CN112883993A - 一种基于机器学习的磨煤机最佳制粉单耗时工况预测方法 - Google Patents
一种基于机器学习的磨煤机最佳制粉单耗时工况预测方法 Download PDFInfo
- Publication number
- CN112883993A CN112883993A CN202011538406.7A CN202011538406A CN112883993A CN 112883993 A CN112883993 A CN 112883993A CN 202011538406 A CN202011538406 A CN 202011538406A CN 112883993 A CN112883993 A CN 112883993A
- Authority
- CN
- China
- Prior art keywords
- data
- coal
- optimal
- coal mill
- working condition
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C23/00—Auxiliary methods or auxiliary devices or accessories specially adapted for crushing or disintegrating not provided for in preceding groups or not specially adapted to apparatus covered by a single preceding group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明提供了一种基于机器学习的磨煤机最佳制粉单耗时工况预测方法,包括以下步骤:采集待预测磨煤机设备的原始数据,对原始数据进行处理,划分为训练集和验证集;基于梯度提升树算法,构建初始预测模型;将训练集输入初始预测模型进行模型训练,得到产出模型和特征重要度,基于验证集,对产出模型进行验证,得到验证指标,根据验证指标,对产出模型进行调整,得到训练好的模型;根据特征重要度和训练集,构建测试集;将测试集输入训练好的模型,得到最佳制粉单耗时的工况。本发明极大提高磨煤机设备的工作效率和稳定性能,提升原煤的制粉利用率,同时降低由于不良工作状态导致的磨煤机设备异常故障的发生率。
Description
技术领域
本发明涉及磨煤机设备制粉单耗预测领域,具体涉及一种基于机器学习的磨煤机最佳制粉单耗时工况预测方法。
背景技术
磨煤机是火力发电厂中燃煤锅炉制粉系统部分的重要设备,其主要功能是将原煤制备成颗粒状煤粉,通过一次热风将风和粉的混合输送至燃煤锅炉,促使燃煤锅炉更高效燃烧。制粉单耗是衡量磨煤机制粉系统工作效率的重要指标,在寻找最佳制粉单耗时磨煤机设备的工作状态方面,如果通过生产环境上的人工实验,会存在实验成本高、实验周期长、实验参数难以合理控制等缺点。目前针对磨煤机设备制粉单耗的预测以及寻找最佳制粉单耗时磨煤机设备的工作状态,缺少普适高效的工作方法和实验流程。随着机器学习的发展,机器学习的算法思想在具体的工程问题上提供很多有效的方法,这为解决磨煤机设备的制粉效率问题上提供了思路。
发明内容
本发明的目的在于解决实际磨煤机设备运作过程中制粉效率无法有效控制,寻找最佳制粉单耗时磨煤机设备的工作状态的实验成本高、实验周期长、实验参数难以合理控制等问题。
为实现上述目的,本发明提供了一种基于机器学习的磨煤机最佳制粉单耗时工况预测方法,包括以下步骤:
步骤1,采集待预测磨煤机设备的原始数据,对所述原始数据进行处理,划分为训练集和验证集;
步骤2,基于梯度提升树算法,构建初始预测模型;
步骤3,将所述训练集输入所述初始预测模型进行模型训练,得到产出模型和特征重要度,基于所述验证集,对所述产出模型进行验证,得到验证指标,根据验证指标,对产出模型进行调整,得到训练好的模型;
步骤4,根据所述特征重要度和训练集,构建测试集;
步骤5,将所述测试集输入所述训练好的模型,得到最佳制粉单耗时的工况。
优选的,所述步骤1中,所述原始数据包括风量、煤量、电流、料位、平均出口温度、煤量偏差。
优选的,所述步骤1中对所述原始数据进行处理,具体步骤包括:
步骤1-1.基于原始数据,筛选出有关参数数据,得到筛选后的数据;筛选后的数据为连续型数据和离散型数据,根据数据类型,对筛选后的数据进行填充,然后进行数据梳理和数据整合,得到预处理后的数据;
步骤1-2.对所述预处理后的数据中的风量、煤量、电流三个参数数据通过移动平均窗口做移动平均计算,得到移动平均后的风量、煤量、电流数据,然后将移动平均后的风量、煤量、电流数据替换预处理后的风量、煤量、电流数据,得到待筛选数据;
步骤1-3.根据移动平均后的风量、煤量、电流数据,计算制粉单耗目标值;
步骤1-4.基于稳定工作状态,对待筛选数据进行筛选,得到稳定运作时的数据;然后基于开机状态,对稳定运作时的数据再次进行筛选,得到待整合数据,将制粉单耗目标值和待整合数据进行整合,得到处理后数据;
步骤1-5,将处理后数据划分训练集和验证集。
优选的,所述步骤3中,根据所述验证指标,对所述产出模型进行调整,
所述验证指标为均方根误差。
优选的,所述训练集中的参数包括可控制变量和不可控制变量。
优选的,所述步骤4的具体步骤为:
步骤4-1.对特征重要度进行排名,根据特征重要度排名,对训练集中的参数进行筛选,按照梯度下降的方式对筛选后的参数数值进行调整,得到可控制变量数据;
步骤4-2.所述不可控制变量数据根据相应变量的历史数据进行模拟,得到不可控制变量数据;
步骤4-3.对可控制变量数据和不可控制变量数据进行整合,得到预测试数据,对预测试数据进行处理,得到测试集。
优选的,所述步骤5具体步骤包括,将测试集输入所述训练好的模型,根据测试集,将测试集中的煤量参数数据进行区间划分,在每一煤量区间中,选择最佳制粉单耗的值和取得最佳制粉单耗值的时刻,从而得到最佳制粉单耗时磨煤机设备的工作状态。
优选的,所述步骤1-1中,所述对筛选后的数据进行填充,具体步骤包括:对连续型数据中的缺失数据进行最临近均值填充,对离散型数据中的缺失数据进行前向填充。
优选的,所述步骤1-2中所述移动平均窗口大小为5分钟,移动步长为10s,删除前4分50秒数据。
本发明的有益效果:
本发明基于机器学习,构建初始预测模型,对磨煤机设备工作状态进行预测,极大降低了人工实验成本和试验周期,合理有效地控制了实验参数;通过本发明所述的技术方案,分析参数的特征重要度,并根据特征重要度构建测试集,提取最佳制粉单耗时的工况,将提取的工况应用到实际磨煤机设备工作中,极大提高磨煤机设备的工作效率和稳定性能,提升原煤的制粉利用率,同时降低由于不良工作状态导致的磨煤机设备异常故障的发生率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程图;
图2为本发明的数据预处理部分示意图;
图3为本发明的测试数据模型预测结果;
图4为本发明的各给煤量阶段最佳制粉单耗气泡图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
为了解决实际磨煤机设备运作过程中制粉效率无法有效控制,寻找最佳制粉单耗时磨煤机设备的工作状态的实验成本高、实验周期长、实验参数难以合理控制等问题。
如图1-2所述,本发明提供了一种基于机器学习的磨煤机最佳制粉单耗时工况预测方法,具体包括以下步骤:
步骤1,采集记录待预测磨煤机设备的原始数据,对所述原始数据进行处理,划分为训练集和验证集。
所述原始数据为某大型火力发电厂其中一台磨煤机时长一年的真实运行数据,其中包含磨煤机设备各传感器自动记录的参数,和磨煤机设备运作时工作人员人工记录的部分参数。磨煤机设备各传感器自动记录的参数包括磨煤机的容量风量,磨煤机的给煤量,磨煤机驱动端一次风调节门阀位,磨煤机热风调节门阀位,磨煤机旁路风量等;磨煤机设备运作时工作人员人工记录的部分参数包括每天固定时间段进行的磨煤机相关数据取样结果记录和加钢球历史记录,磨煤机相关数据包括空干水分、灰分、固定碳、低位发热量等。
对磨煤机时长一年的真实运行数据进行预处理,首先对磨煤机设备各传感器自动记录的参数和磨煤机设备运作时工作人员人工记录的部分参数进行筛选,选用的磨煤机设备各传感器自动记录的参数包括磨煤机的容量风量,磨煤机的给煤量,磨煤机驱动端一次风调节门阀位,磨煤机热风调节门阀位,磨煤机旁路风量等;选用的磨煤机设备运作时工作人员人工记录的部分参数包括每天固定时间段进行的空干水分、灰分、固定碳、低位发热量取样结果记录和加钢球历史记录,共计317个参数。对317个参数缺少的数据进行填充,然后对317个参数分别进行以10s为频度的方式进行数据梳理,将所有参数的时间进行对齐,其中填充方式根据数据类型进行选择,连续型数据缺失数据选择最临近均值填充,离散型数据缺失数据选择前向填充,时间序列对齐后的特征进行整合。整理出317个参数变量,对所述预处理后的数据中的风量、煤量、电流三个参数数据通过移动平均窗口做移动平均计算,其中移动平均窗口大小为5分钟,移动步长为10s,并删除所有特征前4分50秒的数据,得到移动平均后的风量、煤量、电流数据,然后将移动平均后的风量、煤量、电流数据替换预处理后的风量、煤量、电流数据;
根据移动平均后的风量、煤量、电流数据,计算制粉单耗目标值。制粉单耗的计算公式为其中根据所实施磨煤机的特性,电压稳定设置为10Kv。由于进行了移动平均计算,会有效缓解数据中由于磨煤机设备实际运作时发生异常情况造成的异常数据的影响。
最后对317个特征和制粉单耗目标进行磨煤机设备稳定工作状态约束,删除不满足稳定条件和磨煤机设备未开机的数据。其中磨煤机设备的稳定工作状态条件为,以30分钟为数据窗口大小,5分钟为数据窗口移动步长,在数据窗口内磨煤机设备的料位偏差小于50帕斯卡,并且平均出口温度偏差小于10度,煤量偏差小于3吨;磨煤机设备开机条件为电流记录数值大于5。
经过上述操作,保留下来的数据就是磨煤机设备在正常开机运作时的数据,即待整合数据,其中制粉单耗目标值为目标,其他数据为特征,将制粉单耗目标值和待整合数据进行整合,以8:2的比例划分出训练集和验证集。
步骤2,基于梯度提升树算法(GBDT),构建初始预测模型。
所述初始预测模型中的参数包括:n_estimators:弱学习器的最大迭代次数,初始设置为100;learning_rate:每个弱学习器的权重缩减系数,初始设置为1;max_depth:决策树最大深度,初始设置为5;min_samples_split:最小样本数,初始设置为300等参数。
步骤3,将所述训练集输入所述初始预测模型进行模型训练,并对重要参数通过网格搜索的方式进行调参,最终得到产出模型和特征重要度,基于所述验证集,对所述产出模型进行验证,得到验证指标,根据验证指标,对产出模型进行调整,得到训练好的模型。
将所述训练集输入所述初始预测模型进行模型训练,得到产出模型和特征重要度,输出特征重要度中排名前50的参数,基于所述验证集,对产出模型进行验证,根据验证指标,进一步调整产出模型的参数,调整参数中采用3折交叉验证的模式,就这样不断迭代,选择验证指标最好的对应的产出模型,得到训练好的模型。验证指标选择均方根误差(RMSE)。
模型训练、调参后输出训练好的模型与特征重要度排名前50的特征,将训练好的模型在验证集上进行模型验证,验证结果如表1。
表1
评价指标 | 指标值 |
RMSE | 0.57822 |
由上表RMSE指标值看出,训练好的模型在模型验证中表现优秀,说明该训练好的模型应用于后续模型测试。
步骤4,根据所述特征重要度和训练集,构建测试集。
具体步骤包括:步骤4-1.对特征重要度进行排名,根据特征重要度排名,对训练集中的参数进行筛选,按照梯度下降的方式对筛选后的参数数值进行调整,得到可控制变量数据;
步骤4-2.所述不可控制变量数据根据相应变量的历史数据进行模拟,得到不可控制变量数据;
步骤4-3.对可控制变量数据和不可控制变量数据进行整合,得到预测试数据,对预测试数据进行处理,得到测试集。
模型测试得到的结果参照图3。图3所使用的测试集,是根据特征重要度排名和磨煤机设备工作人员经验,选出初始预测模型输出的特征重要度中排名前十的对应训练集参数的可控制变量,对这些变量按照从最大取值按梯度下降方式的形式构造取值范围,并在取值范围中随机抽取数值,得到可控制变量数据,对不可控制变量依据相应变量历史规律数据进行模拟,得到不可控制变量数据,将可控制变量数据和不可控制变量数据插入到三个月时长的数据中进行数据模拟整合,经过上述模拟整合后得到3个月时长的预测试数据,对预测试数据进行图2中移动平均计算、计算制粉单耗目标以及稳定工作状态约束操作,最终处理后的数据即为测试集。
步骤5,将所述测试集输入所述训练好的模型,得到最佳制粉单耗时的工况。
最佳制粉单耗寻优结果参照图4各个煤量阶段最佳制粉单耗气泡图。所使用的数据包括磨煤机设备一年实际运作经过预处理后的训练数据,和磨煤机设备三个月时长的预测试数据。在上述数据中,将煤量以长度为5的区间进行划分,在每一煤量区间中,寻找最佳制粉单耗的取值和取值时刻。图4的纵坐标表示煤量区间,每一个坐标值表示区间含义,例如17.5表示区间(15,20);图4中每一个气泡表示在其所在的煤量区间内,最佳制粉单耗的大小,其值由气泡的颜色和大小指示,气泡越大、颜色越偏白色,制粉单耗的值就越大,模型性能更好,具体取值大小参照右边颜色条,亦可参照下表的详细数值;横坐标表示取到最佳制粉单耗的时间。
综合表2和图4,确定本发明在各煤量阶段,能够取得的最佳制粉单耗的数值和时刻,通过记录取得最佳制粉单耗的时刻的工况,有效地指导磨煤机设备工作人员根据实际工作需求设置类似工况,使得磨煤机达到更高效的工作状态。
表2
本发明基于机器学习,构建初始预测模型,对磨煤机设备工作状态进行预测,极大降低了人工实验成本和试验周期,合理有效地控制了实验参数;通过本发明所述的技术方案,分析参数的特征重要度,并根据特征重要度构建测试集,得到佳制粉单耗时的工况,将提取的工况应用到实际磨煤机设备工作中,极大提高磨煤机设备的工作效率和稳定性能,提升原煤的制粉利用率,同时降低由于不良工作状态导致的磨煤机设备异常故障的发生率。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于机器学习的磨煤机最佳制粉单耗时工况预测方法,其特征在于,包括以下步骤:
步骤1,采集待预测磨煤机设备的原始数据,对所述原始数据进行处理,划分为训练集和验证集;
步骤2,基于梯度提升树算法,构建初始预测模型;
步骤3,将所述训练集输入所述初始预测模型进行模型训练,得到产出模型和特征重要度,基于所述验证集,对所述产出模型进行验证,得到验证指标,根据所述验证指标,对所述产出模型进行调整,得到训练好的模型;
步骤4,根据所述特征重要度和训练集,构建测试集;
步骤5,将所述测试集输入所述训练好的模型,得到最佳制粉单耗时的工况。
2.根据权利要求1所述基于机器学习的磨煤机最佳制粉单耗时工况预测方法,其特征在于:
所述步骤1中,所述原始数据包括风量、煤量、电流、料位、平均出口温度、煤量偏差。
3.根据权利要求2所述基于机器学习的磨煤机最佳制粉单耗时工况预测方法,其特征在于:
所述步骤1中对所述原始数据进行处理,具体步骤包括:
步骤1-1.基于原始数据,筛选出有关参数数据,得到筛选后的数据;筛选后的数据为连续型数据和离散型数据,根据数据类型,对筛选后的数据进行填充,然后进行数据梳理和数据整合,得到预处理后的数据;
步骤1-2.对所述预处理后的数据中的风量、煤量、电流三个参数数据通过移动平均窗口做移动平均计算,得到移动平均后的风量、煤量、电流数据,然后将移动平均后的风量、煤量、电流数据替换预处理后的风量、煤量、电流数据,得到待筛选数据;
步骤1-3.根据移动平均后的风量、煤量、电流数据,计算制粉单耗目标值;
步骤1-4.基于稳定工作状态,对待筛选数据进行筛选,得到稳定运作时的数据;然后基于开机状态,对稳定运作时的数据再次进行筛选,得到待整合数据,将制粉单耗目标值和待整合数据进行整合,得到处理后数据;
步骤1-5,将处理后数据划分训练集和验证集。
4.根据权利要求1所述基于机器学习的磨煤机最佳制粉单耗时工况预测方法,其特征在于:
所述步骤3中,根据所述验证指标,对所述产出模型进行调整,
所述验证指标为均方根误差。
5.根据权利要求1所述基于机器学习的磨煤机最佳制粉单耗时工况预测方法,其特征在于:
所述训练集中的参数包括可控制变量和不可控制变量。
6.根据权利要求5所述基于机器学习的磨煤机最佳制粉单耗时工况预测方法,其特征在于:
所述步骤4的具体步骤为:
步骤4-1.对特征重要度进行排名,根据特征重要度排名,对训练集中的参数进行筛选,按照梯度下降的方式对筛选后的参数数值进行调整,得到可控制变量数据;
步骤4-2.所述不可控制变量数据根据相应变量的历史数据进行模拟,得到不可控制变量数据;
步骤4-3.对可控制变量数据和不可控制变量数据进行整合,得到预测试数据,对预测试数据进行处理,得到测试集。
7.根据权利要求1所述基于机器学习的磨煤机最佳制粉单耗时工况预测方法,其特征在于:
所述步骤5具体步骤包括,将测试集输入所述训练好的模型,根据测试集,将测试集中的煤量参数数据进行区间划分,在每一煤量区间中,选择最佳制粉单耗的值和取得最佳制粉单耗值的时刻,从而得到最佳制粉单耗时磨煤机设备的工作状态。
8.根据权利要求3所述基于机器学习的磨煤机最佳制粉单耗时工况预测方法,其特征在于:
所述步骤1-1中,所述对筛选后的数据进行填充,具体步骤包括:对连续型数据中的缺失数据进行最临近均值填充,对离散型数据中的缺失数据进行前向填充。
9.根据权利要求3所述基于机器学习的磨煤机最佳制粉单耗时工况预测方法,其特征在于:
所述步骤1-2中所述移动平均窗口大小为5分钟,移动步长为10s。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011538406.7A CN112883993B (zh) | 2020-12-23 | 2020-12-23 | 一种基于机器学习的磨煤机最佳制粉单耗时工况预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011538406.7A CN112883993B (zh) | 2020-12-23 | 2020-12-23 | 一种基于机器学习的磨煤机最佳制粉单耗时工况预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883993A true CN112883993A (zh) | 2021-06-01 |
CN112883993B CN112883993B (zh) | 2022-04-26 |
Family
ID=76043893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011538406.7A Active CN112883993B (zh) | 2020-12-23 | 2020-12-23 | 一种基于机器学习的磨煤机最佳制粉单耗时工况预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883993B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326585A (zh) * | 2021-06-15 | 2021-08-31 | 新奥数能科技有限公司 | 燃气锅炉的能效异常预警方法、装置和计算机设备 |
CN113843039A (zh) * | 2021-07-21 | 2021-12-28 | 国能信控互联技术有限公司 | 一种基于人工智能的磨煤机开关机智能运行优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
CN110346160A (zh) * | 2019-06-24 | 2019-10-18 | 浙江大学 | 一种基于svr的磨煤机效率异常检测与诊断方法 |
CN111639823A (zh) * | 2020-06-10 | 2020-09-08 | 天津大学 | 一种基于特征集构建的建筑冷热负荷预测方法 |
-
2020
- 2020-12-23 CN CN202011538406.7A patent/CN112883993B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
CN110346160A (zh) * | 2019-06-24 | 2019-10-18 | 浙江大学 | 一种基于svr的磨煤机效率异常检测与诊断方法 |
CN111639823A (zh) * | 2020-06-10 | 2020-09-08 | 天津大学 | 一种基于特征集构建的建筑冷热负荷预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326585A (zh) * | 2021-06-15 | 2021-08-31 | 新奥数能科技有限公司 | 燃气锅炉的能效异常预警方法、装置和计算机设备 |
CN113326585B (zh) * | 2021-06-15 | 2023-10-03 | 新奥数能科技有限公司 | 燃气锅炉的能效异常预警方法、装置和计算机设备 |
CN113843039A (zh) * | 2021-07-21 | 2021-12-28 | 国能信控互联技术有限公司 | 一种基于人工智能的磨煤机开关机智能运行优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112883993B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112883993B (zh) | 一种基于机器学习的磨煤机最佳制粉单耗时工况预测方法 | |
CN106909705B (zh) | 一种高炉铁水质量预报方法及其系统 | |
CN110837226A (zh) | 基于智能优化算法的火电机组操作寻优方法及相关装置 | |
CN110263395A (zh) | 基于数值模拟和数据分析的电厂脱硝运行优化方法及系统 | |
CN111322205B (zh) | 风电机组风向标零位误差辨识方法及校正方法 | |
CN109507961B (zh) | 一种半导体生产线动态负荷均衡投料控制方法 | |
CN109252855B (zh) | 确定气井最终累积产量的方法及装置 | |
CN106594794A (zh) | 一种混合智能锅炉效率燃烧优化模型更新方法 | |
CN111178605A (zh) | 一种基于特征选择的配网工程项目工期预测方法 | |
CN105975618A (zh) | 一种燃煤燃烧特性计算方法 | |
CN113533622A (zh) | 一种基于神经网络的磨煤机煤质预测方法 | |
CN116859836A (zh) | 一种制粉系统优化控制的方法 | |
CN117113628A (zh) | 一种基于Wasserstein距离测度显/隐式模型的典型场景生成方法及系统 | |
CN106919979A (zh) | 一种利用改进遗传算法实现棉花加工过程智能控制的方法 | |
CN114690643B (zh) | 基于掺镓单晶中镓含量的电阻率控制方法、系统及设备 | |
CN112628132B (zh) | 一种基于机器学习的水泵关键指标预测方法 | |
CN113128871A (zh) | 一种气候变化条件下落叶松分布变化和生产力协同估算方法 | |
CN110033187B (zh) | 一种基于环境数据的指标数据获取方法 | |
CN103472729B (zh) | 群智的农药废液焚烧炉有害物排放达标控制系统及方法 | |
CN111950131A (zh) | 一种考虑限电因素的风电场出力等值聚合模型构建方法 | |
CN113902170A (zh) | 一种基于复合分位数回归的海上风电功率概率预测方法 | |
CN113076309B (zh) | 烟草生丝水分加水量预测系统及方法 | |
CN116200813B (zh) | 一种晶体生长设备控制方法及系统 | |
JP7428157B2 (ja) | 解析装置、解析方法およびプログラム | |
CN113872200B (zh) | 一种中压配网停电事件诊断识别方法、系统及存储介质 |
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 |