CN113007691A - 余热锅炉控制方法及系统 - Google Patents
余热锅炉控制方法及系统 Download PDFInfo
- Publication number
- CN113007691A CN113007691A CN202110143190.2A CN202110143190A CN113007691A CN 113007691 A CN113007691 A CN 113007691A CN 202110143190 A CN202110143190 A CN 202110143190A CN 113007691 A CN113007691 A CN 113007691A
- Authority
- CN
- China
- Prior art keywords
- heat boiler
- waste heat
- boiler control
- value
- parameter data
- 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
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F22—STEAM GENERATION
- F22B—METHODS OF STEAM GENERATION; STEAM BOILERS
- F22B35/00—Control systems for steam boilers
- F22B35/007—Control systems for waste heat boilers
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Steam Boilers And Waste-Gas Boilers (AREA)
Abstract
本发明提出一种余热锅炉控制方法及系统,涉及锅炉技术领域,该方法包括:通过数据采集网关采集余热锅炉控制参数并传送至大数据中心,获得余热锅炉输入参数;将余热锅炉输入参数输入预先建立的余热锅炉控制模型获得排灰预测数值和汽包液位预测数值,将排灰预测数值和汽包液位预测数值输入双链量子遗传算法优化模型进行优化选择,获得最优排灰数值和汽包液位数值;根据所获得的最优排灰数值和汽包液位数值对余热锅炉进行调整。利用本发明,可实现余热锅炉控制系统的自适应参数调整,进而达到提高锅炉工作效率的技术效果。
Description
技术领域
本发明涉及锅炉技术领域,尤其涉及一种余热锅炉控制方法及系统。
背景技术
我国的工业余热资源丰富,在各工业行业生产过程中,余热资源约占其燃料消耗总量的17%~67%,其中,可回收率达到60%,余热利用存在较大的可提升空间。
目前,传统的余热利用方式中,利用DCS控制系统控制余热锅炉。而DCS控制系统是由以太网连接的各工程师站、操作员站、数据服务器、现场控制站组成的综合自动化系统,具有一定的系统稳定性和可靠性,具有通讯速度快的特点。
但是,利用DCS控制系统控制余热锅炉具有的弊端如下:
1)初期投入成本以及后期维护成本较高;
2)对于中小型的系统而言,对第三方的产品兼容性较低。
所以,亟需一种精确度高,成本低的余热锅炉控制方法。
发明内容
鉴于上述问题,本发明提供一种余热锅炉控制方法及系统,其主要目的提高余热锅炉工作效率能力,实现无调整参数的自适应的控制系统。
为实现上述目的,本发明提供一种余热锅炉控制方法,应用于电子装置,所述方法包括:
S110、通过数据采集网关采集余热锅炉控制参数,并通过广域网络与虚拟机前置阵列将所述余热锅炉控制参数传送至大数据中心;
S120、通过大数据中心对余热锅炉控制参数数据和环境参数数据进行存储并计算,获得余热锅炉输入参数;其中,所述环境参数数据通过互联网抓取获得;
S130、将余热锅炉输入参数输入预先建立的余热锅炉控制模型获得排灰预测数值和汽包液位预测数值,将排灰预测数值和汽包液位预测数值输入双链量子遗传算法优化模型进行优化选择,获得最优排灰数值和汽包液位数值;
S140、根据所获得的最优排灰数值和汽包液位数值对余热锅炉进行调整。
进一步,优选的,余热锅炉控制参数包括排灰量、蒸汽量、汽包压力、给水量、烟气温度、烟气流量和发电功率;且,余热锅炉控制参数通过DCS系统采集。
进一步,优选的,步骤S120中还包括对余热锅炉控制参数和环境参数数据的预处理过程,预处理步骤包括:
将余热锅炉控制参数数据和环境参数数据分别构建正态分布,
正态分布为X~N(μ,σ2),
随机变量X服从一个位置参数为期望值μ,尺度参数为标准差σ的概率分布,且筛选复合预设条件的参数数据;其中,预设条件为x=1.65σ+μ。
进一步,优选的,环境参数包括环境温度和锅炉排放标准。
进一步,优选的,余热锅炉控制模型为BP网络模型,输入层为5个节点、输出层为2个节点,隐层为3个节点;隐层和输出层的激励函数均为Sigmoid函数。
此外,为实现上述目的,本发明还提供一种余热锅炉控制系统,包括:
数据采集模块,用于通过数据采集网关采集余热锅炉控制参数,并通过广域网络与虚拟机前置阵列将所述余热锅炉控制参数传送至大数据中心;
大数据中心模块,用于通过大数据中心对余热锅炉控制参数数据和环境参数数据进行存储并计算,获得余热锅炉输入参数;其中,所述环境参数数据通过互联网抓取获得;
余热锅炉控制模型模块,用于将所述余热锅炉输入参数输入预先建立的余热锅炉控制模型获得排灰预测数值和汽包液位预测数值,将所述排灰预测数值和汽包液位预测数值输入双链量子遗传算法优化模型进行优化选择,获得最优排灰数值和汽包液位数值;
余热锅炉执行模块,用于根据所获得的最优排灰数值和汽包液位数值对余热锅炉进行调整。
进一步,优选的,余热锅炉控制参数包括排灰量、蒸汽量、汽包压力、给水量、烟气温度、烟气流量和发电功率;且,所述余热锅炉控制参数通过DCS系统采集。
进一步,优选的,大数据中心模块包括存储子模块、预处理子模块以及计算子模块;
存储子模块,用于对余热锅炉控制参数数据和环境参数数据进行存储并计算,获得余热锅炉输入参数;
预处理子模块,用于将余热锅炉控制参数数据和环境参数数据分别构建正态分布,所述正态分布为X~N(μ,σ2),所述随机变量X服从一个位置参数为期望值μ,尺度参数为标准差σ的概率分布,且筛选复合预设条件的参数数据;其中,所述预设条件为x=1.65σ+μ;
计算子模块,用于对所述预处理后的余热锅炉控制参数数据和环境参数数据进行计算,获得余热锅炉输入参数。
进一步,优选的,环境参数包括环境温度和锅炉排放标准。
进一步,优选的,余热锅炉控制模型为BP网络模型,输入层为5个节点、输出层为2个节点,隐层为3个节点;所述隐层和输出层的激励函数均为Sigmoid函数。
本发明提出的余热锅炉控制方法及系统,该方法利用双链量子遗传算法优化后的BP网络模型进行控制余热锅炉的控制参数预测,有益效果如下:
1、双链量子遗传算法优化后的BP网络模型进行控制余热锅炉的控制参数预测,从而达到预测结果精准,工作效率高的效果;
2、与现有的DCS系统相结合,将优化后的参数以指令的形式通过OPC回送给锅炉机组的DCS,使得锅炉按照优化后的数据运行,从而达到节能减排的目的;
3、与现有系统兼容,不需要另外搭建硬件,实施成本较低。
附图说明
图1为本发明余热锅炉控制方法较佳实施例的流程图;
图2为本发明余热锅炉控制方法较佳实施例的场景示意图;
图3为本发明的余热锅炉控制系统的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
余热锅炉是利用高温的烟气、工艺气和产品的余热来加热水,以产生蒸汽的一种热交换设备。余热锅炉主要是由汽包、挡板执行器等结构组成。其中,汽包内储存一定的水与蒸汽,具有储能作用,当负荷变化时,它对蒸发量和给水量的不平衡以及气压的变化速度都有一定的缓冲作用。烟道是余热流经通道,挡板为了实现对汽包压力和蒸汽温度的调节。
本发明提供一种余热锅炉控制方法,提出的余热锅炉控制方法及系统,该方法利用双链量子遗传算法优化后的BP网络模型进行控制余热锅炉的控制参数预测。将余热锅炉控制模型外挂于DCS中,将优化后的参数以指令的形式通过OPC回送给锅炉机组的DCS,使得锅炉按照优化后的数据运行,从而达到节能减排的目的。
本发明提供一种余热锅炉控制方法。图1示出了根据本发明实施例的余热锅炉控制方法的流程图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
如图1所示,本发明提供一种余热锅炉控制方法,应用于电子装置,所述方法包括:S110-S140。
S110、通过数据采集网关采集余热锅炉控制参数,并通过广域网络与虚拟机前置阵列将所述余热锅炉控制参数传送至大数据中心。
余热锅炉控制系统现场采集的数据是通过现场检测设备由DCS系统采集的。采集的数据包括整个锅炉系统的运行参数,例如,进入锅炉的烟气温度、烟气压力、烟气流量等,锅炉输出的蒸汽量等,来控制余热发电系统最终的发电功率达到最优值。
具体地说,余热锅炉控制参数包括排灰量、蒸汽量、汽包压力、给水量、烟气温度、烟气流量和发电功率;余热锅炉控制参数通过DCS系统采集。其中,通过汽包液位变送器检测余热锅炉的汽包液位;利用汽包压力变送器检测汽包压力;利用烟道测温元件检测烟道温度;利用汽包给水流量变送器检测给水量;利用汽包蒸汽出口流量变送器检测蒸汽流量。在具体的实施过程中,根据专业基础知识及锅炉运行特性,筛选出与目标参数相关的锅炉运行参数,从锅炉的DCS系统中获取近一两年内的历史运行数据,并以记录时间为键,将锅炉控制参数、锅炉效果参数与环境参数数据融合为一条记录。
另外的环境参数包括环境温度和锅炉排放标准。要抓取先行的国家排放标准,并将标准作为参考标准数值。另外,外界环境的温度,对于余热锅炉的工作效率也是存在影响的,要通过对外界环境温度的抓取,对余热锅炉的执行数据进行调整。
S120、通过大数据中心对余热锅炉控制参数数据和环境参数数据进行存储并计算,获得余热锅炉输入参数;其中,所述环境参数数据通过互联网抓取获得。
步骤S120中还包括对余热锅炉控制参数和环境参数数据的预处理过程,预处理步骤包括:将余热锅炉控制参数数据和环境参数数据分别构建正态分布,正态分布为X~N(μ,σ2),随机变量X服从一个位置参数为期望值μ,尺度参数为标准差σ的概率分布,且筛选复合预设条件的参数数据;其中,预设条件为x=1.65σ+μ。具体地说,就是在对数据进行计算处理之前,要通过正态分布的方式筛选掉边缘数据。
获得余热锅炉输入参数包括余热锅炉的排灰量、烟道温度、烟气量。给水量、锅炉负荷、水位下气泡容积、蒸汽压力、炉膛热负荷、汽包水位;蒸汽流量,给水流量、汽包水位。
在一个具体地实施例中,余热锅炉输入参数可以为炉膛出口CO、NOX浓度及飞灰可燃物、蒸汽参数、排烟温度、余热锅炉输出蒸汽流量,余热锅炉锅筒中水(汽)温度、余热锅炉过热器蒸汽出口温度,余热锅炉过热器烟气入口温度,集气缸当前压力等。
在一个具体地实施例中,从DCS系统中读取锅炉效率、SCR入口NOx浓度、再热汽温三项输出的数据,燃尽风、周界风、二次风和给煤量四类控制量进行最小二乘拟合,将得到的拟合系数与烟气含氧量定值、机组负荷构成样本数据集,对余热锅炉控制模型进行训练。
S130、将余热锅炉输入参数输入预先建立的余热锅炉控制模型获得排灰预测数值和汽包液位预测数值,将排灰预测数值和汽包液位预测数值输入双链量子遗传算法优化模型进行优化选择,获得最优排灰数值和汽包液位数值。
余热锅炉控制模型为BP网络模型,输入层为5个节点、输出层为2个节点,隐层为3个节点;隐层和输出层的激励函数均为Sigmoid函数。
双链量子遗传算法的优化步骤包括,初始化双链量子种群,种群数、染色体量子位数、最大迭代次数和变异概率,首先设置迭代次数为零;利用变异概率判断当前染色体是否变异,如果变异则进行量子位非门变异;如果没有变异,直接执行下一步;将当前染色体的每个量子位的概率幅向解空间转换,从二进制转入实数,并将转换得到的值代入暂态稳定计算程序确定暂态稳定性最优的总目标函数值并进行适应度评价从而确定个体适应度,存储全局最优解;计算量子旋转角前进步长并更新量子门,得到下一代染色体;判断当前迭代次数是否小于最大迭代次数,若否则,输出全局最优解,即获得最优排灰数值和汽包液位数值。
总之,根据分散控制(DCS)系统采集当前时刻的运行数据,采用与步骤S130的方法对输入量得到预测值;利用预测控制的方法,结合的双链量子遗传算法优化模型,得到2类控制量的实际优化指令,将所有优化控制量输出到DCS。
S140、根据所获得的最优排灰数值和汽包液位数值对余热锅炉进行调整。
在对余热锅炉进行调节的过程中,通过调节阀调节余热锅炉的汽包液位;通过调节振打装置实现对烟道除尘排灰量的控制;在具体的实施过程中,还要对循环泵进行调整。当控制循环泵液位较高时,启动循环泵将余热锅炉汽包内的水传输至循环泵。
综上所述,通过不同工况下大量数据的采集和分析,来确定烟气温度、烟气流量、蒸汽量与发电功率的之间最优控制方案。通过机器学习给出的控制建议,来调整最优排灰数值和汽包液位数值等控制参数。具体地说,通过双链量子遗传算法优化后的BP网络模型进行控制余热锅炉的控制参数预测。将余热锅炉控制模型外挂于DCS中,将优化后的参数以指令的形式通过OPC回送给锅炉机组的DCS,使得锅炉按照优化后的数据运行,从而达到节能减排的目的。
图2示出了根据本发明实施例的余热锅炉控制方法的场景示意图,如图2所示,
基于机器学习的锅炉控制系统采用云计算技术,前置机、环境数据收集器、大数据中心、大数据计算分析、机器学习库可以放在一个中心机房,也可以分布在公网上各地节点。
通过数据采集网关采集余热锅炉控制参数数据,并通过广域网络与虚拟机前置阵列将所采集的数据传送至大数据中心;通过互联网抓取环境参数数据传送至大数据中心。
具体地说,余热锅炉控制方法的硬件环境包括N个机器学习数据采集网关、环境数据收集器和大数据中心;其中,数据采集网关通过广域网络与虚拟前置机阵列相连,上报现场数据;需要说明的是,N为正整数。环境数据收集器,从互联网抓取所需的气候、人口、交易等数据,存储在大数据中心。其中,前置机1到前置机M(M>=1),构成虚拟前置机阵列,前置机采用虚拟化容器技术。
通过大数据中心对余热锅炉控制参数数据和环境参数数据进行存储并计算,获得余热锅炉输入参数;大数据中心存储前置机接收的上报数据;大数据计算分析服务器,完成数据中心各种原始总线数据的解码,归类,然后回存数据中心。大数据中心采用分布式数据库。
余热利用、锅炉控制机器学习库根据数据中心不断增加的数据,利用模型学习。其中,余热利用、锅炉控制机器学习库初期采用简单线性模型,但不限于简单线性模型,随着数据增加,后期采用复杂非线性模型。通过双链量子遗传算法优化后的BP网络模型。
总之,本发明采用三层网络结构:现场仪表和执行器通过现场总线与各自的PLC、DCS控制相连;各PLC、DCS监控站和控制器都装有OPC服务器软件,通过OPC和工业以太网与优化管理系统和公司资源管理ERP/MES进行互联,实现整个系统信息透明访问与厂级资源管理ERP/MES的信息共享。本发明所述余热锅炉控制系统,利用现场设备采集学习数据,云计算提供大数据存储和计算能力,通过机器学习,提供精准数据,最大限度地提升余热利用效果。
此外,本发明还保护一种余热锅炉控制系统。图3示出了根据本发明实施例的余热锅炉控制系统的逻辑结构,如图3所示,
一种余热锅炉控制系统300,包括:数据采集模块310,用于通过数据采集网关采集余热锅炉控制参数,并通过广域网络与虚拟机前置阵列将所述余热锅炉控制参数传送至大数据中心;通过互联网抓取环境参数数据传送至大数据中心;其中,余热锅炉控制参数包括排灰量、蒸汽量、汽包压力、给水量、烟气温度、烟气流量和发电功率;所述余热锅炉控制参数通过DCS系统采集。环境参数包括环境温度和锅炉排放标准。
大数据中心模块320,用于通过大数据中心对余热锅炉控制参数数据和环境参数数据进行存储并计算,获得余热锅炉输入参数;其中,所述环境参数数据通过互联网抓取获得。
余热锅炉控制模型模块330,用于将所述余热锅炉输入参数输入预先建立的余热锅炉控制模型获得排灰预测数值和汽包液位预测数值,将所述排灰预测数值和汽包液位预测数值输入双链量子遗传算法优化模型进行优化选择,获得最优排灰数值和汽包液位数值;
余热锅炉执行模块340,用于根据所获得的最优排灰数值和汽包液位数值对余热锅炉进行调整。
具体地,大数据中心模块320包括存储子模块321、预处理子模块322以及计算子模块323。
存储子模块321,用于对余热锅炉控制参数数据和环境参数数据进行存储并计算,获得余热锅炉输入参数;预处理子模块322,用于将余热锅炉控制参数数据和环境参数数据分别构建正态分布,所述正态分布为X~N(μ,σ2),所述随机变量X服从一个位置参数为期望值μ,尺度参数为标准差σ的概率分布,且筛选复合预设条件的参数数据;其中,所述预设条件为x=1.65σ+μ;计算子模块323,用于对所述预处理后的余热锅炉控制参数数据和环境参数数据进行计算,获得余热锅炉输入参数。
余热锅炉控制模型为BP网络模型,输入层为5个节点、输出层为2个节点,隐层为3个节点;所述隐层和输出层的激励函数均为Sigmoid函数。
本发明的上述模块的具体实施方式与上述余热锅炉控制方法的具体实施方式大致相同,在此不再赘述。
本发明的余热锅炉控制系统,通过双链量子遗传算法优化后的BP网络模型进行控制余热锅炉的控制参数预测。将余热锅炉控制模型外挂于DCS中,将优化后的参数以指令的形式通过OPC回送给锅炉机组的DCS,使得锅炉按照优化后的数据运行,从而达到节能减排的目的。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
如上参照图1至图3以示例的方式描述根据本发明的余热锅炉控制方法及系统。以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种余热锅炉控制方法,应用于电子装置,其特征在于,所述方法包括:
S110、通过数据采集网关采集余热锅炉控制参数,并通过广域网络与虚拟机前置阵列将所述余热锅炉控制参数传送至大数据中心;
S120、通过大数据中心对余热锅炉控制参数和环境参数数据进行存储并计算,获得余热锅炉输入参数;其中,所述环境参数数据通过互联网抓取获得;
S130、将所述余热锅炉输入参数输入预先建立的余热锅炉控制模型获得排灰预测数值和汽包液位预测数值,将所述排灰预测数值和汽包液位预测数值输入双链量子遗传算法优化模型进行优化选择,获得最优排灰数值和汽包液位数值;
S140、根据所获得的最优排灰数值和汽包液位数值对余热锅炉进行调整。
2.根据权利要求1所述的余热锅炉控制方法,其特征在于,
所述余热锅炉控制参数包括排灰量、蒸汽量、汽包压力、给水量、烟气温度、烟气流量和发电功率;且,
所述余热锅炉控制参数通过DCS系统采集。
3.根据权利要求1所述的余热锅炉控制方法,其特征在于,步骤S120中还包括对余热锅炉控制参数和环境参数数据的预处理过程,所述预处理步骤包括:
将余热锅炉控制参数数据和环境参数数据分别构建正态分布,
所述正态分布为X~N(μ,σ2),
所述随机变量X服从一个位置参数为期望值μ,尺度参数为标准差σ的概率分布,且筛选复合预设条件的参数数据;
其中,所述预设条件为x=1.65σ+μ。
4.根据权利要求1所述的余热锅炉控制方法,其特征在于,所述环境参数包括环境温度和锅炉排放标准。
5.根据权利要求3所述的余热锅炉控制方法,其特征在于,所述余热锅炉控制模型为BP网络模型,输入层为5个节点、输出层为2个节点,隐层为3个节点;所述隐层和输出层的激励函数均为Sigmoid函数。
6.一种余热锅炉控制系统,其特征在于,包括:
数据采集模块,用于通过数据采集网关采集余热锅炉控制参数,并通过广域网络与虚拟机前置阵列将所述余热锅炉控制参数传送至大数据中心;
大数据中心模块,用于通过大数据中心对余热锅炉控制参数数据和环境参数数据进行存储并计算,获得余热锅炉输入参数;其中,所述环境参数数据通过互联网抓取获得;
余热锅炉控制模型模块,用于将所述余热锅炉输入参数输入预先建立的余热锅炉控制模型获得排灰预测数值和汽包液位预测数值,将所述排灰预测数值和汽包液位预测数值输入双链量子遗传算法优化模型进行优化选择,获得最优排灰数值和汽包液位数值;
余热锅炉执行模块,用于根据所获得的最优排灰数值和汽包液位数值对余热锅炉进行调整。
7.根据权利要求6所述的余热锅炉控制系统,其特征在于,
所述余热锅炉控制参数包括排灰量、蒸汽量、汽包压力、给水量、烟气温度、烟气流量和发电功率;且,所述余热锅炉控制参数通过DCS系统采集。
8.根据权利要求6所述的余热锅炉控制系统,其特征在于,所述大数据中心模块包括存储子模块、预处理子模块以及计算子模块;
所述存储子模块,用于对余热锅炉控制参数数据和环境参数数据进行存储并计算,获得余热锅炉输入参数;
所述预处理子模块,用于将余热锅炉控制参数数据和环境参数数据分别构建正态分布,所述正态分布为X~N(μ,σ2),所述随机变量X服从一个位置参数为期望值μ,尺度参数为标准差σ的概率分布,且筛选复合预设条件的参数数据;其中,所述预设条件为x=1.65σ+μ;
所述计算子模块,用于对所述预处理后的余热锅炉控制参数数据和环境参数数据进行计算,获得余热锅炉输入参数。
9.根据权利要求6所述的余热锅炉控制系统,其特征在于,所述环境参数包括环境温度和锅炉排放标准。
10.根据权利要求6所述的余热锅炉控制系统,其特征在于,所述余热锅炉控制模型为BP网络模型,输入层为5个节点、输出层为2个节点,隐层为3个节点;所述隐层和输出层的激励函数均为Sigmoid函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110143190.2A CN113007691A (zh) | 2021-02-02 | 2021-02-02 | 余热锅炉控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110143190.2A CN113007691A (zh) | 2021-02-02 | 2021-02-02 | 余热锅炉控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113007691A true CN113007691A (zh) | 2021-06-22 |
Family
ID=76384866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110143190.2A Pending CN113007691A (zh) | 2021-02-02 | 2021-02-02 | 余热锅炉控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113007691A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118009301A (zh) * | 2024-03-06 | 2024-05-10 | 广州强昇热能技术有限公司 | 一种锅炉智能控制方法、控制系统和存储介质 |
-
2021
- 2021-02-02 CN CN202110143190.2A patent/CN113007691A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118009301A (zh) * | 2024-03-06 | 2024-05-10 | 广州强昇热能技术有限公司 | 一种锅炉智能控制方法、控制系统和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Adams et al. | Prediction of SOx–NOx emission from a coal-fired CFB power plant with machine learning: Plant data learned by deep neural network and least square support vector machine | |
CN104123476B (zh) | 基于极限学习机的气体浓度预测方法及其装置 | |
Meng et al. | NOx emissions prediction with a brain-inspired modular neural network in municipal solid waste incineration processes | |
Weber et al. | Machine learning based system identification tool for data-based energy and resource modeling and simulation | |
KR20210029807A (ko) | 보일러 석탄 절약 제어 방법 | |
CN110766222A (zh) | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 | |
CN113007691A (zh) | 余热锅炉控制方法及系统 | |
Panahizadeh et al. | Evaluation of machine learning-based applications in forecasting the performance of single effect absorption chiller network | |
Yan et al. | A damping grey multivariable model and its application in online public opinion prediction | |
CN117151701B (zh) | 一种热电联产的工业余热回收利用系统 | |
CN113947013A (zh) | 基于混合深度神经网络建模的锅炉短期NOx排放预测方法 | |
Ahmad et al. | Energy demand forecasting of buildings using random neural networks | |
Cui et al. | Multi-condition operational optimization with adaptive knowledge transfer for municipal solid waste incineration process | |
Vijayalakshmi et al. | The role of artificial intelligence in renewable energy | |
CN109506248B (zh) | 一种基于可在线寻优的案例推理锅炉燃烧优化方法 | |
CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法 | |
Yang et al. | Prediction of pollutant diffusion trend using CNN-GRU hybrid network in IoT air monitoring system | |
CN113887130B (zh) | 一种基于集成学习的工业锅炉运行优化方法 | |
Li et al. | Prediction of typical flue gas pollutants from municipal solid waste incineration plants | |
Balamurugan et al. | ANN-SQP Approach for NOx emission reduction in coal fired Boilers | |
Qing et al. | Prediction model of the NOx emissions based on long short-time memory neural network | |
Li et al. | Modelling nitrogen oxide emission trends from the municipal solid waste incineration process using an adaptive bi‐directional long and short‐term memory network | |
Li et al. | Optimization for Boiler Based on Data Mining and Multi-Condition Combustion Model | |
CN115717709B (zh) | 基于注意力机制lstm模型的入炉垃圾热值实时预测方法 | |
CN111651938B (zh) | 基于热力计算与大数据的变煤质机组出力预测方法 |
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 |