CN112099343A - 一种基于神经网络的电除尘系统智能节能优化方法 - Google Patents
一种基于神经网络的电除尘系统智能节能优化方法 Download PDFInfo
- Publication number
- CN112099343A CN112099343A CN202010747209.XA CN202010747209A CN112099343A CN 112099343 A CN112099343 A CN 112099343A CN 202010747209 A CN202010747209 A CN 202010747209A CN 112099343 A CN112099343 A CN 112099343A
- Authority
- CN
- China
- Prior art keywords
- model
- parameters
- neural network
- threshold
- particle
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 238000001556 precipitation Methods 0.000 title claims abstract description 20
- 239000000428 dust Substances 0.000 claims abstract description 99
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 239000002245 particle Substances 0.000 claims description 88
- 230000005684 electric field Effects 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 23
- 230000000694 effects Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 11
- 238000013136 deep learning model Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000001149 cognitive effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 5
- 239000003546 flue gas Substances 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 125000003055 glycidyl group Chemical group C(C1CO1)* 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000001902 propagating effect Effects 0.000 claims 1
- 238000013480 data collection Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 8
- 239000007789 gas Substances 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 150000002500 ions Chemical class 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 244000144980 herd Species 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005367 electrostatic precipitation Methods 0.000 description 1
- 239000012717 electrostatic precipitator Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000000752 ionisation method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 210000003456 pulmonary alveoli Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于神经网络的电除尘系统智能节能优化方法。所述方法包括：步骤一，数据收集；步骤二，数据预处理；步骤三，模型训练与测试，通过训练神经网络进行建模，确立各参数与出口粉尘浓度之间的模型，并测试模型的预测精度是否能满足实际需求；步骤四，参数优化，电除尘机器运行时向优化系统输入各个参数的测量值，由优化算法在在模型中搜寻最优的可调参数集，并送入控制系统，从而完成节能优化。本发明使电除尘系统自动找到当前工况对应的较优或最优的高压电源控制参数集，使用更少的电能获得相同甚至更高的除尘效率。
Description
技术领域
本申请一般涉及电除尘领域，尤其涉及基于神经网络的电除尘系统智能节能优化和存储介质。
背景技术
世界进入工业时代以来，人类经济随着工业化水平的提高而迅速发展。但是在此同时自然环境的污染也愈发严重，人类面临着以大气污染为代表的各种危险环境污染的侵蚀。电力、水泥、金属冶炼等工业会向大气中排放大量的污染气体，而且我国的能源结构以燃煤发电为主，高速增长的经济伴随着大量的能源需求，必然会带来大量的大气污染排放。粉尘作为一种主要的大气污染物，其可能从呼吸道进入人体，对肺泡造成永久性的伤害，也会形成雾、霾降低大气的能见度并可能引起建筑物表面腐蚀等，造成经济损失。因此，环境保护是当今人类迫在眉睫的任务之一，节能减排已经成为了当今企业的必然要求。
为了从减少粉尘排放保护环境，工厂必须采取除尘技术降低工业废气中的粉尘含量，这些除尘技术主要包括静电除尘技术、以及过滤式除尘、机械式除尘、湿式除尘等技术。而在各种技术的比较中，电除尘技术具有效率高、能耗低、易于维护等优点，因此应用和发展较为广泛。
随着国家的环保政策日趋严格，超低排放成为了燃煤发电机组排放的新标杆。当燃煤机组污染物排放基本达到燃气发电机组的排放限值时，达到超低排放要求，其中粉尘浓度要求在5mg/m3以下，为1997年的火电排放标准的四十分之一。为了达到该标准，全国电厂全面展开了污染物排放改造，但是环保改造投资高、设备运行耗电大，这些问题也在一定程度上影响了电厂的效益。如何在保证除尘效率的前提下，对静电除尘器进行节能优化成为亟待解决的问题。
发明内容
鉴于现有技术中的上述缺陷或不足，提供一种基于神经网络的电除尘系统智能节能优化方法。使电除尘系统自动找到当前工况对应的较优或最优的高压电源控制参数集，使用更少的电能获得相同甚至更高的除尘效率。
第一方面，本申请实施例提供了一种基于神经网络的电除尘系统智能节能优化方法，其特征在于，该方法包括：
数据收集，电除尘机器运行过程中，由现场仪器采集数据，将数据按时间顺序储存到数据库服务器中；
数据预处理，从数据库服务器取出一段时间内的历史数据，将其预处理为适用于深度学习模型的格式；
模型训练与测试，通过训练神经网络进行建模，确立各参数与出口粉尘浓度之间的模型，并测试模型的预测精度是否能满足实际需求；
参数优化，电除尘机器运行时向优化系统输入各个参数的测量值，由优化算法在模型中搜寻最优的可调参数集，并送入控制系统，从而完成节能优化。
优选的，针对电除尘系统智能节能优化设计专用神经网络，具体包括：
神经网络使用总-分式的神经网络模型；
使用多层LSTM实现的RNN模型构成主干模型；
使用DNN上的DenseNet模型构成分支模型，分支模型的输入为各个电场的可调参数，各个电场的输入经过分支模型处理，输出一个长度为5的除尘性能向量；
为神经网络模型设置两处跳跃连接，一处是DenseNet中的跳跃连接，另一处是除尘性能向量绕过RNN的跳跃连接，将除尘性能向量输入跳层连接到了RNN的时间步输出之后，进行串联，从而提高预测效率。
优选的，在对电场参数进行处理的DenseNet模型中，一组输入数据中包含的多组电场参数将会同时输入单个DenseNet模型，并产生多组除尘性能向量输出，根据电场编号顺序，每一组电场所对应的除尘性能向量输出会按从前到后的顺序进入RNN的各个时间步，当反向传播时，这些输出会同时返回DenseNet模型并更新其参数。
优选的，使用神经网络的具体步骤包括：
将全局输入参数输入小型DNN模型进行预处理；
将三组电场参数input_2、input_3、input_4输入到DenseNet共享分支模型；DenseNet共享分支模型的三个输出与小型DNN模型的一个输出进行重塑，在矩阵形状添加上1作为第一维，然后按第一维合并，第一维长度变为4，将合并之后的矩阵进行循环神经网络处理；
在循环神经网络的低层，复制出其后3个时间步lambda_1，lambda_2，lambda_3；循环神经网络进入深层cu_dnnlstm_2，cu_dnnlstm_3，并输出粉尘浓度预测值ash；
DenseNet共享分支模型的三个输出分别复制出一组，将它们分别与lambda_1，lambda_2，lambda_3的数据进行合并，得到concatenate_12，concatenate_13，concatenate_14；
通过功耗预测模型，从concatenate_12，concatenate_13，concatenate_14接受三组输入，得到三组功率输出。
优选的，整体损失函数为:
模型优化过程为:
即在模型训练过程中，通过调整R、Dpre、DA、DB的模型参数使Loss趋向最小值，R表示模型中的RNN部分，Dpre表示预处理小模型，DA表示共享分支模型，DB表示功率预测模型。
优选的，采用了粒子群优化算法对电除尘参数进行优化，具体包括
步骤a、样本输入，首先从数据集或现场数据中输入一个需要优化的样本，并计算其代价函数以便之后对照；
步骤b、分离参数，将样本中的参数分为三部分，第一部分为不可调参数，第二部分为可调参数，粒子群优化算法的搜索空间即为这些参数所组成的线性空间，第三部分为测量参数，由于现场仪器回传的测量参数实际上是随着前两部分参数的改变而改变的，原值没有作用，进行丢弃；
步骤c、粒子群初始化，生成大量粒子对象，在搜索空间中设置它们的位置、初始速度信息，具体包括：将初始样本的可调参数组成向量，在搜索空间内选择该向量对应点的一个半径较小的邻域，该球体空间即为粒子群初始化位置，在生成每个粒子时，将当前粒子投入该球体内部的随机一点，并且赋予其方向和大小都为随机的初速度；
步骤d、粒子信息更新，每个粒子将自身所在位置作为输入，运行神经网络，根据神经网络预测输出的功率和出口烟气浓度计算其代价函数，如果代价函数小于自身最优值则更新其认知位置，如果代价函数小于全局最优值则更新社会位置；
步骤e、粒子运动，粒子根据原速度、认知位置、社会位置赋予自身加速度，并根据加速度改变其速度和位置。
步骤f、得出优化解，在重复步骤b～e的次数达到预设上限后，将当前的全局最优值，即粒子群算法的社会位置，返回给调用程序。
优选的，设置代价函数具体包括：
通过对代价函数添加惩罚项来实现约束条件；
参数优化的根本目标是为了节省电能开支，即令各个电源的功率总和最小，可表示为:
其中Wi表示第i个电场所对应的电源消耗的功率；
在参数调整的过程中，约束条件为最终粉尘浓度不超过5mg/m3，对代价函数添加惩罚项，当预测浓度超过浓度限制时，为参数添加一个较大的惩罚项，粒子群中的粒子在进入不满足约束条件的区域后，因为搜索不到更优的代价函数取值，就会很快改变速度方向，从而返回正常区域；
P1＝k1(Ash-threshold1)
P2＝k2(Ash-threshold2)
其中Ash为电除尘器出口粉尘浓度，P1、P2为惩罚项，k1、k2为对应的惩罚系数，threshold1、threshold2为惩罚项对应的阈值；
设置两个不同的惩罚项P1、P2，使用了两个不同的阈值threshold1、threshold2，其中threshold2为国家超低排放标准，即5mg/m3，当粒子搜索超过该阈值时惩罚系数很大，还设置一个较低的阈值，即threshold1，threshold1为threshold2减去一个Shrink项，因此P1的惩罚系数小于惩罚项P2的惩罚系数，其中Shrink项取决于深度学习模型验证时均方误差的分布，记录验证集中每个数据的平方误差，根据99％的验证数据与预测值的误差所在的范围，可以确定一个下界Shrink使得99％的误差都小于该值，使得加回缩水项后，实际的粉尘浓度仍然基本上小于threshold2；
总代价函数为:
第二方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于：
所述计算机程序被处理器执行时实现如本申请实施例描述的方法。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出了本申请实施例提供的电除尘系统智能节能优化流程示意图；
图2示出了本申请又一实施例提供的神经网络结构框图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
请参考图1，图1示出了本申请实施例提供的电除尘系统智能节能优化流程示意图。如图1所示，该方法包括：
数据收集，电除尘机器运行过程中，由现场仪器采集数据，将数据按时间顺序储存到数据库服务器中；
数据预处理，从数据库服务器取出一段时间内的历史数据，将其预处理为适用于深度学习模型的格式；
模型训练与测试，通过训练神经网络进行建模，确立各参数与出口粉尘浓度之间的模型，并测试模型的预测精度是否能满足实际需求；
参数优化，电除尘机器运行时向优化系统输入各个参数的测量值，由优化算法在在模型中搜寻最优的可调参数集，并送入控制系统，从而完成节能优化。
通常一台除尘器按烟气流经顺序方向分为若干个的电场区域，每个电场一般有一到四台电源进行供电，这些电源种类一般有一到两种。包括几种不同的电源类型，如工频电源、三相电源、高频电源、脉冲电源及变频电源等。每台电源有一个控制器对其进行现场控制，控制的参数包括供电方式、输出的电流百分比、输出的电压水平等，其中供电方式包括直流、间歇、脉冲等。每种类型的电源控制的参数有所不同，但都作用在电除尘的电场上，提供高压电。
静电除尘可以大致分为四个过程:
1.气体电离。对电晕极加上高压直流电，使其生成一个强电场，从而放电并引发局部气体电离。这个使气体分子分解为离子和电子的过程就称为气体电离过程。
2.粉尘带电。带有不同电性的气体离子向电场的两极运动，正离子在电晕极周围产生立即失去电荷，负离子在向集尘极运动过程中与粉尘碰撞，从而使粉尘带负电，之后带负电的粉尘也在电场中向向集尘极运动。
3.极板吸附粉尘。几乎全部的带有负电的粉尘在电场中向集尘极运动，并在与集尘极接触时吸附在集尘极的表面。
4.振打清灰。带电粉尘在集尘极上积累，会形成一层粉尘层。粉尘层会影响除尘效率，因此电除尘器需要每隔一小段时间进行振打，克服粉尘的附着力，使得粉尘在重力作用下脱离集尘极。
本申请进行除尘的步骤包括：
数据收集，电除尘机器运行过程中，由现场仪器采集数据，将数据按时间顺序储存到数据库服务器中；
数据预处理，从数据库服务器取出一段时间内的历史数据，将其预处理为适用于深度学习模型的格式。由于电除尘数据集中不同特征的取值范围差异巨大，且量纲不同，会影响神经网络的拟合和泛化能力，因此需要对所有特征进行归一化处理。本申请使用Z-score标准化，其变换公式如下:
模型训练与测试，通过训练神经网络进行建模，确立各参数与出口粉尘浓度之间的模型，并测试模型的预测精度是否能满足实际需求；
参数优化，电除尘机器运行时向优化系统输入各个参数的测量值，由优化算法在在模型中搜寻最优的可调参数集，并送入控制系统，从而完成节能优化。
神经网络结构采用的是DenseNet+LSTM的结构，这个结构取材于电除尘系统的物理结构和一些物理性质。模型的所有输出包括一组全局输入参数、多组电场参数。每一组数据表示在一段时间窗口内，机器运行参数的逐参数平均值。其中全局输出参数包括锅炉负载、当前温度等，为不可调参数。各个电场参数描述各个分离的电场的状态，其中大部分参数是内聚的、少部分参数与其他的电场是耦合的，例如，通常情况下，一个电源的电流取决于电压，但如果顺烟气流向的上一个电场太弱，导致通过该电场的粉尘浓度增加，电流就会发生变化。
具体设计了总-分式的神经网络模型。
主干模型为RNN模型。其输入来源于各个分支模型，输出为经过电除尘器处理后的粉尘浓度和各个电场的功率。全局输入参数和各个电场的参数经过子模型处理后输入其各个时间步。其中RNN模型使用的是多层LSTM的实现，目的是为了符合气流在电除尘机器中流动时的状态变化。从物理角度看，如果将带粉尘的气流的成分抽象为多个难以直接测量的状态量，比如大尺寸和小尺寸粉尘的浓度、易带电和不易带电粉尘的浓度等，含有粉尘的气流从入口依次经过各个电场的过程即为其经过一次序列处理的过程。此外，各个电场功率为不可调参数，由对应的二次电压和二次电流决定，它们从RNN的对应时间步输出之后，经过两层全连接得到输出。
分支模型为在DNN上的DenseNet模型。分支模型的输入为各个电场的可调参数，如电压极限、电流极限。各个电场的输入经过分支模型处理，输出一个长度为5的除尘性能向量。这个过程不接受有关烟气的输入信息，仅仅将电场的参数组转换为一个隐向量。添加这个分支模型有两方面的好处，一方面增加层数带来了更多的非线性，可以增强整体模型的表示能力，另一方面，原本的电场参数通过一个bottleneck之后，数据被压缩，可以减缓一些无关数据进入RNN之后导致模型产生过拟合。
该模型中包含了两处跳跃连接，一处是DenseNet中的跳跃连接，另一处是除尘性能向量绕过RNN的跳跃连接。使用DenseNet的原因是由于要预测的部分参数与输入参数有较大的线性相关性，而另一些则显得较为复杂而没有明显的函数关系。比如电压极限为可调参数，它对电压的控制基本是线性的，但是对除尘效率的影响则很难预测。在DenseNet中，由于神经元的数值高效地进行跨层传递，可以避免在逐层正向传递时神经网络难以保持完整信息的问题，从而减少这些参数对损失函数造成的额外负担，提升模型效率。关于除尘性能向量绕过RNN的跳跃连接，其设计是为了解决除尘性能向量经过RNN后的梯度消失问题。
在电除尘模型中，每个电场的功耗不仅和电场本身的参数有关，也和流经的气流成分有关。因此如果将每个电场的功耗直接在分支模型中进行，将会大幅增加来自功耗的损失函数值，甚至影响除尘率的预测效果。如果将功耗作为RNN的输出，则会因为与电场参数输入之间间隔了较多网络层，尤其是当数据经过RNN时其反向传播更难，这导致收敛速度慢，预测效果较差。因此，本申请将除尘性能向量输入跳层连接到了RNN的时间步输出之后，进行串联，从而提高预测效率。
最后，为除尘性能向量增加绕过RNN的跳跃连接。
使用神经网络的具体步骤包括：
将全局输入参数输入小型DNN模型进行预处理；
将三组电场参数input_2、input_3、input_4输入到DenseNet共享分支模型；DenseNet共享分支模型的三个输出与小型DNN模型的一个输出进行重塑，在矩阵形状添加上1作为第一维，然后按第一维合并，第一维长度变为4，将合并之后的矩阵进行循环神经网络处理；
在循环神经网络的低层，复制出其后3个时间步lambda_1，lambda_2，lambda_3；循环神经网络进入深层cu_dnnlstm_2，cu_dnnlstm_3，并输出粉尘浓度预测值ash；
DenseNet共享分支模型的三个输出分别复制出一组，将它们分别与lambda_1，lambda_2，lambda_3的数据进行合并，得到concatenate_12，concatenate_13，concatenate_14；
通过功耗预测模型，从concatenate_12，concatenate_13，concatenate_14接受三组输入，得到三组功率输出。
整体损失函数为:
其中Ash表示出口粉尘浓度，Yglobal表示全局输入输出，Wi为电厂电源功率，Yi表示各个电场电源的输入输出，Ω是模型中的正则项带来的额外损失；
模型优化过程为:
采用了粒子群优化算法对电除尘参数进行优化。粒子群算法是一种对兽群在一段时间内的运动状态进行模拟的算法，其要求兽群中的每一只动物都向它认为的最优方向运动，从而在搜索空间内得到代价函数的最优解。在粒子群算法中，粒子是搜索空间内的单个解，其含有的多种特征通常表示为搜索空间中的一个向量，此外，粒子群算法还将搜索空间看作欧几里得空间，粒子可以根据一般的物理学规律移动，其位置取决于速度、加速度、位移等物理关系。
本申请采用了粒子群优化算法对电除尘参数进行优化，具体包括
步骤a、样本输入，首先从数据集或现场数据中输入一个需要优化的样本，并计算其代价函数以便之后对照；
步骤b、分离参数，将样本中的参数分为三部分，第一部分为不可调参数，第二部分为可调参数，粒子群优化算法的搜索空间即为这些参数所组成的线性空间，第三部分为测量参数，由于现场仪器回传的测量参数实际上是随着前两部分参数的改变而改变的，原值没有作用，进行丢弃；
步骤c、粒子群初始化，生成大量粒子对象，在搜索空间中设置它们的位置、初始速度信息，具体包括：将初始样本的可调参数组成向量，在搜索空间内选择该向量对应点的一个半径较小的邻域，该球体空间即为粒子群初始化位置，在生成每个粒子时，将当前粒子投入该球体内部的随机一点，并且赋予其方向和大小都为随机的初速度；
步骤d、粒子信息更新，每个粒子将自身所在位置作为输入，运行神经网络，根据神经网络预测输出的功率和出口烟气浓度计算其代价函数，如果代价函数小于自身最优值则更新其认知位置，如果代价函数小于全局最优值则更新社会位置；
步骤e、粒子运动，粒子根据原速度、认知位置、社会位置赋予自身加速度，并根据加速度改变其速度和位置。
步骤f、得出优化解，在重复步骤b～e的次数达到预设上限后，将当前的全局最优值，即粒子群算法的社会位置，返回给调用程序。
在初始化过程中，本申请主要使用的是原样本中的参数集的在搜索空间中的邻域作为初始位置。因为在原本的电除尘系统中，已经有一些基于工艺原理分析等机理建模方法、或者一些技术员从实际经验摸索出的参数关系，其用于节能控制也有不错的效果，因此将该信息用于初始化可以对优化过程有所助益。
完整的初始化方法为，将初始样本的可调参数组成向量，在搜索空间内选择该向量对应点的一个半径较小的邻域，该球体空间即为粒子群初始化位置。在生成每个粒子时，将当前粒子投入该球体内部的随机一点，并且赋予其方向和大小都为随机的初速度。
此外，由于大量粒子在该区域内初始化，原样本位置几乎必定会被一个粒子扫描到，因此粒子群算法的全局最小值在此时就可以判断其会不会被原样本位置更新。
这也使得在优化的过程中，算法不需要刻意判断就能保证返回的最终结果不会比原样本还差。
对电除尘系统的参数优化是一个带有约束的优化问题。本申请通过对代价函数添加惩罚项来实现约束条件。
参数优化的根本目标是为了节省电能开支，即令各个电源的功率总和最小，可表示为:
其中Wi表示第i个电场所对应的电源消耗的功率。
此外，在参数调整的过程中，约束条件为最终粉尘浓度不能超过5mg/m3。本文使用了对代价函数添加惩罚项的方法，当预测浓度超过浓度限制时，为参数添加一个较大的惩罚项。这样一来，粒子群中的粒子在进入不满足约束条件的区域后，因为搜索不到更优的代价函数取值，就会很快改变速度方向，从而返回正常区域。
P1＝k1(Ash-threshold1)
P2＝k2(Ash-threshold2)
其中Ash为电除尘器出口粉尘浓度，P1、P2为惩罚项，k1、k2为对应的惩罚系数，threshold1、threshold2为惩罚项对应的阈值，这些参数的具体意义在下文介绍。
其中，Shrink为取决于方差的缩水项。
惩罚函数被设计为粉尘浓度与阈值的差乘上一个较大的常数。设计为可导函数，相比起直接加上一个较大参数，这个做法可以令被初始化在不满足约束条件区域的粒子有更好的搜索效果。当粒子在不满足约束区域初始化后并移动时，如果代价函数没有梯度，其受到全局最优解的影响而向可行区域移动，但是其局部最优解却在相对功率更小的方向，即远离可行区域方向，从而引起搜索效率降低。
其中本文设置了两个不同的惩罚项P1、P2，使用了两个不同的阈值threshold1、threshold2。threshold2为国家超低排放标准，即5mg/m3，当粒子搜索超过该阈值时惩罚系数很大。此外，由于数据噪声、模型本身精度等问题，预测无法达到100％准确。因此本文在模型验证时还设置一个较低的阈值，即threshold1。threshold1为threshold2减去一个Shrink项，因此P1的惩罚系数小于惩罚项P2的惩罚系数。其中Shrink项取决于深度学习模型验证时均方误差的分布，记录验证集中每个数据的平方误差，根据99％的验证数据与预测值的误差所在的范围，可以确定一个下界Shrink使得99％的误差都小于该值，这使得加回缩水项后，实际的粉尘浓度仍然基本上小于threshold2。在这种情况下，瞬时粉尘排放量超过国家超低排放标准的概率约为1％左右。
综上所述，总代价函数为:
实验数据
由于在电除尘应用中，测量值具有时效性，因此需要对优化算法选择适宜的参数。对于粒子群优化算法，当其粒子数量增加，或者迭代次数增加时，每次运行得到最优解的概率便会随之增大，但其运行时间同样会随之增大。因此选择适宜的参数，使优化算法在运行速度和优化效果之间取得平衡同样是一个需要关注的点。
本申请在验证集中选取了60组原始性能较优的样本进行优化。该选取方式的理由是因为在电除尘实例运行的过程中，原本已有一些基于工艺原理分析等的机理建模方法、或者一些技术员从实际经验摸索出的参数关系，其参数本身已是较优解。而训练数据并非电除尘系统正常运行时所采集的值，而是出于数据采集的目的调整的、波动较大的数据，这些参数本身效果较差，因此它们作为优化起点效果显得太过优异、不客观，也难以反映各参数之间的差异。
通过逐渐增大参数，得到多次不同参数下的优化效果如下表所示:
增大粒子数与迭代次数的效果
通过上表，估计粒子数和迭代次数均达到40时，其极限大约在0.74附近。因此实验单独调整粒子数和迭代次数，尝试在优化效果不变的情况下节省算法运行时间。
分别调整粒子数与迭代次数的效果
对于该实验数据，粒子数40，迭代次数20是一个比较合适的参数组。
可以看出，迭代次数的增加对提升优化效果的影响较小，增加粒子数对提升优化效果的影响较大。这主要是由于当粒子数较小时，粒子群的全局最优值不容易更新，因此粒子群很快收敛到局部最优值附近，导致之后的迭代中粒子只在局部最优值附近查找。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中前述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，前述程序被一个或者一个以上的处理器用来执行描述于本申请的电除尘系统智能节能优化方法。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(ProgrammableGate Array；以下简称：PGA)，现场可编程门阵列(Field ProgrammableGate Array；以下简称：FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种基于神经网络的电除尘系统智能节能优化方法，其特征在于，该方法包括：
数据收集，电除尘机器运行过程中，由现场仪器采集数据，将数据按时间顺序储存到数据库服务器中；
数据预处理，从数据库服务器取出一段时间内的历史数据，将其预处理为适用于深度学习模型的格式；
模型训练与测试，通过训练神经网络进行建模，确立各参数与出口粉尘浓度之间的模型，并测试模型的预测精度是否能满足实际需求；
参数优化，电除尘机器运行时向优化系统输入各个参数的测量值，由优化算法在模型中搜寻最优的可调参数集，并送入控制系统，从而完成节能优化。
2.根据权利要求1所述的方法，其特征在于，针对电除尘系统智能节能优化设计专用神经网络，具体包括：
神经网络使用总-分式的神经网络模型；
使用多层LSTM实现的RNN模型构成主干模型；
使用DNN上的DenseNet模型构成分支模型，分支模型的输入为各个电场的可调参数，各个电场的输入经过分支模型处理，输出一个长度为5的除尘性能向量；
为神经网络模型设置两处跳跃连接，一处是DenseNet中的跳跃连接，另一处是除尘性能向量绕过RNN的跳跃连接，将除尘性能向量输入跳层连接到了RNN的时间步输出之后，进行串联，从而提高预测效率。
3.根据权利要求2所述的方法，其特征在于，在对电场参数进行处理的DenseNet模型中，一组输入数据中包含的多组电场参数将会同时输入单个DenseNet模型，并产生多组除尘性能向量输出，根据电场编号顺序，每一组电场所对应的除尘性能向量输出会按从前到后的顺序进入RNN的各个时间步，当反向传播时，这些输出会同时返回DenseNet模型并更新其参数。
4.根据权利要求2所述的方法，其特征在于：使用神经网络的具体步骤包括：将全局输入参数输入小型DNN模型进行预处理；
将三组电场参数input_2、input_3、input_4输入到DenseNet共享分支模型；DenseNet共享分支模型的三个输出与小型DNN模型的一个输出进行重塑，在矩阵形状添加上1作为第一维，然后按第一维合并，第一维长度变为4，将合并之后的矩阵进行循环神经网络处理；
在循环神经网络的低层，复制出其后3个时间步lambda_1，lambda_2，lambda_3；循环神经网络进入深层cu_dnnlstm_2，cu_dnnlstm_3，并输出粉尘浓度预测值ash；DenseNet共享分支模型的三个输出分别复制出一组，将它们分别与lambda_1，lambda_2，lambda_3的数据进行合并，得到concatenate_12，concatenate_13，concatenate_14；
通过功耗预测模型，从concatenate_12，concatenate_13，concatenate_14接受三组输入，得到三组功率输出。
5.根据权利要求2所述的方法，其特征在于：
整体损失函数为:
其中Ash表示出口粉尘浓度，Yglobal表示全局输入输出，Wi为电厂电源功率，Yi表示各个电场电源的输入输出，Ω是模型中的正则项带来的额外损失；
模型优化过程为:
即在模型训练过程中，通过调整R、Dpre、DA、DB的模型参数使Loss趋向最小值，R表示模型中的RNN部分，Dpre表示预处理小模型，DA表示共享分支模型，DB表示功率预测模型。
6.根据权利要求2所述的方法，其特征在于：还包括采用了粒子群优化算法对电除尘参数进行优化，具体包括
步骤a、样本输入，首先从数据集或现场数据中输入一个需要优化的样本，并计算其代价函数以便之后对照；
步骤b、分离参数，将样本中的参数分为三部分，第一部分为不可调参数，第二部分为可调参数，粒子群优化算法的搜索空间即为参数所组成的线性空间，第三部分为测量参数，由于现场仪器回传的测量参数实际上是随着前两部分参数的改变而改变的，原值没有作用，进行丢弃；
步骤c、粒子群初始化，生成大量粒子对象，在搜索空间中设置它们的位置、初始速度信息，具体包括：将初始样本的可调参数组成向量，在搜索空间内选择该向量对应点的一个半径较小的邻域，球体空间即为粒子群初始化位置，在生成每个粒子时，将当前粒子投入该球体内部的随机的一点，并且赋予其方向和大小都为随机的初速度；
步骤d、粒子信息更新，每个粒子将自身所在位置作为输入，运行神经网络，根据神经网络预测输出的功率和出口烟气浓度计算其代价函数，如果代价函数小于自身最优值则更新其认知位置，如果代价函数小于全局最优值则更新社会位置；
步骤e、粒子运动，粒子根据原速度、认知位置、社会位置赋予自身加速度，并根据加速度改变其速度和位置；
步骤f、得出优化解，在重复步骤b～e的次数达到预设上限后，将当前的全局最优值，即粒子群算法的社会位置，返回给调用程序。
7.根据权利要求6所述的方法，其特征在于：设置代价函数具体包括：
通过对代价函数添加惩罚项来实现约束条件；
参数优化的根本目标是为了节省电能开支，即令各个电源的功率总和最小，可表示为:
其中Wi表示第i个电场所对应的电源消耗的功率；
在参数调整的过程中，约束条件为最终粉尘浓度不超过5mg/m3，对代价函数添加惩罚项，当预测浓度超过浓度限制时，为参数添加一个惩罚项，粒子群中的粒子在进入不满足约束条件的区域后，因为搜索不到更优的代价函数取值，就会很快改变速度方向，从而返回正常区域；
P1＝k1(Ash-threshold1)
P2＝k2(Ash-threshold2)
其中Ash为电除尘器出口粉尘浓度，P1、P2为惩罚项，k1、k2为对应的惩罚系数，threshold1、threshold2为惩罚项对应的阈值；
其中，Shrink为取决于方差的缩水项；
设置两个不同的惩罚项P1、P2，使用了两个不同的阈值threshold1、threshold2，其中threshold2为国家超低排放标准，即5mg/m3，另外设置一个比threshold2低的阈值，即threshold1，threshold1为threshold2减去一个Shrink项，因此P1的惩罚系数小于惩罚项P2的惩罚系数，其中Shrink项取决于深度学习模型验证时均方误差的分布，记录验证集中每个数据的平方误差，根据99％的验证数据与预测值的误差所在的范围，确定一个下界Shrink使得99％的误差都小于该值，使得加回缩水项后，实际的粉尘浓度仍然小于threshold2；
总代价函数为:
8.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于：所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010747209.XA CN112099343B (zh) | 2020-07-29 | 2020-07-29 | 基于神经网络的电除尘系统智能节能优化方法及其介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010747209.XA CN112099343B (zh) | 2020-07-29 | 2020-07-29 | 基于神经网络的电除尘系统智能节能优化方法及其介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112099343A true CN112099343A (zh) | 2020-12-18 |
| CN112099343B CN112099343B (zh) | 2022-06-17 |
Family
ID=73749866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010747209.XA Active CN112099343B (zh) | 2020-07-29 | 2020-07-29 | 基于神经网络的电除尘系统智能节能优化方法及其介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112099343B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114139811A (zh) * | 2021-12-04 | 2022-03-04 | 浙江中控技术股份有限公司 | 基于深度学习的控制系统优化方法、装置和电子装置 |
| CN114558694A (zh) * | 2022-02-28 | 2022-05-31 | 广东大唐国际雷州发电有限责任公司 | 一种燃煤电厂智能电除尘设备及除尘方法 |
| CN114563993A (zh) * | 2022-03-17 | 2022-05-31 | 国能龙源环保有限公司 | 火电机组电除尘系统节能优化方法及优化系统 |
| CN114798596A (zh) * | 2022-03-23 | 2022-07-29 | 江苏华一机械有限公司 | 一种改善纺织双面磨毛机除尘效果的方法及系统 |
| CN116060212A (zh) * | 2023-01-10 | 2023-05-05 | 浙江大维高新技术股份有限公司 | 电除尘器协同控制节能优化方法及系统 |
| CN116651617A (zh) * | 2023-05-06 | 2023-08-29 | 浙江佳环电子有限公司 | 电除尘变频调幅高压电源及其高压输出控制方法 |
| CN117666365A (zh) * | 2024-02-01 | 2024-03-08 | 云扬八方工程有限公司 | 一种干熄焦炉智能除尘系统 |
| CN118050995A (zh) * | 2024-04-16 | 2024-05-17 | 中国标准化研究院 | 基于颗粒物浓度分布的电除尘器自适应调参方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008109594A1 (en) * | 2007-03-05 | 2008-09-12 | Alstom Technology Ltd | A method and a control system for controlling the operation of a last field of an electrostatic precipitator |
| US20150073572A1 (en) * | 2013-09-10 | 2015-03-12 | Alstom Technology Ltd | Automatic tuning control system for air pollution control systems |
| CN108940596A (zh) * | 2018-07-12 | 2018-12-07 | 浙江大学 | 一种基于混合模型的电除尘系统优化控制方法 |
| CN109034457A (zh) * | 2018-06-28 | 2018-12-18 | 杭州电子科技大学 | 一种燃煤电厂污染物低成本协同脱除建模及优化方法 |
| CN109908691A (zh) * | 2019-03-13 | 2019-06-21 | 西安科技大学 | 一种矿井除尘系统及其除尘方法 |
| CN110716512A (zh) * | 2019-09-02 | 2020-01-21 | 华电电力科学研究院有限公司 | 一种基于燃煤电站运行数据的环保装备性能预测方法 |
| WO2020088485A1 (zh) * | 2018-11-02 | 2020-05-07 | 浙江大学 | 一种智能化多种污染物超低排放系统及全局优化方法 |
-
2020
- 2020-07-29 CN CN202010747209.XA patent/CN112099343B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008109594A1 (en) * | 2007-03-05 | 2008-09-12 | Alstom Technology Ltd | A method and a control system for controlling the operation of a last field of an electrostatic precipitator |
| US20150073572A1 (en) * | 2013-09-10 | 2015-03-12 | Alstom Technology Ltd | Automatic tuning control system for air pollution control systems |
| CN109034457A (zh) * | 2018-06-28 | 2018-12-18 | 杭州电子科技大学 | 一种燃煤电厂污染物低成本协同脱除建模及优化方法 |
| CN108940596A (zh) * | 2018-07-12 | 2018-12-07 | 浙江大学 | 一种基于混合模型的电除尘系统优化控制方法 |
| WO2020088485A1 (zh) * | 2018-11-02 | 2020-05-07 | 浙江大学 | 一种智能化多种污染物超低排放系统及全局优化方法 |
| CN109908691A (zh) * | 2019-03-13 | 2019-06-21 | 西安科技大学 | 一种矿井除尘系统及其除尘方法 |
| CN110716512A (zh) * | 2019-09-02 | 2020-01-21 | 华电电力科学研究院有限公司 | 一种基于燃煤电站运行数据的环保装备性能预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 张选杨: "深度神经网络架构优化与设计", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
| 张选杨: "深度神经网络架构优化与设计", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》, no. 01, 15 January 2020 (2020-01-15), pages 6 - 49 * |
| 李大中 等: "基于神经网络的电除尘器效率在线确定方法", 《热能动力工程》, vol. 20, no. 04, 31 July 2005 (2005-07-31), pages 390 - 393 * |
| 黄治军 等: "基于在线极限学习机的电厂除尘器节能控制研究", 《机电信息》 * |
| 黄治军 等: "基于在线极限学习机的电厂除尘器节能控制研究", 《机电信息》, no. 30, 31 December 2017 (2017-12-31), pages 40 - 41 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114139811A (zh) * | 2021-12-04 | 2022-03-04 | 浙江中控技术股份有限公司 | 基于深度学习的控制系统优化方法、装置和电子装置 |
| CN114558694A (zh) * | 2022-02-28 | 2022-05-31 | 广东大唐国际雷州发电有限责任公司 | 一种燃煤电厂智能电除尘设备及除尘方法 |
| CN114558694B (zh) * | 2022-02-28 | 2022-12-20 | 广东大唐国际雷州发电有限责任公司 | 一种燃煤电厂智能电除尘设备及除尘方法 |
| CN114563993A (zh) * | 2022-03-17 | 2022-05-31 | 国能龙源环保有限公司 | 火电机组电除尘系统节能优化方法及优化系统 |
| CN114798596A (zh) * | 2022-03-23 | 2022-07-29 | 江苏华一机械有限公司 | 一种改善纺织双面磨毛机除尘效果的方法及系统 |
| CN116060212A (zh) * | 2023-01-10 | 2023-05-05 | 浙江大维高新技术股份有限公司 | 电除尘器协同控制节能优化方法及系统 |
| CN116651617A (zh) * | 2023-05-06 | 2023-08-29 | 浙江佳环电子有限公司 | 电除尘变频调幅高压电源及其高压输出控制方法 |
| CN116651617B (zh) * | 2023-05-06 | 2023-11-14 | 浙江佳环电子有限公司 | 电除尘变频调幅高压电源及其高压输出控制方法 |
| CN117666365A (zh) * | 2024-02-01 | 2024-03-08 | 云扬八方工程有限公司 | 一种干熄焦炉智能除尘系统 |
| CN117666365B (zh) * | 2024-02-01 | 2024-04-16 | 云扬八方工程有限公司 | 一种干熄焦炉智能除尘系统 |
| CN118050995A (zh) * | 2024-04-16 | 2024-05-17 | 中国标准化研究院 | 基于颗粒物浓度分布的电除尘器自适应调参方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112099343B (zh) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112099343B (zh) | 基于神经网络的电除尘系统智能节能优化方法及其介质 | |
| Liang et al. | A deep reinforcement learning network for traffic light cycle control | |
| Cao et al. | Design of fractional order controllers based on particle swarm optimization | |
| WO2016155372A1 (zh) | 预测空气质量指数的方法与装置 | |
| Chi et al. | A data-driven iterative feedback tuning approach of ALINEA for freeway traffic ramp metering with PARAMICS simulations | |
| CN109858144B (zh) | 一种扬尘源的排量计算模型构建方法及扬尘排量计算方法 | |
| Liang et al. | A combined model based on CEEMDAN, permutation entropy, gated recurrent unit network, and an improved bat algorithm for wind speed forecasting | |
| CN104850913A (zh) | 一种空气质量pm2.5预测方法及系统 | |
| Schulze et al. | Urban traffic simulation with psycho-physical vehicle-following models | |
| CN108171379A (zh) | 一种用电负荷预测方法 | |
| CN109343342A (zh) | 基于遗传算法的电除尘器节能优化方法和系统 | |
| CN113440990A (zh) | 基于emd-lstm的出口so2浓度预测方法 | |
| CN104009472B (zh) | 一种基于协同粒子群的配电网状态估计方法 | |
| Roubos et al. | Predictive control by local linearization of a Takagi-Sugeno fuzzy model | |
| Panda et al. | An efficient short-term electric power load forecasting using hybrid techniques | |
| Talbi et al. | Optimization of fuzzy controller using hybrid Tabu search and particle swarm optimization | |
| Lee et al. | Solar irradiance forecasting based on electromagnetism-like neural networks | |
| Campello et al. | Optimal Laguerre series expansion of discrete Volterra models | |
| Kim et al. | Particle swarm optimization based robust PID controller tuning scheme | |
| Ekici et al. | Optimization of Proportional-Integral-Derivative Parameters for Speed Control of Squirrel-Cage Motors with Seahorse Optimization. | |
| CN114861977A (zh) | 一种面向不均衡电力数据的蒸馏集成模式感知算法及系统 | |
| CN111028512B (zh) | 一种基于稀疏bp神经网络的实时交通预测方法及装置 | |
| Wei et al. | Intersection signal control approach based on pso and simulation | |
| CN113779861A (zh) | 光伏功率的预测方法及终端设备 | |
| Yew et al. | Optimization of Multi-Junction Traffic Light Control Using the Classic Genetic Algorithm |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231013 Address after: No.19, Gongye Middle Road, Xinluo District, Longyan City, Fujian Province, 364000 Patentee after: Fujian Longking Co.,Ltd. Patentee after: XIAMEN LONGKING SAVING & TECHNOLOGY Co.,Ltd. Address before: No.19, Gongye Middle Road, Xinluo District, Longyan City, Fujian Province, 364000 Patentee before: Fujian Longking Co.,Ltd. |
|
| TR01 | Transfer of patent right |