CN112016754A - 基于神经网络的电站锅炉排烟温度超前预测系统及方法 - Google Patents

基于神经网络的电站锅炉排烟温度超前预测系统及方法 Download PDF

Info

Publication number
CN112016754A
CN112016754A CN202010896290.8A CN202010896290A CN112016754A CN 112016754 A CN112016754 A CN 112016754A CN 202010896290 A CN202010896290 A CN 202010896290A CN 112016754 A CN112016754 A CN 112016754A
Authority
CN
China
Prior art keywords
model
exhaust gas
gas temperature
neural network
module
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
Application number
CN202010896290.8A
Other languages
English (en)
Inventor
于彬
康达
张春伟
张绍睿
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.)
Hadian Power Equipment National Engineering Research Center Co Ltd
Original Assignee
Hadian Power Equipment National Engineering Research Center 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 Hadian Power Equipment National Engineering Research Center Co Ltd filed Critical Hadian Power Equipment National Engineering Research Center Co Ltd
Priority to CN202010896290.8A priority Critical patent/CN112016754A/zh
Publication of CN112016754A publication Critical patent/CN112016754A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明是一种锅炉排烟温度超前预测系统及方法，属于电站锅炉技术领域，目的是为了解决排烟温度很难通过建立机理模型准确地实时估计、无法超前预测等现有技术存在的问题。该系统包括模型建立模块、选取模块、模型训练模块和预测模块；模型建立模块负责建立人工神经网络模型；选取模块负责选出节点并求取节点数；模型训练模块负责将负责采集历史数据从而训练模型；预测模块负责判断训练后的模型参数实现超前预测排烟温度，利用历史数据分析进行过程参数预测及在线模型校正，并实现对排烟温度的动态超前预测；其次，可以实现对壁温超前动态预测，保证了机组运行状态偏离预警，大大提高了机组运行水准。

Description

基于神经网络的电站锅炉排烟温度超前预测系统及方法
技术领域
本发明是一种锅炉排烟温度超前预测系统及方法，属于电站锅炉技术领域。
背景技术
目前，火电仍然是我国占比最大的发电方式，其中锅炉技术历经十几年的发展，通过不断改进、总结和完善，目前已经非常成熟。而随着社会发展和进步，对电站锅炉改善和优化运行效率、深度节能减排提出了更高的要求。
其中，排烟温度是电站锅炉中影响运行经济性的关键参数，必须控制在规定范围内。然而，排烟温度主要受到漏风、制粉系统运行状况、受热面积灰、环境大气温度高等多种因素的影响；同时由于大容量锅炉机组经常处于深度调峰大幅变工况运行，排烟温度是一个典型的非线性、大惯性、大时延的被控对象。因此，排烟温度很难通过建立机理模型准确地实时估计，更不用说超前预测。
发明内容
为了解决排烟温度很难通过建立机理模型准确地实时估计、无法超前预测等现有技术存在的问题，本发明提出一种基于神经网络的电站锅炉排烟温度超前预测系统，具体的技术方案如下：
方案一：该系统包括模型建立模块、选取模块、模型训练模块和预测模块；
模型建立模块负责建立人工神经网络模型；
选取模块负责选出节点并求取节点数；
模型训练模块负责将负责采集历史数据从而训练模型；
预测模块负责判断训练后的模型参数实现超前预测排烟温度。
方案二：基于神经网络的电站锅炉排烟温度超前预测方法，是根据上述的系统为基础而实现的，具体方法步骤如下：
步骤一：所述的模型建立模块负责建立人工神经网络模型；确定预测模型输入输出及关键模型参数；
步骤二：所述的选取模块负责选取输入层节点和输出层节点，求取隐含层节点数；
步骤三：所述的模型训练模块用于采集历史数据从而训练模型；
步骤四：所述的预测模块负责判断训练后的模型参数，实现超前预测排烟温度。
进一步地，步骤一中所述的模型建立人工神经网络模型：具体步骤如下：
步骤一一，所述的人工神经网络具有一个输入层、一个输出层和一个隐含层，其中，输入包括影响壁温的总煤量、总风量、主给水流量、锅炉给水阀入口压力、锅炉给水阀入口温度、末级过热器出口压力、末级过热器出口温度、再热器出口压力、再热器出口温度和二次风调节挡板位置，将这些变量作为模型因子；；
步骤一二，根据上述影响壁温的十个因子以及排烟温度当前时刻测量值作为神经网络模型输入层，排烟温度从当前时刻开始未来一段时间的动态变化作为神经网络模型输出层，
步骤一三，所述输出层与输入层之间的关系可以用下式来表示：
Figure BDA0002658518180000021
其中，x(t)表示的是神经网络的输入层中影响因素的历史数据；Δt是DCS采用周期；y(t)表示的是神经网络的排烟温度；xt-pΔt表示能影响当前时刻输出层的最早时刻输入层，p值的大小由运行人员结合操作经验确定；yt+qΔt表示神经网络期望超前预测的最后时刻输出值，q值的大小由运行人员根据经验和控制要求确定。
进一步地，步骤二中，所述的选取模块选取输入层节点和输出层节点，求取隐含层节点数；
其中所述的隐含层的节点个数由公式
Figure BDA0002658518180000022
确定，其中m为输入层节点个数，n为输出层节点个数，a为1-10之间的常数。
进一步地，步骤三中，所述的模型训练模块用于采集历史数据从而训练模型，其原理是利用电站DCS采集的历史数据训练预测模型，迭代更新权值直至拟合误差符合要求范围；
进一步地，步骤四中，所述的预测模块负责判断训练后的模型参数，通过各个迭代计算得到的权值基础上，超前预测排烟温度。
本发明的有益效果体现在：
采用该神经网络，综合考虑了锅炉系统所有对排烟温度产生影响的因素和排烟温度历史数据对未来一段时间排烟温度的影响，实现对壁温超前动态预测，为运行人员对超温进行处置提供了时间；
利用历史数据分析进行过程参数预测及在线模型校正，并实现对排烟温度的动态超前预测；其次，可以实现对壁温超前动态预测，保证了机组运行状态偏离预警，大大提高了机组运行水准。
附图说明
图1是电站锅炉排烟温度预测神经网络模型结构示意图；
图2是电站锅炉排烟温度预测流程示意图
图3是排烟温度预测结果示意图。
具体实施方式
具体实施方式一：结合附图1-3的描述，基于神经网络的电站锅炉排烟温度超前预测系统，包括电站锅炉排烟温度超前预测系统包括模型建立模块、选取模块、模型训练模块和预测模块；模型建立模块负责建立人工神经网络模型；选取模块负责选出节点并求取节点数；模型训练模块负责将负责采集历史数据从而训练模型；预测模块负责判断训练后的模型参数实现超前预测排烟温度。
具体实施方式二：结合附图1-3的描述，基于神经网络的电站锅炉排烟温度超前预测方法，具体实施步骤如下：
步骤1，建立人工神经网络，确定预测模型输入输出及关键模型参数。
所述人工神经网络具有一个输入层、一个输出层和一个隐含层。其中，输入包括总煤量、总风量、主给水流量、锅炉给水阀入口压力、锅炉给水阀入口温度、末级过热器出口压力、末级过热器出口温度、再热器出口压力、再热器出口温度、二次风调节挡板位置，上述影响壁温的十个因素以及排烟温度当前时刻测量值作为神经网络模型输入层。排烟温度从当前时刻开始未来一段时间的动态变化作为神经网络模型输出层。
所述输出层与输入层之间的关系可以用下式来表示：
Figure BDA0002658518180000031
其中，x(t)表示的是神经网络的输入层中影响因素的历史数据；Δt是DCS采用周期；y(t)表示的是神经网络的排烟温度；xt-pΔt表示能影响当前时刻输出层的最早时刻输入层，p值的大小由运行人员结合操作经验确定；yt+qΔt表示神经网络期望超前预测的最后时刻输出值，q值的大小由运行人员根据经验和控制要求确定。
步骤2，并选取输入层节点和输出层节点，求取隐含层节点数；
所述隐含层的节点个数由公式
Figure BDA0002658518180000041
确定，其中m为输入层节点个数，n为输出层节点个数，a为1-10之间的常数。
步骤3，利用电站DCS采集的历史数据训练预测模型，迭代更新权值直至拟合误差符合要求范围；
步骤4，在各个迭代计算得到的权值基础上，超前预测排烟温度。
具体实施方式三：结合附图1-3的描述，基于神经网络的电站锅炉排烟温度超前预测方法，以某电厂具体预测过程为例，实施例如下：
某电厂600MW煤粉锅炉，采用一次中间再热，尾部双烟道结构。综合分析某点的屏过温度影响因素包括总煤量、总风量、主给水流量、锅炉给水阀入口压力、锅炉给水阀入口温度、末级过热器出口压力、末级过热器出口温度、再热器出口压力、再热器出口温度、二次风调节挡板位置，上述十个影响因素作为神经网络模型输入。经验系数p和q均选择为10。输入层包含101个节点；输出层节点个数为20，即需预测排烟温度；隐含层的节点个数由公式
Figure BDA0002658518180000042
确定，其中m为输入层节点个数，n为输出层节点个数，a为1-10之间的常数，a选择为2，m为100，n为10，则隐含层节点个数为13；所设置的神经网络结构为101-13-20；选取某电厂历史数据共2000组作为训练数据训练神经网络，并把预测值与实际值的偏差作为个体适应度值。用该电厂历史数据共700组作为测试数据对排烟温度进行预测，验证结果表明，可以实现对排烟温度一个采样周期(60s)的超前动态预测，预测误差绝对值在5℃以内，预测结果如图3所示。
以上实施例只是对本专利的示例性说明，并不限定它的保护范围，本领域技术人员还可以对其局部进行改变，只要没有超出本专利的精神实质，都在本专利的保护范围内。

Claims (6)

1.基于神经网络的电站锅炉排烟温度超前预测系统，其特征在于：电站锅炉排烟温度超前预测系统包括模型建立模块、选取模块、模型训练模块和预测模块；
模型建立模块负责建立人工神经网络模型；
选取模块负责选出节点并求取节点数；
模型训练模块负责将负责采集历史数据从而训练模型；
预测模块负责判断训练后的模型参数实现超前预测排烟温度。
2.基于神经网络的电站锅炉排烟温度超前预测方法，是根据权利要求1所述的系统为基础而实现的，其特征在于：具体方法步骤如下：
步骤一：所述的模型建立模块负责建立人工神经网络模型；确定预测模型输入输出及关键模型参数；
步骤二：所述的选取模块负责选取输入层节点和输出层节点，求取隐含层节点数；
步骤三：所述的模型训练模块用于采集历史数据从而训练模型；
步骤四：所述的预测模块负责判断训练后的模型参数，实现超前预测排烟温度。
3.根据权利要求2所述的基于神经网络的电站锅炉排烟温度超前预测方法，其特征在于：步骤一中所述的模型建立人工神经网络模型：具体步骤如下：
步骤一一，所述的人工神经网络具有一个输入层、一个输出层和一个隐含层，其中，输入包括影响壁温的总煤量、总风量、主给水流量、锅炉给水阀入口压力、锅炉给水阀入口温度、末级过热器出口压力、末级过热器出口温度、再热器出口压力、再热器出口温度和二次风调节挡板位置，将这些变量作为模型因子；
步骤一二，根据上述影响壁温的十个因子以及排烟温度当前时刻测量值作为神经网络模型输入层，排烟温度从当前时刻开始未来一段时间的动态变化作为神经网络模型输出层，
步骤一三，所述输出层与输入层之间的关系可以用下式来表示：
Figure FDA0002658518170000011
其中，x(t)表示的是神经网络的输入层中影响因素的历史数据；Δt是DCS采用周期；y(t)表示的是神经网络的排烟温度；xt-pΔt表示能影响当前时刻输出层的最早时刻输入层，p值的大小由运行人员结合操作经验确定；yt+qΔt表示神经网络期望超前预测的最后时刻输出值，q值的大小由运行人员根据经验和控制要求确定。
4.根据权利要求3所述的基于神经网络的电站锅炉排烟温度超前预测方法，其特征在于：步骤二中，所述的选取模块选取输入层节点和输出层节点，求取隐含层节点数；
其中所述的隐含层的节点个数由公式
Figure FDA0002658518170000021
确定，其中m为输入层节点个数，n为输出层节点个数，a为1-10之间的常数。
5.根据权利要求4所述的基于神经网络的电站锅炉排烟温度超前预测方法，其特征在于：步骤三中，所述的模型训练模块用于采集历史数据从而训练模型，其原理是利用电站DCS采集的历史数据训练预测模型，迭代更新权值直至拟合误差符合要求范围。
6.根据权利要求5所述的基于神经网络的电站锅炉排烟温度超前预测方法，其特征在于：步骤四中，所述的预测模块负责判断训练后的模型参数，通过各个迭代计算得到的权值基础上，超前预测排烟温度。
CN202010896290.8A 2020-08-31 2020-08-31 基于神经网络的电站锅炉排烟温度超前预测系统及方法 Pending CN112016754A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010896290.8A CN112016754A (zh) 2020-08-31 2020-08-31 基于神经网络的电站锅炉排烟温度超前预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010896290.8A CN112016754A (zh) 2020-08-31 2020-08-31 基于神经网络的电站锅炉排烟温度超前预测系统及方法

Publications (1)

Publication Number Publication Date
CN112016754A true CN112016754A (zh) 2020-12-01

Family

ID=73502502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010896290.8A Pending CN112016754A (zh) 2020-08-31 2020-08-31 基于神经网络的电站锅炉排烟温度超前预测系统及方法

Country Status (1)

Country Link
CN (1) CN112016754A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598166A (zh) * 2020-12-16 2021-04-02 哈尔滨锅炉厂有限责任公司 一种基于回归算法学习机及专家经验的电站锅炉再热器左右两侧温度偏差的预测方法
CN113295399A (zh) * 2021-06-16 2021-08-24 中国南方电网有限责任公司超高压输电公司广州局 换流阀元件状态评估方法、装置、电子设备和存储介质
CN113380338A (zh) * 2021-06-16 2021-09-10 哈电发电设备国家工程研究中心有限公司 一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法
CN114117934A (zh) * 2021-12-03 2022-03-01 华电新疆哈密煤电开发有限公司 基于门控神经网络的电站锅炉水冷壁壁温在线预测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000032701A (ko) * 1998-11-17 2000-06-15 전주범 가스보일러의 배기 온도에 따른 배기팬 제어 방법
CN103062781A (zh) * 2013-01-08 2013-04-24 北京世纪源博科技股份有限公司 基于人工神经网络原理的锅炉受热面智能吹灰方法
CN104881714A (zh) * 2015-05-25 2015-09-02 上海发电设备成套设计研究院 一种锅炉高温受热面屏间热偏差模型预测方法
CN109272174A (zh) * 2018-11-14 2019-01-25 上海交通大学 基于循环神经网络的燃气轮机排气系统工况预测方法
CN109583585A (zh) * 2018-11-22 2019-04-05 西安热工研究院有限公司 一种电站锅炉壁温预测神经网络模型
CN110084717A (zh) * 2019-03-25 2019-08-02 华电电力科学研究院有限公司 一种基于bp神经网络的电站锅炉入炉煤水分计算方法
CN110673482A (zh) * 2019-10-09 2020-01-10 北京华电天仁电力控制技术有限公司 一种基于神经网络预测的电站燃煤锅炉智能控制方法和系统
CN111159844A (zh) * 2019-12-02 2020-05-15 中国电建集团江西省电力设计院有限公司 一种电站燃气轮机排气温度的异常检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000032701A (ko) * 1998-11-17 2000-06-15 전주범 가스보일러의 배기 온도에 따른 배기팬 제어 방법
CN103062781A (zh) * 2013-01-08 2013-04-24 北京世纪源博科技股份有限公司 基于人工神经网络原理的锅炉受热面智能吹灰方法
CN104881714A (zh) * 2015-05-25 2015-09-02 上海发电设备成套设计研究院 一种锅炉高温受热面屏间热偏差模型预测方法
CN109272174A (zh) * 2018-11-14 2019-01-25 上海交通大学 基于循环神经网络的燃气轮机排气系统工况预测方法
CN109583585A (zh) * 2018-11-22 2019-04-05 西安热工研究院有限公司 一种电站锅炉壁温预测神经网络模型
CN110084717A (zh) * 2019-03-25 2019-08-02 华电电力科学研究院有限公司 一种基于bp神经网络的电站锅炉入炉煤水分计算方法
CN110673482A (zh) * 2019-10-09 2020-01-10 北京华电天仁电力控制技术有限公司 一种基于神经网络预测的电站燃煤锅炉智能控制方法和系统
CN111159844A (zh) * 2019-12-02 2020-05-15 中国电建集团江西省电力设计院有限公司 一种电站燃气轮机排气温度的异常检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘芳;张德珍;赵文杰;: "电站锅炉燃烧系统的神经网络建模", 电力科学与工程, no. 06 *
张毅;丁艳军;张鸿泉;吴占松;仇韬;孔亮;: "电站锅炉运行性能综合预测模型", 动力工程, no. 01 *
沈利;杨建国;赵虹;: "基于燃煤特性的电站锅炉排烟温度预测模型研究", 热力发电, no. 07, pages 20 *
洪杰南;应冬军;温达;: "700MW超超临界机组降低排烟温度的参数调整研究", 电站系统工程, no. 05, pages 66 - 71 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598166A (zh) * 2020-12-16 2021-04-02 哈尔滨锅炉厂有限责任公司 一种基于回归算法学习机及专家经验的电站锅炉再热器左右两侧温度偏差的预测方法
CN113295399A (zh) * 2021-06-16 2021-08-24 中国南方电网有限责任公司超高压输电公司广州局 换流阀元件状态评估方法、装置、电子设备和存储介质
CN113380338A (zh) * 2021-06-16 2021-09-10 哈电发电设备国家工程研究中心有限公司 一种循环流化床机组旋风分离器进口处NOx浓度测量修正及预测方法
CN113295399B (zh) * 2021-06-16 2023-05-30 中国南方电网有限责任公司超高压输电公司广州局 换流阀元件状态评估方法、装置、电子设备和存储介质
CN114117934A (zh) * 2021-12-03 2022-03-01 华电新疆哈密煤电开发有限公司 基于门控神经网络的电站锅炉水冷壁壁温在线预测方法
CN114117934B (zh) * 2021-12-03 2023-04-07 华电新疆哈密煤电开发有限公司 基于门控神经网络的电站锅炉水冷壁壁温在线预测方法

Similar Documents

Publication Publication Date Title
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
CN109583585B (zh) 一种电站锅炉壁温预测神经网络模型的构建方法
CN106681381A (zh) 一种基于智能前馈信号的scr脱硝系统喷氨量优化控制系统及方法
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
WO2021174749A1 (zh) 一种蒸汽动力系统的运行操作优化方法及系统
CN105910169A (zh) 基于机理模型预测控制的城市供热系统热网调节方法及系统
CN106842955B (zh) 带烟气量扰动抑制的燃烧后co2捕集系统预测控制方法
CN108229721A (zh) 基于改进型bp神经网络的煤热解产物的预测方法
CN102053562A (zh) 一种裂解炉出口温度混合控制方法
CN104807039A (zh) 一种锅炉燃烧优化的变量降维建模方法
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
CN113361214A (zh) 一种基于水位流量数据的明渠控制模型参数辨识方法
CN104729888B (zh) 一种基于bp神经网络的烟道飞灰等速取样系统和控制方法
CN111027258A (zh) 一种用于超临界机组的发电负荷与供热量的智能预测方法
CN105276561A (zh) 一种锅炉主蒸汽压力的自适应预测控制方法
CN113095591B (zh) 一种用于火电机组运行参数自寻优的耗差分析方法
CN106610589A (zh) 一种在线硬件闭环网源协调线性自抗扰控制方法
CN112950409A (zh) 煤气和蒸汽能源综合利用系统生产调度优化方法
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
CN111783309A (zh) 基于内部守恒的蒸汽供热网络动态仿真方法
CN111723331A (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
CN111428906B (zh) 一种基于图像变换的工业锅炉蒸汽量预测方法
CN116720446A (zh) 一种锅炉水冷壁渣层厚度实时监测方法
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
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