；基于模糊聚类算法对所述历史运行数据进行训练，得到训练完成的聚类模型；获取SCR脱硝系统当前的运行数据；将所述运行数据输入训练完成的聚类模型，得到所述SCR脱硝系统当前所处的工况。
可选的，所述训练完成的聚类模型包括多个子聚类模型，其中，每个子聚类模型对应一个预设的工况类别。
可选的，所述预设的工况类别至少包括以下两种：燃煤机组升负荷、燃煤机组降负荷、磨煤机停运、磨煤机启动以及脱硝系统吹扫状态。
可选的，获取选择性催化还原SCR脱硝系统的历史运行数据，包括：根据预设的工况类别，获取与各所述工况类别相关的SCR脱硝系统的运行数据。
可选的，所述历史运行数据至少包括以下一种：燃煤机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量、二次风门开度以及燃尽风门开度。
可选的，所述方法还包括：在将所述运行数据输入训练完成的聚类模型，得到所述SCR脱硝系统当前所处的工况之后，将所述工况输入预先训练完成的SCR脱硝系统出口氮氧化物浓度预测模型，得到SCR脱硝系统出口的氮氧化物的预测值。
可选的，所述方法还包括：将所述工况输入预先训练完成的SCR脱硝系统出口氮氧化物浓度预测模型，得到SCR脱硝系统出口的氮氧化物的预测值之后，根据所述预测值确定所述SCR脱硝系统的喷氨量。
可选的，所述方法还包括：在基于模糊聚类算法对所述历史运行数据进行训练，得到训练完成的聚类模型之前，对所述历史数据进行离群点检测以及数据归一化处理。
可选的，对所述历史数据进行离群点检测，包括：通过3σ算法在所述历史数据中检测出偏离正常值的离群点。
本公开一个或多个实施例的基于聚类方法的脱硝系统工况判别预处理方法，基于模糊聚类算法对SCR脱硝系统的历史运行数据进行训练，得到聚类模型，再将获取到的SCR脱硝系统当前的运行数据输入训练完成的聚类模型，可预测出SCR脱硝系统SCR脱硝系统当前的工况，从而可预测出在变工况下运行的SCR脱硝系统的实时工况，从而可基于预测出的工况预测SCR脱硝系统出口的氮氧化物的浓度，以提高SCR脱硝系统出口的氮氧化物的浓度的预测精度。
附图说明
为了更清楚地说明本公开具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本公开一示例性实施例示出的一种基于聚类方法的脱硝系统工况判别预处理方法的流程图；
图2是根据本公开一示例性实施例示出的一种基于聚类方法的脱硝系统工况判别预处理方法的流程图。
具体实施方式
下面将结合实施例对本公开的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
在本公开的描述中，需要理解的是，术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本公开和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本公开的限制。
此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本公开的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本公开中的具体含义。
图1是根据本公开一示例性实施例示出的一种基于聚类方法的脱硝系统工况判别预处理方法的流程如，如图1所示，该方法包括：
步骤101：获取SCR脱硝系统的历史运行数据；
在一个例子中，在步骤101之前，可通过对燃煤机组烟气的生成机理以及SCR脱硝系统的机理分析，确定出SCR脱硝系统的运行时所处的各个工况，再确定出用于判断这些不同工况所需要的SCR脱硝系统的历史运行数据，可从DCS（Distributed Control System，集散控制系统）采集所需要的SCR脱硝系统的历史运行数据，从而得到用于训练聚类模型的训练集。
步骤102：基于模糊聚类算法对所述历史运行数据进行训练，得到训练完成的聚类模型；
在步骤102中，模糊聚类算法以FCM（Fuzzy C-Means）算法为例，基于步骤101中获取到的SCR脱硝系统的历史数据进行训练，得到训练完成聚类模型。
沿用上述例子，在基于模糊聚类算法对上述训练集中的数据进行训练后，可将训练集中的数据分成若干组，每组即为一个簇，这些簇可能对应一些潜在的概念划分，故，对于每一个簇，可根据该簇中数据所共有的特征，将该簇对应于一种预先确定出的工况类别。即得到训练完成的聚类模型，基于该聚类模型可对未知属性的SCR脱硝系统的运行数据所对应的工况进行预测。
以下对FCM聚类算法进行简要说明。
在该算法中，给定一个样本点集合X，使得目标函数取得最小值，其相应的目标函数表达如下：
Figure 216839DEST_PATH_IMAGE001
（1）
公式（1）中，
Figure 71663DEST_PATH_IMAGE002
和
Figure 305196DEST_PATH_IMAGE003
分别为聚类中心和样本的数量；u ij 表示第i个样本属于第j种类型的隶属度；d(x i ,v j )是从特征点x i 到聚类中心v j 的距离；m>1是加权指数，控制分区的模糊性；FCM要求所有样本对于各个聚类中心的隶属度之和为1，即：
Figure 638088DEST_PATH_IMAGE004
，
Figure 390144DEST_PATH_IMAGE005
（2）
通过对目标函数用拉格朗日算法求解，得到隶属度矩阵和聚类中心的迭代更新公式为：
Figure 150289DEST_PATH_IMAGE006
（3）
Figure 853541DEST_PATH_IMAGE007
（4）
式中，u ij 为更新后的隶属度矩阵；v j 表示更新后的聚类中心。通过不断迭代，得到最终的聚类结果。
步骤103：获取SCR脱硝系统当前的运行数据；
在需确定SCR脱硝系统当前所处的工况时，可实时获取SCR脱硝系统的运行数据。
步骤104：将所述运行数据输入训练完成的聚类模型，得到所述SCR脱硝系统当前所处的工况。
沿用上述例子，将步骤103中获取到的SCR脱硝系统当前的运行数据输入步骤102中训练完成的聚类模型，即可得到SCR脱硝系统当前所处的工况分别上述各种工况类别的概率值，根据该概率值的大小即可确定出SCR脱硝系统当前所处的工况。
本公开一个或多个实施例的基于聚类方法的脱硝系统工况判别预处理方法，基于模糊聚类算法对SCR脱硝系统的历史运行数据进行训练，得到聚类模型，再将获取到的SCR脱硝系统当前的运行数据输入训练完成的聚类模型，可预测出SCR脱硝系统当前的工况，从而可预测出在变工况下运行的SCR脱硝系统的实时工况，从而可基于预测出的工况预测SCR脱硝系统出口的氮氧化物的浓度，以提高SCR脱硝系统出口的氮氧化物的浓度的预测精度。在本公开一个或多个实施例中，所述训练完成的聚类模型包括多个子聚类模型，其中，每个子聚类模型对应一个预设的工况类别，例如，在上述例子中，基于模糊聚类算法对训练集中的数据进行训练后，得到的多个簇可分别对应一个工况类别，则，可认为每个簇以及该簇对应的工况类别为一个子聚类模型，将SCR脱硝系统当前的运行数据输入任意一个子聚类模型，即可得到SCR脱硝系统属于该子聚类模型对应的工况类型的概率，而分别将SCR脱硝系统当前的运行数据输入各子聚类模型，即分别得到SCR脱硝系统属于各子聚类模型对应的工况类型的概率，最终，可认为SCR脱硝系统当前属于计算得到的概率值最高的子聚类模型所对应的工况类型。
在本公开一个或多个实施例中，所述预设的工况类别至少可包括以下两种：燃煤机组升负荷、燃煤机组降负荷、磨煤机停运、磨煤机启动以及脱硝系统吹扫状态。
例如，当预设的工况类别包括以上所列举的五种工况类别中的n（2≤n≤5）种时，在上述根据模糊聚类算法对训练数据进行聚类时，即将训练数据聚类为n个簇。
在本公开一个或多个实施例中，获取SCR脱硝系统的历史运行数据，可包括：
根据预设的工况类别，获取与各所述工况类别相关的SCR脱硝系统的运行数据。例如，假设预设的工况类别包括上述所列举的五种工况类别，则需要分别获取SCR脱硝系统的历史运行数据中与这五种工况类别相关的历史运行数据。
在本公开一个或多个实施例中，所述历史运行数据至少包括以下一种：
燃煤机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量、二次风门开度以及燃尽风门开度。沿用上述例子，根据确定的工况类别可从DCS系统中采集相应的历史运行数据，采集到的历史运行数据可记为X=[x i ] n =[x ij ] nⅹp ，i=1,2,…,t,…n，j=1,2,……p，其中，n为样本的个数，p为采集的特征参数变量个数。
图2是根据本公开一个或多个实施例示出的一种基于聚类方法的脱硝系统工况判别预处理方法的流程图，如图2所示，在本公开一个或多个实施例中，基于聚类方法的脱硝系统工况判别预处理方法还可包括：
步骤201：在将所述运行数据输入训练完成的聚类模型，得到所述SCR脱硝系统当前所处的工况之后，将所述工况输入预先训练完成的SCR脱硝系统出口氮氧化物浓度预测模型，得到SCR脱硝系统出口的氮氧化物的预测值。其中，预先训练完成的SCR脱硝系统出口氮氧化物浓度预测模型，可基于输入的SCR脱硝系统的历史运行数据，输出SCR脱硝系统出口的氮氧化物浓度的预测值，该模型可基于目前已有的监督学习方式以SCR脱硝系统的历史运行数据作为训练数据进行学习得到。
在本公开一个或多个实施例中，基于聚类方法的脱硝系统工况判别预处理方法还可包括：将所述工况输入预先训练完成的SCR脱硝系统出口氮氧化物浓度预测模型，得到SCR脱硝系统出口的氮氧化物的预测值之后，根据所述预测值确定所述SCR脱硝系统的喷氨量。从而可有效地解决SCR脱硝系统在变工况特性下对喷氨量控制不精确的问题，提高SCR脱硝系统出口NOx浓度的控制效果。
在本公开一个或多个实施例中，基于聚类方法的脱硝系统工况判别预处理方法还可包括：
在基于模糊聚类算法对所述历史运行数据进行训练，得到训练完成的聚类模型之前，对所述历史数据进行离群点检测以及数据归一化处理。其中，离群点检测例如可以采用3σ算法检测偏离正常值的点，例如，若样本x偏离平均值超过3倍的标准差，则认为是离群点，离群点与正常样本点的趋势不一致，对数据分析及预测产生不利影响，对于离群点采取插值方法进行代替。数据归一化例如可以根据x=(x-x min )/(x max -x min )方式将数据归一化到[0,1]范围内，以消除模糊聚类过程中不同特征参数的量纲及量程的影响。
在本公开的一个或多个实施例中，在SCR脱硝系统执行任何操作之前，将SCR脱硝系统的实时运行数据输入到聚类模型中，得到SCR脱硝系统当前时刻的运行工况，以根据SCR脱硝系统当前时刻的运行工况确定SCR脱硝系统下一步需执行的操作。
需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。

Claims (8)

1.一种基于聚类方法的脱硝系统工况判别预处理方法，其特征在于，包括：
获取选择性催化还原SCR脱硝系统的历史运行数据，根据所述历史运行数据，分析电厂脱硝工况；
根据不同工况下的历史运行数据，基于FCM聚类算法对所述不同工况下的历史运行数据进行训练，得到训练完成的不同工况下的聚类模型，通 过隶属度函数实现运行数据归属每个类别的隶属度；其中，所述训练完成的聚类模型包括多个子聚类模型，其中，每个子聚类模型对应一个预设的工况类别;其中，FCM算法中，给定一个样本点集合X，使得目标函数取得最小值，其相应的目标函数表达如下：
Figure DEST_PATH_IMAGE001
（1）
公式（1）中，
Figure 184639DEST_PATH_IMAGE002
和
Figure 495534DEST_PATH_IMAGE003
分别为聚类中心和样本的数量；u ij 表示第i个样本属于第j种类型的隶属度；d(x i ,v j )是从特征点x i 到聚类中心v j 的距离；m>1是加权指数，控制分区的模糊性；FCM要求所有样本对于各个聚类中心的隶属度之和为1，即：
Figure 421902DEST_PATH_IMAGE004
（2）
通过对目标函数用拉格朗日算法求解，得到隶属度矩阵和聚类中心的迭代更新公式为：
Figure DEST_PATH_IMAGE005
（3）
Figure 298591DEST_PATH_IMAGE006
（4）
式中，u ij 为更新后的隶属度矩阵；v j 表示更新后的聚类中心；通过不断迭代，得到最终的聚类结果；
获取SCR脱硝系统当前的运行数据；
将所述运行数据输入训练完成的聚类模型，将SCR脱硝系统当前的运行数据输入任意一个子聚类模型，得到SCR脱硝系统属于该子聚类模型对应的工况类型的概率，根据该概率值的大小确定出SCR脱硝系统当前所处的工况。
2.根据权利要求1所述的方法，其特征在于，所述预设的工况类别至少包括以下两种：
燃煤机组升负荷、燃煤机组降负荷、磨煤机停运、磨煤机启动以及脱硝系统吹扫状态。
3.根据权利要求2所述的方法，其特征在于，获取选择性催化还原SCR脱硝系统的历史运行数据，包括：
根据预设的工况类别，获取与各所述工况类别相关的SCR脱硝系统的运行数据。
4.根据权利要求1所述的方法，其特征在于，
所述历史运行数据至少包括以下一种：
燃煤机组负荷、总风量、总煤量、烟气含氧量、磨煤机给煤量、二次风门开度以及燃尽风门开度。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在将所述运行数据输入训练完成的聚类模型，得到所述SCR脱硝系统当前所处的工况之后，将所述工况输入预先训练完成的SCR脱硝系统出口氮氧化物浓度预测模型，得到SCR脱硝系统出口的氮氧化物的预测值。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
将所述工况输入预先训练完成的SCR脱硝系统出口氮氧化物浓度预测模型，得到SCR脱硝系统出口的氮氧化物的预测值之后，根据所述预测值确定所述SCR脱硝系统的喷氨量。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在基于模糊聚类算法对所述历史运行数据进行训练，得到训练完成的聚类模型之前，对所述历史数据进行离群点检测以及数据归一化处理。
8.根据权利要求7所述的方法，其特征在于，对所述历史数据进行离群点检测，包括：
通过3σ算法在所述历史数据中检测出偏离正常值的离群点。
CN202011015220.3A 2020-09-24 2020-09-24 一种基于聚类方法的脱硝系统工况判别预处理方法 Active CN111860701B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011015220.3A CN111860701B (zh) 2020-09-24 2020-09-24 一种基于聚类方法的脱硝系统工况判别预处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011015220.3A CN111860701B (zh) 2020-09-24 2020-09-24 一种基于聚类方法的脱硝系统工况判别预处理方法

Publications (2)

Publication Number Publication Date
CN111860701A CN111860701A (zh) 2020-10-30
CN111860701B true CN111860701B (zh) 2021-01-26

Family

ID=72967689

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011015220.3A Active CN111860701B (zh) 2020-09-24 2020-09-24 一种基于聚类方法的脱硝系统工况判别预处理方法

Country Status (1)

Country Link
CN (1) CN111860701B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464522B (zh) * 2020-11-06 2022-09-09 大唐环境产业集团股份有限公司 一种脱硝反应器结构智能设计系统的智能后处理系统和方法
CN112651166B (zh) * 2020-11-24 2023-03-28 呼和浩特科林热电有限责任公司 脱硝系统入口氮氧化物浓度预测方法、装置及脱硝系统
CN113569950A (zh) * 2021-07-28 2021-10-29 大唐环境产业集团股份有限公司 电站设备故障监测模型生成方法、系统及装置
CN113723002A (zh) * 2021-09-02 2021-11-30 大唐环境产业集团股份有限公司 全工况下脱硫系统浆液pH值预测模型建立方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991507A (zh) * 2017-05-19 2017-07-28 杭州意能电力技术有限公司 一种SCR入口NOx浓度在线预测方法及装置
CN110188383A (zh) * 2019-04-23 2019-08-30 华中科技大学 一种基于选择性集成模型的电站scr脱硝建模方法
CN111522290A (zh) * 2020-04-24 2020-08-11 大唐环境产业集团股份有限公司 一种基于深度学习方法的脱硝控制方法和系统
CN111581581A (zh) * 2020-04-23 2020-08-25 大唐环境产业集团股份有限公司 多边界条件下SCR入口NOx浓度的检测方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10817801B2 (en) * 2016-07-25 2020-10-27 General Electric Company System and method for process modeling and control using disturbance rejection models

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106991507A (zh) * 2017-05-19 2017-07-28 杭州意能电力技术有限公司 一种SCR入口NOx浓度在线预测方法及装置
CN110188383A (zh) * 2019-04-23 2019-08-30 华中科技大学 一种基于选择性集成模型的电站scr脱硝建模方法
CN111581581A (zh) * 2020-04-23 2020-08-25 大唐环境产业集团股份有限公司 多边界条件下SCR入口NOx浓度的检测方法和系统
CN111522290A (zh) * 2020-04-24 2020-08-11 大唐环境产业集团股份有限公司 一种基于深度学习方法的脱硝控制方法和系统

Also Published As

Publication number Publication date
CN111860701A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111860701B (zh) 一种基于聚类方法的脱硝系统工况判别预处理方法
CN111804146B (zh) 一种智能喷氨控制方法以及智能喷氨控制装置
CN109034260B (zh) 基于统计原理和智能寻优的脱硫塔氧化风机故障诊断系统及方法
CN111444953B (zh) 一种基于改进粒子群优化算法的传感器故障监测方法
CN108762228A (zh) 一种基于分布式pca的多工况故障监测方法
CN111814956B (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
CN111921377B (zh) 基于机理与数据驱动的scr脱硝喷氨控制方法及系统
CN108985381B (zh) 氮氧化物排放量预测模型的确定方法、装置及设备
CN111581581B (zh) 多边界条件下SCR入口NOx浓度的检测方法和系统
CN112465239B (zh) 基于改进pso-fcm算法的脱硫系统运行优化方法
CN112904810B (zh) 基于有效特征选择的流程工业非线性过程监测方法
CN112733876A (zh) 基于模块化神经网络的城市固废焚烧过程氮氧化物软测量方法
CN114177747A (zh) 一种基于机器学习算法的烟气脱硫二氧化硫浓度预测方法
CN114225662A (zh) 一种基于滞后模型的烟气脱硫脱硝优化控制方法
CN113408659A (zh) 一种基于数据挖掘的建筑能耗集成分析方法
CN113095443A (zh) 基于lstm-dnn网络模型的实时天气预测算法
CN112613237B (zh) 一种基于LSTM的CFB机组NOx排放浓度的预测方法
CN116203836A (zh) 一种智能控制工业烟气吸收剂氨水加量的方法
JP7273202B2 (ja) 排煙脱硫（ｆｇｄ）ユニットの性能最適化のための方法およびシステム
CN113869359A (zh) 基于模块化神经网络的城市固废焚烧过程氮氧化物预测方法
CN113379149A (zh) 一种基于lstm神经网络的空气微站浓度预测方法
CN111626511A (zh) 变负荷下scr反应器入口烟气量预测系统、方法及设备
CN111178627A (zh) 一种基于spca的神经网络混合优化预测方法
CN116595883B (zh) 数值反应堆实时在线系统状态修正方法
CN117668715A (zh) 一种基于GRU的火电厂NOx排放量智能预测的建模方法

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