CN112131791A - 一种脱硝效率预测方法的择优方法、装置和设备 - Google Patents

一种脱硝效率预测方法的择优方法、装置和设备 Download PDF

Info

Publication number
CN112131791A
CN112131791A CN202011010372.4A CN202011010372A CN112131791A CN 112131791 A CN112131791 A CN 112131791A CN 202011010372 A CN202011010372 A CN 202011010372A CN 112131791 A CN112131791 A CN 112131791A
Authority
CN
China
Prior art keywords
denitration efficiency
denitration
efficiency prediction
prediction model
scr
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
CN202011010372.4A
Other languages
English (en)
Inventor
李德波
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.)
Guangdong Electric Power Science Research Institute Energy Technology Co Ltd
Original Assignee
Guangdong Electric Power Science Research Institute Energy Technology 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 Guangdong Electric Power Science Research Institute Energy Technology Co Ltd filed Critical Guangdong Electric Power Science Research Institute Energy Technology Co Ltd
Priority to CN202011010372.4A priority Critical patent/CN112131791A/zh
Publication of CN112131791A publication Critical patent/CN112131791A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种脱硝效率预测方法的择优方法、装置和设备，其中方法包括：获取待分析SCR脱硝系统和若干脱硝效率预测模型；获取各脱硝效率预测模型在对待分析SCR脱硝系统进行脱硝效率预测时的输入参数；将各输入参数输入至相应的脱硝效率预测模型，得到各脱硝效率预测模型输出的预测脱硝效率；根据待分析SCR脱硝系统的实际脱硝效率和所有预测脱硝效率，从若干脱硝效率预测模型中确定目标脱硝效率预测模型；将目标脱硝效率预测模型对应的脱硝效率预测方法作为待分析SCR脱硝系统的脱硝效率预测方法。解决了现有对SCR脱硝系统的脱硝效率准确率不高的技术问题。

Description

一种脱硝效率预测方法的择优方法、装置和设备
技术领域
本申请涉及脱硝分析技术领域，尤其涉及一种脱硝效率预测方法的择优方法、装置和设备。
背景技术
随着日渐严峻的环境形势，人们开始注重环保问题。在电网中，燃煤电厂的燃烧烟气中含有的氮氧化物严重影响环境，因此脱硝技术便应运而生。
在燃煤电厂加装SCR脱硝系统，用于治理烟气中氮氧化物的排放。随着SCR脱硝系统中催化剂性能下降，氨逃逸率上升，生成的NH4HSO4沉积物导致空预器发生局部堵塞。为了防止局部堵塞现象发生，现有技术对SCR脱硝系统的脱硝效率进行预测。然而现有技术对SCR脱硝系统的脱硝效率准确率不高，进而导致上述的预防效果欠佳。
发明内容
有鉴于此，本申请提供了一种脱硝效率预测方法的择优方法、装置和设备，解决了现有对SCR脱硝系统的脱硝效率准确率不高的技术问题。
本申请第一方面提供了一种脱硝效率预测方法的择优方法，包括：
获取待分析SCR脱硝系统和若干脱硝效率预测模型；
获取各所述脱硝效率预测模型在对所述待分析SCR脱硝系统进行脱硝效率预测时的输入参数；
将各所述输入参数输入至相应的所述脱硝效率预测模型，得到各所述脱硝效率预测模型输出的预测脱硝效率；
根据所述待分析SCR脱硝系统的实际脱硝效率和所有所述预测脱硝效率，从若干所述脱硝效率预测模型中确定目标脱硝效率预测模型；
将所述目标脱硝效率预测模型对应的脱硝效率预测方法作为所述待分析SCR脱硝系统的脱硝效率预测方法。
优选地，所述脱硝效率预测模型包括：RNN脱硝效率预测模型、LSTM脱硝效率预测模型、GRU脱硝效率预测模型、RBF脱硝效率预测模型和LSSVM脱硝效率预测模型。
优选地，所述输入参数包括：所述待分析SCR脱硝系统的第一运行参数和与所述待分析SCR脱硝系统对应的燃煤锅炉的第二运行参数；
所述第一运行参数包括：SCR入口烟气温度、SCR入口烟气含氧量、SCR入口NOx质量浓度和喷氨质量流量；
所述第二运行参数包括：锅炉负荷。
优选地，根据所述待分析SCR脱硝系统的实际脱硝效率和所有所述预测脱硝效率，从若干所述脱硝效率预测模型中确定目标脱硝效率预测模型，具体包括：
计算各所述预测脱硝效率的预测误差；
计算各所述预测脱硝效率和所述待分析SCR脱硝系统的实际脱硝效率之间的差值；
基于预设判断准则，结合所有所述预测误差和所有所述差值，从若干所述脱硝效率预测模型中确定目标脱硝效率预测模型。
优选地，所述预测误差包括：空间复杂度、决定系数和平均绝对误差；
所述差值包括：均方根误差。
本申请第二方面提供了一种脱硝效率预测方法的择优装置，包括：
第一获取单元，用于获取待分析SCR脱硝系统和若干脱硝效率预测模型；
第二获取单元，用于获取各所述脱硝效率预测模型在对所述待分析SCR脱硝系统进行脱硝效率预测时的输入参数；
参数输入单元，用于将各所述输入参数输入至相应的所述脱硝效率预测模型，得到各所述脱硝效率预测模型输出的预测脱硝效率；
第一确定单元，用于根据所述待分析SCR脱硝系统的实际脱硝效率和所有所述预测脱硝效率，从若干所述脱硝效率预测模型中确定目标脱硝效率预测模型；
第二确定单元，用于将所述目标脱硝效率预测模型对应的脱硝效率预测方法作为所述待分析SCR脱硝系统的脱硝效率预测方法。
优选地，所述脱硝效率预测模型包括：RNN脱硝效率预测模型、LSTM脱硝效率预测模型、GRU脱硝效率预测模型、RBF脱硝效率预测模型和LSSVM脱硝效率预测模型。
优选地，所述输入参数包括：所述待分析SCR脱硝系统的第一运行参数和与所述待分析SCR脱硝系统对应的燃煤锅炉的第二运行参数；
所述第一运行参数包括：SCR入口烟气温度、SCR入口烟气含氧量、SCR入口NOx质量浓度和喷氨质量流量；
所述第二运行参数包括：锅炉负荷。
优选地，所述第一确定单元具体包括：
第一计算子单元，用于计算各所述预测脱硝效率的预测误差；
第二计算子单元，用于计算各所述预测脱硝效率和所述待分析SCR脱硝系统的实际脱硝效率之间的差值；
确定子单元，用于基于预设判断准则，结合所有所述预测误差和所有所述差值，从若干所述脱硝效率预测模型中确定目标脱硝效率预测模型。
本申请第三方面提供了一种脱硝效率预测方法的择优设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面所述的脱硝效率预测方法的择优方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请提供了一种脱硝效率预测方法的择优方法，包括：获取待分析SCR脱硝系统和若干脱硝效率预测模型；获取各脱硝效率预测模型在对待分析SCR脱硝系统进行脱硝效率预测时的输入参数；将各输入参数输入至相应的脱硝效率预测模型，得到各脱硝效率预测模型输出的预测脱硝效率；根据待分析SCR脱硝系统的实际脱硝效率和所有预测脱硝效率，从若干脱硝效率预测模型中确定目标脱硝效率预测模型；将目标脱硝效率预测模型对应的脱硝效率预测方法作为待分析SCR脱硝系统的脱硝效率预测方法。
发明人在研究现有技术后发现，现有脱硝效率预测准确率低是预测时选择的预测模型不合适导致的，因此本申请中在获取到若干脱硝效率预测模型后，首先根据这些预测模型对待分析SCR脱硝系统进行脱硝效率预测，然后根据脱硝预测结果选择出目标脱硝效率预测模型，最后将该目标脱硝效率预测模型对应的脱硝效率预测方法作为待分析SCR脱硝系统的脱硝效率预测方法，解决了现有对SCR脱硝系统的脱硝效率准确率不高的技术问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请实施例中一种脱硝效率预测方法的择优方法的第一实施例的流程示意图；
图2为本申请实施例中一种脱硝效率预测方法的择优方法的第二实施例的流程示意图；
图3为本申请实施例中RNN脱硝效率预测模型的预测脱硝效率和实际脱硝效率的示意图；
图4为本申请实施例中LSTM脱硝效率预测模型的预测脱硝效率和实际脱硝效率的示意图；
图5为本申请实施例中GRU脱硝效率预测模型的预测脱硝效率和实际脱硝效率的示意图；
图6为本申请实施例中RBF脱硝效率预测模型的预测脱硝效率和实际脱硝效率的示意图；
图7为本申请实施例中LSSVM脱硝效率预测模型的预测脱硝效率和实际脱硝效率的示意图；
图8为本申请实施例中一种脱硝效率预测方法的择优装置的结构示意图。
具体实施方式
本申请实施例提供了一种脱硝效率预测方法的择优方法、装置和设备，解决了现有对SCR脱硝系统的脱硝效率准确率不高的技术问题。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例第一方面提供了一种脱硝效率预测方法的择优方法的实施例。
请参阅图1，本申请实施例中一种脱硝效率预测方法的择优方法的第一实施例的流程示意图，包括：
步骤101、获取待分析SCR脱硝系统和若干脱硝效率预测模型。
可以理解的是，脱硝效率预测模型可以是多种结构的，可以本实施例中对此不做具体限定和赘述。待分析SCR脱硝系统可以是现场实际使用的系统，也可以是实验室中搭建的用于仿真分析等的系统。
获取脱硝效率预测模型的方式可以是多种，可以直接从各脱硝效率预测平台中获取其用于预测的脱硝效率预测模型，也可以根据分析需要自己构建对应的脱硝效率预测模型。
对于脱硝效率预测模型的构建可以是通过训练集中的输入参数对某个网络结构或某个识别模型进行训练，目标参数为脱硝效率，当该网络结构或该识别模型输出的脱硝效率满足精度要求时，便得到了脱硝效率预测模型。
步骤102、获取各脱硝效率预测模型在对待分析SCR脱硝系统进行脱硝效率预测时的输入参数。
脱硝效率预测模型一般都是SCR脱硝系统的系统参数(输入参数)和脱硝效率的映射关系模型，因此若要通过脱硝效率预测模型进行脱硝效率预测，首先要获取输入参数，才能获取输入参数对应的预测脱硝效率。
步骤103、将各输入参数输入至相应的脱硝效率预测模型，得到各脱硝效率预测模型输出的预测脱硝效率。
在得到脱硝效率预测模型、各脱硝效率预测模型对应的输入参数后，将各输入参数输入至对应的脱硝效率预测模型后，脱硝效率预测模型便输出预测脱硝效率。
步骤104、根据待分析SCR脱硝系统的实际脱硝效率和所有预测脱硝效率，从若干脱硝效率预测模型中确定目标脱硝效率预测模型。
通过对比待分析SCR脱硝系统的实际脱硝效率和预测脱硝效率，便可以从若干脱硝效率预测模型中确定目标脱硝效率预测模型，即选择了相对合适的脱硝效率预测模型。该目标脱硝效率预测模型对应的预测脱硝效率，准确率较高。
步骤105、将目标脱硝效率预测模型对应的脱硝效率预测方法作为待分析SCR脱硝系统的脱硝效率预测方法。
在确定目标脱硝效率预测模型后，将目标脱硝效率预测模型对应的脱硝效率预测方法作为待分析SCR脱硝系统的脱硝效率预测方法，从而实现脱硝效率的精确预测。
本实施例中，在获取到若干脱硝效率预测模型后，首先根据这些预测模型对待分析SCR脱硝系统进行脱硝效率预测，然后根据脱硝预测结果选择出目标脱硝效率预测模型，最后将该目标脱硝效率预测模型对应的脱硝效率预测方法作为待分析SCR脱硝系统的脱硝效率预测方法，解决了现有对SCR脱硝系统的脱硝效率准确率不高的技术问题。
以上为本申请实施例提供的一种脱硝效率预测方法的择优方法的第一实施例，以下为本申请实施例提供的一种脱硝效率预测方法的择优方法的第二实施例。
请参阅图2，本申请实施例中一种脱硝效率预测方法的择优方法的第二实施例的流程示意图，包括：
步骤201、获取待分析SCR脱硝系统和若干脱硝效率预测模型。
可以理解的是，本实施例中的脱硝效率预测模型包括：RNN脱硝效率预测模型、LSTM脱硝效率预测模型、GRU脱硝效率预测模型、RBF脱硝效率预测模型和LSSVM脱硝效率预测模型。
步骤202、获取各脱硝效率预测模型在对待分析SCR脱硝系统进行脱硝效率预测时的输入参数。
具体地，如下表1所示，本实施例中的输入参数包括：SCR入口烟气温度、SCR入口烟气含氧量、SCR入口NOx质量浓度、喷氨质量流量和锅炉负荷。其中，SCR入口烟气温度、SCR入口烟气含氧量、SCR入口NOx质量浓度、喷氨质量流量与待分析SCR脱硝系统对应；锅炉负荷和燃煤锅炉对应，该燃煤锅炉与待分析SCR脱硝系统对应。
表1
Figure BDA0002697382740000071
步骤203、将各输入参数输入至相应的脱硝效率预测模型，得到各脱硝效率预测模型输出的预测脱硝效率。
需要说明的是，步骤203与第一实施例中步骤103的描述相同，具体可以参见上述描述，在此不再赘述。
步骤204、计算各预测脱硝效率的预测误差。
可以理解的是，本实施例中的预测误差包括：空间复杂度、决定系数和平均绝对误差。
步骤205、计算各预测脱硝效率和待分析SCR脱硝系统的实际脱硝效率之间的差值。
本实施例中的差值包括：均方根误差。
步骤206、基于预设判断准则，结合所有预测误差和所有差值，从若干脱硝效率预测模型中确定目标脱硝效率预测模型。
本实施例中通过上述的步骤得到预测误差和差值后，便可根据预设判断准则，结合所有预测误差和所有差值，便可以从若干脱硝效率预测模型中确定出目标脱硝效率预测模型。
需要说明的是，不同的SCR脱硝系统可以制定不同的预设判断准则，可以根据实际应用情况和分析需求具体设置。例如，预设判断准则可以是上述的空间复杂度、决定系数、平均绝对误差、均方根误差均满足各自对应的精度要求，也可以是某个SCR脱硝系统比较注重平均绝对误差，则可以将平均绝对误差最小的脱硝效率预测模型作为目标脱硝效率预测模型。
可以理解的是，上述的预测误差还可以包括训练时间，若某个SCR脱硝系统比较训练时间，则对应的可以将训练时间最短的脱硝效率预测模型作为目标脱硝效率预测模型。
上述目标脱硝效率预测模型的确定方式仅仅是一种举例性的示意说明，本领域技术人员还可以根据上述的举例获取到其他的确定方式。
步骤207、将目标脱硝效率预测模型对应的脱硝效率预测方法作为待分析SCR脱硝系统的脱硝效率预测方法。
需要说明的是，步骤207与第一实施例中步骤105的描述相同，具体可以参见上述描述，在此不再赘述。
本实施例中，在获取到若干脱硝效率预测模型后，首先根据这些预测模型对待分析SCR脱硝系统进行脱硝效率预测，然后根据脱硝预测结果选择出目标脱硝效率预测模型，最后将该目标脱硝效率预测模型对应的脱硝效率预测方法作为待分析SCR脱硝系统的脱硝效率预测方法，解决了现有对SCR脱硝系统的脱硝效率准确率不高的技术问题。
以上为本申请实施例提供的一种脱硝效率预测方法的择优方法的第二实施例，以下为本申请实施例提供的一种脱硝效率预测方法的择优方法的对比例。
本对比例中，RNN脱硝效率预测模型对应的预测脱硝效率如图3所示，LSTM脱硝效率预测模型对应的预测脱硝效率如图4所示，GRU脱硝效率预测模型对应的预测脱硝效率如图5所示，RBF脱硝效率预测模型对应的预测脱硝效率如图6所示，LSSVM脱硝效率预测模型对应的预测脱硝效率如图7所示，各脱硝效率预测模型对应的预测误差、差值如下表2所示。
表2
Figure BDA0002697382740000091
由表2可以看出，传统机器学习模型LSSVM脱硝效率预测模型的预测结果最不理想，同时它的空间复杂度是最大的，RBF脱硝效率预测模型的总体性能比RNN脱硝效率预测模型、LSTM脱硝效率预测模型好一些，而GRU脱硝效率预测模型的性能表现是最优的，GRU脱硝效率预测模型的均方根误差RMSE为0.4667，平均绝对误差MAE为0.3227，决定系数R2为0.9892，均优于RBF脱硝效率预测模型、LSSVM脱硝效率预测模型、RNN脱硝效率预测模型以及LSTM脱硝效率预测模型，表明采用GRU模型具有更高的预测精度。
本申请第二方面提供了一种脱硝效率预测方法的择优装置。
请参阅图8，本申请实施例中一种脱硝效率预测方法的择优装置的结构示意图，包括：
第一获取单元801，用于获取待分析SCR脱硝系统和若干脱硝效率预测模型；
第二获取单元802，用于获取各脱硝效率预测模型在对待分析SCR脱硝系统进行脱硝效率预测时的输入参数；
参数输入单元803，用于将各输入参数输入至相应的脱硝效率预测模型，得到各脱硝效率预测模型输出的预测脱硝效率；
第一确定单元804，用于根据待分析SCR脱硝系统的实际脱硝效率和所有预测脱硝效率，从若干脱硝效率预测模型中确定目标脱硝效率预测模型；
第二确定单元805，用于将目标脱硝效率预测模型对应的脱硝效率预测方法作为待分析SCR脱硝系统的脱硝效率预测方法。
可选地，脱硝效率预测模型包括：RNN脱硝效率预测模型、LSTM脱硝效率预测模型、GRU脱硝效率预测模型、RBF脱硝效率预测模型和LSSVM脱硝效率预测模型。
可选地，输入参数包括：待分析SCR脱硝系统的第一运行参数和与待分析SCR脱硝系统对应的燃煤锅炉的第二运行参数；
第一运行参数包括：SCR入口烟气温度、SCR入口烟气含氧量、SCR入口NOx质量浓度和喷氨质量流量；
第二运行参数包括：锅炉负荷。
可选地，第一确定单元具体包括：
第一计算子单元，用于计算各预测脱硝效率的预测误差；
第二计算子单元，用于计算各预测脱硝效率和待分析SCR脱硝系统的实际脱硝效率之间的差值；
确定子单元，用于基于预设判断准则，结合所有预测误差和所有差值，从若干脱硝效率预测模型中确定目标脱硝效率预测模型。
本实施例中，在获取到若干脱硝效率预测模型后，首先根据这些预测模型对待分析SCR脱硝系统进行脱硝效率预测，然后根据脱硝预测结果选择出目标脱硝效率预测模型，最后将该目标脱硝效率预测模型对应的脱硝效率预测方法作为待分析SCR脱硝系统的脱硝效率预测方法，解决了现有对SCR脱硝系统的脱硝效率准确率不高的技术问题。
本申请第三方面提供了一种脱硝效率预测方法的择优设备，设备包括处理器以及存储器，存储器用于存储程序代码，并将程序代码传输给处理器，处理器用于根据程序代码中的指令执行如第一方面所描述的脱硝效率预测方法的择优方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个待安装电网网络，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，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单元中，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单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种脱硝效率预测方法的择优方法，其特征在于，包括：
获取待分析SCR脱硝系统和若干脱硝效率预测模型；
获取各所述脱硝效率预测模型在对所述待分析SCR脱硝系统进行脱硝效率预测时的输入参数；
将各所述输入参数输入至相应的所述脱硝效率预测模型，得到各所述脱硝效率预测模型输出的预测脱硝效率；
根据所述待分析SCR脱硝系统的实际脱硝效率和所有所述预测脱硝效率，从若干所述脱硝效率预测模型中确定目标脱硝效率预测模型；
将所述目标脱硝效率预测模型对应的脱硝效率预测方法作为所述待分析SCR脱硝系统的脱硝效率预测方法。
2.根据权利要求1所述的脱硝效率预测方法的择优方法，其特征在于，所述脱硝效率预测模型包括：RNN脱硝效率预测模型、LSTM脱硝效率预测模型、GRU脱硝效率预测模型、RBF脱硝效率预测模型和LSSVM脱硝效率预测模型。
3.根据权利要求1所述的脱硝效率预测方法的择优方法，其特征在于，所述输入参数包括：所述待分析SCR脱硝系统的第一运行参数和与所述待分析SCR脱硝系统对应的燃煤锅炉的第二运行参数；
所述第一运行参数包括：SCR入口烟气温度、SCR入口烟气含氧量、SCR入口NOx质量浓度和喷氨质量流量；
所述第二运行参数包括：锅炉负荷。
4.根据权利要求1所述的脱硝效率预测方法的择优方法，其特征在于，根据所述待分析SCR脱硝系统的实际脱硝效率和所有所述预测脱硝效率，从若干所述脱硝效率预测模型中确定目标脱硝效率预测模型，具体包括：
计算各所述预测脱硝效率的预测误差；
计算各所述预测脱硝效率和所述待分析SCR脱硝系统的实际脱硝效率之间的差值；
基于预设判断准则，结合所有所述预测误差和所有所述差值，从若干所述脱硝效率预测模型中确定目标脱硝效率预测模型。
5.根据权利要求4所述的脱硝效率预测方法的择优方法，其特征在于，所述预测误差包括：空间复杂度、决定系数和平均绝对误差；
所述差值包括：均方根误差。
6.一种脱硝效率预测方法的择优装置，其特征在于，包括：
第一获取单元，用于获取待分析SCR脱硝系统和若干脱硝效率预测模型；
第二获取单元，用于获取各所述脱硝效率预测模型在对所述待分析SCR脱硝系统进行脱硝效率预测时的输入参数；
参数输入单元，用于将各所述输入参数输入至相应的所述脱硝效率预测模型，得到各所述脱硝效率预测模型输出的预测脱硝效率；
第一确定单元，用于根据所述待分析SCR脱硝系统的实际脱硝效率和所有所述预测脱硝效率，从若干所述脱硝效率预测模型中确定目标脱硝效率预测模型；
第二确定单元，用于将所述目标脱硝效率预测模型对应的脱硝效率预测方法作为所述待分析SCR脱硝系统的脱硝效率预测方法。
7.根据权利要求6所述的脱硝效率预测方法的择优装置，其特征在于，所述脱硝效率预测模型包括：RNN脱硝效率预测模型、LSTM脱硝效率预测模型、GRU脱硝效率预测模型、RBF脱硝效率预测模型和LSSVM脱硝效率预测模型。
8.根据权利要求6所述的脱硝效率预测方法的择优装置，其特征在于，所述输入参数包括：所述待分析SCR脱硝系统的第一运行参数和与所述待分析SCR脱硝系统对应的燃煤锅炉的第二运行参数；
所述第一运行参数包括：SCR入口烟气温度、SCR入口烟气含氧量、SCR入口NOx质量浓度和喷氨质量流量；
所述第二运行参数包括：锅炉负荷。
9.根据权利要求6所述的脱硝效率预测方法的择优装置，其特征在于，所述第一确定单元具体包括：
第一计算子单元，用于计算各所述预测脱硝效率的预测误差；
第二计算子单元，用于计算各所述预测脱硝效率和所述待分析SCR脱硝系统的实际脱硝效率之间的差值；
确定子单元，用于基于预设判断准则，结合所有所述预测误差和所有所述差值，从若干所述脱硝效率预测模型中确定目标脱硝效率预测模型。
10.一种脱硝效率预测方法的择优设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1至5中任一项所述的脱硝效率预测方法的择优方法。
CN202011010372.4A 2020-09-23 2020-09-23 一种脱硝效率预测方法的择优方法、装置和设备 Pending CN112131791A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011010372.4A CN112131791A (zh) 2020-09-23 2020-09-23 一种脱硝效率预测方法的择优方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011010372.4A CN112131791A (zh) 2020-09-23 2020-09-23 一种脱硝效率预测方法的择优方法、装置和设备

Publications (1)

Publication Number Publication Date
CN112131791A true CN112131791A (zh) 2020-12-25

Family

ID=73841281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011010372.4A Pending CN112131791A (zh) 2020-09-23 2020-09-23 一种脱硝效率预测方法的择优方法、装置和设备

Country Status (1)

Country Link
CN (1) CN112131791A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104190254A (zh) * 2014-09-09 2014-12-10 国家电网公司 一种优化scr喷氨的方法
CN105629738A (zh) * 2016-03-24 2016-06-01 内蒙古瑞特优化科技股份有限公司 Scr烟气脱硝系统控制方法及设备
CN109165789A (zh) * 2018-09-04 2019-01-08 广东电网有限责任公司 基于LSTM的锅炉NOx排放量预测模型的建模方法及装置
CN111589301A (zh) * 2020-05-29 2020-08-28 广东电科院能源技术有限责任公司 燃煤电厂scr脱硝性能预测方法、装置、设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104190254A (zh) * 2014-09-09 2014-12-10 国家电网公司 一种优化scr喷氨的方法
CN105629738A (zh) * 2016-03-24 2016-06-01 内蒙古瑞特优化科技股份有限公司 Scr烟气脱硝系统控制方法及设备
CN109165789A (zh) * 2018-09-04 2019-01-08 广东电网有限责任公司 基于LSTM的锅炉NOx排放量预测模型的建模方法及装置
CN111589301A (zh) * 2020-05-29 2020-08-28 广东电科院能源技术有限责任公司 燃煤电厂scr脱硝性能预测方法、装置、设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
严干贵 等: "风电场风功率实时预测效果综合评价方法", 《电网与清洁能源》 *

Similar Documents

Publication Publication Date Title
CN108985381B (zh) 氮氧化物排放量预测模型的确定方法、装置及设备
CN111589302A (zh) 燃煤电厂scr脱硝性能预测方法、装置、设备和存储介质
WO2005106690A1 (ja) Ｉｔシステムの設計支援システムおよび設計支援方法
CN111589301A (zh) 燃煤电厂scr脱硝性能预测方法、装置、设备和存储介质
CN112163335A (zh) 一种NOx浓度预测模型的训练方法、预测方法和装置
CN107135230B (zh) 一种基于infigarch模型的网络流量异常检测方法及设备
Rafiei et al. Integration of design and control for industrial-scale applications under uncertainty: A trust region approach
CN108288111B (zh) 基于关联规则的火电厂排烟温度基准值确定方法及装置
CN112836435A (zh) 粗网格数值模拟结果修正方法、装置及电子设备
CN113592163A (zh) Scr脱硝反应器入口氮氧化物浓度预测方法及设备
WO2013167908A1 (en) Method of operating a server apparatus for delivering website content, server apparatus and device in communication with server apparatus
CN112131791A (zh) 一种脱硝效率预测方法的择优方法、装置和设备
CN116388864B (zh) 量子网络设备性能预测方法、装置、电子设备及存储介质
CN116128136A (zh) 一种基于LSO-CatBoost的燃煤电厂锅炉NOX排放预测方法
CN114444295A (zh) 一种基于组合时序预测的NOx废气浓度预测方法
CN112844016B (zh) 一种两级串塔式烟气湿法脱硫装置流场优化方法
CN111554077B (zh) 一种空预器的堵塞预警方法、系统、设备和存储介质
CN116933121A (zh) 数据异常检测方法及装置
CN111124844A (zh) 检测作业系统的异常操作的异常检测的方法及装置
CN105068931B (zh) 一种分析dsp软件系统的单粒子软错误可靠性计算方法
CN114841664A (zh) 一种多任务处理顺序确定方法及装置
CN114929366A (zh) 预测装置、成套设备、预测方法、程序以及配置程序
EP4248339A1 (en) Method and system for accelerating the convergence of an iterative computation code of physical parameters of a multi-parameter system
CN112329108A (zh) 一种地铁车站优化抗浮验算方法及系统
CN116832614B (zh) 一种scr脱硝系统喷氨量控制方法及系统

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
CB02 Change of applicant information

Address after: Room 501-503, annex building, Huaye building, No.1-3 Chuimao new street, Xihua Road, Yuexiu District, Guangzhou City, Guangdong Province 510000

Applicant after: China Southern Power Grid Power Technology Co.,Ltd.

Address before: Room 501-503, annex building, Huaye building, No.1-3 Chuimao new street, Xihua Road, Yuexiu District, Guangzhou City, Guangdong Province 510000

Applicant before: GUANGDONG DIANKEYUAN ENERGY TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20201225

RJ01 Rejection of invention patent application after publication