CN112085196A - 一种基于sca算法优化bp神经网络的scr脱硝系统的喷氨调节方法 - Google Patents
一种基于sca算法优化bp神经网络的scr脱硝系统的喷氨调节方法 Download PDFInfo
- Publication number
- CN112085196A CN112085196A CN202010950107.8A CN202010950107A CN112085196A CN 112085196 A CN112085196 A CN 112085196A CN 202010950107 A CN202010950107 A CN 202010950107A CN 112085196 A CN112085196 A CN 112085196A
- Authority
- CN
- China
- Prior art keywords
- neural network
- value
- scr denitration
- solution
- weight
- 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
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 title claims abstract description 205
- 229910021529 ammonia Inorganic materials 0.000 title claims abstract description 100
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 59
- 238000002347 injection Methods 0.000 title claims abstract description 53
- 239000007924 injection Substances 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 41
- 230000001105 regulatory effect Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 12
- 239000000243 solution Substances 0.000 claims description 99
- 210000002569 neuron Anatomy 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 238000005507 spraying Methods 0.000 description 10
- 239000003546 flue gas Substances 0.000 description 9
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N nitrogen Substances N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 238000010531 catalytic reduction reaction Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- BIGPRXCJEDHCLP-UHFFFAOYSA-N ammonium bisulfate Chemical compound [NH4+].OS([O-])(=O)=O BIGPRXCJEDHCLP-UHFFFAOYSA-N 0.000 description 1
- 235000011114 ammonium hydroxide Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- B01D53/8621—Removing nitrogen compounds
- B01D53/8625—Nitrogen oxides
-
- 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
- B01D53/46—Removing components of defined structure
- B01D53/54—Nitrogen compounds
- B01D53/56—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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Treating Waste Gases (AREA)
- Exhaust Gas Treatment By Means Of Catalyst (AREA)
Abstract
本发明提供了一种基于SCA算法优化BP神经网络的SCR脱硝系统的喷氨调节方法，包括如下步骤：采集燃煤发电机n个脱硝区域的调节阀开度值，以及NOx浓度监测值和氨逃逸量监测值；将数据集分为训练集和测试集，并将数据集进行归一化处理得到数据集；SCA算法对BP神经网络的权值和阈值进行优化，得到最优的权值和阈值，赋给BP神经网络……本发明解决目前的SCR脱硝系统中喷氨调节的均匀性问题，通过SCA算法优化的神经网络算法进行喷氨方式的调节，对SCR反应装置内进行分区域多点监测NOx浓度，监测氨逃逸量，以及相对应的进行分区域的喷氨自动调节，提高喷氨的精准率，提高现有喷氨装置喷氨的均匀性，有效的增加脱硝的效率，改善氨逃逸的问题。
Description
技术领域
本发明是一种喷氨调节方法，涉及燃煤电站烟气脱硝领域，具体涉及一种基于SCA算法优化BP神经网络的SCR脱硝系统的喷氨调节方法。
背景技术
近年来，我国经济社会高速平稳发展，实现了巨大的经济和社会效益，但随之而来的生态环境恶化问题也引起国家对环境保护的日益重视。国家相继发文，要求严控大气污染物排放，力求在2020年全面实施燃煤电站超低排放改造。最新修订的《火电厂大气污染物排放标准》对NOx的排放制定了非常严格的要求，要求NOx排放标准达到50mg/m3以内。只依靠低氮燃烧不能达到排放指标要求，因此燃烧后控制NOx，即在烟道尾部加装脱硝装置是目前大型燃煤电厂的普遍选择。
在脱硝技术中，SCR(选择性催化还原)因其脱硝效率高、烟气处理量大、技术成熟成为燃煤电站的主要选择。SCR是指在催化剂和氧气的存在下，在320℃～427℃温度范围下，还原剂(无水氨、氨水或尿素)有选择性地与烟气中的NOx反应生成无害的氮和水，从而去除烟气中的NOx。
超低排放运行的脱硝系统普通存在氨逃逸率高的问题。氨逃逸最直接的影响是还原剂的损耗增加、自动喷氨品质较差。此外由于燃煤硫分在高温、高氧以及催化剂的条件下，S转化为SO3的比例增加，此时逃逸氨会与烟气中的SO3生成具有很强粘性硫酸氢铵(ABS)，ABS容易吸附灰尘直接造成空预器堵塞，使空预器流通截面减小。严重情况下，换热元件的换热效率下降且密封条因吹扫频繁损坏，最终危及机组安全稳定运行。
若氨气浓度高的区域过喷，直接造成氨逃逸；若氨气浓度不足的区域供氧不足，脱硝效率低；此外，氨逃逸量过多，也反映的氨气与烟气混合不均匀。处理此均匀性问题过程中，过喷会加剧氨逃逸，喷氨过少，则喷氨效率会太低。
发明内容
本发明所要解决的技术问题是，提供了一种基于SCA算法优化BP神经网络的SCR脱硝系统的喷氨调节方法，解决目前的SCR脱硝系统中喷氨调节的均匀性问题，通过SCA算法优化的神经网络算法进行喷氨方式的调节，对SCR反应装置内进行分区域多点监测NOx浓度，监测氨逃逸量，以及相对应的进行分区域的喷氨自动调节，提高喷氨的精准率，提高现有喷氨装置喷氨的均匀性，有效的增加脱硝的效率，改善氨逃逸的问题。
为解决上述技术问题，本发明采用的技术方案为：
一种基于SCA算法优化BP神经网络的SCR脱硝系统的喷氨调节方法，该方法包括以
下步骤：
步骤1：采集燃煤发电机n个脱硝区域的调节阀开度值，作为数据集Y，以及NOx浓度监测值和氨逃逸量监测值，作为数据集P；
步骤2：将数据集P分为训练集和测试集，并将数据集进行归一化处理得到数据集P0，将归一化后的训练集记为P01，归一化后的测试集记为P02；
步骤3：以P01作为网络模型的输入，Y作为网络模型的输出，初始化BP神经网络和SCA算法，SCA算法对BP神经网络的权值和阈值进行优化，得到最优的权值和阈值，赋给BP神经网络；
步骤4：将NOx浓度监测值和氨逃逸量监测值作为输入，各区域调节阀开度值作为输出，使用归一化处理后的训练集训练SCA算法优化的BP神经网络模型，之后使用归一化处理后的测试集P02进行测试，测试结果误差不满足预设条件，则重新划分训练集P01和测试集P02，再次对权值和阈值进行优化，重复步骤2-4，误差满足预设条件，完成测试；
步骤5：实时监测各脱硝区域NOx浓度以及氨逃逸量，对SCR脱硝系统的喷氨调节方法进行预测。
其中，步骤S1中燃煤发电机包括SCR脱硝装置，SCR脱硝装置包括多侧脱硝区域块，单侧脱硝区域块包括内设的n-2个相互独立的脱硝区域，SCR脱硝装置入口设置有n-2个网孔，n-2个网孔分别与SCR脱硝装置内设的n-2个脱硝区域相连通，n-2个网孔分别由一个调节阀控制,分别为阀3，阀4，……，阀n，调节阀开度值对应为y3，y4，……，yn,SCR脱硝装置上设有入口总阀和单侧阀，记为阀1和阀2，调节阀开度值对应为y1,y2，调节阀为手自一体的，开度为0-100的调节阀，数据集Y为(y1,y2,……,yn)构成的集合；
NOx浓度包括SCR脱硝装置入口处NOx浓度x1，SCR脱硝装置出口NOx浓度x2和SCR脱硝装置内部n-2个脱硝区域的NOx浓度x3,x4,……，xn,SCR脱硝装置出口的氨逃逸量检测值，记为xn+1，数据集P为(x1,x2,……,xn,xn+1)构成的集合；
监测值收集采用多点监测的平均值算法，收集多个位置监测值，对多个检测值取平均值。
步骤S2中归一化处理采用如下公式：
P0＝(P-Pmin)/(Pmax-Pmin) (1)
其中，P0为归一化后的数据集，P为原始数据，Pmax、Pmin分别为原始数据集的最大值和最小值。
步骤3中SCA算法对BP神经网络的权值和阈值的优化采用下述公式：
其中，t代表当前迭代次数，
代表第t次迭代中当前解在第i个维度上的位置，Pi为第i维终点的位置；Pi t代表第t次迭代时，最优个体位置变量的第i维的位置；所需优化的权值和阈值的数目为(n+1)2h+n；
参数r1表示下一个解的位置区域在当前解和最优解之内或之外，r1<1代表下一个解的位置区域在当前解和最优解之内，-r1>1-代表下一个解的位置区域在当前解和最优解之外；参数r2，r3，r4为随机因子，参数r2∈[0,2π]，是距离参数，为随机数，代表当前解朝向或远离最优解的距离；参数r3∈[0,2]，表示终点随机权重因子，为随机数，r3越大，代表终点在距离计算时的作用越大，r3越小，代表终点在距离计算时的作用越小，r3>1，表示强调最优解在定义候选解移动距离时的影响效果，r3<1时，表示弱化最优解在定义候选解移动距离时的影响效果；参数r4是转换因子，为[0,1]之间的随机数，用于实现t+1次迭代以相等的概率在正弦和余弦之间进行切换。
步骤3中SCA算法对BP神经网络的权值和阈值的优化主要步骤为：
Step1：种群初始化
设种群的规模为m在[0，255]范围内随机生成m个解，并且随机设定各解的初始位置，对初始权值和阈值进行初始化。
Step2：计算所有解的适应度
选式(3)作为适应度函数，当函数值满足设定值时为最优解。
式中：Fitness为适应度函数值；R为训练样本数；
为模型输出值；yk为实际输出值；
Step3：根据式(2)进行解的位置更新
根据r4值选择相应的位置更新公式，更新候选解在每一位度上的位置，重新计算所有候选解的适应度值，从而得到每个解的适应度以及本次全局最优位置的适应度；
Step4：比较并更新全局最优解的位置
将更新后的每一解的适应度值与全局最优解的适应度值进行比较，如果当前解的适应度值大于之前的全局最优的适应值，则更新全局最优解的位置，将当前适应度值最优的视为最优解。
Step5：达到最大迭代次数或得到最优解时，则输出全局最优解，即获得最优权值和阈值，否则重复以上Step2-4，直至获得最优的权值和阈值。
r1采用下述公式计算：
其中t为当前迭代次数，T为最大迭代次数，u为常数。
公式(4)中u＝2。
BP神经网络中隐含层个数h采用下述公式计算：
其中h为隐含层神经元个数，L为输入层神经元个数，K为输出层神经元个数，即为n，a为1-10之间的调节常数。
模型的隐含层和输出层均使用sigmoid函数为激活函数，如下：
其中，f为输入层和隐藏层之间的函数关系，或者隐藏层和输出层之间的函数关系。
隐含层第h个神经元接收到的输入为：
其中，αh表示隐含层第h个神经元接收到的输入，vih表示输入层第i个神经元与隐含层第h个神经元之间的连接权，xi表示数据集P0中第i个元素；
输出层第j个神经元接收到的输入为：
其中，βj表示隐含层第j个神经元接收到的输出，bh表示隐含层第h个神经元的输出，whj表示隐含层第h个神经元与输出层第j个神经元之间的连接权。
本发明的有益效果包括：
(1)本发明利用SCA算法优化的BP神经网络算法，原BP神经网络通过梯度下降法调整权值和阈值，需经过几百次甚至几千次的迭代，导致学习速度慢以及消耗大量的时间，采用SCA算法以较快的速度在全局搜索最优解，获取最优权值和阈值，赋给BP神经网络，且SCA算法全局性能良好，有效避免BP神经网络在梯度曲线上陷入局部最小值，可以使得在SCR脱硝系统中喷氨的均匀性以及精准喷氨得到改善。
(2)本发明表明可以通过SCA算法优化的神经网络算法进行喷氨方式的调节，对SCR反应装置内进行分区域多点监测NOx浓度，以及相对应的进行分区域的喷氨自动调节，可以为目前的SCR脱硝系统中喷氨调节的均匀性以及精准喷氨的调整提供一个解决方法。
(3)本发明提供一种基于SCA算法优化的BP神经网络的SCR脱硝系统的喷氨调节方法，采集SCR脱硝系统的喷氨调节阀的开度值，并对相应时间下的各区域NOx浓度进行监测以及氨逃逸量进行监测，将监测值进行储存，形成数据集，各区域NOx浓度以及氨逃逸量作为输入，调节阀的开度值作为输出，SCA算法对BP神经网络的权值和阈值进行优化，将最优权值和阈值赋给BP神经网络，之后训练SCA算法优化的BP神经网络模型，进行预测各区域调节阀的开度值，对喷氨进行分区域调节，智能预测各区域的喷氨量，采用SCA算法优化的BP神经网络模型得到各区域的最优的喷氨量，进行灵活的调整，从而提高喷氨的精准率以及喷氨的均匀性，降低氨逃逸的排放以及氨气的消耗，减少运行的成本。
附图说明
图1为本发明SCR脱硝系统的喷氨调节阀设置以及SCR反应器分区位置示意图；
图2为本发明提供的喷氨调节方法步骤示意图；
图3为本发明提供的喷氨调节方法使用的一种基于SCA算法优化的BP神经网络的流程示意图；
图4为本发明的BP神经网络的结构示意图；
图5为本发明SCR反应器进口、入口示意图。
具体实施方式
下面结合附图以及具体实施例对本发明一种适用于SCR脱硝系统的喷氨调节方法作进一步详细说明。
如图1所示，基于SCA算法优化的BP神经网络的SCR脱硝系统的喷氨调节方法，需确定需控制喷氨调节阀位置以及数目。本例为，喷氨总入口处，设置一个开度为0-100的调节阀控制，为喷氨总调节阀，记为阀1；在开始分支到A侧以及B侧SCR脱硝装置的管道口各设置一个开度为0-100的调节阀，以A侧为例进行描述，故记通往A侧的为阀2；在两侧SCR脱硝装置入口，按照SCR脱硝装置内部分区的位置，分为n-2个网格区域，以A侧为例，将A侧SCR脱硝装置分为1、2、...、n-2区，各网格区域分别设置一个开度为0-100的调节阀，分别记为阀3、4、...、n。
如图5所示，SCR脱硝装置的进口、入口示意图，监测SCR脱硝装置烟气入口的NOx浓度；SCR脱硝装置烟气出口的NOx浓度；SCR脱硝装置内n-2个区域的NOx浓度，分区如图1所示；SCR脱硝装置烟气出口的氨逃逸量。以上监测值均为计算后的平均浓度。NOx浓度监测可采用NOx在线分析仪进行监测，氨逃逸监测可采用氨逃逸在线监测仪进行监测。NOx在线分析仪优选带有多点测量模式的，可实现网格法分布模式测量，10个探头同时组网监测，安装于烟道截面分布监测点。之后计算各个区域的平均NOx浓度。
如图2所示，基于SCA算法优化的BP神经网络的SCR脱硝系统的喷氨调节方法，包括如下步骤：
步骤1，采集各区域调节阀开度值，以及相应时间下的NOx浓度监测值和氨逃逸量监测值，作为数据集；
步骤2，将数据集分为训练集和测试集，并将数据集进行归一化处理；
步骤3，初始化BP神经网络和SCA算法，SCA算法对BP神经网络的权值和阈值进行优化，得到最优的权值和阈值，赋给BP神经网络；
步骤4，将NOx浓度监测值和氨逃逸量监测值作为输入，相应时间的各区域调节阀开度值作为输出，使用归一化处理后的训练集训练SCA算法优化的BP神经网络模型，之后使用归一化处理后的测试集进行测试，测试结果预测的调节阀开度值误差大于+5或小于-5时，重新划分训练集和测试集，再次对权值和阈值进行优化，重复步骤2-4，测试预测的调节阀开度值误差在-5～+5之内时，完成测试；
步骤5，实时监测各区域NOx浓度以及氨逃逸量，同时对SCR脱硝系统的各喷氨调节阀进行开度预测。
具体的，步骤1中的调节阀的开度值包括上述的n个调节阀的开度值，喷氨总调节阀，阀1开度值记为y1，A侧调节阀，阀2开度值记为y2，A侧SCR脱硝装置氨的开度值记为y3、y4、...、yn，组成向量y＝[y1,y2,y3,...，yn]。
NOx浓度监测包括：SCR脱硝装置入口NOx浓度监测值x1，SCR脱硝装置出口NOx浓度监测值x2；SCR脱硝装置内各区域的NOx浓度监测值，分别记为x3,x4,...，xn，以及SCR脱硝装置出口的氨逃逸量检测值，记为xn+1，以上浓度监测值均为多点监测后，对多点监测值进行计算后的平均浓度，组成向量x＝[x1,x2,x3,...，xn+1]。
具体的，步骤2中对于数据集的归一化处理，具体归一化到[0,1]区间内，归一化的公式为：
P0＝(P-Pmin)/(Pmax-Pmin) (9)
以上公式中，P0为归一化后的数据，P为原始数据，Pmax、Pmin分别为原始数据集的最大值和最小值。
具体地，步骤3以及图3中SCA算法对BP神经网络的权值进行优化的主要步骤为：
Step1：种群初始化。设种群的规模为m在[0，255]范围内随机生成m个解，并且随机设定各解的初始位置，对初始权值和阈值进行初始化。
Step2：计算所有解的适应度。选式(2)作为适应度函数，当函数值满足设定值时为最优解。
式中：Fitness为适应度函数值；R为训练样本数；
为模型输出值；yk为实际输出值；
Step3：根据下文式(11)进行解的位置更新。根据r4值选择相应的位置更新公式，更新候选解在每一位度上的位置，重新计算所有候选解的适应度值，从而得到每个解的适应度以及本次全局最优位置的适应度；
Step4：比较并更新全局最优解的位置。将更新后的每一解的适应度值与全局最优解的适应度值进行比较，如果当前解的适应度值大于之前的全局最优的适应值，则更新全局最优解的位置，将当前适应度值最优的视为最优解。
Step5：达到最大迭代次数或得到最优解时，则输出全局最优解，即获得最优权值和阈值，否则重复以上Step2-4，直至获得最优的权值和阈值。
在正余弦算法中，首先需优化的权值和阈值作为候选解会被随机初始化，然后会根据正余弦函数并结合随机因子来更新当前解在每一维度上的值。SCA算法采用以下公式对解的位置进行更新：
其中，t代表当前迭代次数，
代表第t次迭代中当前解在第i个维度上的位置，Pi为第i维终点的位置；Pi t代表第t次迭代时，最优个体位置变量的第i维的位置；
设种群的粒子维数为D，粒子维数即所需优化的权值和阈值的数目，根据BP网络的输入层节点数为n+1,隐含层节点数为h，输出层节点数为n，即BP网络结构为(n+1)－h－n,可知解的空间维数为D＝(n+1)*h+h*n+h+n，化简可知D＝(n+1)2h+n；
参数r1表示下一个解的位置区域在当前解和最优解之内或者之外；
参数r2∈[0,2π]，是距离参数，为随机数，代表当前解朝向或远离最优解的距离；
参数r3∈[0,2]，表示终点随机权重因子，为随机数，r3越大，代表终点在距离计算时的作用越大，r3越小，代表终点在距离计算时的作用越小，r3>1，表示强调最优解在定义候选解移动距离时的影响效果；r3<1时，表示弱化最优解在定义候选解移动距离时的影响效果；
参数r4是转换因子，为[0,1]之间的随机数，用于实现t+1次迭代以相等的概率在正弦和余弦之间进行切换；
SCA算法优化BP神经网络的权值和阈值，即为θj、γh、vih、ωhj四个参数，所述的需优化的参数的总个数按照公式(n+1)2h+n来确定，其中(n+1)h为输入层和隐含层之间的权值个数，nh为隐含层和输出层之间的权值个数，h为隐含层的阈值个数，n为输出层的阈值个数。
如图4所示，优选地，本方法的预测模型包括输入层、隐含层和输出层，网络结构为(n+1)－h－n；
其中，依据监测的各区域NOx浓度监测以及氨逃逸监测确定输入层的神经元数量，根据上述，各区域NOx浓度监测以及氨逃逸监测值组成向量x＝[x1,x2,x3,...，xn+1],输入层有n+1个神经元；
隐含层神经元个数采用如下经验公式确定，记隐含层神经元个数为h：
L为输入层神经元个数，即为n+1，K为输出层神经元个数，即为n，a为1-10之间的调节常数，故公式变为如下：
输出层的神经元个数依据各区域的调节阀个数来确定，各处调节阀开度值组成向量y＝[y1,y2,y3,...，yn]，故输出层有n个神经元。
设x1,x2,x3,...，xn+1分别表示输入层中的n+1个神经元的输入，用b1,b2,b3,...,bh分别表示隐含层中的h个人工神经元，用y1,y2,y3,...，yn分别表示输出层的n个人工神经元。
隐含层第h个神经元的阈值用γh表示，输出层的第j个神经元的阈值用θj表示；输入层第i个神经元与隐含层第h个神经元之间的连接权为Vih，隐含层第h个神经元与输出层第j个神经元之间的连接权为Whj；
记隐含层第h个神经元接收到的输入为：
输出层第j个神经元接收到的输入为：
其中bh为隐含层第h个神经元的输出。
模型的隐含层和输出层都使用sigmoid函数为激活函数，如公式：
公式中，f为输入层和隐藏层以及隐藏层和输出层，层与层之间的函数关系，此激励函数属于常规技术手段，故不加以详述。
对于训练例(xk,yK)，假定的神经网络的输出为：
其中，
网络在(xk,yK)上的均方根误差为：
根据步骤3找到的最优的权值和阈值作为BP算法的初始权值和阈值，根据以上的均方根误差公式，求得网络输出和实际输出，即预测的调节阀开度值和实际调节阀开度值之间的误差，并将误差由输出层反向传播到输入层，进一步调整权值和阈值，重复以上过程，减少误差值，直到满足训练结果退出条件。
本发明步骤4中，训练优化后的BP神经网络的过程属于常规技术手段，故而不加以详述。
步骤5中实时监测各脱硝区域NOx浓度以及氨逃逸量，经归一化处理后，作为新的输入样本输入网络模型，网络输出为预测的n个调节阀的开度值，即可根据预测的调节阀开度值，调整脱硝装置各处的调节阀开度。
对上述各区域的NOx浓度以及氨逃逸量进行实时监控，以便对各处调节阀开度进行实时调整。
本发明需一个或多个处理器、存储器以及程序，其中存储器需存储上述采集到的数据，且一个或多个程序存储在其中，并由处理器执行，一个或多个程序包括用于执行基于BP神经网络的SCR脱硝系统的喷氨调节方法的指令。
本发明提供一种基于SCA算法优化的BP神经网络的SCR脱硝系统的喷氨调节方法，采集SCR脱硝系统的喷氨调节阀的开度值，并对相应时间下的各区域NOx浓度进行监测以及氨逃逸量进行监测，将监测值进行储存，形成数据集，各区域NOx浓度以及氨逃逸量作为输入，调节阀的开度值作为输出，SCA算法对BP神经网络的权值和阈值进行优化，将最优权值和阈值赋给BP神经网络，之后训练SCA算法优化的BP神经网络模型，进行预测各区域调节阀的开度值，对喷氨进行分区域调节，智能预测各区域的喷氨量，采用SCA算法优化的BP神经网络模型得到各区域的最优的喷氨量，进行灵活的调整，从而提高喷氨的精准率以及喷氨的均匀性，降低氨逃逸的排放以及氨气的消耗，减少运行的成本；
本发明表明可以通过SCA算法优化的神经网络算法进行喷氨方式的调节，对SCR反应装置内进行分区域多点监测NOx浓度，以及相对应的进行分区域的喷氨自动调节，可以为目前的SCR脱硝系统中喷氨调节的均匀性以及精准喷氨的调整提供一个解决方法。本发明利用SCA算法优化的BP神经网络算法，原BP神经网络通过梯度下降法调整权值和阈值，需经过几百次甚至几千次的迭代，导致学习速度慢以及消耗大量的时间，采用SCA算法以较快的速度在全局搜索最优解，获取最优权值和阈值，赋给BP神经网络，且SCA算法全局性能良好，有效避免BP神经网络在梯度曲线上陷入局部最小值，可以使得在SCR脱硝系统中喷氨的均匀性以及精准喷氨得到改善；本发明申请公开一种基于SCA算法优化的BP神经网络的SCR脱硝系统的喷氨调节方法，能够使得喷氨更加精准，提高喷氨的均匀性。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”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发明和简化描述，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发明的限制。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于SCA算法优化BP神经网络的SCR脱硝系统的喷氨调节方法，其特征在于，该方法包括以下步骤：
步骤1：采集燃煤发电机n个脱硝区域的调节阀开度值，作为数据集Y，以及NOx浓度监测值和氨逃逸量监测值，作为数据集P；
步骤2：将数据集P分为训练集和测试集，并将数据集进行归一化处理得到数据集P0，将归一化后的训练集记为P01，归一化后的测试集记为P02；
步骤3：以P01作为网络模型的输入，Y作为网络模型的输出，初始化BP神经网络和SCA算法，SCA算法对BP神经网络的权值和阈值进行优化，得到最优的权值和阈值，赋给BP神经网络；
步骤4：将NOx浓度监测值和氨逃逸量监测值作为输入，各区域调节阀开度值作为输出，使用归一化处理后的训练集P01训练SCA算法优化的BP神经网络模型，之后使用归一化处理后的测试集P02进行测试，测试结果误差不满足预设条件，则重新划分训练集P01和测试集P02，再次对权值和阈值进行优化，重复步骤2-4，误差满足预设条件，完成测试；
步骤5：实时监测各脱硝区域NOx浓度以及氨逃逸量，对SCR脱硝系统的喷氨调节方法进行预测。
2.根据权利要求1所述的一种基于SCA算法优化BP神经网络的SCR脱硝系统的喷氨调节方法，其特征在于，
步骤1中燃煤发电机包括SCR脱硝装置，SCR脱硝装置包括多侧脱硝区域块，脱硝区域块的一侧为单侧脱硝区域块，单侧脱硝区域块包括内设的n-2个相互独立的脱硝区域，SCR脱硝装置入口设置有n-2个网孔，n-2个网孔分别与SCR脱硝装置内设的n-2个脱硝区域相连通，n-2个网孔分别由一个调节阀控制,分别为阀3，阀4，……，阀n，调节阀开度值对应为y3，y4，……，yn,SCR脱硝装置上设有入口总阀和单侧阀，记为阀1和阀2，调节阀开度值对应为y1,y2，调节阀为手自一体的，开度为0-100的调节阀，数据集Y为(y1,y2,……,yn)构成的集合；
NOx浓度包括SCR脱硝装置入口处NOx浓度x1，SCR脱硝装置出口NOx浓度x2和SCR脱硝装置内部n-2个脱硝区域的NOx浓度x3,x4,……，xn,SCR脱硝装置出口的氨逃逸量检测值，记为xn+1，数据集P为(x1,x2,……,xn,xn+1)构成的集合；
监测值收集采用多点监测的平均值算法，收集多个位置监测值，对多个检测值取平均值。
3.根据权利要求1所述的一种基于SCA算法优化BP神经网络的SCR脱硝系统的喷氨调节方法，其特征在于，步骤2中归一化处理采用如下公式：
P0＝(P-Pmin)/(Pmax-Pmin) (1)
其中，P0为归一化后的数据集，P为原始数据，Pmax、Pmin分别为原始数据集的最大值和最小值。
4.根据权利要求1所述的一种基于SCA算法优化BP神经网络的SCR脱硝系统的喷氨调节方法，其特征在于，步骤3中SCA算法对BP神经网络的权值和阈值的优化采用下述公式：
其中，t代表当前迭代次数，
代表第t次迭代中当前解在第i个维度上的位置，Pi为第i维终点的位置；
代表第t次迭代时，最优个体位置变量的第i维的位置；所需优化的权值和阈值的数目为(n+1)2h+n；
参数r1表示下一个解的位置区域在当前解和最优解之内或之外，r1<1代表下一个解的位置区域在当前解和最优解之内，r1>1-代表下一个解的位置区域在当前解和最优解之外；参数r2，r3，r4为随机因子，参数r2∈[0,2π]，是距离参数，为随机数，代表当前解朝向或远离最优解的距离；参数r3∈[0,2]，表示终点随机权重因子，为随机数，r3越大，代表终点在距离计算时的作用越大，r3越小，代表终点在距离计算时的作用越小，r3>1，表示强调最优解在定义候选解移动距离时的影响效果，r3<1时，表示弱化最优解在定义候选解移动距离时的影响效果；参数r4是转换因子，为[0,1]之间的随机数，用于实现t+1次迭代以相等的概率在正弦和余弦之间进行切换。
5.根据权利要求4所述的一种基于SCA算法优化BP神经网络的SCR脱硝系统的喷氨调节方法，其特征在于，步骤3中SCA算法对BP神经网络的权值和阈值的优化主要步骤为：
Step1：种群初始化
设种群的规模为m，在[0，255]范围内随机生成m个解，并且随机设定各解的初始位置，对初始权值和阈值进行初始化；
Step2：计算所有解的适应度
选式(3)作为适应度函数，当函数值满足设定值时为最优解；
式中：Fitness为适应度函数值；R为训练样本数；
为模型输出值；yk为实际输出值；
Step3：根据式(2)进行解的位置更新
根据r4值选择相应的位置更新公式，更新候选解在每一位度上的位置，重新计算所有候选解的适应度值，从而得到每个解的适应度以及本次全局最优位置的适应度；
Step4：比较并更新全局最优解的位置
将更新后的每一解的适应度值与全局最优解的适应度值进行比较，如果当前解的适应度值大于之前的全局最优的适应值，则更新全局最优解的位置，将当前适应度值最优的视为最优解；
Step5：达到最大迭代次数或得到最优解时，则输出全局最优解，即获得最优权值和阈值，否则重复以上Step2-4，直至获得最优的权值和阈值。
6.根据权利要求4所述的一种基于SCA算法优化BP神经网络的SCR脱硝系统的喷氨调节方法，其特征在于：r1采用下述公式计算：
其中t为当前迭代次数，T为最大迭代次数，u为常数。
7.根据权利要求6所述的一种基于SCA算法优化BP神经网络的SCR脱硝系统的喷氨调节方法，其特征在于，公式(4)中u＝2。
8.根据权利要求1所述的一种基于SCA算法优化BP神经网络的SCR脱硝系统的喷氨调节方法，其特征在于，BP神经网络中隐含层个数h采用下述公式计算：
其中h为隐含层神经元个数，L为输入层神经元个数，K为输出层神经元个数，即为n，a为1-10之间的调节常数。
9.根据权利要求1所述的一种基于SCA算法优化BP神经网络的SCR脱硝系统的喷氨调节方法，其特征在于，模型的隐含层和输出层均使用sigmoid函数为激活函数，如下：
其中，f为输入层和隐藏层的函数关系，或者隐藏层和输出层的函数关系。
10.根据权利要求8所述的一种基于SCA算法优化BP神经网络的SCR脱硝系统的喷氨调节方法，其特征在于，隐含层第h个神经元接收到的输入为：
其中，αh表示隐含层第h个神经元接收到的输入，vih表示输入层第i个神经元与隐含层第h个神经元之间的连接权，xi表示数据集P0中第i个元素；
输出层第j个神经元接收到的输入为：
其中，βj表示隐含层第j个神经元接收到的输出，bh表示隐含层第h个神经元的输出，whj表示隐含层第h个神经元与输出层第j个神经元之间的连接权。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010950107.8A CN112085196A (zh) | 2020-09-10 | 2020-09-10 | 一种基于sca算法优化bp神经网络的scr脱硝系统的喷氨调节方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010950107.8A CN112085196A (zh) | 2020-09-10 | 2020-09-10 | 一种基于sca算法优化bp神经网络的scr脱硝系统的喷氨调节方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112085196A true CN112085196A (zh) | 2020-12-15 |
Family
ID=73737417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010950107.8A Pending CN112085196A (zh) | 2020-09-10 | 2020-09-10 | 一种基于sca算法优化bp神经网络的scr脱硝系统的喷氨调节方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085196A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113009890A (zh) * | 2021-01-25 | 2021-06-22 | 南京工业大学 | 一种基于bmo-lssvm的火电厂scr烟气脱硝控制系统的优化控制方法 |
| CN113144843A (zh) * | 2021-03-16 | 2021-07-23 | 国家能源集团国源电力有限公司 | 喷氨控制方法及装置 |
| CN113813770A (zh) * | 2021-10-26 | 2021-12-21 | 深圳开云智能有限公司 | 基于融合型人工智能氮氧化物排放预测和喷氨控制系统 |
| CN114357594A (zh) * | 2022-03-08 | 2022-04-15 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质 |
| CN114721263A (zh) * | 2022-03-16 | 2022-07-08 | 中国中材国际工程股份有限公司 | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 |
| CN115981384A (zh) * | 2023-02-07 | 2023-04-18 | 淮阴工学院 | 一种智能生物质orc蒸发压力控制设备 |
| CN116579253A (zh) * | 2023-07-11 | 2023-08-11 | 中国海洋大学 | 密封条的物理性能确定方法、装置、电子设备和存储介质 |
| CN118294588A (zh) * | 2024-03-27 | 2024-07-05 | 南京优创环境技术有限公司 | 一种伪原位多点长光程氨逃逸检测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504238A (zh) * | 2014-11-21 | 2015-04-08 | 国家电网公司 | 一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法 |
| CN106599586A (zh) * | 2016-12-19 | 2017-04-26 | 北京国能中电节能环保技术股份有限公司 | 基于神经网络的scr智能喷氨优化方法及装置 |
| CN106789214A (zh) * | 2016-12-12 | 2017-05-31 | 广东工业大学 | 一种基于正余双弦算法的网络态势感知方法及装置 |
-
2020
- 2020-09-10 CN CN202010950107.8A patent/CN112085196A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504238A (zh) * | 2014-11-21 | 2015-04-08 | 国家电网公司 | 一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法 |
| CN106789214A (zh) * | 2016-12-12 | 2017-05-31 | 广东工业大学 | 一种基于正余双弦算法的网络态势感知方法及装置 |
| CN106599586A (zh) * | 2016-12-19 | 2017-04-26 | 北京国能中电节能环保技术股份有限公司 | 基于神经网络的scr智能喷氨优化方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| SEYEDALI MIRJALILI: "SCA: A Sine Cosine Algorithm for solving optimization problems", 《KNOWLEDGE-BASED SYSTEMS》 * |
| 徐明等: "基于Logistic模型和随机差分变异的正弦余弦算法", 《计算机科学》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113009890B (zh) * | 2021-01-25 | 2021-12-31 | 南京工业大学 | 一种基于bmo-lssvm的火电厂scr烟气脱硝控制系统的优化控制方法 |
| CN113009890A (zh) * | 2021-01-25 | 2021-06-22 | 南京工业大学 | 一种基于bmo-lssvm的火电厂scr烟气脱硝控制系统的优化控制方法 |
| CN113144843A (zh) * | 2021-03-16 | 2021-07-23 | 国家能源集团国源电力有限公司 | 喷氨控制方法及装置 |
| CN113813770A (zh) * | 2021-10-26 | 2021-12-21 | 深圳开云智能有限公司 | 基于融合型人工智能氮氧化物排放预测和喷氨控制系统 |
| CN114357594A (zh) * | 2022-03-08 | 2022-04-15 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于sca-gru的桥梁异常监测方法、系统、设备及存储介质 |
| CN114721263B (zh) * | 2022-03-16 | 2024-01-23 | 中国中材国际工程股份有限公司 | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 |
| CN114721263A (zh) * | 2022-03-16 | 2022-07-08 | 中国中材国际工程股份有限公司 | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 |
| CN115981384A (zh) * | 2023-02-07 | 2023-04-18 | 淮阴工学院 | 一种智能生物质orc蒸发压力控制设备 |
| CN115981384B (zh) * | 2023-02-07 | 2023-09-22 | 淮阴工学院 | 一种智能生物质orc蒸发压力控制设备 |
| CN116579253B (zh) * | 2023-07-11 | 2023-09-22 | 中国海洋大学 | 密封条的物理性能确定方法、装置、电子设备和存储介质 |
| CN116579253A (zh) * | 2023-07-11 | 2023-08-11 | 中国海洋大学 | 密封条的物理性能确定方法、装置、电子设备和存储介质 |
| CN118294588A (zh) * | 2024-03-27 | 2024-07-05 | 南京优创环境技术有限公司 | 一种伪原位多点长光程氨逃逸检测方法及系统 |
| CN118294588B (zh) * | 2024-03-27 | 2024-10-22 | 南京优创环境技术有限公司 | 一种伪原位多点长光程氨逃逸检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112085196A (zh) | 一种基于sca算法优化bp神经网络的scr脱硝系统的喷氨调节方法 | |
| Wang et al. | A hybrid NOx emission prediction model based on CEEMDAN and AM-LSTM | |
| CN106599586B (zh) | 基于神经网络的scr智能喷氨优化方法及装置 | |
| CN110368808B (zh) | 一种scr烟气脱硝系统的喷氨量控制方法及系统 | |
| RU2013130996A (ru) | Оптимизированное интегрированное управление для электростанции, работающей на сжигании кислородного топлива | |
| CN114191953A (zh) | 一种基于卷积神经网络和XGBoost的烟气脱硫脱硝控制方法 | |
| CN113175678B (zh) | 垃圾焚烧的监控方法及装置 | |
| CN109670625A (zh) | 基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法 | |
| CN111460726B (zh) | 一种煤泥流化床锅炉脱硝系统氨逃逸的优化方法 | |
| CN114225662A (zh) | 一种基于滞后模型的烟气脱硫脱硝优化控制方法 | |
| CN116983819A (zh) | 烟气脱硫洗涤塔及其方法 | |
| CN109766666A (zh) | 基于低氮燃烧与SNCR-SCR协同控制的锅炉烟气排放NOx浓度预测方法 | |
| Shao et al. | Predictive scheduling of wet flue gas desulfurization system based on reinforcement learning | |
| CN112365065B (zh) | 一种wfgd自适应在线优化调度方法 | |
| Han et al. | Robust optimal control for wastewater treatment process with uncertain time delays | |
| CN118210332B (zh) | 控制气体排放的方法、装置、设备和存储介质 | |
| JP2023081485A (ja) | 状態量予測装置、及び、状態量予測方法 | |
| CN113192569A (zh) | 基于改进粒子群和误差反馈神经网络的有害气体监测方法 | |
| Biyanto et al. | Rain water algorithm: Newton’s law of rain water movements during free fall and uniformly accelerated motion utilization | |
| Han et al. | A simulation study on NOx reduction efficiency in SCR catalysts utilizing a modern C3-CNN algorithm | |
| CN116712856A (zh) | 一种scr脱硝系统智能喷氨控制方法及系统 | |
| Luo | Machine Learning Modeling for Process Control and Electrochemical Reactor Operation | |
| WO2023228901A1 (ja) | 状態量予測装置、状態量予測方法、状態量予測システム、及び状態量予測システムの制御方法 | |
| Cywicka et al. | Towards Data-Driven NARX ANN Simulation For Optimal Control Of The Flue Gas Desulphurization For Coal Power Plants. | |
| KR102276524B1 (ko) | 질소산화물 저감 시스템 및 그 방법 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201215 |
|
| RJ01 | Rejection of invention patent application after publication |