CN112016248A - 一种基于Elman神经网络SCR脱硝系统不良数据辨识方法 - Google Patents
一种基于Elman神经网络SCR脱硝系统不良数据辨识方法 Download PDFInfo
- Publication number
- CN112016248A CN112016248A CN202010898262.XA CN202010898262A CN112016248A CN 112016248 A CN112016248 A CN 112016248A CN 202010898262 A CN202010898262 A CN 202010898262A CN 112016248 A CN112016248 A CN 112016248A
- Authority
- CN
- China
- Prior art keywords
- neural network
- samples
- bad
- elman neural
- scr denitration
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 17
- 239000003054 catalyst Substances 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000005284 excitation Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 238000010187 selection method Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 6
- 239000003546 flue gas Substances 0.000 description 6
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 229910021529 ammonia Inorganic materials 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N nitrogen Substances N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010531 catalytic reduction reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Exhaust Gas Treatment By Means Of Catalyst (AREA)
Abstract
本发明提出了一种基于Elman神经网络预测估计鉴别脱硝系统不良数据的方法,主要步骤包括:获取原始数据,构建Elman神经网络,神经网络学习,筛选、标记不良样本,剔除不良样本后重新构建和训练Elman神经网络,最终可用训练好的神经网络对不良样本进行检验和校正。本发明基于Elman神经网络预测估计鉴别脱硝系统不良数据,通过多次构建和训练Elman神经网络减少不良样本对网络预测精度的影响,通过对原始样本进行随机测试以避免人工选取的主观性,通过优化样本构建和训练Elman神经网络对所辨识的不良样本进行检验和校正,避免不良样本的误判,具有适应脱硝系统数据参数具有波动大和时变性的特点,辨识精度和准确性高,可广泛用于烟气脱硝领域不良数据的辨识。
Description
技术领域
本发明属于氮氧化物治理领域,具体涉及一种基于Elman神经网络SCR脱硝系统不良数据辨识方法。
背景技术
选择性催化还原(SCR)脱硝系统在使用运行过程中,为了保证系统的稳定运行和有效控制,一般会通过分布式计算机控制系统(DCS)实时采集和监控相关数据。然而,由于数据采集过程中存在的仪器故障、传输延误、记录错误等问题,样本中往往包含一些不良数据。这些不良数据不仅干扰脱硝系统控制,同时对于后期数据分析、系统优化产生不良影响。因此,如何对不良数据进行辨识对于SCR脱硝系统的稳定高效运行具有重要意义。
传统的不良数据辨识方法主要基于量测参数的残差进行分析,该方法对于多个不良数据具有强相关关系,容易出现残差污染或残差淹没现象,从而造成误判或者遗漏。近年来,随着人工智能、深入数据挖掘以及相关数学理论的发展,不良数据辨识取得了新的进展。其中,人工神经网络以其强大的非线性拟合和自适应能力,使其在模式识别、自动控制、预测估计、不良数据辨识等方面表现出良好的智能特性。
在电力系统状态估计方面,中国专利申请CN201810059612.6和中国专利申请CN201811440318.6分别提出了基于BP神经网络和改进BP神经网络的状态估计不良数据的辨识方法,有效提高了不良数据辨识精度。在烟气脱硝方面,中国专利申请CN201910138858.7提出了基于Elman神经网络模型的SCR烟气脱硝催化剂寿命预测方法,充分证实该神经网络对于脱硝系统相关数据良好的非线性拟合以及预测能力,但该方法主要目的在于催化剂活性预测,模型仅涉及催化剂服役时间和活性两个参数,无法用于SCR脱硝系统涉及的烟气量、脱硝效率等相关参数的有效性验证和不良数据鉴别。截至目前,关于SCR脱硝系统不良数据辨识方法尚未见报道。
发明内容
本发明的目的在于克服现有技术的缺乏,提供一种基于Elman神经网络SCR脱硝系统不良数据辨识方法。
该方法通过构建和训练Elman神经网络,然后利用训练好的神经网络对原始样本进行预测测试,通过计算测试样本预测值和初始值的相对误差大小鉴别不良样本;针对鉴别出的不良样本,利用优化样本训练的Elman神经网络对不良样本进行检验和校正,并最终确定不良数据。
为了实现上述目的,达到上述技术效果,本发明通过以下技术方案实现:一种基于Elman神经网络SCR脱硝系统不良数据辨识方法,其特征在于,包括以下步骤:
步骤1、获取SCR脱硝系统原始数据样本,对原始数据进行归一化处理;
步骤2、从原始数据随机选取训练样本和测试样本,构建Elman神经网络模型,确定神经网络拓扑结构和相关参数;所述训练样本容量为原始数据总量的70%~90%,测试样本容量为原始数据总量的10%~30%;
步骤3、训练神经网络,输入测试样本进行预测鉴别,计算测试样本预测值与初始值之间的相对误差,筛选相对误差满足预设条件的样本,添加至不良样本集;
步骤4、重复执行所述步骤2和所述步骤3直至满足预设条件;
步骤5、统计不良样本集相同样本的出现频次,筛选出现频次超过预设值的样本标记为不良样本;
步骤6、剔除所标记不良样本,重新构建和训练Elman神经网络,利用训练好的神经网络对不良样本进行检验和校正。
优选的,前述一种基于Elman神经网络SCR脱硝系统不良数据辨识方法步骤1中,原始数据应至少包含SCR脱硝催化剂活性、SCR脱硝催化剂寿命等时变参数的一种,步骤1的所述归一化处理方法如下式(1):
上式(1)中:Z ni 为归一化的参数Z i ,Z i为参数Z的第i个值,Z max为参数Z的最大值,Z min为参数Z的最小值。
优选的,前述一种基于Elman神经网络SCR脱硝系统不良数据辨识方法,步骤2的所述Elman神经网络包括输入层、隐含层、承接层和输出层四层结构,其网络的数学表达式如下式(2):
上式(2)中:k表示时刻,y为输出节点单元向量,x为隐含层节点单元向量,x c 为承接层节点单元向量,ω1为输入层与隐含层的连接权值,ω2为承接层与隐含层的连接权值,ω3为隐含层与输出层的连接权值,g为输出层激励函数,f为隐含层激励函数。
优选的,前述一种基于Elman神经网络SCR脱硝系统不良数据辨识方法,步骤3所述的满足预设条件是指相对误差大于预设值,如10%、20%、30%或更高;或者相对误差远大于平均相对误差,如大于平均值的5倍、6倍或者更高。
优选的,前述一种基于Elman神经网络SCR脱硝系统不良数据辨识方法,步骤4所述的预设条件是指重复次数大于预设值,如10次、15次或者更多次。
优选的,前述一种基于Elman神经网络SCR脱硝系统不良数据辨识方法,步骤5所述的预设值可以为1、2或者更高。
优选的,前述一种基于Elman神经网络SCR脱硝系统不良数据辨识方法,步骤6所述的检验和校正步骤如下:
1)删除不良样本,利用优化样本构建并训练Elman神经网络,利用训练好的神经网络对不良样本进行测试,计算相对误差;
2)筛选相对误差大于预设值,如10%、20%或者更高,确定为不良数据;筛选相对误差小于5%、3%或者更小,修正为非不良数据;
3)对所述步骤2)中所述筛选后的剩余样本重复执行所述步骤1)和所述步骤2)直至满足以下任一条件:
条件Ⅰ、执行所述步骤2)之后无剩余样本;
条件Ⅱ、重复执行次数超过预设值,如3次、4次或者更高;
4)将剩余样本全部确认为不良数据。
本发明的有益效果为:
1、Elman神经网络是一种典型局部回归网络,除了具有普通神经网络的非线性拟合和自适应学习能力,同时具有局部记忆和反馈功能,特别适合具有时变特性的数据分析和处理,烟气脱硝系统原始数据涉及时变参数如SCR脱硝催化剂寿命,因此Elman神经网络对此系统参数具有很强的预测和辨识能力。
2、通过多次构建和训练Elman神经网络减少不良样本对网络预测精度的影响,通过对原始样本进行随机测试以避免人工选取的主观性。
3、通过优化样本构建和训练Elman神经网络对所辨识的不良样本进行检验和校正,避免了不良样本的误判,提高了准确性。
附图说明
图1为具有单隐含层的Elman神经网络拓扑结构图;
图2为本发明方法的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例以某燃煤电厂SCR脱硝系统一年的运行数据为例,使用本发明的方法对这些样本中的不良数据进行检测。
实施例1
一种基于Elman神经网络SCR脱硝系统不良数据辨识方法,如图1和图2所示,其具体实施步骤如下:
步骤1、从SCR脱硝系统获取准确的原始数据样本共计300组,每组样本包括SCR脱硝催化剂服役时间、烟气量、入口NOx浓度、出口NOx浓度、脱硝效率、喷氨量、氨空比、烟气温度、氨氮比、SCR脱硝催化剂活性共计10个参数,取前9个参数作为神经网络输入参数,最后一个参数作为神经网络输出参数,从原始样本随机选取5组样本,人为添加其值10%的误差,对处理后样本按以下公式(1)进行归一化处理;
式中:Z ni 为归一化的参数Z i ,Z i为参数Z的第i个值,Z max为参数Z的最大值,Z min为参数Z的最小值。
步骤2、从原始数据随机选取90%的数据作为训练样本,余下10%的数据作为测试样本。构建包含输入层、隐含层、承接层和输出层共计四层的神经网络结构,根据原始样本组成确定各层神经元节点数,建立Elman神经网络,确定神经网络的激励函数和学习算法,神经网络的数学表达式按下式所示:
式中:k表示时刻,y为输出节点单元向量,x为隐含层节点单元向量,x c 为承接层节点单元向量,ω1为输入层与隐含层的连接权值,ω2为承接层与隐含层的连接权值,ω3为隐含层与输出层的连接权值,g为输出层激励函数,f为隐含层激励函数。
步骤3、训练神经网络,输入测试样本进行预测鉴别,计算测试样本预测值与初始值之间的相对误差,筛选测试样本中相对误差超过平均值5倍的样本,添加至不良样本集;
步骤4、重复执行步骤2和步骤3直至20次;
步骤5、统计不良样本集相同样本的出现频次,筛选出现频次超过1的样本标记为不良样本;
步骤6、剔除所标记不良样本,利用优化后的样本重新构建和训练Elman神经网络,利用训练好的神经网络对不良样本进行检验和校正,具体步骤如下:
1)删除不良样本,利用优化样本构建并训练Elman神经网络,利用训练好的神经网络对不良样本进行测试,计算相对误差;
2)筛选相对误差大于20%的样本,确定为不良数据;筛选相对误差小于5%的样本,修正为非不良数据;
3)对步骤2)中筛选后的剩余样本重复执行步骤1)和步骤2)直至满足以下任一条件:条件1、执行步骤2)之后无剩余样本;条件2、重复执行次数不少于3次;
4)将剩余样本全部确认为不良数据。
经以上步骤操作,该方法鉴别出5组不良数据,所鉴别出的样本全部为设定的不良样本,通过本方法得到的不良数据的辨识率为100%,准确率为100%。
实施例2
一种基于Elman神经网络SCR脱硝系统不良数据辨识方法,如图1和图2所示,其具体实施步骤如下:
步骤1、从SCR脱硝系统获取准确的原始数据样本共计300组,每组样本包括SCR脱硝催化剂服役时间、烟气量、入口NOx浓度、出口NOx浓度、脱硝效率、喷氨量、氨空比、烟气温度、氨氮比、SCR脱硝催化剂活性共计10个参数,取前9个参数作为神经网络输入参数,最后一个参数作为神经网络输出参数,从原始样本随机选取5组样本,人为添加其值10%的误差,对处理后样本按以下公式(1)进行归一化处理;
式中:Z ni 为归一化的参数Z i ,Z i为参数Z的第i个值,Z max为参数Z的最大值,Z min为参数Z的最小值。
步骤2、从原始数据随机选取90%的数据作为训练样本,余下10%的数据作为测试样本。构建包含输入层、隐含层、承接层和输出层共计四层的神经网络结构,根据原始样本组成确定各层神经元节点数,建立Elman神经网络,确定神经网络的激励函数和学习算法,神经网络的数学表达式按下式所示:
式中:k表示时刻,y为输出节点单元向量,x为隐含层节点单元向量,x c 为承接层节点单元向量,ω1为输入层与隐含层的连接权值,ω2为承接层与隐含层的连接权值,ω3为隐含层与输出层的连接权值,g为输出层激励函数,f为隐含层激励函数。
步骤3、训练神经网络,输入测试样本进行预测鉴别,计算测试样本预测值与初始值之间的相对误差,筛选测试样本中相对误差超过平均值6倍的样本,添加至不良样本集;
步骤4、重复执行步骤2和步骤3直至15次;
步骤5、统计不良样本集相同样本的出现频次,筛选出现频次超过1的样本标记为不良样本;
步骤6、剔除所标记不良样本,利用优化后的样本重新构建和训练Elman神经网络,利用训练好的神经网络对不良样本进行检验和校正,具体步骤如下:
1)删除不良样本,利用优化样本构建并训练Elman神经网络,利用训练好的神经网络对不良样本进行测试,计算相对误差;
2)筛选相对误差大于20%的样本,确定为不良数据;筛选相对误差小于5%的样本,修正为非不良数据;
3)对步骤2)中筛选后的剩余样本重复执行步骤1)和步骤2)直至满足以下任一条件:条件1、执行步骤2)之后无剩余样本;条件2、重复执行次数不少于3次;
4)将剩余样本全部确认为不良数据。
经以上步骤操作,该方法鉴别出4组不良数据,所鉴别出的样本全部为设定的不良样本,通过本方法得到的不良数据的辨识率为80%,准确率为100%。
Claims (9)
1.一种基于Elman神经网络SCR脱硝系统不良数据辨识方法,其特征在于,包括以下步骤:
步骤1、获取SCR脱硝系统原始数据样本,对原始数据进行归一化处理;
步骤2、从原始数据随机选取训练样本和测试样本,构建Elman神经网络模型,确定神经网络拓扑结构和相关参数;所述训练样本容量为原始数据总量的70%~90%,测试样本容量为原始数据总量的10%~30%;
步骤3、训练神经网络,输入测试样本进行预测鉴别,计算测试样本预测值与初始值之间的相对误差,筛选相对误差满足预设条件的样本,添加至不良样本集;
步骤4、重复执行所述步骤2和所述步骤3直至满足预设条件;
步骤5、统计不良样本集相同样本的出现频次,筛选出现频次超过预设值的样本标记为不良样本;
步骤6、剔除所标记不良样本,重新构建和训练Elman神经网络,利用训练好的神经网络对不良样本进行检验和校正。
2.根据权利要求1所述的一种基于Elman神经网络SCR脱硝系统不良数据辨识方法,其特征在于,所述步骤1中的所述原始数据应至少包含SCR脱硝催化剂活性或SCR脱硝催化剂寿命时变参数的一种。
3.根据权利要求1所述的一种基于Elman神经网络SCR脱硝系统不良数据辨识方法,其特征在于,所述步骤1中的所述归一化处理方法如下:
式中:Z ni 为归一化的参数Z i ,Z i 为参数Z的第i个值,Z max为参数Z的最大值,Z min为参数Z的最小值。
4.根据权利要求1所述的一种基于Elman神经网络SCR脱硝系统不良数据辨识方法,其特征在于,所述步骤2中的所述随机选取的方法为抽签法或随机数法。
6.根据权利要求1所述的一种基于Elman神经网络SCR脱硝系统不良数据辨识方法,其特征在于,所述步骤3中的所述满足预设条件是指相对误差大于至少20%;或者相对误差至少大于平均相对误差5倍。
7.根据权利要求1所述的一种基于Elman神经网络SCR脱硝系统不良数据辨识方法,其特征在于,所述步骤4中的所述预设条件为重复次数不少于10次。
8.根据权利要求1所述的一种基于Elman神经网络SCR脱硝系统不良数据辨识方法,其特征在于,所述步骤5中的所述预设值至少为1。
9.根据权利要求1所述的一种基于Elman神经网络SCR脱硝系统不良数据辨识方法,其特征在于,所述步骤6中的所述检验和校正步骤如下:
1)删除不良样本,利用优化样本构建并训练Elman神经网络,利用训练好的神经网络对不良样本进行测试,计算相对误差;
2)筛选出相对误差不小于10%的样本确认为不良数据;筛选出相对误差不大于5%的样本修正为非不良数据;
3)对所述步骤2)中所述筛选后的剩余样本重复执行所述步骤1)和所述步骤2)直至满足以下任一条件:
条件Ⅰ、执行所述步骤2)之后无剩余样本;
条件Ⅱ、重复执行次数不少于3次;
4)将剩余样本全部确认为不良数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010898262.XA CN112016248A (zh) | 2020-08-31 | 2020-08-31 | 一种基于Elman神经网络SCR脱硝系统不良数据辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010898262.XA CN112016248A (zh) | 2020-08-31 | 2020-08-31 | 一种基于Elman神经网络SCR脱硝系统不良数据辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112016248A true CN112016248A (zh) | 2020-12-01 |
Family
ID=73502908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010898262.XA Pending CN112016248A (zh) | 2020-08-31 | 2020-08-31 | 一种基于Elman神经网络SCR脱硝系统不良数据辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016248A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113223628A (zh) * | 2021-04-19 | 2021-08-06 | 浙江大学 | 一种基于机器学习技术辅助金属氧化物scr催化剂快速筛选的方法 |
CN113658117A (zh) * | 2021-08-02 | 2021-11-16 | 浙江大学 | 一种基于深度学习的沥青混合料中集料边界识别与划分方法 |
CN114819299A (zh) * | 2022-04-11 | 2022-07-29 | 重庆远达烟气治理特许经营有限公司 | 一种基于邻近度分析耦合神经网络预测的不良数据辨识方法 |
CN114819300A (zh) * | 2022-04-11 | 2022-07-29 | 重庆远达烟气治理特许经营有限公司 | 一种基于密度分析耦合神经网络预测的不良数据辨识方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893768A (zh) * | 2016-04-07 | 2016-08-24 | 上海电气电站环保工程有限公司 | 对燃煤锅炉脱硝装置中的催化剂活性估计的方法 |
CN107689015A (zh) * | 2017-08-11 | 2018-02-13 | 国家电网公司 | 一种改进的电力系统不良数据辨识方法 |
CN108491404A (zh) * | 2018-01-22 | 2018-09-04 | 国电南瑞科技股份有限公司 | 一种基于bp神经网络的状态估计不良数据辨识方法 |
CN109376850A (zh) * | 2018-11-29 | 2019-02-22 | 国网辽宁省电力有限公司抚顺供电公司 | 一种基于改进bp神经网络状态估计中不良数据的检测方法 |
CN109801684A (zh) * | 2019-02-25 | 2019-05-24 | 天津大学 | 基于Elman神经网络模型的SCR烟气脱硝催化剂寿命预测方法 |
CN109922038A (zh) * | 2018-12-29 | 2019-06-21 | 中国电力科学研究院有限公司 | 一种用于电力终端的异常数据的检测方法及装置 |
CN109994151A (zh) * | 2019-01-23 | 2019-07-09 | 杭州师范大学 | 基于复杂网络与机器学习方法的肿瘤驱动基因预测系统 |
CN110298369A (zh) * | 2018-03-21 | 2019-10-01 | 中国电力科学研究院有限公司 | 一种电力系统不良数据的辨识方法及系统 |
CN111382862A (zh) * | 2018-12-27 | 2020-07-07 | 国网辽宁省电力有限公司信息通信分公司 | 一种电力系统异常数据辨识方法 |
CN112016250A (zh) * | 2020-08-31 | 2020-12-01 | 华北电力大学 | 一种烟气scr脱硝系统不良数据辨识方法 |
CN112016249A (zh) * | 2020-08-31 | 2020-12-01 | 华北电力大学 | 基于优化bp神经网络的scr脱硝系统不良数据辨识方法 |
-
2020
- 2020-08-31 CN CN202010898262.XA patent/CN112016248A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893768A (zh) * | 2016-04-07 | 2016-08-24 | 上海电气电站环保工程有限公司 | 对燃煤锅炉脱硝装置中的催化剂活性估计的方法 |
CN107689015A (zh) * | 2017-08-11 | 2018-02-13 | 国家电网公司 | 一种改进的电力系统不良数据辨识方法 |
CN108491404A (zh) * | 2018-01-22 | 2018-09-04 | 国电南瑞科技股份有限公司 | 一种基于bp神经网络的状态估计不良数据辨识方法 |
CN110298369A (zh) * | 2018-03-21 | 2019-10-01 | 中国电力科学研究院有限公司 | 一种电力系统不良数据的辨识方法及系统 |
CN109376850A (zh) * | 2018-11-29 | 2019-02-22 | 国网辽宁省电力有限公司抚顺供电公司 | 一种基于改进bp神经网络状态估计中不良数据的检测方法 |
CN111382862A (zh) * | 2018-12-27 | 2020-07-07 | 国网辽宁省电力有限公司信息通信分公司 | 一种电力系统异常数据辨识方法 |
CN109922038A (zh) * | 2018-12-29 | 2019-06-21 | 中国电力科学研究院有限公司 | 一种用于电力终端的异常数据的检测方法及装置 |
CN109994151A (zh) * | 2019-01-23 | 2019-07-09 | 杭州师范大学 | 基于复杂网络与机器学习方法的肿瘤驱动基因预测系统 |
CN109801684A (zh) * | 2019-02-25 | 2019-05-24 | 天津大学 | 基于Elman神经网络模型的SCR烟气脱硝催化剂寿命预测方法 |
CN112016250A (zh) * | 2020-08-31 | 2020-12-01 | 华北电力大学 | 一种烟气scr脱硝系统不良数据辨识方法 |
CN112016249A (zh) * | 2020-08-31 | 2020-12-01 | 华北电力大学 | 基于优化bp神经网络的scr脱硝系统不良数据辨识方法 |
Non-Patent Citations (2)
Title |
---|
TONG ZHANG, YI WANG, JIAN NING, MINGYU ZHAI: "Detection and Identification of Bad Data Based on Neural Network and K-means Clustering", 2019 IEEE PES INNOVATIVE SMART GRID TECHNOLOGIES ASIA, 24 October 2019 (2019-10-24), pages 3634 - 3639 * |
唐诗洁;陆强;曲艳超;任翠涛;杨勇平;: "基于遗传算法优化BP神经网络的SCR脱硝系统催化剂体积设计", 发电技术, vol. 40, no. 03, 30 June 2019 (2019-06-30), pages 246 - 252 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113223628A (zh) * | 2021-04-19 | 2021-08-06 | 浙江大学 | 一种基于机器学习技术辅助金属氧化物scr催化剂快速筛选的方法 |
CN113223628B (zh) * | 2021-04-19 | 2022-08-12 | 浙江大学 | 一种基于机器学习技术辅助金属氧化物scr催化剂快速筛选的方法 |
CN113658117A (zh) * | 2021-08-02 | 2021-11-16 | 浙江大学 | 一种基于深度学习的沥青混合料中集料边界识别与划分方法 |
CN113658117B (zh) * | 2021-08-02 | 2023-09-15 | 安徽省交通控股集团有限公司 | 一种基于深度学习的沥青混合料中集料边界识别与划分方法 |
CN114819299A (zh) * | 2022-04-11 | 2022-07-29 | 重庆远达烟气治理特许经营有限公司 | 一种基于邻近度分析耦合神经网络预测的不良数据辨识方法 |
CN114819300A (zh) * | 2022-04-11 | 2022-07-29 | 重庆远达烟气治理特许经营有限公司 | 一种基于密度分析耦合神经网络预测的不良数据辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016248A (zh) | 一种基于Elman神经网络SCR脱硝系统不良数据辨识方法 | |
CN111985796B (zh) | 基于随机森林和智能算法预测混凝土结构耐久性的方法 | |
CN109978048B (zh) | 一种脱硫塔浆液循环泵故障分析与诊断方法 | |
CN110348615B (zh) | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 | |
CN105930629B (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
CN109085805B (zh) | 一种基于多采样率因子分析模型的工业过程故障检测方法 | |
CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
CN114757413A (zh) | 一种基于时序数列分析耦合神经网络预测的不良数据辨识方法 | |
CN112181706B (zh) | 一种基于对数区间隔离的电力调度数据异常检测方法 | |
CN117195135B (zh) | 一种水污染异常溯源检测方法及系统 | |
CN111879349A (zh) | 一种传感器数据偏差自适应修正方法 | |
CN112016249A (zh) | 基于优化bp神经网络的scr脱硝系统不良数据辨识方法 | |
CN104035431A (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
CN115983048B (zh) | 一种基于数字孪生的冷凝器质量检测方法及系统 | |
CN112016250A (zh) | 一种烟气scr脱硝系统不良数据辨识方法 | |
CN114330486A (zh) | 基于改进Wasserstein GAN的电力系统不良数据辨识方法 | |
CN116295948A (zh) | 大温差环境下工业温度传感器的异常检测方法、系统及存储介质 | |
CN117560267B (zh) | 一种多模场域网的故障诊断方法及快速恢复方法 | |
CN113380340B (zh) | 飞灰浓度预测模型的训练方法、装置、计算机设备 | |
CN116910677A (zh) | 一种工业仪表故障诊断方法及系统 | |
CN112463636A (zh) | 一种测试用例排序管理方法及系统 | |
CN117252285A (zh) | 基于并行cnn-gru网络的多指标污水水质预测方法 | |
CN112070156B (zh) | 一种由gru网络的气体排放浓度预测方法及系统 | |
CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
CN113963757A (zh) | 基于气体关系和图神经网络的充油电气设备故障诊断方法 |
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 |