CN112231978B - 一种基于人工神经网络的锅炉烟气酸露点测试方法 - Google Patents

一种基于人工神经网络的锅炉烟气酸露点测试方法 Download PDF

Info

Publication number
CN112231978B
CN112231978B CN202011105190.5A CN202011105190A CN112231978B CN 112231978 B CN112231978 B CN 112231978B CN 202011105190 A CN202011105190 A CN 202011105190A CN 112231978 B CN112231978 B CN 112231978B
Authority
CN
China
Prior art keywords
flue gas
neural network
dew point
acid dew
boiler
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.)
Active
Application number
CN202011105190.5A
Other languages
English (en)
Other versions
CN112231978A (zh
Inventor
毕成
杨旭
鲁元
贠柯
刘金娥
丁勇
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.)
Xian Special Equipment Inspection and Testing Institute
Original Assignee
Xian Special Equipment Inspection and Testing Institute
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 Xian Special Equipment Inspection and Testing Institute filed Critical Xian Special Equipment Inspection and Testing Institute
Priority to CN202011105190.5A priority Critical patent/CN112231978B/zh
Publication of CN112231978A publication Critical patent/CN112231978A/zh
Application granted granted Critical
Publication of CN112231978B publication Critical patent/CN112231978B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N25/00—Investigating or analyzing materials by the use of thermal means
    • G01N25/56—Investigating or analyzing materials by the use of thermal means by investigating moisture content
    • G01N25/66—Investigating or analyzing materials by the use of thermal means by investigating moisture content by investigating dew-point
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Regulation And Control Of Combustion (AREA)

Abstract

本发明公开了一种基于人工神经网络的锅炉烟气酸露点测试方法，包括步骤一、根据已知数据选择输入参数，以确定神经网络的输入层节点数，再根据测试需求确定神经网络输出层的期望输出节点数；二、结合锅炉烟气酸露点实验和计算值，建立神经网络的训练数据集；三、对神经网络进行训练和测试，并根据测试精度要求对神经网络进行优化改进；四、通过优化改进后的神经网络获得烟气酸露点及其他期望获得的参数；五、更新和丰富神经网络的训练数据集，用于后续工况的测试。本发明方法步骤简单，实现方便，测试成本低，能够有效应用在锅炉烟气酸露点测试中，功能丰富，效率和精度高，效果显著，便于推广。

Description

一种基于人工神经网络的锅炉烟气酸露点测试方法
技术领域
本发明属于锅炉安全节能技术领域，具体涉及一种基于人工神经网络的锅炉烟气酸露点测试方法。
背景技术
实现锅炉烟气余热回收的方法主要是在锅炉尾部烟道处安装烟气余热回收装置。但是，对于燃煤锅炉、燃油锅炉、垃圾焚烧炉等，其燃料含硫量普遍偏高，其燃烧产物多含硫酸蒸汽，当节能装置受热面温度低于烟气酸露点时，硫酸蒸汽将在受热表面凝结成酸液，进而造成金属腐蚀，也称为低温腐蚀，给锅炉运行带来较大的安全隐患。为避免锅炉烟气低温腐蚀发生，锅炉运行中通常选取较高的排烟温度，使烟气加热的节能装置壁温远高于酸露点的预期值，尽管确保了设备不被腐蚀，但又造成排烟温度过高，形成较大的烟气余热浪费。因此，在确保锅炉运行安全的条件下，要实现对锅炉的烟气余热回收，有必要获得一种能够准确测量烟气酸露点及其范围的测试方法，合理设计节能装置，实现降低锅炉排烟温度和高效节能的目的。
对授权专利号为CN206930612U和CN107037082B的专利中公开的锅炉烟气酸露点测量装置，相比于锅炉烟气成分测试，其测试过程相对复杂，且需要测量的参数偏多，使得测试的成本偏高，此外，测试装置的维护和保养也会在一定程度上增加成本。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于人工神经网络的锅炉烟气酸露点测试方法，其方法步骤简单，实现方便，测试成本低，能够有效应用在锅炉烟气酸露点测试中，功能丰富，效率和精度高，效果显著，便于推广。
为解决上述技术问题，本发明采用的技术方案是：一种基于人工神经网络的锅炉烟气酸露点测试方法，包括以下步骤：
步骤一、根据已知数据选择输入参数，以确定神经网络的输入层节点数，再根据测试需求确定神经网络输出层的期望输出节点数；
步骤二、结合锅炉烟气酸露点实验和计算值，建立神经网络的训练数据集；
步骤三、对神经网络进行训练和测试，并根据测试精度要求对神经网络进行优化改进；
步骤四、通过优化改进后的神经网络获得烟气酸露点及其他期望获得的参数；
步骤五、更新和丰富神经网络的训练数据集，用于后续工况的测试。
上述的一种基于人工神经网络的锅炉烟气酸露点测试方法，步骤一中所述已知数据包括已知条件和能够通过测试得到的数据，具体包括燃料类别、燃料低位发热量、燃料硫分含量、燃料灰分含量、烟气二氧化硫含量、烟气水蒸气含量、烟气二氧化硫含量变化率和烟气氧气含量，以及由烟气分析仪能够测得的参数和由锅炉燃料化验报告能够直接获得的数据，所述烟气二氧化硫含量和烟气水蒸气含量为神经网络的必要输入参数，所述燃料类别、燃料低位发热量、燃料硫分含量、燃料灰分含量、烟气二氧化硫含量变化率和烟气氧气含量，以及由烟气分析仪能够测得的参数和由锅炉燃料化验报告能够直接获得的数据均为神经网络的可选输入参数。
上述的一种基于人工神经网络的锅炉烟气酸露点测试方法，步骤一中所述神经网络输出层的期望输出节点数为期望通过神经网络获得的输出参数数量，所述输出参数包括烟气酸露点、烟气酸露点变化范围的上限值、烟气酸露点变化范围的下限值、烟气中二氧化硫与三氧化硫气体之间的转化率和烟气酸露点变化率，所述烟气酸露点为神经网络的必要输出参数，所述烟气酸露点变化范围的上限值、烟气酸露点变化范围的下限值、烟气中二氧化硫与三氧化硫气体之间的转化率和烟气酸露点变化率均为神经网络的可选输出参数。
上述的一种基于人工神经网络的锅炉烟气酸露点测试方法，步骤二中所述神经网络的训练数据集的数据格式为：
{输入层：[烟气二氧化硫含量，烟气水蒸气含量，可选输入参数]，
输出层：[烟气酸露点，可选输出参数]}，
且输入层的数据采用均值方差归一化处理，输出层的数据采用最值归一化处理。
上述的一种基于人工神经网络的锅炉烟气酸露点测试方法，所述输入层和输出层由已完成烟气酸露点测试的试验数据和理论计算值组成，且对于1个输出层节点，训练数据≥300组，对于5个输出层节点，训练数据≥1500组，对于2到4个输出层节点，其训练数据最小数量按照300和 1500插值确定。
上述的一种基于人工神经网络的锅炉烟气酸露点测试方法，步骤三中所述对神经网络进行训练和测试，训练数据集的70％～80％数据用于训练神经网络，20％～30％的数据用于测试神经网络。
上述的一种基于人工神经网络的锅炉烟气酸露点测试方法，步骤三中所述测试精度为预测值和目标值的偏差在±10％以内。
上述的一种基于人工神经网络的锅炉烟气酸露点测试方法，步骤三中所述对神经网络进行优化改进包括激活函数调整、网络结构调整、最佳迭代数和学习速率优化，所述激活函数调整通过调整Sigmoid、Tanh和ReLU 三种激活函数及其组合模式对神经网络进行优化改进，所述网络结构调整通过自适应改变隐藏层节点和隐藏层数对网络进行优化，默认隐藏层为一层，同时支持双层隐藏层的多层神经网络，所述最佳迭代数和学习速率优化用于优化神经网络的计算速率。
上述的一种基于人工神经网络的锅炉烟气酸露点测试方法，步骤四中所述通过优化改进后的神经网络获得烟气酸露点及其他期望获得的参数的具体过程包括：按输入层：[烟气二氧化硫含量，烟气水蒸气含量，可选输入参数]的数据格式将输入参数输入到优化改进后的神经网络中，将输出层得到的预测值通过最值归一化逆向还原成最终的测试结果。
上述的一种基于人工神经网络的锅炉烟气酸露点测试方法，步骤五中所述更新和丰富神经网络的训练数据集的具体过程包括：将步骤四中所述输入参数和测试结果合并到神经网络的训练数据集中，完成训练数据集的更新。
本发明与现有技术相比具有以下优点：
1、本发明方法步骤简单，实现方便。
2、本发明将机器学习中的人工神经网络模型引入到锅炉烟气酸露点测试中，在训练数据集丰富的前提下，能够获得高精度的测试结果，训练数据集可由实验数据、理论/经验公式计算，文献发表数据、锅炉运行日志、锅炉热力计算报告等组成，数据来源可靠且获取和存储容易。
3、本发明测试成本低，只需采用烟气分析仪测试或锅炉监测系统获得锅炉烟气成分中的二氧化硫和水蒸气含量，即可建立简单的神经网络获得测试结果；此外，烟气数据获得和酸露点网络预测可以分开进行，也可实时进行，测试过程灵活性高。
4、本发明的神经网络不仅能够测试烟气酸露点，还能够测试酸露点的变化范围及二氧化硫三氧化硫转化率等参数，实现少量参数获取多参数预测的功能；同时，神经网络具有自适应网络优化改进的功能，能够获取最佳计算速率和输出精度。
5、本发明神经网络的训练数据集随着测试次数增加逐渐更新丰富，能够显著提高后续测试的效率和精度。
6、本发明能够有效应用在锅炉烟气酸露点测试中，效果显著，便于推广。
综上所述，本发明方法步骤简单，实现方便，测试成本低，能够有效应用在锅炉烟气酸露点测试中，功能丰富，效率和精度高，效果显著，便于推广。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程图；
图2为本发明实施例1搭建的神经网络示意图；
图3为本发明实施例1神经网络测试结果；
图4为本发明实施例2搭建的神经网络示意图；
图5为本发明实施例2神经网络优化改进的对比图；
图6为本发明实施例2神经网络测试结果与理论计算值的对比图。
具体实施方式
如图1所示，本发明的基于人工神经网络的锅炉烟气酸露点测试方法，包括以下步骤：
步骤一、根据已知数据选择输入参数，以确定神经网络的输入层节点数，再根据测试需求确定神经网络输出层的期望输出节点数；
步骤二、结合锅炉烟气酸露点实验和计算值，建立神经网络的训练数据集；
步骤三、对神经网络进行训练和测试，并根据测试精度要求对神经网络进行优化改进；
步骤四、通过优化改进后的神经网络获得烟气酸露点及其他期望获得的参数；
步骤五、更新和丰富神经网络的训练数据集，用于后续工况的测试。
实施例1
本实施例中，通过烟气分析仪测出锅炉烟气中的烟气二氧化硫含量和烟气水蒸气含量，本实施例仅测试烟气酸露点一个参数，不考虑其他已知数据，神经网络的输入层、输出层节点数分别为2和1。
本实施例中，神经网络的训练数据集的数据格式为：
{输入层：
Figure BDA0002726723240000061
输出层：[Tsld]}
在输入到神经网络之前，烟气二氧化硫含量和烟气水蒸气含量数值采用均值方差归一化处理，烟气酸露点数值采用最值归一化处理。
本实施例中，在已有的烟气酸露点实验数据、理论/经验公式计算数据、文献数据中提取300组数据，即烟气酸露点和与之对应的烟气二氧化硫含量和烟气水蒸气含量。
本实施例中，将隐藏层节点设为4，即输入层节点数的2倍，形成如图2所示的神经网络结构，训练数据集中210组数据用于训练，学习率选择0.1，初步设定迭代次数5次，210组数据遍历一次视为一个迭代，共遍历5次，剩余90组数据用于测试神经网络，每组数据的目标值与输出值误差不超过10％视为正确输出。
本实施例中，神经网络的激活函数选择Sigmoid函数，
Figure BDA0002726723240000062
其中，xi为输入参数，yj为输出参数，ωji为权系数，bj为偏差项。
具体实施时，通过运行神经网络程序，基本能够满足测试精度要求，因此网络判定不再做进一步的优化，该神经网络的测试结果如图3所示，本实施例建立的神经网络的权系数和偏差项为：
Figure BDA0002726723240000063
Figure BDA0002726723240000064
本实施例中，将烟气二氧化硫含量和烟气水蒸气含量数值进行格式化，输入到图2所示的神经网络中，获得神经网络的输出层预测值，将输出层得到的预测值通过最值归一化逆向还原成最终的测试结果，获得烟气酸露点值。
具体实施时，当锅炉中烟气二氧化硫含量
Figure BDA0002726723240000071
和烟气水蒸气含量
Figure BDA0002726723240000072
得到烟气酸露点值Tsld＝102.3℃。
本实施例中，将数据{输入层：[65，8]，输出层：[102.3]}合并到神经网络的训练数据集中，用于丰富后续相同输入、输出节点数神经网络的训练数据集。
实施例2
本实施例中，以型号为HG-1100/25.4-YM1的电站锅炉作为测试对象，相比工业锅炉及供热锅炉，电站锅炉的已知数据较为齐全，选择省煤器进口处烟气二氧化硫含量、烟气水蒸气含量、烟气氧气含量、燃料低位发热量、燃料灰分含量和燃料硫分含量作为输入参数，期望测试出烟气酸露点、烟气酸露点变化范围的上限值、烟气酸露点变化范围的下限值和烟气中二氧化硫与三氧化硫气体之间的转化率，确定神经网络的输入层节点和输出层节点分别为6和4，搭建的神经网络雏形如图4所示。
本实施例中，神经网络的训练数据集的数据格式为：
{输入层：[VSO2，VH2O，Qnet，Aar，Sar，VO2]，
输出层：[Tsld，TsldUpper，TsldLower，KSO2→SO3]}
在输入到神经网络之前，输入层的数据采用均值方差归一化处理，输入层的数据采用最值归一化处理。
本实施例中，在已有烟气酸露点实验数据、理论/经验公式计算数据、文献数据、电站锅炉的运行日志、锅炉热力计算书中提取相关数据1200 组，且900组数据用于训练神经网络，300组数据用于测试神经网络。
本实施例中，初步设定隐藏层节点数为6，学习率为0.2，迭代次数5 次开始训练神经网络，选择Sigmoid激活函数。由于本实施例中的网络结构相对实施例1的网络较为复杂，因此初步设定的网络并不能产生较高的准确率，此时，神经网络将开启优化功能，分别对学习率、迭代次数和隐藏层节点数进行调整，直到选择出满足精度且计算速率较快的神经网络，作为优化改进后的神经网络，图5反应了本实施例神经网络优化过程中的各参数和准确率的关系，为将神经网络参数优化统一显示，横坐标已做归一化处理。从图5可以看出，学习率为0.1～0.2，隐藏层节点数为30个，迭代次数为6时，神经网络的输出可以达到92％的准确率，预测值和目标值的偏差在±10％以内，满足测试精度。
本实施例中，将输入参数按输入层：[VSO2，VH2O，Qnet，Aar，Sar，VO2] 的数据格式输入到优化改进后的神经网络中，将输出层得到的预测值通过最值归一化逆向还原成最终的测试结果。
具体实施时，得到最终的测试结果如图6所示，为便于比较，图6中也给出了实验值、理论计算值，其中横坐标代表计算公式的序号：1—苏联热力标准公式，2—Hasas公式，3—BapaHoBa公式，4—Okkes公式， 5—Verhoff公式，6—日本电力公式，7—幂指数公式A，8—幂指数公式B， 9—Muller曲线，10—Halstead曲线，从图6可以看出，本实施例中的测试结果，具有较高的精度。
本实施例中，与实施例1相同，将输入层和输出层数据合并到神经网络的训练数据集中，用于丰富后续相同输入、输出节点数神经网络的训练数据集。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (7)

1.一种基于人工神经网络的锅炉烟气酸露点测试方法，其特征在于，包括以下步骤：
步骤一、根据已知数据选择输入参数，以确定神经网络的输入层节点数，再根据测试需求确定神经网络输出层的期望输出节点数；
所述已知数据包括已知条件和能够通过测试得到的数据，具体包括燃料类别、燃料低位发热量、燃料硫分含量、燃料灰分含量、烟气二氧化硫含量、烟气水蒸气含量、烟气二氧化硫含量变化率和烟气氧气含量，以及由烟气分析仪能够测得的参数和由锅炉燃料化验报告能够直接获得的数据，所述烟气二氧化硫含量和烟气水蒸气含量为神经网络的必要输入参数，所述燃料类别、燃料低位发热量、燃料硫分含量、燃料灰分含量、烟气二氧化硫含量变化率和烟气氧气含量，以及由烟气分析仪能够测得的参数和由锅炉燃料化验报告能够直接获得的数据均为神经网络的可选输入参数；
所述神经网络输出层的期望输出节点数为期望通过神经网络获得的输出参数数量，所述输出参数包括烟气酸露点、烟气酸露点变化范围的上限值、烟气酸露点变化范围的下限值、烟气中二氧化硫与三氧化硫气体之间的转化率和烟气酸露点变化率，所述烟气酸露点为神经网络的必要输出参数，所述烟气酸露点变化范围的上限值、烟气酸露点变化范围的下限值、烟气中二氧化硫与三氧化硫气体之间的转化率和烟气酸露点变化率均为神经网络的可选输出参数；
步骤二、结合锅炉烟气酸露点实验和计算值，建立神经网络的训练数据集；
步骤三、对神经网络进行训练和测试，并根据测试精度要求对神经网络进行优化改进；
所述对神经网络进行优化改进包括激活函数调整、网络结构调整、最佳迭代数和学习速率优化，所述激活函数调整通过调整Sigmoid、Tanh和ReLU三种激活函数及其组合模式对神经网络进行优化改进，所述网络结构调整通过自适应改变隐藏层节点和隐藏层数对网络进行优化，默认隐藏层为一层，同时支持双层隐藏层的多层神经网络，所述最佳迭代数和学习速率优化用于优化神经网络的计算速率；
步骤四、通过优化改进后的神经网络获得烟气酸露点及其他期望获得的参数；
步骤五、更新和丰富神经网络的训练数据集，用于后续工况的测试。
2.按照权利要求1所述的一种基于人工神经网络的锅炉烟气酸露点测试方法，其特征在于：步骤二中所述神经网络的训练数据集的数据格式为：
{输入层：[烟气二氧化硫含量，烟气水蒸气含量，可选输入参数]，
输出层：[烟气酸露点，可选输出参数]}，
且输入层的数据采用均值方差归一化处理，输出层的数据采用最值归一化处理。
3.按照权利要求2所述的一种基于人工神经网络的锅炉烟气酸露点测试方法，其特征在于：所述输入层和输出层由已完成烟气酸露点测试的试验数据和理论计算值组成，且对于1个输出层节点，训练数据≥300组，对于5个输出层节点，训练数据≥1500组，对于2到4个输出层节点，其训练数据最小数量按照300和1500插值确定。
4.按照权利要求1所述的一种基于人工神经网络的锅炉烟气酸露点测试方法，其特征在于：步骤三中所述对神经网络进行训练和测试，训练数据集的70％～80％数据用于训练神经网络，20％～30％的数据用于测试神经网络。
5.按照权利要求1所述的一种基于人工神经网络的锅炉烟气酸露点测试方法，其特征在于：步骤三中所述测试精度为预测值和目标值的偏差在±10％以内。
6.按照权利要求2所述的一种基于人工神经网络的锅炉烟气酸露点测试方法，其特征在于，步骤四中所述通过优化改进后的神经网络获得烟气酸露点及其他期望获得的参数的具体过程包括：按输入层：[烟气二氧化硫含量，烟气水蒸气含量，可选输入参数]的数据格式将输入参数输入到优化改进后的神经网络中，将输出层得到的预测值通过最值归一化逆向还原成最终的测试结果。
7.按照权利要求6所述的一种基于人工神经网络的锅炉烟气酸露点测试方法，其特征在于，步骤五中所述更新和丰富神经网络的训练数据集的具体过程包括：将步骤四中所述输入参数和测试结果合并到神经网络的训练数据集中，完成训练数据集的更新。
CN202011105190.5A 2020-10-15 2020-10-15 一种基于人工神经网络的锅炉烟气酸露点测试方法 Active CN112231978B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011105190.5A CN112231978B (zh) 2020-10-15 2020-10-15 一种基于人工神经网络的锅炉烟气酸露点测试方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011105190.5A CN112231978B (zh) 2020-10-15 2020-10-15 一种基于人工神经网络的锅炉烟气酸露点测试方法

Publications (2)

Publication Number Publication Date
CN112231978A CN112231978A (zh) 2021-01-15
CN112231978B true CN112231978B (zh) 2022-01-28

Family

ID=74118345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011105190.5A Active CN112231978B (zh) 2020-10-15 2020-10-15 一种基于人工神经网络的锅炉烟气酸露点测试方法

Country Status (1)

Country Link
CN (1) CN112231978B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113533622A (zh) * 2021-07-19 2021-10-22 华能国际电力股份有限公司上海石洞口第二电厂 一种基于神经网络的磨煤机煤质预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107883392A (zh) * 2017-10-27 2018-04-06 北京中电联节能技术有限公司 适于烟气余热回收装置的前馈神经网络控制方法和系统
CN109034388A (zh) * 2018-07-27 2018-12-18 湖北中烟工业有限责任公司 一种基于遗传算法优化神经网络的卷烟材料与主流烟气成分的预测模型
CN110390420A (zh) * 2019-06-06 2019-10-29 广州特种承压设备检测研究院 基于粒子群优化人工神经网络的过热器结渣预测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160158701A1 (en) * 2013-01-14 2016-06-09 Babcock & Wilcox Power Generation Group, Inc. Controlling aqcs parameters in a combustion process
US9919266B2 (en) * 2016-01-14 2018-03-20 Fluor Technologies Corporation Systems and methods for treatment of flue gas

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107883392A (zh) * 2017-10-27 2018-04-06 北京中电联节能技术有限公司 适于烟气余热回收装置的前馈神经网络控制方法和系统
CN109034388A (zh) * 2018-07-27 2018-12-18 湖北中烟工业有限责任公司 一种基于遗传算法优化神经网络的卷烟材料与主流烟气成分的预测模型
CN110390420A (zh) * 2019-06-06 2019-10-29 广州特种承压设备检测研究院 基于粒子群优化人工神经网络的过热器结渣预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A multi-layer feed forward neural network model for accurate prediction of flue gas sulfuric acid dew points in process industries;Bahman ZareNezhad等;《Applied Thermal Engineering》;20100531;第30卷(第6-7期);第692-696页的摘要和第2-4节 *
Accurate prediction of the dew points of acidic combustion gases by using an artificial neural network model;Bahman ZareNezhad等;《Energy Conversion and Management》;20110228;第52卷(第2期);911-916 *

Also Published As

Publication number Publication date
CN112231978A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
CN104826492B (zh) 一种选择性催化还原法烟气脱硝喷氨控制系统的改进方法
CN103576655B (zh) 一种电站锅炉燃烧子空间建模及多目标优化方法和系统
CN109583585B (zh) 一种电站锅炉壁温预测神经网络模型的构建方法
CN109420424A (zh) 一种石灰石-石膏湿法烟气脱硫系统节能优化方法
CN106681381A (zh) 一种基于智能前馈信号的scr脱硝系统喷氨量优化控制系统及方法
CN111897373B (zh) 一种基于模型预测的scr脱硝装置喷氨流量调节方法
CN104504292A (zh) 基于bp神经网络预测循环流化床锅炉最佳工作温度的方法
CN111695249B (zh) 一种燃气锅炉热效率的预测方法
CN110597070B (zh) 火电机组系统模型参数的辨识方法
CN104715142A (zh) 一种电站锅炉NOx排放动态软测量方法
CN112016754A (zh) 基于神经网络的电站锅炉排烟温度超前预测系统及方法
CN112231978B (zh) 一种基于人工神经网络的锅炉烟气酸露点测试方法
CN112742187A (zh) 一种脱硫系统中pH值的控制方法及装置
CN111401652A (zh) 一种基于co在线检测的锅炉优化方法及系统
CN106765520B (zh) 一种实现供热机组最优初压运行的自动控制方法
CN107269408A (zh) 柴油机优化燃烧控制器及对仿真模型控制方法
CN113488111B (zh) 一种scr脱硝系统喷氨量优化建模方法
CN114427688A (zh) 一种基于气温对锅炉运行影响构造的闭环燃烧优化控制方法
CN116085823A (zh) 锅炉燃烧控制方法及系统
CN111428906B (zh) 一种基于图像变换的工业锅炉蒸汽量预测方法
Liangyu et al. ANN-based soft sensing of oxygen content in boiler air-flue gas system
CN113094992A (zh) 基于神经网络判别的脱硫塔优化方法
CN112415148A (zh) 一种基于在线学习的湿法脱硫系统CaSO3软测量方法
CN110705881A (zh) 一种基于人工神经网络的锅炉效率在线计算方法及系统
Sun et al. Modeling method of boiler combustion system based on empirical mode decomposition

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