CN112700033B - 基于燃烧时序模型的瓦斯热值预估方法及装置 - Google Patents
基于燃烧时序模型的瓦斯热值预估方法及装置 Download PDFInfo
- Publication number
- CN112700033B CN112700033B CN202011485160.1A CN202011485160A CN112700033B CN 112700033 B CN112700033 B CN 112700033B CN 202011485160 A CN202011485160 A CN 202011485160A CN 112700033 B CN112700033 B CN 112700033B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- value
- operation data
- gas heat
- heat value
- 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
Links
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000010438 heat treatment Methods 0.000 claims abstract description 64
- 238000012937 correction Methods 0.000 claims abstract description 31
- 230000000737 periodic effect Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 239000007789 gas Substances 0.000 claims description 142
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 9
- 239000001301 oxygen Substances 0.000 claims description 9
- 229910052760 oxygen Inorganic materials 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Regulation And Control Of Combustion (AREA)
Abstract
本发明提出了一种基于燃烧时序模型的瓦斯热值预估方法及装置，包括：基于预设采样周期获取加热炉的历史运行数据和历史瓦斯热值；根据历史运行数据和历史瓦斯热值训练加热炉的燃烧时序模型；获取加热炉在预设时段内的实时运行数据，将实时运行数据输入燃烧时序模型，对燃烧时序模型输出的时序结果进行迭加计算；基于预设权重对迭加结果进行周期性校正，将周期性校正后的输出结果作为瓦斯热值的预估值。根据线性迭加原理将加热炉运行数据与瓦斯热值的非线性关系分解为若干个线性关系，实现瓦斯热值的预估，克服了依靠热值分析仪监测瓦斯热值的限制，无需对工厂系统设备进行改造，能够更广泛的应用于不同的加热炉系统。
Description
技术领域
本发明属于瓦斯热值预估领域，尤其涉及基于燃烧时序模型的瓦斯热值预估方法及装置。
背景技术
瓦斯热值是指一定体积的瓦斯燃烧时所能放出的热量，在理想状态下，瓦斯热值与瓦斯投入量、炉膛温度、氧含量等参数成线性关系，但在实际工厂的应用场景下，瓦斯管路管网一般都比较庞大，容易受到环境因素的影响，并i且瓦斯用户很多，同时有很多各个装置并入瓦斯管路管网，因此瓦斯管网中瓦斯热值时时刻刻都处于波动状态，对后续瓦斯用户设备造成不定期、无规律的冲击，因此需要监测瓦斯热值的波动情况以便及时做出相应的调整。
瓦斯热值的传统监测方法是在特定位置配置热值分析仪，以实现瓦斯热值实时监测，但配置热值分析仪的投入与维护成本较高，并且一旦工厂系统设备有变动，需要重新进行改造，适用范围较窄。
发明内容
为了解决现有技术中存在的缺点和不足，本发明提出了一种基于燃烧时序模型的瓦斯热值预估方法，包括：
基于预设采样周期获取加热炉的历史运行数据和历史瓦斯热值；
根据历史运行数据和历史瓦斯热值训练加热炉的燃烧时序模型；
获取加热炉在预设时段内的实时运行数据，将实时运行数据输入燃烧时序模型，对燃烧时序模型输出的时序结果进行迭加计算；
基于预设权重对迭加结果进行周期性校正，将周期性校正后的输出结果作为瓦斯热值的预估值。
可选的，所述历史运行数据包括瓦斯投入量、炉膛温度、氧含量以及加热炉的设备参数。
可选的，所述根据历史运行数据和历史瓦斯热值训练加热炉的燃烧时序模型，包括：
获取在时序j下采集到的历史运行数据和历史瓦斯热值，基于公式一对时序j下的燃烧时序模型
进行训练；
其中，ym(k)为时序k下的燃烧时序模型的输出结果，u(k-j)为时序k-j下采集到的历史运行数据；ym(k)、u(k-j)的取值范围为正数，j的取值范围为正整数；
当ym(k)与时序k下采集到的历史瓦斯热值之间的差值小于预设阈值时，将
作为训练后的燃烧时序模型。
可选的，所述获取加热炉在预设时段内的实时运行数据，将实时运行数据输入燃烧时序模型，对燃烧时序模型输出的时序结果进行迭加计算，包括：
获取加热炉在k+i-N时刻至k+i时刻之间的实时运行数据，将获取的实时运行数据输入对应的燃烧时序模型；
基于公式二将燃烧时序模型输出的时序结果迭加；
其中，ym(k+i)为时刻k+i时预估的瓦斯热值，u(k+i-j)为时刻k+i-j时的实时运行数据，j为时序序号，N为时序的总数，
为与k+i-j时刻的实时运行数据对应的燃烧时序模型；u(k+i-j)、ym(k+i)的取值范围为正数，k、j、N的取值范围为正整数。
可选的，所述基于预设权重对迭加结果进行周期性校正，将周期性校正后的输出结果作为瓦斯热值的预估值，包括：
基于预设校正周期获取实际瓦斯热值，计算实际瓦斯热值与迭加结果的差值；
若计算得到的差值大于预设误差，则根据预设权重对实际瓦斯热值和迭加结果进行加权求和，将加权求和的结果作为瓦斯预估热值。
本发明还基于同样的思路提出了一种基于燃烧时序模型的瓦斯热值预估装置，包括：
采样单元：基于预设采样周期获取加热炉的历史运行数据和历史瓦斯热值；
建模单元：根据历史运行数据和历史瓦斯热值训练加热炉的燃烧时序模型；
预估单元：获取加热炉在预设时段内的实时运行数据，将实时运行数据输入燃烧时序模型，对燃烧时序模型输出的时序结果进行迭加计算；
校正单元：基于预设权重对迭加结果进行周期性校正，将周期性校正后的输出结果作为瓦斯热值的预估值。
可选的，所述采样单元获取的历史运行数据包括瓦斯投入量、炉膛温度、氧含量以及加热炉的设备参数。
可选的，所述建模单元具体用于：
获取在时序j下采集到的历史运行数据和历史瓦斯热值，基于公式一对时序j下的燃烧时序模型
进行训练；
其中，ym(k)为时序k下的燃烧时序模型的输出结果，u(k-j)为时序k-j下采集到的历史运行数据；ym(k)、u(k-j)的取值范围为正数，j的取值范围为正整数；
当ym(k)与时序k下采集到的历史瓦斯热值之间的差值小于预设阈值时，将
作为训练后的燃烧时序模型。
可选的，所述预估单元具体用于：
获取加热炉在k+i-N时刻至k+i时刻之间的实时运行数据，将获取的实时运行数据输入对应的燃烧时序模型；
基于公式二将燃烧时序模型输出的时序结果迭加；
其中，ym(k+i)为时刻k+i时预估的瓦斯热值，u(k+i-j)为时刻k+i-j时的实时运行数据，j为时序序号，N为时序的总数，
为与k+i-j时刻的实时运行数据对应的燃烧时序模型；u(k+i-j)、ym(k+i)的取值范围为正数，k、j、N的取值范围为正整数。
可选的，所述校正单元具体用于：
基于预设校正周期获取实际瓦斯热值，计算实际瓦斯热值与迭加结果的差值；
若计算得到的差值大于预设误差，则根据预设权重对实际瓦斯热值和迭加结果进行加权求和，将加权求和的结果作为瓦斯预估热值。
本发明提供的技术方案带来的有益效果是：
利用运行数据在时序上对瓦斯热值的影响，分别对每个时序单独构建线性的燃烧时序模型，再根据线性迭加原理将加热炉运行数据与瓦斯热值的非线性关系分解为若干个线性关系，实现瓦斯热值的预估，克服了依靠热值分析仪监测瓦斯热值的限制，无需对工厂系统设备进行改造，能够更广泛的应用于不同的加热炉系统。
附图说明
为了更清楚地说明本发明的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提出的基于燃烧时序模型的瓦斯热值预估方法的流程示意图；
图2为本发明提出的基于燃烧时序模型的瓦斯热值预估装置的结构框图。
具体实施方式
为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。
实施例一
如图1所示，本发明提出了一种基于燃烧时序模型的瓦斯热值预估方法，包括：
S1：基于预设采样周期获取加热炉的历史运行数据和历史瓦斯热值。
所述历史运行数据包括瓦斯投入量、炉膛温度、氧含量以及加热炉的设备参数。在本实施例中，基于预设采样周期获取上述历史运行数据和相应的历史瓦斯热值，再对获取到的数据进行标准化处理，所述标准化处理的方法包括min-max、z-zone等标准化算法，最后将标准化处理后的数据基于时间序列排序，存储到系统数据库中。
S2：根据历史运行数据和历史瓦斯热值训练加热炉的燃烧时序模型。
获取在时序j下采集到的历史运行数据和历史瓦斯热值，基于公式一对时序j下的燃烧时序模型
进行训练；
其中，ym(k)为时序k下的燃烧时序模型的输出结果，u(k-j)为时序k-j下采集到的历史运行数据；ym(k)、u(k-j)的取值范围为正数，j的取值范围为正整数；
当ym(k)与时序k下采集到的历史瓦斯热值之间的差值小于预设阈值时，将
作为训练后的燃烧时序模型。
加热炉在实际应用场景下的热值是不稳定的，燃烧过程呈非线性，增加了热值预估的难度。本实施例提出的瓦斯热值预估方法将非线性的燃烧过程拆解成若干个线性的时序序列，对每个时序下的燃烧过程单独建立并训练燃烧时序模型。其中，u(k-j)为时序k-j下的历史运行数据，通过公式一中的
表征得到过去时刻k-j时发生的运行情况对当前时刻k时的瓦斯热值造成的影响。
S3：获取加热炉在预设时段内的实时运行数据，将实时运行数据输入燃烧时序模型，对燃烧时序模型输出的时序结果进行迭加计算。
获取加热炉在k+i-N时刻至k+i时刻之间的实时运行数据，将获取的实时运行数据输入对应的燃烧时序模型；
基于公式二将燃烧时序模型输出的时序结果迭加；
其中，ym(k+i)为时刻k+i时预估的瓦斯热值，u(k+i-j)为时刻k+i-j时的实时运行数据，j为时序序号，N为时序的总数，
为与k+i-j时刻的实时运行数据对应的燃烧时序模型；u(k+i-j)、ym(k+i)的取值范围为正数，k、j、N的取值范围为正整数。
通过公式二可以预估当前时刻k之后的第i个时刻的瓦斯热值，实现在线预估。基于时序关系将加热炉非线性的燃烧过程分解若干个线性的响应过程，简化了瓦斯投入量、炉膛温度、氧含量、加热炉的设备参数等运行数据与瓦斯热值之间的机理模型，虽然将非线性关系近似为线性关系处理，但同时考虑到了过去时序对当前瓦斯热值的滞后影响，实现了对瓦斯热值的精准预估。
S4：基于预设权重对迭加结果进行周期性校正，将周期性校正后的输出结果作为瓦斯热值的预估值。
在实际预估过程中，仅依靠构建的燃烧时序模型对瓦斯热值进行数学推断常常存在误差，因此本实施例提出的瓦斯热值预估方法还包括对燃烧时序模型输出的结果进行校正。
在本实施例中，校正的过程具体包括：基于预设校正周期获取实际瓦斯热值，计算实际瓦斯热值与迭加结果的差值；若计算得到的差值大于预设误差，则根据预设权重对实际瓦斯热值和迭加结果进行加权求和，将加权求和的结果作为瓦斯预估热值。
通过部署在加热炉装置上的热值分析仪测量实际瓦斯热值，将热值分析仪测得的瓦斯热值作为参考，若S3中得迭加结果与实际瓦斯热值偏差过大，则认为通过燃烧时序模型得到的预估结果的准确性达不到要求。同时，考虑到热值分析仪在测量时同样存在误差，因此分别对实际瓦斯热值和迭加结果赋权，例如设置实际瓦斯热值和迭加结果的权重各为50％，将加权相加的结果作为最终的瓦斯预估热值，从而提高预估的准确性。
实施例二
如图2所示，本发明提出了一种基于燃烧时序模型的瓦斯热值预估装置5，包括：
采样单元51：用于基于预设采样周期获取加热炉的历史运行数据和历史瓦斯热值。
所述历史运行数据包括瓦斯投入量、炉膛温度、氧含量以及加热炉的设备参数。在本实施例中，基于预设采样周期获取上述历史运行数据和相应的历史瓦斯热值，再对获取到的数据进行标准化处理，所述标准化处理的方法包括min-max、z-zone等标准化算法，最后将标准化处理后的数据基于时间序列排序，存储到系统数据库中。
建模单元52：用于根据历史运行数据和历史瓦斯热值训练加热炉的燃烧时序模型。具体用于：
获取在时序j下采集到的历史运行数据和历史瓦斯热值，基于公式一对时序j下的燃烧时序模型
进行训练；
其中，ym(k)为时序k下的燃烧时序模型的输出结果，u(k-j)为时序k-j下采集到的历史运行数据；ym(k)、u(k-j)的取值范围为正数，j的取值范围为正整数；
当ym(k)与时序k下采集到的历史瓦斯热值之间的差值小于预设阈值时，将
作为训练后的燃烧时序模型。
加热炉在实际应用场景下的热值是不稳定的，燃烧过程呈非线性，增加了热值预估的难度。本实施例提出的瓦斯热值预估方法将非线性的燃烧过程拆解成若干个线性的时序序列，对每个时序下的燃烧过程单独建立并训练燃烧时序模型。其中，u(k-j)为时序k-j下的历史运行数据，通过公式一中的
表征得到过去时刻k-j时发生的运行情况对当前时刻k时的瓦斯热值造成的影响。
预估单元53：用于获取加热炉在预设时段内的实时运行数据，将实时运行数据输入燃烧时序模型，对燃烧时序模型输出的时序结果进行迭加计算。具体用于：
获取加热炉在k+i-N时刻至k+i时刻之间的实时运行数据，将获取的实时运行数据输入对应的燃烧时序模型；
基于公式二将燃烧时序模型输出的时序结果迭加；
其中，ym(k+i)为时刻k+i时预估的瓦斯热值，u(k+i-j)为时刻k+i-j时的实时运行数据，j为时序序号，N为时序的总数，
为与k+i-j时刻的实时运行数据对应的燃烧时序模型；u(k+i-j)、ym(k+i)的取值范围为正数，k、j、N的取值范围为正整数。
通过公式二可以预估当前时刻k之后的第i个时刻的瓦斯热值，实现在线预估。基于时序关系将加热炉非线性的燃烧过程分解若干个线性的响应过程，简化了瓦斯投入量、炉膛温度、氧含量、加热炉的设备参数等运行数据与瓦斯热值之间的机理模型，虽然将非线性关系近似为线性关系处理，但同时考虑到了过去时序对当前瓦斯热值的滞后影响，实现了对瓦斯热值的精准预估。
校正单元54：用于基于预设权重对迭加结果进行周期性校正，将周期性校正后的输出结果作为瓦斯热值的预估值。具体用于：
在实际预估过程中，仅依靠构建的燃烧时序模型对瓦斯热值进行数学推断常常存在误差，因此本实施例提出的瓦斯热值预估方法还包括对燃烧时序模型输出的结果进行校正。
在本实施例中，校正的过程具体包括：基于预设校正周期获取实际瓦斯热值，计算实际瓦斯热值与迭加结果的差值；若计算得到的差值大于预设误差，则根据预设权重对实际瓦斯热值和迭加结果进行加权求和，将加权求和的结果作为瓦斯预估热值。
通过部署在加热炉装置上的热值分析仪测量实际瓦斯热值，将热值分析仪测得的瓦斯热值作为参考，若S3中得迭加结果与实际瓦斯热值偏差过大，则认为通过燃烧时序模型得到的预估结果的准确性达不到要求。同时，考虑到热值分析仪在测量时同样存在误差，因此分别对实际瓦斯热值和迭加结果赋权，例如设置实际瓦斯热值和迭加结果的权重各为50％，将加权相加的结果作为最终的瓦斯预估热值，从而提高预估的准确性。
上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例，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 (8)
1.基于燃烧时序模型的瓦斯热值预估方法，其特征在于，所述瓦斯热值预估方法包括：
基于预设采样周期获取加热炉的历史运行数据和历史瓦斯热值；
根据历史运行数据和历史瓦斯热值训练加热炉的燃烧时序模型；
获取加热炉在预设时段内的实时运行数据，将实时运行数据输入燃烧时序模型，对燃烧时序模型输出的时序结果进行迭加计算；
基于预设权重对迭加结果进行周期性校正，将周期性校正后的输出结果作为瓦斯热值的预估值；
所述获取加热炉在预设时段内的实时运行数据，将实时运行数据输入燃烧时序模型，对燃烧时序模型输出的时序结果进行迭加计算，包括：
获取加热炉在k+i-N时刻至k+i时刻之间的实时运行数据，将获取的实时运行数据输入对应的燃烧时序模型；
基于公式二将燃烧时序模型输出的时序结果迭加；
其中，ym(k+i)为时刻k+i时预估的瓦斯热值，u(k+i-j)为时刻k+i-j时的实时运行数据，j为时序序号，N为时序的总数，
为与k+i-j时刻的实时运行数据对应的燃烧时序模型；u(k+i-j)、ym(k+i)的取值范围为正数，k、j、N的取值范围为正整数。
2.根据权利要求1所述的基于燃烧时序模型的瓦斯热值预估方法，其特征在于，所述历史运行数据包括瓦斯投入量、炉膛温度、氧含量以及加热炉的设备参数。
3.根据权利要求1所述的基于燃烧时序模型的瓦斯热值预估方法，其特征在于，所述根据历史运行数据和历史瓦斯热值训练加热炉的燃烧时序模型，包括：
获取在时序j下采集到的历史运行数据和历史瓦斯热值，基于公式一对时序j下的燃烧时序模型
进行训练；
其中，ym(k)为时序k下的燃烧时序模型的输出结果，u(k-j)为时序k-j下采集到的历史运行数据；ym(k)、u(k-j)的取值范围为正数，j的取值范围为正整数；
当ym(k)与时序k下采集到的历史瓦斯热值之间的差值小于预设阈值时，将
作为训练后的燃烧时序模型。
4.根据权利要求1所述的基于燃烧时序模型的瓦斯热值预估方法，其特征在于，所述基于预设权重对迭加结果进行周期性校正，将周期性校正后的输出结果作为瓦斯热值的预估值，包括：
基于预设校正周期获取实际瓦斯热值，计算实际瓦斯热值与迭加结果的差值；
若计算得到的差值大于预设误差，则根据预设权重对实际瓦斯热值和迭加结果进行加权求和，将加权求和的结果作为瓦斯预估热值。
5.基于燃烧时序模型的瓦斯热值预估装置，其特征在于，所述瓦斯热值预估装置包括：
采样单元：基于预设采样周期获取加热炉的历史运行数据和历史瓦斯热值；
建模单元：根据历史运行数据和历史瓦斯热值训练加热炉的燃烧时序模型；
预估单元：获取加热炉在预设时段内的实时运行数据，将实时运行数据输入燃烧时序模型，对燃烧时序模型输出的时序结果进行迭加计算；
校正单元：基于预设权重对迭加结果进行周期性校正，将周期性校正后的输出结果作为瓦斯热值的预估值；
所述预估单元具体用于：
获取加热炉在k+i-N时刻至k+i时刻之间的实时运行数据，将获取的实时运行数据输入对应的燃烧时序模型；
基于公式二将燃烧时序模型输出的时序结果迭加；
其中，ym(k+i)为时刻k+i时预估的瓦斯热值，u(k+i-j)为时刻k+i-j时的实时运行数据，j为时序序号，N为时序的总数，
为与k+i-j时刻的实时运行数据对应的燃烧时序模型；u(k+i-j)、ym(k+i)的取值范围为正数，k、j、N的取值范围为正整数。
6.根据权利要求5所述的基于燃烧时序模型的瓦斯热值预估装置，其特征在于，所述采样单元获取的历史运行数据包括瓦斯投入量、炉膛温度、氧含量以及加热炉的设备参数。
7.根据权利要求5所述的基于燃烧时序模型的瓦斯热值预估装置，其特征在于，所述建模单元具体用于：
获取在时序j下采集到的历史运行数据和历史瓦斯热值，基于公式一对时序j下的燃烧时序模型
进行训练；
其中，ym(k)为时序k下的燃烧时序模型的输出结果，u(k-j)为时序k-j下采集到的历史运行数据；ym(k)、u(k-j)的取值范围为正数，j的取值范围为正整数；
当ym(k)与时序k下采集到的历史瓦斯热值之间的差值小于预设阈值时，将
作为训练后的燃烧时序模型。
8.根据权利要求5所述的基于燃烧时序模型的瓦斯热值预估装置，其特征在于，所述校正单元具体用于：
基于预设校正周期获取实际瓦斯热值，计算实际瓦斯热值与迭加结果的差值；
若计算得到的差值大于预设误差，则根据预设权重对实际瓦斯热值和迭加结果进行加权求和，将加权求和的结果作为瓦斯预估热值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011485160.1A CN112700033B (zh) | 2020-12-16 | 2020-12-16 | 基于燃烧时序模型的瓦斯热值预估方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011485160.1A CN112700033B (zh) | 2020-12-16 | 2020-12-16 | 基于燃烧时序模型的瓦斯热值预估方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112700033A CN112700033A (zh) | 2021-04-23 |
| CN112700033B true CN112700033B (zh) | 2023-05-09 |
Family
ID=75508427
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011485160.1A Active CN112700033B (zh) | 2020-12-16 | 2020-12-16 | 基于燃烧时序模型的瓦斯热值预估方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112700033B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106016294A (zh) * | 2016-05-31 | 2016-10-12 | 浙江中控技术股份有限公司 | 一种生活垃圾计算热值测量方法及装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4141462B2 (ja) * | 2005-07-07 | 2008-08-27 | 日本ペイント株式会社 | 熱量予測方法及び熱量予測システム並びに熱量予測プログラム |
| CN101476731A (zh) * | 2008-12-31 | 2009-07-08 | 华南理工大学 | 基于垃圾热值软测量的垃圾焚烧控制方法 |
| CN102889598A (zh) * | 2012-10-24 | 2013-01-23 | 华南理工大学 | 一种利用垃圾热值预测辅助垃圾稳定燃烧的控制方法 |
| CN103390197A (zh) * | 2013-07-04 | 2013-11-13 | 云南电网公司北京能源新技术研究发展中心 | 一种基于时间段聚类的光伏电站功率预测系统 |
| JP6118975B2 (ja) * | 2015-02-27 | 2017-05-10 | 株式会社Ｅ．Ｉ．エンジニアリング | エネルギー予測システム、エネルギー予測システムの動作方法、これを実行させるためのコンピュータプログラム及びこのプログラムを記録したコンピュータ読み取り可能な記録媒体並びに運転支援システム |
| CN109086949B (zh) * | 2018-09-20 | 2021-09-21 | 鞍钢集团自动化有限公司 | 基于煤气成份变化的高炉煤气发生量及其热值预测方法 |
| CN111860982A (zh) * | 2020-07-06 | 2020-10-30 | 东北大学 | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 |
-
2020
- 2020-12-16 CN CN202011485160.1A patent/CN112700033B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106016294A (zh) * | 2016-05-31 | 2016-10-12 | 浙江中控技术股份有限公司 | 一种生活垃圾计算热值测量方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112700033A (zh) | 2021-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111008502A (zh) | 一种数字孪生驱动的复杂装备故障预测方法 | |
| JP2019090024A (ja) | 石油精製所における腐食を低減する方法 | |
| CN113011010A (zh) | 基于结构机理和运行数据的锅炉故障诊断方法及诊断系统 | |
| CN111428201B (zh) | 基于经验模态分解和前馈神经网络对时序数据的预测方法 | |
| CN113516310B (zh) | 一种变压器故障预警方法及系统 | |
| CN110189800B (zh) | 基于多粒度级联循环神经网络的炉氧含量软测量建模方法 | |
| CN108319664A (zh) | 一种大坝及工程安全监测数据粗差识别方法及系统 | |
| CN114330647A (zh) | 模型训练方法、装置及硅棒重量预测方法 | |
| CN111931354A (zh) | 基于灰色-自回归差分移动平均模型的变压器顶层油温预测方法 | |
| CN104063577A (zh) | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 | |
| CN114583767B (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
| CN117606578A (zh) | 一种智能的气体流量监测方法 | |
| CN112700033B (zh) | 基于燃烧时序模型的瓦斯热值预估方法及装置 | |
| WO2009154586A1 (en) | Process for prediction of parameter sensor response | |
| Mingfang et al. | An Integral approach to dynamic data rectification | |
| CN103279030A (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
| CN115965149A (zh) | 一种基于lstm算法模型的水质指标预测方法 | |
| Chang et al. | Application of fault monitoring and diagnosis in process industry based on fourth order moment and singular value decomposition | |
| CN114861810A (zh) | 煤气化装置工艺诊断方法及系统 | |
| Fang et al. | Monitoring Method of Non-Gaussian Process Based on Fractal Analysis With Kernel Independent Component Regression | |
| CN113468693A (zh) | 一种基于大数据的压力传感器采集系统 | |
| CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
| CN114611820A (zh) | 一种非等间距灰色bp神经网络深基坑变形预测方法 | |
| CN111966966A (zh) | 一种传感器测量误差模型参数可行域分析方法及系统 | |
| CN111784050B (zh) | 一种基于粒子滤波算法的短期室外温度预测方法 |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 310059 No. 309, Liuhe Road, Binjiang District, Hangzhou City, Zhejiang Province Patentee after: Zhongkong Technology Co.,Ltd. Country or region after: China Patentee after: ZHEJIANG SUPCON SOFTWARE Co.,Ltd. Address before: 310053 central control science and Technology Park (hi tech Zone), No. six, No. 309, Binjiang District Road, Zhejiang, Hangzhou Patentee before: ZHEJIANG SUPCON TECHNOLOGY Co.,Ltd. Country or region before: China Patentee before: ZHEJIANG SUPCON SOFTWARE Co.,Ltd. |