CN112102901A - 一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法 - Google Patents
一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法 Download PDFInfo
- Publication number
- CN112102901A CN112102901A CN202010872634.1A CN202010872634A CN112102901A CN 112102901 A CN112102901 A CN 112102901A CN 202010872634 A CN202010872634 A CN 202010872634A CN 112102901 A CN112102901 A CN 112102901A
- Authority
- CN
- China
- Prior art keywords
- limestone slurry
- density
- data
- optimal value
- algorithm model
- 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.)
- Withdrawn
Links
- 239000002002 slurry Substances 0.000 title claims abstract description 78
- 235000019738 Limestone Nutrition 0.000 title claims abstract description 77
- 239000006028 limestone Substances 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 23
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 32
- 239000003546 flue gas Substances 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000001105 regulatory effect Effects 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000000227 grinding Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000008676 import Effects 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 4
- 239000000706 filtrate Substances 0.000 description 4
- 239000010440 gypsum Substances 0.000 description 4
- 229910052602 gypsum Inorganic materials 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 239000000843 powder Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004537 pulping Methods 0.000 description 2
- 238000001238 wet grinding Methods 0.000 description 2
- 238000003916 acid precipitation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000006477 desulfuration reaction Methods 0.000 description 1
- 230000023556 desulfurization Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009837 dry grinding Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000003134 recirculating effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- B01D53/48—Sulfur compounds
- B01D53/50—Sulfur oxides
- B01D53/501—Sulfur oxides by treating the gases with a solution or a suspension of an alkali or earth-alkali or ammonium compound
- B01D53/502—Sulfur oxides by treating the gases with a solution or a suspension of an alkali or earth-alkali or ammonium compound characterised by a specific solution or suspension
-
- 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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- 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
- B01D2251/00—Reactants
- B01D2251/40—Alkaline earth metal or magnesium compounds
- B01D2251/404—Alkaline earth metal or magnesium compounds of calcium
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2251/00—Reactants
- B01D2251/60—Inorganic bases or salts
- B01D2251/602—Oxides
-
- 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)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- General Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Crystallography & Structural Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Treating Waste Gases (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法,其特征在于:包括以下步骤:步骤一:采集历史数据:从DCS系统中导出原烟气SO2浓度、机组负荷、原烟气流量、pH值、净烟气流量的历史数据,采样时间间隔为1s,剔除异常数据;步骤二:模型训练,得到最优值算法模型;步骤三:嵌入DCS系统:DCS系统根据计算出最优值算法模型此时刻对应的石灰石浆液密度;步骤四:调整石灰石浆液密度:将实测石灰石浆液密度引入DCS系统,调整石灰石浆液密度。本方案寻找出不同工况下石灰石浆液密度的最优值范围,根据最优值实现石灰石浆液密度自动配置,使石灰石浆液密度接近或达到最优值范围,从而达到在运行工况发生突变时,实现保障净烟气SO2浓度不超标的目的。
Description
技术领域
本发明属于湿法脱硫技术领域,具体属于一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法。
背景技术
随着全球经济的高速发展和工业化的不断推进,大气中二氧化硫排放量与日俱增,造成降水pH值下降,局部地方甚至形成酸雨,对人体健康和大气环境带来很大影响。为降低空气中二氧化硫排放量,提高空气质量,防止环境进一步恶化,国家环保总局要求燃煤发电厂必须安装烟气脱硫装置。2005年国家已经下发关于落实科学发展观加强环境保护的决定。因此大力发展环保设备,清洁我们的生态环境也是我们的一个重要任务。目前,我国燃煤电厂应用最广泛的是石灰石/石膏湿法脱硫。
当前,湿法脱硫石灰石浆液配置方法主要有三种,分别是:外购石灰石粉,直接加水制浆;外购石灰石,利用湿式球磨机制备浆液及外购石灰石,利用干式球磨机制粉后加水制浆。
外购石灰石粉价格高,干磨系统投资大、电耗高,相比之下,湿磨系统投资小、成本低,占据火电厂脱硫石灰石浆液配置主流地位。
系统运行时,为控制装置运行所需的石灰石量,采用变频式称重皮带给料机控制进入湿式球磨机的石灰石量,根据进入磨机的石灰石量通过磨机进口补充水管道上流量调节阀控制进入磨机的过滤水量,磨制好的浆液由磨机出口自流到磨机浆液再循环箱,同时通过过滤水地坑泵将石膏滤液水打入石灰石浆液再循环箱稀释石灰石浆液,进入石灰石浆液再循环箱的滤液水流量大小通过电动调节阀控制,再经过磨机石灰石浆液再循环泵(1运1备)送入石灰石旋流器,旋流器溢流浆液达到满足系统出力及细度要求后,进入石灰石浆液罐,而底流浆液返回磨机进料口,参与湿磨机的重新磨制。非正常工况下,旋流站底流和溢流均返回磨机再循环浆液箱。储存在石灰石浆液罐的符合要求浆液密度的合格浆液,通过石灰石浆液泵送入吸收塔的石灰石供浆调节系统,去完成吸收塔内浆液PH的调整。
湿式球磨机制浆,石灰石与水的比例一般固定不变,制备的石灰石浆液通过过滤水地坑泵将石膏滤液水打到磨机再循环箱进行稀释后,再由石灰石浆液再循环泵打进石灰石浆液箱,过滤水至磨机再循环箱管道安装流量调节门,调节门仅根据再循环箱液位进行流量大小调节,若要改变石灰石浆液密度,就必须通过人为干预,在原烟气入口SO2浓度、机组负荷、原烟气流量等急剧升高,石灰石浆液供给流量达到设计值,而净烟气SO2浓度持续升高无法控制的情况下,再通过加大石灰石浆液密度的方式来控制净烟气SO2浓度时间根本来不及,造成环保指标超标。
发明内容
本发明的目的是提供一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法,要解决现有技术中石灰石浆液密度低而导致的净烟气SO2超标问题的技术问题。
为实现上述目的,本发明采用如下技术方案:
一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法,其特征在于:包括以下步骤:
步骤一:采集历史数据:从DCS系统中导出原烟气SO2浓度、机组负荷、原烟气流量、pH值、净烟气流量的历史数据,采样时间间隔为1s,剔除异常数据;
步骤二:模型训练:通过Matlab软件的BP神经网络模型作为实用模型进行训练,得出模型实例,利用模型实例对实际运行工况进行预测对比通过改变模型参数,反复训练、验证,直到模型实例与实际工况误差在允许范围内为止,得到最优值算法模型;
步骤三:嵌入DCS系统:从厂家获得DCS系统权限,将最优值算法模型嵌入DCS系统,根据某同一时刻的原烟气SO2浓度、机组负荷、原烟气流量、pH值、净烟气流量,DCS系统根据计算出最优值算法模型此时刻对应的石灰石浆液密度;
步骤四:调整石灰石浆液密度:将实测石灰石浆液密度引入DCS系统,DCS系统将根据最优值算法模型的计算值与实测值的偏差,利用PID(微积分调节模块)调节磨机再循环箱过滤水调节阀的开度,控制再循环箱过滤水流量大小,调整石灰石浆液密度,最终达到密度实测值与公式计算值误差在允许范围。
进一步优选地,所述步骤二具体包括以下步骤:
步骤1,导入历史数据:在DCS系统历史数据中选取所需建模的数据,并导出为 csv 格式,将导出的数据上传matlab 软件中;
步骤2,软件操作:依据需要进行分隔符、导入范围、及 str 类型数的选取,之后选择矩阵方式;
步骤3,数据预处理:神经网络以每列为一个样本,每行为单一变量,因此需对导入数据进行转置,在命令行窗口输入如下命令对数据进行输入和输出的转置:
命令:data=Assaydatabulian2';
取 2 到 14 行作为输入x,自动输出目标变量y,在命令行窗口输入如下命令对输入数据x进行选择:
命令:x_raw=data(2:14,:);y_raw=data(1,:);
步骤4,对输入数据x、目标变量y进行归一化处理:
在命令行窗口输入如下命令,对输入数据x、目标变量y进行归一化处理:
命令:[x,inputps]=mapminmax(x_raw);
[y,outputps]=mapminmax(y_raw);
归一化计算方法为:2*(x-xmin)/(xmax-xmin)+(-1), xman表达x的最大数据,xmin表达x的最小数据;
步骤5,y值训练及创建神经网路模型:点击 Import 按钮,出现输入导出窗口,选择 x作为输入数据,导入目标变量 y,软件自动进行y值训练,同时创建神经网路模型;
步骤6,对目标变量y进行反归一化处理:经神经网路模型计算后,需对输出数据目标变量y进行反归一化,以匹配系统实际输出在命令行窗口输入如下命令,对目标变量y进行反归一化:
命令:y_pre=mapminmax('reverse',y_tem,outputps);
y_pre 即为石灰石浆液最优值算法模型。
进一步地,所述步骤5还包括以下步骤:神经网络训练及结果查看,根据训练结果中实线实际计算结果与图中虚线预测结果是否接近判断训练结果是否接近理想效果,若两者夹角大于10°则进行重新训练直至达到理想效果。
此外,所述步骤四中DCS系统上设置绿、黄、红三种密度偏差指示灯,其中,
绿色表示偏差在±10kg/m3内;
黄色表示偏差在±15kg/m3;
红色表示偏差在±20kg/m3。
更加优选地,绿色指示灯亮时:石灰石浆液箱正常工作;
黄色指示灯亮时:PID自动调节磨机再循环箱过滤水调节阀的开度,对石灰石浆液进行自动配比,直至绿色指示灯亮;
红色指示灯亮时:PID调节磨机再循环箱过滤水调节阀的开度对石灰石浆液进行自动配比在短时间内达不到“绿色”偏差范围,人工干预,手动配比直至绿色指示灯亮。
与现有技术相比本发明具有以下特点和有益效果:
本发明在石灰石浆液制备过程中可根据原烟气SO2浓度、机组负荷、原烟气流量、净烟气流量变化情况,实现浆液密度自动配置,减少人工干预,保障了在运行工况突变的情况下吸收塔浆液pH满足运行,能有效减少因石灰石浆液密度低而导致的环保参数超标现象。同时,DCS设置绿、黄、红三种警示色,运行监盘人员能直接判断石灰石浆液密度公式计算值与实测值的偏差,一目了然,便于及时调整运行工况。与现有技术相比,本方案寻找出不同工况下石灰石浆液密度的最优值范围,根据最优值实现石灰石浆液密度自动配置,使石灰石浆液密度接近或达到最优值范围,从而达到在运行工况发生突变时,实现保障净烟气SO2浓度不超标的目的,有很好的推广和实用价值,广泛的推广应用后会产生良好的经济效益。
附图说明
图1为本发明涉及的神经网络训练结果图示。
具体实施方式
为使本发明实现的技术手段、创新特征、达成目的与功效易于明白了解,下面对本发明进一步说明。
在此记载的实施例为本发明的特定的具体实施方式,用于说明本发明的构思,均是解释性和示例性的,不应解释为对本发明实施方式及本发明范围的限制。除在此记载的实施例外,本领域技术人员还能够基于本申请权利要求书和说明书所公开的内容采用显而易见的其它技术方案,这些技术方案包括采用对在此记载的实施例的做出任何显而易见的替换和修改的技术方案。
一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法,其特征在于:包括以下步骤:
步骤一:采集历史数据:从DCS系统中导出原烟气SO2浓度、机组负荷、原烟气流量、pH值、净烟气流量的历史数据,采样时间间隔为1s,剔除异常数据;
步骤二:模型训练:通过Matlab软件的BP神经网络模型作为实用模型进行训练,得出模型实例,利用模型实例对实际运行工况进行预测对比通过改变模型参数,反复训练、验证,直到模型实例与实际工况误差在允许范围内为止,得到最优值算法模型;
具体包括以下步骤:
步骤1,导入历史数据:在DCS系统历史数据中选取所需建模的数据,并导出为 csv 格式,将导出的数据上传matlab 软件中;
步骤2,软件操作:依据需要进行分隔符、导入范围、及 str 类型数的选取,之后选择矩阵方式;
步骤3,数据预处理:神经网络以每列为一个样本,每行为单一变量,因此需对导入数据进行转置,在命令行窗口输入如下命令对数据进行输入和输出的转置:
命令:data=Assaydatabulian2';
取 2 到 14 行作为输入x,自动输出目标变量y,在命令行窗口输入如下命令对输入数据x进行选择:
命令:x_raw=data(2:14,:);y_raw=data(1,:);
步骤4,对输入数据x、目标变量y进行归一化处理:
在命令行窗口输入如下命令,对输入数据x、目标变量y进行归一化处理:
命令:[x,inputps]=mapminmax(x_raw);
[y,outputps]=mapminmax(y_raw);
归一化计算方法为:2*(x-xmin)/(xmax-xmin)+(-1), xman表达x的最大数据,xmin表达x的最小数据;
步骤5,y值训练及创建神经网路模型:点击 Import 按钮,出现输入导出窗口,选择 x作为输入数据,导入目标变量 y,软件自动进行y值训练,同时创建神经网路模型,神经网络训练及结果查看,根据训练结果中实线实际计算结果与图中虚线预测结果是否接近判断训练结果是否接近理想效果,若两者夹角大于10°,利用matlab软件进行神经网络非线性拟合,经过反复训练、验证,确定模型实例,直至达到理想效果。
步骤6,对目标变量y进行反归一化处理:经神经网路模型计算后,需对输出数据目标变量y进行反归一化,以匹配系统实际输出在命令行窗口输入如下命令,对目标变量y进行反归一化:
命令:y_pre=mapminmax('reverse',y_tem,outputps);
y_pre 即为石灰石浆液最优值算法模型。
步骤三:嵌入DCS系统:从厂家获得DCS系统权限,将最优值算法模型嵌入DCS系统,根据某同一时刻的原烟气SO2浓度、机组负荷、原烟气流量、pH值、净烟气流量,DCS系统根据计算出最优值算法模型此时刻对应的石灰石浆液密度;
步骤四:调整石灰石浆液密度:将实测石灰石浆液密度引入DCS系统,DCS系统将根据最优值算法模型的计算值与实测值的偏差,利用PID调节磨机再循环箱过滤水调节阀的开度,控制再循环箱过滤水流量大小,调整石灰石浆液密度,最终达到密度实测值与公式计算值误差在允许范围。
其中,DCS系统上设置绿、黄、红三种密度偏差指示灯,其中,
绿色表示偏差在±10kg/m3内;
黄色表示偏差在±15kg/m3;
红色表示偏差在±20kg/m3。
绿色指示灯亮时:石灰石浆液箱正常工作;
黄色指示灯亮时:PID自动调节磨机再循环箱过滤水调节阀的开度,对石灰石浆液进行自动配比,直至绿色指示灯亮;
红色指示灯亮时:PID调节磨机再循环箱过滤水调节阀的开度对石灰石浆液进行自动配比在短时间内达不到“绿色”偏差范围,人工干预,手动配比直至绿色指示灯亮。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法,其特征在于:包括以下步骤:
步骤一:采集历史数据:从DCS系统中导出原烟气SO2浓度、机组负荷、原烟气流量、pH值、净烟气流量的历史数据,采样时间间隔为1s,剔除异常数据;
步骤二:模型训练:通过Matlab软件的BP神经网络模型作为实用模型进行训练,得出模型实例,利用模型实例对实际运行工况进行预测对比通过改变模型参数,反复训练、验证,直到模型实例与实际工况误差在允许范围内为止,得到最优值算法模型;
步骤三:嵌入DCS系统:从厂家获得DCS系统权限,将最优值算法模型嵌入DCS系统,根据某同一时刻的原烟气SO2浓度、机组负荷、原烟气流量、pH值、净烟气流量,DCS系统根据计算出最优值算法模型此时刻对应的石灰石浆液密度;
步骤四:调整石灰石浆液密度:将实测石灰石浆液密度引入DCS系统,DCS系统将根据最优值算法模型的计算值与实测值的偏差,利用PID调节磨机再循环箱过滤水调节阀的开度,控制再循环箱过滤水流量大小,调整石灰石浆液密度,最终达到密度实测值与公式计算值误差在允许范围。
2.如权利要求1所述的一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法,其特征在于,所述步骤二具体包括以下步骤:
步骤1,导入历史数据:在DCS系统历史数据中选取所需建模的数据,并导出为 csv 格式,将导出的数据上传matlab 软件中;
步骤2,软件操作:依据需要进行分隔符、导入范围、及 str 类型数的选取,之后选择矩阵方式;
步骤3,数据预处理:神经网络以每列为一个样本,每行为单一变量,因此需对导入数据进行转置,在命令行窗口输入如下命令对数据进行输入和输出的转置:
命令:data=Assaydatabulian2';
取 2 到 14 行作为输入x,自动输出目标变量y,在命令行窗口输入如下命令对输入数据x进行选择:
命令:x_raw=data(2:14,:);y_raw=data(1,:);
步骤4,对输入数据x、目标变量y进行归一化处理:
在命令行窗口输入如下命令,对输入数据x、目标变量y进行归一化处理:
命令:[x,inputps]=mapminmax(x_raw);
[y,outputps]=mapminmax(y_raw);
归一化计算方法为:2*(x-xmin)/(xmax-xmin)+(-1), xman表达x的最大数据,xmin表达x的最小数据;
步骤5,y值训练及创建神经网路模型:点击 Import 按钮,出现输入导出窗口,选择 x作为输入数据,导入目标变量 y,软件自动进行y值训练,同时创建神经网路模型;
步骤6,对目标变量y进行反归一化处理:经神经网路模型计算后,需对输出数据目标变量y进行反归一化,以匹配系统实际输出在命令行窗口输入如下命令,对目标变量y进行反归一化:
命令:y_pre=mapminmax('reverse',y_tem,outputps);
y_pre 即为石灰石浆液最优值算法模型。
3.如权利要求2所述的一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法,其特征在于,所述步骤5还包括以下步骤:神经网络训练及结果查看,根据训练结果中实线实际计算结果与图中虚线预测结果是否接近判断训练结果是否接近理想效果,若两者夹角大于10°则进行重新训练直至达到理想效果。
4.如权利要求1所述的一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法,其特征在于:所述步骤四中DCS系统上设置绿、黄、红三种密度偏差指示灯,其中,
绿色表示偏差在±10kg/m3内;
黄色表示偏差在±15kg/m3;
红色表示偏差在±20kg/m3。
5.如权利要求3所述的一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法,其特征在于:
绿色指示灯亮时:石灰石浆液箱正常工作;
黄色指示灯亮时:PID自动调节磨机再循环箱过滤水调节阀的开度,对石灰石浆液进行自动配比,直至绿色指示灯亮;
红色指示灯亮时:PID调节磨机再循环箱过滤水调节阀的开度对石灰石浆液进行自动配比在短时间内达不到“绿色”偏差范围,人工干预,手动配比直至绿色指示灯亮。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010872634.1A CN112102901A (zh) | 2020-08-26 | 2020-08-26 | 一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法 |
CN202011483203.2A CN112530530A (zh) | 2020-08-26 | 2020-12-16 | 一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010872634.1A CN112102901A (zh) | 2020-08-26 | 2020-08-26 | 一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112102901A true CN112102901A (zh) | 2020-12-18 |
Family
ID=73756761
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010872634.1A Withdrawn CN112102901A (zh) | 2020-08-26 | 2020-08-26 | 一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法 |
CN202011483203.2A Pending CN112530530A (zh) | 2020-08-26 | 2020-12-16 | 一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011483203.2A Pending CN112530530A (zh) | 2020-08-26 | 2020-12-16 | 一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN112102901A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113946144A (zh) * | 2021-09-18 | 2022-01-18 | 国能龙源环保有限公司 | 一种用于石膏脱水的最优控制系统及控制方法 |
CN114488775A (zh) * | 2021-12-23 | 2022-05-13 | 东北大学 | 悬浮焙烧产品制浆过程的控制方法及装置 |
CN116440670A (zh) * | 2023-04-12 | 2023-07-18 | 华能伊春热电有限公司 | 一种石灰石浆液密度稳定性控制方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113941233A (zh) * | 2021-10-19 | 2022-01-18 | 国能神福(石狮)发电有限公司 | 一种脱硫控制方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0919623A (ja) * | 1995-07-07 | 1997-01-21 | Babcock Hitachi Kk | 湿式排ガス脱硫方法および装置 |
JP3519582B2 (ja) * | 1997-09-03 | 2004-04-19 | 三菱重工業株式会社 | 排煙脱硫装置及び排煙脱硫方法 |
CN105700579A (zh) * | 2016-01-26 | 2016-06-22 | 国网山东省电力公司青岛供电公司 | 一种脱硫系统中的脱硫溶液的ph值预测方法及装置 |
CN107203687B (zh) * | 2017-04-17 | 2020-09-01 | 中国大唐集团科学技术研究院有限公司火力发电技术研究所 | 吸收塔脱硫过程多目标协同智能优化控制方法 |
CN109420424A (zh) * | 2017-08-22 | 2019-03-05 | 邢台国泰发电有限责任公司 | 一种石灰石-石膏湿法烟气脱硫系统节能优化方法 |
CN109343367A (zh) * | 2018-10-26 | 2019-02-15 | 齐鲁工业大学 | 一种基于神经网络预测控制烟气脱硫的方法 |
CN111229010B (zh) * | 2020-01-19 | 2022-04-26 | 福建龙净环保股份有限公司 | 一种供浆调节阀的开度控制系统及开度控制方法 |
-
2020
- 2020-08-26 CN CN202010872634.1A patent/CN112102901A/zh not_active Withdrawn
- 2020-12-16 CN CN202011483203.2A patent/CN112530530A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113946144A (zh) * | 2021-09-18 | 2022-01-18 | 国能龙源环保有限公司 | 一种用于石膏脱水的最优控制系统及控制方法 |
CN114488775A (zh) * | 2021-12-23 | 2022-05-13 | 东北大学 | 悬浮焙烧产品制浆过程的控制方法及装置 |
CN114488775B (zh) * | 2021-12-23 | 2024-02-06 | 东北大学 | 悬浮焙烧产品制浆过程的控制方法及装置 |
CN116440670A (zh) * | 2023-04-12 | 2023-07-18 | 华能伊春热电有限公司 | 一种石灰石浆液密度稳定性控制方法 |
CN116440670B (zh) * | 2023-04-12 | 2023-10-31 | 华能伊春热电有限公司 | 一种石灰石浆液密度稳定性控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112530530A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112102901A (zh) | 一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法 | |
CN101619859B (zh) | 锅炉煤粉分层燃烧在线优化控制系统及其优化方法 | |
CN111340199B (zh) | 一种基于物料衡算和深度学习的脱硫系统节能方法 | |
CN103771553B (zh) | 湿法烟气脱硫废水蒸发处理的自适应模糊控制方法 | |
CN103028480A (zh) | 一种基于模糊pid算法的立磨智能控制系统 | |
CN115309117B (zh) | 一种基于数据驱动的wfgd出口so2浓度预测及智能优化方法 | |
WO2022062339A1 (zh) | 一种变风量布风器风阀的控制系统及其控制方法 | |
CN201892864U (zh) | 循环水水质控制系统 | |
CN110980940A (zh) | 曝气系统供氧效率在线监测装置及优化控制方法 | |
CN105749729A (zh) | 一种基于ph值的自动调节的加氨系统 | |
CN111675325A (zh) | 智能型厌氧反应器系统及废水处理检测方法 | |
CN111408243B (zh) | 一种火电机组湿法脱硫pH值控制系统及方法 | |
CN201811207U (zh) | 锅炉水冷壁高温腐蚀状态诊断及预防系统 | |
CN116440670B (zh) | 一种石灰石浆液密度稳定性控制方法 | |
CN112099458A (zh) | 一种人工智能污水运营系统 | |
CN112791570A (zh) | 一种全工况自适应的ph调节方法 | |
CN111841259A (zh) | 一种氨水吸收塔循环吸收过程的控制系统及方法 | |
CN104263960A (zh) | 金湿法冶金置换过程中置换率和金泥品位的在线预测方法 | |
CN115193232B (zh) | 一种脱硫浆液中Ca2+浓度与pH在线控制浆液氧化状态的方法 | |
CN208087639U (zh) | 一种具有硫熏强度自动检测反馈的糖汁硫熏中和系统 | |
CN113253618B (zh) | 全方位烧结工序智能化管控系统 | |
CN207845269U (zh) | 基于实时our的恒do控制系统 | |
CN205650071U (zh) | 一种基于ph值的自动调节的加氨系统 | |
CN112947616B (zh) | 一种基于趋势预判的湿法脱硫pH值智能约束控制方法 | |
CN108508162A (zh) | 一种循环气自动化检测排放及新鲜气体补充系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201218 |