CN111921377A - 基于机理与数据驱动的scr脱硝喷氨控制方法及系统 - Google Patents

基于机理与数据驱动的scr脱硝喷氨控制方法及系统 Download PDF

Info

Publication number
CN111921377A
CN111921377A CN202011022116.7A CN202011022116A CN111921377A CN 111921377 A CN111921377 A CN 111921377A CN 202011022116 A CN202011022116 A CN 202011022116A CN 111921377 A CN111921377 A CN 111921377A
Authority
CN
China
Prior art keywords
scr denitration
concentration
denitration reactor
predicted value
value
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
CN202011022116.7A
Other languages
English (en)
Other versions
CN111921377B (zh
Inventor
袁照威
孟磊
谷小兵
李本锋
曹书涛
马务
李叶红
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 CN202011022116.7A priority Critical patent/CN111921377B/zh
Publication of CN111921377A publication Critical patent/CN111921377A/zh
Application granted granted Critical
Publication of CN111921377B publication Critical patent/CN111921377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • B01D53/90—Injecting reactants
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Exhaust Gas Treatment By Means Of Catalyst (AREA)
  • Treating Waste Gases (AREA)

Abstract

本公开一个或多个实施例提供了一种基于机理与数据驱动的SCR脱硝喷氨控制方法及系统，包括：获取选择性催化还原SCR脱硝反应器的运行数据；基于预先建立的机理模型根据所述运行数据得到所述SCR脱硝反应器出口的氮氧化物浓度的第一预测值；基于训练完成的神经网络模型根据所述运行数据计算得到所述SCR脱硝反应器出口的氮氧化物浓度的第二预测值；利用所述第二预测值对所述第一预测值进行校正，得到校正后的氮氧化物浓度值，计算校正后的氮氧化物浓度值与所述SCR脱硝反应器中设定的氮氧化物浓度值之间的差值；根据所述差值控制SCR脱硝反应器的喷氨。该方法可从大量事件数据中精准识别出故障事件以及定位故障源，保证了系统的可靠性。

Description

基于机理与数据驱动的SCR脱硝喷氨控制方法及系统
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机理与数据驱动的SCR脱硝喷氨控制方法及系统。
背景技术
目前，燃煤电厂的大气污染物排放已纳入严格监管，各电厂陆续开展了烟气超低排放改造。超低排放改造后要求燃煤电厂NOx（氮氧化物）排放浓度须低于50mg/m3。目前，较为常见的脱硝技术是SCR（Selective Catalytic Reduction，选择性催化还原）烟气脱硝技术，其中喷氨量的控制是其重要过程。当喷氨量过少时，导致SCR反应器出口NOx排放超标；当喷氨量过量时，不仅影响脱硝效率，而且过量的氨气与烟气中的SO3反应生成硫酸氢铵和硫酸铵降低催化剂活性，造成空预器堵塞和腐蚀，同时过量的氨逃逸造成运行成本浪费和环境污染。所以，氨量的控制对脱硝系统至关重要。
传统的喷氨量控制方式主要采单回路的出口NOx定值控制策略、固定摩尔比控制策略、串级PID（Proportion Integral Differential，比例、积分、微分）控制策略或者智能预测方法，出现了“唯机理论”或“唯数据论”的特点，但对于脱硝系统而言，由于其存在着大惯性、大延迟、非线性的特征，这些控制方式都较难以控制SCR反应器出口NOx浓度，尤其对于变工况状态下更难以实现较好的控制。因此，一种SCR脱硝喷氨控制方法有待被提出。
发明内容
本公开一个或多个实施例提供了一种基于机理与数据驱动的SCR脱硝喷氨控制方法及系统，用以解决相关技术中SCR反应器出口氮氧化物浓度难以控制的问题。
本公开的一个或多个实施例提供了一种基于机理与数据驱动的SCR脱硝喷氨控制方法，包括：获取选择性催化还原SCR脱硝反应器的运行数据；基于预先建立的机理模型根据所述运行数据得到所述SCR脱硝反应器出口的氮氧化物浓度的第一预测值；基于训练完成的神经网络模型根据所述运行数据计算得到所述SCR脱硝反应器出口的氮氧化物浓度的第二预测值；利用所述第二预测值对所述第一预测值进行校正，得到校正后的氮氧化物浓度值；计算校正后的氮氧化物浓度值与所述SCR脱硝反应器中设定的氮氧化物浓度值之间的差值；根据所述差值控制SCR脱硝反应器的喷氨量。
可选的，训练所述神经网络模型，包括：获取SCR脱硝反应器的历史运行数据；从所述历史运行数据中提取影响SCR脱硝反应器出口的氮氧化物浓度的时间序列数据，以及所述时间序列数据对应的SCR脱硝反应器出口的氮氧化物浓度历史数值；将所述时间序列数据以及所述氮氧化物浓度历史数值作为训练数据，对神经网络模型进行训练，得到训练完成的所述神经网络模型。
可选的，所述SCR脱硝反应器出口氮氧化物浓度的影响因素至少包括以下一种：燃煤机组负荷、总风量、总煤量、SCR脱硝反应器入口氮氧化物浓度、喷氨量以及磨煤机给煤量。
可选的，建立所述机理模型，包括：根据所述运行数据确定Langmuir等温吸附方程以及Eley-Rideal机理方程中参数，得到所述机理模型，其中，所述参数至少包括以下一种：催化剂吸附能力、吸附速率指数系数、解吸附速率指数系数、脱硝反应速率常数的指前系数、氨气氧化速率常数、初始解吸附活化能以及脱硝反应活化能。
可选的，利用所述第二预测值对所述第一预测值进行校正，得到校正后的氮氧化物浓度值，包括：通过如下公式利用所述第二预测值对所述第一预测值进行校正：y=yp+w（yp-yr）；其中，y表示校正后的氮氧化物浓度，yp表示第二预测值，yr表示第一预测值，w为预先设置的系数。
本公开的一个或多个实施例提供了一种基于机理与数据驱动的SCR脱硝喷氨控制方法系统，包括：获取模块，被配置为获取选择性催化还原SCR脱硝反应器的运行数据；第一预测模块，被配置为基于预先建立的机理模型根据所述运行数据得到所述SCR脱硝反应器出口的氮氧化物浓度的第一预测值；第二预测模块，被配置为基于训练完成的神经网络模型根据所述运行数据计算得到所述SCR脱硝反应器出口的氮氧化物浓度的第二预测值；校正模块，被配置为利用所述第二预测值对所述第一预测值进行校正，得到校正后的氮氧化物浓度值。
可选的，所述系统还包括训练模块被配置为：获取SCR脱硝反应器的历史运行数据；从所述历史运行数据中提取影响SCR脱硝反应器出口的氮氧化物浓度的时间序列数据特征，以及所述时间序列数据对应的SCR脱硝反应器出口的氮氧化物浓度历史数值；将所述特征时间序列数据以及所述氮氧化物浓度历史数值作为训练数据，对神经网络模型进行训练，得到训练完成的所述神经网络模型。
可选的，所述SCR脱硝反应器出口氮氧化物浓度的影响因素至少包括以下一种：燃煤机组负荷、总风量、总煤量、SCR脱硝反应器入口氮氧化物浓度、喷氨量以及磨煤机给煤量。
可选的，所述系统还包括建立模块，被配置为：根据所述运行数据确定Langmuir等温吸附方程以及Eley-Rideal机理方程中参数，得到所述机理模型，其中，所述参数至少包括以下一种：催化剂吸附能力、吸附速率指数系数、解吸附速率指数系数、脱硝反应速率常数的指前系数、氨气氧化速率常数、初始解吸附活化能以及脱硝反应活化能。
可选的，所述校正模块，被配置为通过如下公式利用所述第二预测值对所述第一预测值进行校正：y=yp+w（yp-yr）；其中，y表示校正后的氮氧化物浓度，yp表示第二预测值，yr表示第一预测值，w为预先设置的系数。
本公开一个或多个实施例的基于机理与数据驱动的SCR脱硝喷氨控制方法，根据获取到的SCR脱硝反应器的运行数据，基于预先建立的机理模型确定出SCR脱硝反应器出口的第一预测值，基于预先建立的神经网络模型确定出SCR脱硝反应器出口的第一预测值，通过第二预测值对第一预测值进行校正，基于校正后的SCR脱硝反应器出口的氮氧化物浓度控制喷氨量，可更加精确地控制SCR脱硝反应器出口的氮氧化物的浓度，实现了对SCR脱硝反应器出口的氮氧化物浓度的有效控制。
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机理与数据驱动的SCR脱硝喷氨控制方法的流程图；
图2是根据本公开一个或多个实施例示出SCR脱硝反应器出口氮氧化物浓度预测模型的建立过程示意图；
图3是根据本公开一个或多个实施例示出的机理模型建立过程的示意图；
图4是根据本公开一个或多个实施例示出的一种SCR脱硝喷氨优化仿真系统的结构示意图；
图5是根据本公开一个或多个实施例示出SCR脱硝喷氨优化的Matlab/Simulink仿真模型实施效果图；
图6是根据本公开一个或多个实施例示出的一种基于机理与数据驱动的SCR脱硝喷氨控制方法的流程图；
图7是根据本公开一个或多个实施例示出的一种基于机理与数据驱动的SCR脱硝喷氨控制系统的示意图；
图8是根据本公开一个或多个实施例示出的一种电子设备的框图。
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机理与数据驱动的SCR脱硝喷氨控制方法的流程图，如图1所示，该方法包括如下处理：
步骤101：获取SCR脱硝反应器的运行数据；
例如，可实时采集SCR脱硝反应器的运行数据。
步骤102：基于预先建立的机理模型根据所述运行数据得到所述SCR脱硝反应器出口的氮氧化物浓度的第一预测值；
例如，可基于步骤101中获取到的SCR脱硝反应器的运行数据确定预先建立的机理模型中方程式的参数，求解方程式的值，即得到SCR脱硝反应器出口的氮氧化物浓度的第一预测值。
步骤103：基于训练完成的神经网络模型根据所述运行数据计算得到所述SCR脱硝反应器出口的氮氧化物浓度的第二预测值；
例如，训练完成的神经网络模型的输入为所述运行数据中影响SCR脱硝反应器出口氮氧化物浓度的数据，该模型输出则为SCR脱硝反应器出口的氮氧化物浓度的第二预测值。
步骤104：利用所述第二预测值对所述第一预测值进行校正，得到校正后的SCR脱硝反应器出口氮氧化物浓度值；
步骤105：计算校正后的氮氧化物浓度值与所述SCR脱硝反应器中设定的氮氧化物浓度值之间的差值；
步骤106：根据所述差值控制SCR脱硝反应器的喷氨量。
在一种可实现方式中，可基于反馈校正原理根据第二预测值对第一预测值进行校正。
举例说明，可通过如下公式根据第二预测值对第一预测值进行校正：
y=yp+w（yp-yr）；
其中，y表示校正后的氮氧化物浓度，yp表示第二预测值，yr表示第一预测值，w为预先设置的系数。
在另一种可实现方式中，利用反馈校正原理可根据神经网络模型校正机理模型的输出，例如基于上一时刻基于机理模型得到的第一预测值与基于神经网络模型得到的第二预测的偏差，并加上根据当前时刻的神经网络模型的得到的预测值，得到校正后的氮氧化物浓度值。
本公开一个或多个实施例的基于机理与数据驱动的SCR脱硝喷氨控制方法，根据获取到的SCR脱硝反应器的运行数据，基于预先建立的机理模型确定出SCR脱硝反应器出口的第一预测值，基于预先建立的神经网络模型确定出SCR脱硝反应器出口的第一预测值，通过第二预测值对第一预测值进行校正，基于校正后的SCR脱硝反应器出口的氮氧化物浓度控制喷氨量，可更加精确地控制SCR脱硝反应器出口的氮氧化物的浓度，实现了对SCR脱硝反应器出口的氮氧化物浓度的有效控制。
在本公开的一个或多个实施例中，训练所述神经网络模型可包括：获取SCR脱硝反应器的历史运行数据；例如，可以采集SCR系统一周的运行数据，采样间隔例如可以为1s。从所述历史运行数据中提取影响SCR脱硝反应器出口的氮氧化物浓度的时间序列数据，以及与所述时间序列数据对应的SCR脱硝反应器出口的氮氧化物浓度历史数值；例如，可将提取出的影响SCR脱硝反应器出口的氮氧化物浓度的时间序列数据作为训练样本，相应的SCR脱硝反应器出口的氮氧化物浓度历史数值作为训练样本的标签。
将所述时间序列数据以及所述氮氧化物浓度历史数值作为训练数据，对神经网络模型进行训练，得到训练完成的所述神经网络模型，训练完成的模型例如可以称为SCR脱硝反应器出口氮氧化物浓度预测模型。该例如可以由LSTM（Long Short-Term Memory，长短期记忆人工神经网络）模型实现。
以下结合图2以LSTM为例，对SCR脱硝反应器出口氮氧化物浓度预测模型进行示例性说明。
SCR脱硝反应器出口的NOx浓度相关的历史运行数据；确定LSMT模型权重矩阵和偏置的取值范围；根据参数取值范围，给定一组参数，建立LSTM模型，并计算十折交叉验证精度；若当前遍历了所有参数组合，则根据不同参数组合模式下的十折交叉验证计算精度，选择精度最优的参数，建立最优的SCR脱硝反应器出口氮氧化物浓度预测模型，得到该预测模型输出的NOx浓度值。
SCR脱硝反应器出口氮氧化物浓度预测模型可以为多输入单输出的三层模型；模型的第一层为输入层，主要为训练数据集中对SCR脱硝反应器出口的NOx（氮氧化物）浓度具有影响的时间序列数据，输入层神经元的个数为对SCR脱硝反应器出口的NOx浓度的影响因素的个数；模型的第二层为隐含层，主要为LSTM循环网络结构，LSTM隐含层可采用LSTM单元控制，可包括三个门单元和一个状态更新单元。三个门单元可分别为输入门、遗忘门以及输出门。输入门用于决定当前时刻网络的输入有多少保存到单元状态中；遗忘门决定上一时刻当前的状态有多少信息保留到当前时刻；状态更新单元携带着先前步骤的信息贯穿整个网络，将信息从上一个单元传递到下一个单元；输出门用于控制单元状态有多少输出到当前输出值；模型的第三层为输出层，对应的是SCR脱硝反应器出口NOx浓度。
遗忘门，
Figure 525743DEST_PATH_IMAGE001
；
输入门，
Figure 23459DEST_PATH_IMAGE002
；
状态更新单元信息，
Figure 324121DEST_PATH_IMAGE003
,
Figure 798965DEST_PATH_IMAGE004
；
输出门，
Figure 729094DEST_PATH_IMAGE005
；
隐含层最终输出，
Figure 723726DEST_PATH_IMAGE006
；
全连接层的输出，
Figure 710136DEST_PATH_IMAGE007
；
上式中，
Figure 62489DEST_PATH_IMAGE008
、
Figure 425337DEST_PATH_IMAGE009
、
Figure 41520DEST_PATH_IMAGE010
、
Figure 464411DEST_PATH_IMAGE011
为LSTM网络中
Figure 930158DEST_PATH_IMAGE012
、
Figure 627856DEST_PATH_IMAGE013
、
Figure 830036DEST_PATH_IMAGE014
、
Figure 830353DEST_PATH_IMAGE015
的加权输入；
Figure 501506DEST_PATH_IMAGE016
是遗忘门的权重矩阵；
Figure 488048DEST_PATH_IMAGE017
是上一时刻LSTM网络的输出值；
Figure 826625DEST_PATH_IMAGE018
为当前时刻的输入向量，也即与NOx排放量相关的输入变量；
Figure 368815DEST_PATH_IMAGE019
是遗忘门的偏置项；
Figure 792843DEST_PATH_IMAGE020
是输入门的权重矩阵；
Figure 317497DEST_PATH_IMAGE021
是输入门的偏置项；
Figure 385947DEST_PATH_IMAGE022
为当前输入的单元状态；
Figure 852700DEST_PATH_IMAGE023
是状态更新单元的权重矩阵；
Figure 13292DEST_PATH_IMAGE024
是状态更新单元的偏置项；
Figure 590904DEST_PATH_IMAGE025
是输出门的权重矩阵；
Figure 389227DEST_PATH_IMAGE026
是输出门的偏置项；
Figure 964564DEST_PATH_IMAGE027
是隐含层至全连接层的权重矩阵；
Figure 208857DEST_PATH_IMAGE028
是隐含层到全连接层的偏置项；
Figure 75313DEST_PATH_IMAGE029
表示两个矩阵按元素相乘；tanh是双曲正切激活函数；
Figure 711831DEST_PATH_IMAGE030
表示sigmoid函数
Figure 504075DEST_PATH_IMAGE031
。
仍以LSTM模型为例，模型的训练过程中以均方根误差或者相关系数作为目标函数，以Adam算法作为优化算法，并选择Dropout正则化算法防止过拟合现象的发生。训练参数主要包括迭代次数、每次训练时所选择训练集数目也即批处理大小以及时间步长，例如，迭代次数、批处理大小和时间不长的可分别设置为3000次、30、10。同时，LSTM模型训练过程中可采用网格搜索和十折交叉验证得到最优LSTM模型参数。其中，网格搜索主要是根据LSTM模型参数的范围，遍历每组参数组合；十折交叉主要是将训练数据集均匀分成十份，每次训练过程中将九份为训练数据集，一份为测试数据集，迭代计算十次，将十次计算精度的平均值作为模型最终的计算精度。每组参数都要进行十折交叉验证，根据计算精度的大小确定最优的模型参数。根据最优的模型参数，得到最优的SCR脱硝反应器出口氮氧化物浓度预测模型。
在本公开的一个或多个实施例中，所述SCR脱硝反应器出口氮氧化物浓度的影响因素至少可包括以下一种：
燃煤机组负荷、总风量、总煤量、SCR脱硝反应器入口氮氧化物浓度、喷氨量以及磨煤机给煤量。例如，可预先根据锅炉燃烧原理及SCR脱硝反应器的机理进行分析，确定出SCR脱硝反应器出口氮氧化物浓度的影响因素。
在本公开的一个或多个实施例中，建立所述机理模型可包括：根据所述运行数据确定Langmuir等温吸附方程以及Eley-Rideal机理方程中参数，得到所述机理模型。以下结合图3对建立机理模型的过程进行示例性说明，如图 所示，该过程包括如下处理：
步骤301：确定机理模型的输入为SCR脱硝反应器出口NOx浓度的影响因素，输出为SCR脱硝反应器出口的NOx浓度；初始化种群的规模、遗传迭代次数、交叉率、变异率以及适应度函数；
步骤302：对所有种群进行编码；
步骤303：计算种群中每个个体适应度函数；
步骤304：评估个体中染色体；
步骤305：判断个体中染色体的精度是否满足要求；
步骤306：若个体中的染色体的精度满足要求，则执行步骤310；若个体中的染色体的精度不满足要求，则执行步骤307：
步骤309：执行遗传操作：选择、交叉以及变异，再返回执行步骤303；
步骤310：输出机理模型最优解，并建立最优机理模型；
步骤311：得到基于机理模型的SCR脱硝反应器出口的NOx浓度。
其中，所述参数至少可包括以下一种：
催化剂吸附能力、吸附速率指数系数、解吸附速率指数系数、脱硝反应速率常数的指前系数、氨气氧化速率常数、初始解吸附活化能以及脱硝反应活化能。其中，建立机理模型还可包括，根据遗传算法及SCR脱硝反应器的历史运行数据建立最优参数下的机理模型，得到SCR脱硝反应器出口的NOx浓度。其中，遗传算法是一种全局优化算法，利用该算法可将机理方程中的解作为一个染色体，作为算法种群中的每个个体，对种群进行二进制编码，根据适应度函数评价种群，通过选择、交叉以及变异等遗传操作，产生新的种群，直到计算的精度不再变化，输出最优个体也即SCR脱硝反应机理方程的最优解，根据最优参数建立SCR系统机理模型。以图3所示的机理模型建立流程为例，通过遗传算法所建立的模型参数的最优值分别为0.13 mol/m3、0.75 m3/(mol.s)、23.5 s-1、160.8 m3/(mol.s)、0.15 s-1、32003 cal/mol、13800 cal/mol。
为了进一步验证本公开一个或多个实施例的基于机理与数据驱动的SCR脱硝喷氨控制方法的实施效果，建立了SCR脱硝喷氨优化的Matlab/Simulink仿真模型，图4示出了SCR脱硝喷氨优化仿真系统的示意图，在图4中，1表示为历史数据采集系统、2表示机理模型系统、3表示LSTM模型系统、4表示反馈校正系统、5表示PID控制系统、6表示出口NOx浓度设定值、7表示出口NOx浓度值、8表示出口NOx浓度校正值、21表示参数优化模块、22表示SCR机理模型建立模块、31表示训练数据集构建模块、32表示LSTM预测模型建立模块、33表示网格搜索和十字交叉验证模块。根据建立的SCR脱硝喷氨优化的Matlab/Simulink仿真模型此得到图5所示的实施效果图。图5中点线为SCR脱硝反应器出口NOx设定值，在此期间一直为40mg/Nm3，上三角点线为本公开一个或多个实施例的基于机理与数据驱动的SCR脱硝喷氨控制方法的效果曲线，下三角点线为常规PID控制实施效果曲线。对比发现，常规PID控制不能有效地控制SCR脱硝反应器出口NOx浓度，有时会超出国家要求的排放量50 mg/Nm3，对电厂带来不利影响。而本公开一个或多个实施例的基于机理与数据驱动的SCR脱硝喷氨控制方法能够有效地控制SCR脱硝反应器出口NOx浓度，并且与SCR脱硝反应器出口NOx浓度的设定值偏差较小，基本在±5 mg/Nm3范围内。
在本公开的一个或多个实施例中，基于机理与数据驱动的SCR脱硝喷氨控制方法还可包括：
利用所述第二预测值对所述第一预测值进行校正，得到校正后的氮氧化物浓度值之后，计算校正后的氮氧化物浓度值与所述SCR脱硝反应器中设定的氮氧化物浓度值之间的差值；根据所述差值控制SCR脱硝反应器的喷氨量。例如，可采用反馈校正方法根据上述第二预测值对上述第一预测进行校正，得到校正后的SCR脱硝反应器出口的NOx浓度值；再计算该NOx浓度值与SCR脱硝反应器预先被设定的目标NOx浓度值之间的差值，将该差值输入到PID控制器中，根据PID计算原理将偏差转换为喷氨量，根据喷氨量与控制阀门的传递特性，计算控制阀门的开度并最终得到SCR脱硝反应器出口NOx的浓度值。从而控制出口SCR脱硝反应器出口的NOx浓度值稳定在设定的目标值附近。
为了便于对本公开一个或多个实施例的基于机理与数据驱动的SCR脱硝喷氨控制方法的理解，以下以一个例子结合图6对该方法的整个流程进行示例性说明。
如图6所示，在该例子中，基于机理与数据驱动的SCR脱硝喷氨控制方法可包括如下步骤：
步骤100：根据锅炉燃烧原理及SCR脱硝反应器机理分析，确定与SCR脱硝反应器出口NOx浓度相关的影响因素，并采集SCR脱硝反应器的历史运行数据；
步骤201，根据SCR反应动力学微分方程，明确方程中的参数；
步骤202，根据遗传算法及历史运行数据建立最优参数下的SCR机理模型，得到SCR脱硝反应器出口的NOx浓度；
步骤301，根据采集的历史数据，构建训练数据集，明确模型的输入和输出数据。
步骤302：基于训练数据，建立LSTM出口NOx预测模型，并采用网格搜索和十折交叉验证得到最优的LSTM预测模型；
步骤400，根据当前时刻的运行数据，得到LSTM模型预测输出的NOx浓度与机理模型输出的NOx浓度，并计算二者的差值，采用反馈校正原理得到最终的SCR脱硝反应器出口的NOx浓度；
步骤500，计算最终的SCR脱硝反应器出口NOx值与设定值的偏差，并将其转换为喷氨量，控制阀门的开度，最终控制SCR脱硝反应器出口的NOx的浓度值稳定在设定值附近。
图7是根据本公开一个或多个实施例示出的一种基于机理与数据驱动的SCR脱硝喷氨控制系统的框图，如图7所示，该系统70包括如下组成部分：
获取模块71，被配置为获取选择性催化还原SCR脱硝反应器的运行数据；
第一预测模块72，被配置为基于预先建立的机理模型根据所述运行数据得到所述SCR脱硝反应器出口的氮氧化物浓度的第一预测值；
第二预测模块73，被配置为基于训练完成的神经网络模型根据所述运行数据计算得到所述SCR脱硝反应器出口的氮氧化物浓度的第二预测值；
校正模块74，被配置为利用所述第二预测值对所述第一预测值进行校正，得到校正后的氮氧化物浓度值；
计算模块75，被配置为利用所述第二预测值对所述第一预测值进行校正，得到校正后的氮氧化物浓度值之后，计算校正后的氮氧化物浓度值与所述SCR脱硝反应器中设定的氮氧化物浓度值之间的差值；
控制模块76，被配置为根据所述差值控制SCR脱硝反应器的喷氨量。
在本公开的一个或多个实施例中，所述基于机理与数据驱动的SCR脱硝喷氨控制系统还可包括训练模块，被配置为：获取SCR脱硝反应器的历史运行数据；从所述历史运行数据中提取影响SCR脱硝反应器出口的氮氧化物浓度的时间序列数据特征，以及所述时间序列数据对应的SCR脱硝反应器出口的氮氧化物浓度历史数值；将所述特征时间序列数据以及所述氮氧化物浓度历史数值作为训练数据，对神经网络模型进行训练，得到训练完成的所述神经网络模型。
在本公开的一个或多个实施例中，所述SCR脱硝反应器出口氮氧化物浓度的影响因素至少可包括以下一种：燃煤机组负荷、总风量、总煤量、SCR脱硝反应器入口氮氧化物浓度、喷氨量以及磨煤机给煤量。
在本公开的一个或多个实施例中，基于机理与数据驱动的SCR脱硝喷氨控制系统还可包括建立模块，被配置为：根据所述运行数据确定Langmuir等温吸附方程以及Eley-Rideal机理方程中参数，得到所述机理模型，其中，所述参数至少包括以下一种：催化剂吸附能力、吸附速率指数系数、解吸附速率指数系数、脱硝反应速率常数的指前系数、氨气氧化速率常数、初始解吸附活化能以及脱硝反应活化能。
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。
在本公开的一个或多个实施例中，上述基于机理与数据驱动的SCR脱硝喷氨优化控制仿真系统可以被提供为一种电子设备，图8示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线 1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
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 (10)

1.一种基于机理与数据驱动的SCR脱硝喷氨控制方法，其特征在于，包括：
获取选择性催化还原SCR脱硝反应器的运行数据；
基于预先建立的机理模型根据所述运行数据得到所述SCR脱硝反应器出口的氮氧化物浓度的第一预测值；
基于训练完成的神经网络模型根据所述运行数据计算得到所述SCR脱硝反应器出口的氮氧化物浓度的第二预测值；
利用所述第二预测值对所述第一预测值进行校正，得到校正后的氮氧化物浓度值；
计算校正后的氮氧化物浓度值与所述SCR脱硝反应器中设定的氮氧化物浓度值之间的差值；
根据所述差值控制SCR脱硝反应器的喷氨量。
2.根据权利要求1所述的方法，其特征在于，训练所述神经网络模型，包括：
获取SCR脱硝反应器的历史运行数据；
从所述历史运行数据中提取影响SCR脱硝反应器出口的氮氧化物浓度的时间序列数据，以及所述时间序列数据对应的SCR脱硝反应器出口的氮氧化物浓度历史数值；
将所述时间序列数据以及所述氮氧化物浓度历史数值作为训练数据，对神经网络模型进行训练，得到训练完成的所述神经网络模型。
3.根据权利要求1所述的方法，其特征在于，所述SCR脱硝反应器出口氮氧化物浓度的影响因素至少包括以下一种：
燃煤机组负荷、总风量、总煤量、SCR脱硝反应器入口氮氧化物浓度、喷氨量以及磨煤机给煤量。
4.根据权利要求1所述的方法，其特征在于，建立所述机理模型，包括：
根据所述运行数据确定Langmuir等温吸附方程以及Eley-Rideal机理方程中参数，得到所述机理模型，其中，所述参数至少包括以下一种：
催化剂吸附能力、吸附速率指数系数、解吸附速率指数系数、脱硝反应速率常数的指前系数、氨气氧化速率常数、初始解吸附活化能以及脱硝反应活化能。
5.根据权利要求1至4任一项所述的方法，其特征在于，利用所述第二预测值对所述第一预测值进行校正，得到校正后的氮氧化物浓度值，包括：
通过如下公式利用所述第二预测值对所述第一预测值进行校正：
y=yp+w（yp-yr）；
其中，y表示校正后的氮氧化物浓度，yp表示第二预测值，yr表示第一预测值，w为预先设置的系数。
6.一种基于机理与数据驱动的SCR脱硝喷氨控制方法系统，其特征在于，包括：
获取模块，被配置为获取选择性催化还原SCR脱硝反应器的运行数据；
第一预测模块，被配置为基于预先建立的机理模型根据所述运行数据得到所述SCR脱硝反应器出口的氮氧化物浓度的第一预测值；
第二预测模块，被配置为基于训练完成的神经网络模型根据所述运行数据计算得到所述SCR脱硝反应器出口的氮氧化物浓度的第二预测值；
校正模块，被配置为利用所述第二预测值对所述第一预测值进行校正，得到校正后的氮氧化物浓度值。
7.根据权利要求6所述的系统，其特征在于，所述系统还包括训练模块，被配置为：
获取SCR脱硝反应器的历史运行数据；
从所述历史运行数据中提取影响SCR脱硝反应器出口的氮氧化物浓度的时间序列数据特征，以及所述时间序列数据对应的SCR脱硝反应器出口的氮氧化物浓度历史数值；
将所述特征时间序列数据以及所述氮氧化物浓度历史数值作为训练数据，对神经网络模型进行训练，得到训练完成的所述神经网络模型。
8.根据权利要求6所述的系统，其特征在于，所述SCR脱硝反应器出口氮氧化物浓度的影响因素至少包括以下一种：
燃煤机组负荷、总风量、总煤量、SCR脱硝反应器入口氮氧化物浓度、喷氨量以及磨煤机给煤量。
9.根据权利要求6所述的系统，其特征在于，所述系统还包括建立模块，被配置为：
根据所述运行数据确定Langmuir等温吸附方程以及Eley-Rideal机理方程中参数，得到所述机理模型，其中，所述参数至少包括以下一种：
催化剂吸附能力、吸附速率指数系数、解吸附速率指数系数、脱硝反应速率常数的指前系数、氨气氧化速率常数、初始解吸附活化能以及脱硝反应活化能。
10.根据权利要求6至9任一项所述的系统，其特征在于，所述校正模块，被配置为通过如下公式利用所述第二预测值对所述第一预测值进行校正：
y=yp+w（yp-yr）；
其中，y表示校正后的氮氧化物浓度，yp表示第二预测值，yr表示第一预测值，w为预先设置的系数。
CN202011022116.7A 2020-09-25 2020-09-25 基于机理与数据驱动的scr脱硝喷氨控制方法及系统 Active CN111921377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011022116.7A CN111921377B (zh) 2020-09-25 2020-09-25 基于机理与数据驱动的scr脱硝喷氨控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011022116.7A CN111921377B (zh) 2020-09-25 2020-09-25 基于机理与数据驱动的scr脱硝喷氨控制方法及系统

Publications (2)

Publication Number Publication Date
CN111921377A true CN111921377A (zh) 2020-11-13
CN111921377B CN111921377B (zh) 2021-01-26

Family

ID=73334195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011022116.7A Active CN111921377B (zh) 2020-09-25 2020-09-25 基于机理与数据驱动的scr脱硝喷氨控制方法及系统

Country Status (1)

Country Link
CN (1) CN111921377B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418284A (zh) * 2020-11-16 2021-02-26 华北电力大学 一种全工况电站scr脱硝系统的控制方法及系统
CN112403261A (zh) * 2020-11-20 2021-02-26 中煤能源研究院有限责任公司 一种数字化构建烟气脱硝核心装置scr反应器的方法
CN112596474A (zh) * 2020-11-23 2021-04-02 山东微立方信息技术股份有限公司 一种scr脱硝系统均匀性优化方法
CN112651166A (zh) * 2020-11-24 2021-04-13 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
CN112933913A (zh) * 2021-02-08 2021-06-11 国家能源集团国源电力有限公司 喷氨控制方法、装置及煤燃烧系统
CN113611375A (zh) * 2021-08-09 2021-11-05 成都佳华物链云科技有限公司 火电厂系统中的数据确定方法、装置、设备以及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1782135A1 (en) * 2004-08-27 2007-05-09 Alstom Technology Ltd Model predictive control of air pollution control processes
CN109146093A (zh) * 2018-08-08 2019-01-04 成都保源酷码科技有限公司 一种基于学习的电力设备现场勘查方法
CN109190848A (zh) * 2018-10-17 2019-01-11 大唐环境产业集团股份有限公司 一种基于时延预估的SCR系统NOx排放浓度预测方法
CN109933884A (zh) * 2019-03-08 2019-06-25 华北电力大学（保定） 一种面向燃煤机组scr脱硝系统神经网络逆控制的方法
CN110038428A (zh) * 2019-04-18 2019-07-23 中国华电科工集团有限公司 Scr喷氨系统及脱硝系统
CN110851957A (zh) * 2019-10-15 2020-02-28 南京航空航天大学 一种基于深度学习的大气数据传感系统解算方法
CN111008728A (zh) * 2019-11-01 2020-04-14 深圳供电局有限公司 一种用于分布式光伏发电系统短期出力的预测方法
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
CN111554353A (zh) * 2020-04-10 2020-08-18 中国恩菲工程技术有限公司 氧气底吹炉铜熔炼过程参数在线预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1782135A1 (en) * 2004-08-27 2007-05-09 Alstom Technology Ltd Model predictive control of air pollution control processes
CN109146093A (zh) * 2018-08-08 2019-01-04 成都保源酷码科技有限公司 一种基于学习的电力设备现场勘查方法
CN109190848A (zh) * 2018-10-17 2019-01-11 大唐环境产业集团股份有限公司 一种基于时延预估的SCR系统NOx排放浓度预测方法
CN109933884A (zh) * 2019-03-08 2019-06-25 华北电力大学（保定） 一种面向燃煤机组scr脱硝系统神经网络逆控制的方法
CN110038428A (zh) * 2019-04-18 2019-07-23 中国华电科工集团有限公司 Scr喷氨系统及脱硝系统
CN110851957A (zh) * 2019-10-15 2020-02-28 南京航空航天大学 一种基于深度学习的大气数据传感系统解算方法
CN111008728A (zh) * 2019-11-01 2020-04-14 深圳供电局有限公司 一种用于分布式光伏发电系统短期出力的预测方法
CN111554353A (zh) * 2020-04-10 2020-08-18 中国恩菲工程技术有限公司 氧气底吹炉铜熔炼过程参数在线预测方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
秦天牧 等: ""SCR烟气脱硝系统自适应混合动态模型"", 《仪器仪表学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112418284A (zh) * 2020-11-16 2021-02-26 华北电力大学 一种全工况电站scr脱硝系统的控制方法及系统
CN112403261A (zh) * 2020-11-20 2021-02-26 中煤能源研究院有限责任公司 一种数字化构建烟气脱硝核心装置scr反应器的方法
CN112596474A (zh) * 2020-11-23 2021-04-02 山东微立方信息技术股份有限公司 一种scr脱硝系统均匀性优化方法
CN112596474B (zh) * 2020-11-23 2022-07-26 山东微立方信息技术股份有限公司 一种scr脱硝系统均匀性优化方法
CN112651166A (zh) * 2020-11-24 2021-04-13 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
CN112933913A (zh) * 2021-02-08 2021-06-11 国家能源集团国源电力有限公司 喷氨控制方法、装置及煤燃烧系统
CN113611375A (zh) * 2021-08-09 2021-11-05 成都佳华物链云科技有限公司 火电厂系统中的数据确定方法、装置、设备以及存储介质
CN113611375B (zh) * 2021-08-09 2023-10-10 成都佳华物链云科技有限公司 火电厂系统中的数据确定方法、装置、设备以及存储介质

Also Published As

Publication number Publication date
CN111921377B (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN111921377B (zh) 基于机理与数据驱动的scr脱硝喷氨控制方法及系统
CN110807554B (zh) 基于风电/光伏经典场景集的生成方法及系统
Shalaby et al. A machine learning approach for modeling and optimization of a CO2 post-combustion capture unit
CN111860701B (zh) 一种基于聚类方法的脱硝系统工况判别预处理方法
CN105676833B (zh) 发电过程控制系统故障检测方法
Pujari et al. Better wind forecasting using evolutionary neural architecture search driven green deep learning
Liu Adaptive just-in-time and relevant vector machine based soft-sensors with adaptive differential evolution algorithms for parameter optimization
Hao et al. Efficient hybrid multiobjective optimization of pressure swing adsorption
CN111489605B (zh) 基于Simulink与WinCC的喷氨优化控制仿真系统
CN106680428A (zh) 一种用于脱硝控制系统的软测量方法
CN114186708A (zh) 基于pso-elm循环流化床机组so2浓度预测方法
Ashraf et al. Machine learning based modelling and optimization of post-combustion carbon capture process using MEA supporting carbon neutrality
CN113052214A (zh) 基于长短期时间序列网络的换热站超短期热负荷预测方法
CN112381673A (zh) 一种基于数字孪生的园区用电信息分析方法及装置
WO2024130992A1 (zh) 一种mswi过程二噁英排放浓度在线软测量方法
Hao et al. Prediction of nitrogen oxide emission concentration in cement production process: a method of deep belief network with clustering and time series
CN116029612A (zh) 一种基于深度学习的城镇污水厂外加碳源精准控制方法
Ellis Machine learning enhanced grey-box modeling for building thermal modeling
Yin et al. Enhancing deep learning for the comprehensive forecast model in flue gas desulfurization systems
CN113240217A (zh) 一种基于集成预测模型的光伏发电预测方法及装置
Jia et al. Real-time optimization of converter inlet temperature in acid production with flue gas
US20240212794A1 (en) Method for constructing a model simulating a chemical reaction
CN115345756A (zh) 一种具有自动优化调参能力的调相机管道数据补全方法
Luo Machine Learning Modeling for Process Control and Electrochemical Reactor Operation
Tofigh et al. Temporal dilated convolution and nonlinear autoregressive network for predicting solid oxide fuel cell performance

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