CN113450880A - 一种脱硫系统入口so2浓度智能预测方法 - Google Patents

一种脱硫系统入口so2浓度智能预测方法 Download PDF

Info

Publication number
CN113450880A
CN113450880A CN202111010436.5A CN202111010436A CN113450880A CN 113450880 A CN113450880 A CN 113450880A CN 202111010436 A CN202111010436 A CN 202111010436A CN 113450880 A CN113450880 A CN 113450880A
Authority
CN
China
Prior art keywords
inlet
concentration
desulfurization system
subsequence
flue gas
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
CN202111010436.5A
Other languages
English (en)
Inventor
袁照威
孟磊
李文龙
谷小兵
白玉勇
曹书涛
江澄宇
梁东
李广林
夏爽
王刚
李玉宇
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.)
Datang Environment Industry Group Co Ltd
Original Assignee
Datang Environment Industry Group 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 Datang Environment Industry Group Co Ltd filed Critical Datang Environment Industry Group Co Ltd
Priority to CN202111010436.5A priority Critical patent/CN113450880A/zh
Publication of CN113450880A publication Critical patent/CN113450880A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Treating Waste Gases (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)

Abstract

本发明提供了一种脱硫系统入口SO2浓度智能预测方法。本发明的脱硫系统入口SO2浓度智能预测方法，包括步骤101：根据燃煤机组燃烧原理及脱硫系统反应机理，确定入口SO2浓度影响因素以及预测方法的输入变量；步骤201：基于主成分分析方法和灰度关联方法，确定入口SO2浓度影响因素并提取特征变量；步骤301：基于提取的特征变量，根据CatBoost算法建立入口SO2浓度智能预测模型；步骤401：将当前时刻的入口SO2浓度影响因素的实时运行数据输入建立的入口SO2浓度智能预测模型，得到当前时刻的脱硫系统入口SO2浓度。本发明的方法能够提前预测脱硫系统入口SO2浓度以便及时调整供浆量，对于控制燃煤机组SO2污染物的排放具有指导意义。

Description

一种脱硫系统入口SO2浓度智能预测方法
技术领域
本发明涉及燃煤电厂烟气脱硫技术领域，尤其是涉及一种脱硫系统入口SO2浓度智能预测方法。
背景技术
SO2是形成酸雨和雾霾的主要原因之一，而我国燃煤电厂污染物排放是SO2的主要来源。火电厂在生产流程中会燃烧大量的煤，而煤中常常含有一定量的硫元素，这些硫元素经过燃烧之后会释放出大量SO2，如果不加以治理，就会对环境造成巨大的危害。因此，控制和减少燃煤电厂污染物SO2的排放势在必行。
目前，国内外主要通过连续排放检测系统（Continuous Emission MonitoringSystem，CEMS）对烟气中的SO2成分进行实时测量。然而，这种测量方法在测量过程具有投资成本高、分析数据耗时长、测量值反馈存在严重滞后等缺点，势必导致脱硝系统入口SO2浓度难以实时准确的测量。测量不精确将会导致对入口SO2浓度的控制不及时，进而导致SO2排放超标，影响了机组的正常运行。
为了获得更为精确的入口SO2浓度，机器学习方法成为众多学者的选择。然而，现有的神经网络、支持向量机、决策树等方法在脱硫系统入口SO2浓度预测上尚存在一定的不足，同时在开展预测之前特征参数的选择均是根据运行人员的经验选择，因此存在一定的主观性。为了解决传统方法在预测上所存在的问题，特提出本发明。
发明内容
本发明的目的在于提供一种脱硫系统入口SO2浓度智能预测方法，该方法能够提前预测脱硫系统入口SO2浓度以便及时调整供浆量，对于控制燃煤机组SO2污染物的排放具有指导意义。
本发明提供一种脱硫系统入口SO2浓度智能预测方法，包括：
步骤101：根据燃煤机组燃烧原理及脱硫系统反应机理，确定入口SO2浓度影响因素以及预测方法的输入变量；
步骤201：基于主成分分析方法和灰度关联方法，确定入口SO2浓度影响因素并提取特征变量；
步骤301：基于提取的特征变量，根据CatBoost算法建立入口SO2浓度智能预测模型；
步骤401：将当前时刻的入口SO2浓度影响因素的实时运行数据输入建立的入口SO2浓度智能预测模型，得到当前时刻的脱硫系统入口SO2浓度。
在本发明中，入口SO2浓度影响因素可以包括机组负荷、总风量、总煤量、磨煤机给煤量、原烟气入口烟气温度、原烟气入口烟气压力和原烟气入口O2量。
进一步地，将入口SO2浓度影响因素与入口SO2浓度构成训练集，确定输入参数；具体地，可以通过DCS系统采集上述入口SO2浓度影响因素的运行历史数据，采集时的间隔时间可以设置为1s，将其并与入口SO2浓度构成训练集，确定输入变量。
在本发明中，主成分分析方法包括：协方差矩阵的计算、协方差矩阵特征值和特征向量计算、特征值排序并求取贡献率大于85%的特征向量、主成分确定和主成分与原始特征向量载荷矩阵的求取，根据载荷矩阵对输入参数进行降维。根据上述主成分分析方法确定入口SO2浓度影响因素包括机组负荷、总风量、总煤量、原烟气入口烟气温度和原烟气入口烟气压力。
在本发明中，灰度关联方法包括：确定母序列与子序列、对母序列和子序列数据进行无量纲化、计算母序列与子序列对应元素的绝对差值、计算关联系数、计算灰色关联度和确定特征参数。
具体地，按公式（1）计算母序列与子序列对应元素的绝对差值：
Figure 122370DEST_PATH_IMAGE001
公式（1）中：
Figure 755476DEST_PATH_IMAGE002
为母序列中第k个样本；
Figure 465943DEST_PATH_IMAGE003
为子序列中第k个样本第i个特征；n为母序列/子序列样本个数；m为子序列特征个数。
按公式（2）计算关联系数：
Figure 6646DEST_PATH_IMAGE004
公式（2）中：
Figure 525483DEST_PATH_IMAGE002
为母序列中第k个样本；
Figure 798333DEST_PATH_IMAGE003
为子序列中第k个样本第i个特征；n为母序列/子序列样本个数；m为子序列特征个数；
Figure 199358DEST_PATH_IMAGE005
为分辨系数，
Figure 747014DEST_PATH_IMAGE006
。
按公式（3）计算灰色关联度：
Figure 979412DEST_PATH_IMAGE007
公式（3）中：
Figure 423163DEST_PATH_IMAGE002
为母序列中第k个样本；
Figure 842643DEST_PATH_IMAGE003
为子序列中第k个样本第i个特征；n为母序列/子序列样本个数；m为子序列特征个数；
确定特征变量是筛选
Figure 928411DEST_PATH_IMAGE008
大于0.8的参数；最终确认的特征变量为机组负荷、原烟气入口烟气温度和原烟气入口烟气压力。
在本发明中，CatBoost算法包括：对于训练集X中的每一个样本X i ，通过除X i 之外的训练样本进行训练得到模型M i ；采用排序提升方法利用模型M i 计算样本X i 的梯度估计；利用新模型重新对样本X i 打分，形成一个弱学习器；对所有弱学习器进行加权处理，获得最终的强分类器。
采取当前时刻入口SO2浓度影响因素的实时运行数据，根据主成分分析得到当前时刻的输入变量，并将当前时刻的参数输入到训练后的入口SO2浓度智能预测模型中，即得到当前时刻入口SO2浓度预测值。
本发明的实施，至少具有以下优势：
1、本发明提供了一种智能的脱硫系统入口SO2浓度预测方法，能够提前未来一段时间准确地预测入口SO2浓度的变化情况，从而为运行人员下一步的参数调整提供了参考依据；
2、本发明提供的脱硫系统入口SO2浓度智能预测方法能够准确地预测脱硫系统入口SO2浓度，从而在很大程度上提高了脱硫系统的效率，降低了系统运行的物耗、能耗和电耗；
3、本发明的脱硫系统入口SO2浓度智能预测方法提供了一种特征变量降维和提取方式，为下一步模型的建立提供了准确且信息丰富的特征参数，降低了模型的复杂度，提高了模型计算的速度和精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明一实施方式的脱硫系统入口SO2浓度智能预测方法的流程示意图；
图2为本发明一实施方式的入口SO2浓度智能预测模型建立及预测的流程示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也包括复数形式，此外，还应当理解的是，当在本说明中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
实施例1
如图1所示，本实施例提供的脱硫系统入口SO2浓度智能预测方法，具体包括以下步骤：
步骤101，通过燃煤机组燃烧原理及脱硫系统反应机理，确定与入口SO2浓度相关的影响因素，确定预测方法的输入变量；
步骤201，基于主成分分析方法和灰度关联方法，确定与入口SO2浓度相关的影响因素，实现特征变量的选择与提取；
步骤301，基于提取的与入口SO2浓度相关的特征变量，建立CatBoost入口SO2浓度预测模型；
步骤401，采取当前时刻与入口SO2浓度相关的实时运行数据，输入到建立的智能预测模型，得到当前时刻的入口SO2浓度。
如图2所示，具体实现过程如下：
通过燃煤机组燃烧原理及脱硫系统反应机理分析，确定入口SO2浓度相关的影响因素如下：机组负荷、总风量、总煤量、A/B/C/D/E/F磨煤机给煤量、原烟气入口烟气温度、原烟气入口烟气压力、原烟气入口O2量。通过DCS系统采集上述影响因素的运行历史数据，间隔为1s，并与入口SO2浓度入口SO2浓度构成训练集，确定输入变量。
主成分分析方法主要包括：协方差矩阵的计算、协方差矩阵特征值和特征向量计算、特征值排序并求取贡献率大于85%的特征向量、主成分确定、主成分与原始特征向量载荷矩阵的求取，根据载荷矩阵实现输入数据的降维。根据上述主成分分析方法，确定入口SO2浓度的影响因素为机组负荷、总风量、总煤量、原烟气入口烟气温度和原烟气入口烟气压力。
灰度关联方法主要包括确定母序列与子序列、对母序列和子序列数据进行无量纲化、计算母序列与子序列对应元素的绝对差值、计算关联系数、计算灰色关联度、确定选取的特征参数。
按下述公式（1）计算母序列与子序列对应元素的绝对差值：
Figure 878963DEST_PATH_IMAGE001
公式（1）中：
Figure 290353DEST_PATH_IMAGE002
为母序列中第k个样本；
Figure 462708DEST_PATH_IMAGE003
为子序列中第k个样本第i个特征；n为母序列/子序列样本个数；m为子序列特征个数。
按下述公式（2）计算关联系数：
Figure 352167DEST_PATH_IMAGE004
公式（2）中：
Figure 496840DEST_PATH_IMAGE002
为母序列中第k个样本；
Figure 344711DEST_PATH_IMAGE003
为子序列中第k个样本第i个特征；n为母序列/子序列样本个数；m为子序列特征个数；
Figure 738783DEST_PATH_IMAGE005
为分辨系数，
Figure 431932DEST_PATH_IMAGE006
。
按下述公式（3）计算灰色关联度，灰色关联度为对每个特征参数的关联系数求平均值，即：
Figure 962271DEST_PATH_IMAGE007
公式（3）中：
Figure 715463DEST_PATH_IMAGE002
为母序列中第k个样本；
Figure 596832DEST_PATH_IMAGE003
为子序列中第k个样本第i个特征；n为母序列/子序列样本个数；m为子序列特征个数。
确定选取的特征变量为筛选
Figure 765776DEST_PATH_IMAGE008
大于0.8的值；根据上述灰度关联方法，最终确定特征变量为机组负荷、原烟气入口烟气温度和原烟气入口烟气压力。
CatBoost算法主要包括：对于训练集X中的每一个样本X i ，通过除X i 之外的训练样本进行训练得到模型M i ；采用排序提升方法利用模型M i 计算样本X i 的梯度估计；利用新模型重新对样本X i 打分，形成一个弱学习器；对所有弱学习器进行加权处理，获得最终的强分类器。
采取当前时刻入口SO2浓度影响因素的实时运行数据，根据主成分分析得到当前时刻的输入变量，并将当前时刻的参数输入到训练后的入口SO2浓度智能预测模型中，即得到当前时刻入口SO2浓度预测值。
上述脱硫系统入口SO2浓度智能预测方法能够提前未来一段时间SO2浓度的变化情况，为运行人员下一步的参数的调整提供参考依据；同时，上述脱硫系统入口SO2浓度智能预测方法能够准确地预测脱硫系统入口SO2浓度，从而在很大程度上提高了脱硫系统的效率，降低了系统运行的物耗、能耗和电耗；此外，上述脱硫系统入口SO2浓度智能预测方法提供了一种特征变量降维和提取方式，为下一步模型的建立提供了准确且信息丰富的特征参数，降低了模型的复杂度，提高了模型计算的速度和精度。上述方法能够提前预测脱硫系统入口SO2浓度以便及时调整供浆量，对于控制燃煤机组SO2污染物的排放具有指导意义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案的范围。

Claims (10)

1.一种脱硫系统入口SO2浓度智能预测方法，其特征在于，包括：
步骤101：根据燃煤机组燃烧原理及脱硫系统反应机理，确定入口SO2浓度影响因素以及预测方法的输入变量；
步骤201：基于主成分分析方法和灰度关联方法，确定入口SO2浓度影响因素并提取特征变量；
步骤301：基于提取的特征变量，根据CatBoost算法建立入口SO2浓度智能预测模型；
步骤401：将当前时刻的入口SO2浓度影响因素的实时运行数据输入建立的入口SO2浓度智能预测模型，得到当前时刻的脱硫系统入口SO2浓度。
2.根据权利要求1所述的脱硫系统入口SO2浓度智能预测方法，其特征在于，入口SO2浓度影响因素包括机组负荷、总风量、总煤量、磨煤机给煤量、原烟气入口烟气温度、原烟气入口烟气压力和原烟气入口O2量。
3.根据权利要求1或2所述的脱硫系统入口SO2浓度智能预测方法，其特征在于，将入口SO2浓度影响因素与入口SO2浓度构成训练集，确定输入参数。
4.根据权利要求1所述的脱硫系统入口SO2浓度智能预测方法，其特征在于，主成分分析方法包括：协方差矩阵的计算、协方差矩阵特征值和特征向量计算、特征值排序并求取贡献率大于85%的特征向量、主成分确定和主成分与原始特征向量载荷矩阵的求取，根据载荷矩阵对输入参数进行降维。
5.根据权利要求1所述的脱硫系统入口SO2浓度智能预测方法，其特征在于，灰度关联方法包括：确定母序列与子序列、对母序列和子序列数据进行无量纲化、计算母序列与子序列对应元素的绝对差值、计算关联系数、计算灰色关联度和确定特征参数。
6.根据权利要求5所述的脱硫系统入口SO2浓度智能预测方法，其特征在于，按公式（1）计算母序列与子序列对应元素的绝对差值：
Figure 744152DEST_PATH_IMAGE001
公式（1）中：
Figure 67817DEST_PATH_IMAGE002
为母序列中第k个样本；
Figure 644292DEST_PATH_IMAGE003
为子序列中第k个样本第i个特征；n为母序列/子序列样本个数；m为子序列特征个数。
7.根据权利要求5所述的脱硫系统入口SO2浓度智能预测方法，其特征在于，按公式（2）计算关联系数：
Figure 446026DEST_PATH_IMAGE004
公式（2）中：
Figure 994819DEST_PATH_IMAGE002
为母序列中第k个样本；
Figure 614019DEST_PATH_IMAGE003
为子序列中第k个样本第i个特征；n为母序列/子序列样本个数；m为子序列特征个数；
Figure 275858DEST_PATH_IMAGE005
为分辨系数，
Figure 209179DEST_PATH_IMAGE006
。
8.根据权利要求5所述的脱硫系统入口SO2浓度智能预测方法，其特征在于，按公式（3）计算灰色关联度：
Figure 674796DEST_PATH_IMAGE007
公式（3）中：
Figure 74684DEST_PATH_IMAGE002
为母序列中第k个样本；
Figure 563434DEST_PATH_IMAGE003
为子序列中第k个样本第i个特征；n为母序列/子序列样本个数；m为子序列特征个数；
确定特征变量是筛选
Figure 97184DEST_PATH_IMAGE008
大于0.8的参数。
9.根据权利要求1所述的脱硫系统入口SO2浓度智能预测方法，其特征在于，入口SO2浓度影响因素为机组负荷、总风量、总煤量、原烟气入口烟气温度和原烟气入口烟气压力；特征变量为机组负荷、原烟气入口烟气温度和原烟气入口烟气压力。
10.根据权利要求3所述的脱硫系统入口SO2浓度智能预测方法，其特征在于，CatBoost算法包括：对于训练集X中的每一个样本X i ，通过除X i 之外的训练样本进行训练得到模型M i ；采用排序提升方法利用模型M i 计算样本X i 的梯度估计；利用新模型重新对样本X i 打分，形成一个弱学习器；对所有弱学习器进行加权处理，获得强分类器。
CN202111010436.5A 2021-08-31 2021-08-31 一种脱硫系统入口so2浓度智能预测方法 Pending CN113450880A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111010436.5A CN113450880A (zh) 2021-08-31 2021-08-31 一种脱硫系统入口so2浓度智能预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111010436.5A CN113450880A (zh) 2021-08-31 2021-08-31 一种脱硫系统入口so2浓度智能预测方法

Publications (1)

Publication Number Publication Date
CN113450880A true CN113450880A (zh) 2021-09-28

Family

ID=77819268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111010436.5A Pending CN113450880A (zh) 2021-08-31 2021-08-31 一种脱硫系统入口so2浓度智能预测方法

Country Status (1)

Country Link
CN (1) CN113450880A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113941233A (zh) * 2021-10-19 2022-01-18 国能神福(石狮)发电有限公司 一种脱硫控制方法及装置
CN114911169A (zh) * 2022-06-13 2022-08-16 大唐环境产业集团股份有限公司 一种脱硫增效装置的优化方法、系统、设备及介质
CN116128136A (zh) * 2023-02-01 2023-05-16 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LSO-CatBoost的燃煤电厂锅炉NOX排放预测方法
CN116467911A (zh) * 2023-04-13 2023-07-21 深圳职业技术学院 基于多工况信息融合的蒸发过程出口溶液浓度估算方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101866397A (zh) * 2010-06-21 2010-10-20 南京大学 一种确定影响污染物排放主导因素的方法
CN108805456A (zh) * 2018-06-19 2018-11-13 西南科技大学 一种基于主成分分析的空气主要污染物的评定方法
CN109508832A (zh) * 2018-11-22 2019-03-22 李东峰 基于变量压缩bp神经网络的电厂so2排放软测量方法
CN109765331A (zh) * 2018-10-08 2019-05-17 陕西科技大学 一种基于最小二乘支持向量机的烟气氧含量软测量系统
CN111024898A (zh) * 2019-12-30 2020-04-17 中国科学技术大学 一种基于CatBoost模型的车辆尾气浓度超标判别方法
CN111581581A (zh) * 2020-04-23 2020-08-25 大唐环境产业集团股份有限公司 多边界条件下SCR入口NOx浓度的检测方法和系统
CN113033873A (zh) * 2021-03-02 2021-06-25 华电邹县发电有限公司 基于入炉煤质测量的脱硫系统入口硫氧化物含量预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101866397A (zh) * 2010-06-21 2010-10-20 南京大学 一种确定影响污染物排放主导因素的方法
CN108805456A (zh) * 2018-06-19 2018-11-13 西南科技大学 一种基于主成分分析的空气主要污染物的评定方法
CN109765331A (zh) * 2018-10-08 2019-05-17 陕西科技大学 一种基于最小二乘支持向量机的烟气氧含量软测量系统
CN109508832A (zh) * 2018-11-22 2019-03-22 李东峰 基于变量压缩bp神经网络的电厂so2排放软测量方法
CN111024898A (zh) * 2019-12-30 2020-04-17 中国科学技术大学 一种基于CatBoost模型的车辆尾气浓度超标判别方法
CN111581581A (zh) * 2020-04-23 2020-08-25 大唐环境产业集团股份有限公司 多边界条件下SCR入口NOx浓度的检测方法和系统
CN113033873A (zh) * 2021-03-02 2021-06-25 华电邹县发电有限公司 基于入炉煤质测量的脱硫系统入口硫氧化物含量预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113941233A (zh) * 2021-10-19 2022-01-18 国能神福(石狮)发电有限公司 一种脱硫控制方法及装置
CN114911169A (zh) * 2022-06-13 2022-08-16 大唐环境产业集团股份有限公司 一种脱硫增效装置的优化方法、系统、设备及介质
CN116128136A (zh) * 2023-02-01 2023-05-16 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LSO-CatBoost的燃煤电厂锅炉NOX排放预测方法
CN116467911A (zh) * 2023-04-13 2023-07-21 深圳职业技术学院 基于多工况信息融合的蒸发过程出口溶液浓度估算方法
CN116467911B (zh) * 2023-04-13 2023-12-15 深圳职业技术学院 基于多工况信息融合的蒸发过程出口溶液浓度估算方法

Similar Documents

Publication Publication Date Title
CN113450880A (zh) 一种脱硫系统入口so2浓度智能预测方法
CN111804146B (zh) 一种智能喷氨控制方法以及智能喷氨控制装置
CN112001527B (zh) 多特征融合深度神经网络的工业生产过程目标数据预测方法
CN109190848B (zh) 一种基于时延预估的SCR系统NOx排放浓度预测方法
CN104715142B (zh) 一种电站锅炉NOx排放动态软测量方法
CN110094251B (zh) 基于分时段多模型建模的scr催化剂性能劣化分析方法
CN112597430B (zh) 一种用于复杂精馏塔的操作参数优化方法
CN110716512A (zh) 一种基于燃煤电站运行数据的环保装备性能预测方法
CN114225662B (zh) 一种基于滞后模型的烟气脱硫脱硝优化控制方法
CN112465239B (zh) 基于改进pso-fcm算法的脱硫系统运行优化方法
CN115186996A (zh) 回转窑工艺参数控制方法、装置、电子设备及存储介质
US20050137995A1 (en) Method for regulating a thermodynamic process by means of neural networks
CN114757413A (zh) 一种基于时序数列分析耦合神经网络预测的不良数据辨识方法
CN115738622A (zh) 一种脱硫设备的尾气排放检测系统
CN116519555A (zh) 一种稀释法烟气监测系统
CN116359285A (zh) 一种基于大数据的油气浓度智能检测系统及方法
CN113505497B (zh) 湿法烟气脱硫吸收塔浆液品质监测方法及系统
CN107563656B (zh) 金湿法冶金氰化浸出过程运行状态的评价方法
CN1279356C (zh) 基于限定记忆部分最小二乘算法的4－cba含量在线软测量建模方法
CN111059896B (zh) 一种基于㶲模型的辊道窑系统异常检测方法
Li et al. A model combining seq2seq network and lightgbm algorithm for industrial soft sensor
CN110457374B (zh) 一种识别时段典型暴雨过程的方法
CN112541296A (zh) 一种基于pso-lssvm的so2预测方法
CN114358450B (zh) 一种基于数据处理的麻薯面包加工用发酵质量预测系统
CN115372285A (zh) 尾气分析装置及方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210928

RJ01 Rejection of invention patent application after publication