CN113468738A - 基于knn的双重迭代燃煤热值修正算法 - Google Patents
基于knn的双重迭代燃煤热值修正算法 Download PDFInfo
- Publication number
- CN113468738A CN113468738A CN202110721728.3A CN202110721728A CN113468738A CN 113468738 A CN113468738 A CN 113468738A CN 202110721728 A CN202110721728 A CN 202110721728A CN 113468738 A CN113468738 A CN 113468738A
- Authority
- CN
- China
- Prior art keywords
- heat value
- value correction
- coal
- classification
- unit
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明公开了基于KNN的双重迭代燃煤热值修正算法,通过初次K近邻分类运算、第二次K近邻分类运算,结合最小二乘拟合曲线法,综合考虑燃煤的非自身特征,如机组运行的环境温度、湿度、背压等,计算得到热值衡量系数Kmn,并转换为热值修正系数Q,建立K临近分类优化模块与机组DCS系统建立的通讯,将热值修正系数Q返回至锅炉主控,实现对煤质的特征、规律地进行时域预测及修正。
Description
技术领域
本发明涉及燃煤技术领域,具体为基于KNN的双重迭代燃煤热值修正算法。
背景技术
当煤的热值偏离设计热值后,将实测煤量修正至对应设计热值的修正煤量即热值修正。传统热值修正以主蒸汽流量或机组负荷作为燃煤能量输出的表征信号,热值修正的判据为锅炉指令对应的理论主蒸汽流量或理论机组负荷与相应实际值的偏差,锅炉指令对应的理论值和实际值不匹配时,热值修正改变热值修正系数,间接改变了燃料量,直至两者相匹配。传统热值修正过程中只是单一通过锅炉指令对应的理论主蒸汽流量或理论机组负荷与相应实际值的偏差进行修正,存在以下问题:
1)无法基于大数据、统计学对系统进行全面、综合分析;
2)未对机组一年四季燃煤热值的变化规律进行综合考虑,修正不具备代表性、预测性;
3)传统采取的修正方法通过运行人员干预辅助实现,没有系统性的软件代码、优化模块从数据采集、数据分类、数据分析、数据计算、数据优化等自主、动态给出优化结果。
基于此,本发明设计了基于KNN的双重迭代燃煤热值修正算法,以解决上述提到的问题。
发明内容
本发明的目的在于提供基于KNN的双重迭代燃煤热值修正算法,通过初次K近邻分类运算、第二次K近邻分类运算,结合最小二乘拟合曲线法,综合考虑燃煤的非自身特征,如机组运行的环境温度、湿度、背压等,计算得到热值衡量系数Kmn,并转换为热值修正系数Q,建立K临近分类优化模块与机组DCS系统建立的通讯,将热值修正系数Q返回至锅炉主控,实现对煤质的特征、规律地进行时域预测及修正。
为实现上述目的,本发明提供如下技术方案:基于KNN的双重迭代燃煤热值修正算法,具体包括以下步骤:
S1:建立机组DCS系统数据库与K临近分类优化模块的数据通信通道,实现DCS实时数据与优化模块的双向通信功能;
S2:基于K临近分类算法原则,通过MATLAB编程第一次K分类算法,编译运行准确后进行封装,命名函数f1(x)待后续进行函数调用;
S3:基于K临近分类算法原则,通过MATLAB编程第二次K分类算法,编译运行准确后进行封装,命名函数f2(x)待后续进行函数调用;
S4:通过步骤S1建立的K临近分类优化模块与DCS系统数据库的双向通讯通道,基于大数据采集机组负荷、实际燃煤量、主蒸汽压力,编辑程序实现数据过滤与筛选,保留主蒸汽压力在±0.1MPa偏差内的机组负荷、实际燃煤量,供后续计算;
S5:将步骤S4中主蒸汽压力在±0.1MPa偏差内的机组负荷、实际燃煤量传递至第一次K分类算法、第二次K分类算法,调用函数f1(x)、f2(x),计算当前热值衡量系数Kmn;
S6:根据步骤S5的热值衡量系数Kmn,换算热值修正系数Q;
S7:将基于KNN的双重迭代燃煤热值修正算法优化模块给出的当前机组热值修正系数Q返回至DCS锅炉主控当中,对机组热值修正系数进行在线、动态修正。
优选的,所述主蒸汽压力在±0.1MPa偏差内的机组负荷为Pmn、实际燃煤量Cmn,两者比值量化反映机组目前热值水平,根据机组运行数据将δ1至δ9进行如下分段并分别在k1至k99个系列区间内进行初次迭代运算,用集合关系表示为:
k1={δ1|0.6≤δmn<0.9}
k2={δ2|0.9≤δmn<1.1}
k3={δ3|1.1≤δmn<1.3}
k4={δ4|1.3≤δmn<1.5}
k5={δ5|1.5≤δmn<1.7}
k6={δ6|1.7≤δmn<1.9}
k7={δ7|1.9≤δmn<2.1}
k8={δ8|2.1≤δmn<2.3}
k9={δ9|2.3≤δmn<2.6}。
优选的,在k1至k99个系列区间基础上对每个区域内的热值系数ki进行第二次迭代运算,函数关系记作f2(x),再将这9个系列分别分类划分10个标本点,进一步细化分类采集样本值,即,再次将每个区域的ki分为ki0、ki1···ki9;
对于ki0、ki1···ki9用矩阵分别表示:
k1i=[k10 k11 k12 k13 k14 k15 k16 k17 k18 k19]
k2i=[k20 k21 k22 k23 k24 k25 k26 k27 k28 k29]
k3i=[k30 k31 k32 k33 k34 k35 k36 k37 k38 k39]
k4i=[k40 k41 k42 k43 k44 k45 k46 k47 k48 k49]
k5i=[k50 k51 k52 k53 k54 k55 k56 k57 k58 k59]
k6i=[k60 k61 k62 k63 k64 k65 k66 k67 k68 k69]
k7i=[k70 k71 k72 k73 k74 k75 k76 k77 k78 k79]
k8i=[k80 k81 k82 k83 k84 k85 k86 k87 k88 k89]
k9i=[k90 k91 k92 k93 k94 k95 k96 k97 k98 k99];
则ki0、ki1···ki9用一个矩阵Kmn表示为:
优选的,根据K临近分类原则,对采集样本进行分类,δmn用矩阵表示为:
优选的,将δmn输入K临近分类优化模块,通过函数f1(x)、f2(x)分别进行初次K临近分类迭代、二次K临近分类迭代,二重迭代完成后,K临近分类优化模块计算给出最终当前运行工况下机组最适宜的热值修正系数Kmn。
优选的,热值修正系数Q与热值衡量系数Kmn存在关系如下:
与现有技术相比,本发明的有益效果是:
a)基于大数据及统计学思想,通过初次K近邻分类运算、第二次K近邻分类运算,双重细化分类,对燃烧系统进行全面、综合分析;
b)考虑相同煤量下所带负荷能力为强、适中、弱三个等级,给出不同最小二乘法拟合曲线,区别给出不同区域、不同带负荷工况下的标本点;
c)综合考虑机组一年四季燃煤热值的变化规律,对煤质的特征、规律地进行时域预测,实现对煤质更精确、超前地预测控制;
d)克服传统修正方法通过运行人员干预辅助实现的缺点,经过系统性的软件代码、优化模块从数据采集、数据分类、数据分析、数据计算、数据优化等综合运算后自主、动态给出优化结果。
具体实施方式
下面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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供一种技术方案:基于KNN的双重迭代燃煤热值修正算法,具体包括以下步骤:
S1:建立机组DCS系统数据库与K临近分类优化模块的数据通信通道,实现DCS实时数据与优化模块的双向通信功能;
S2:基于K临近分类算法原则,通过MATLAB编程第一次K分类算法,编译运行准确后进行封装,命名函数f1(x)待后续进行函数调用;
S3:基于K临近分类算法原则,通过MATLAB编程第二次K分类算法,编译运行准确后进行封装,命名函数f2(x)待后续进行函数调用;
S4:通过步骤S1建立的K临近分类优化模块与DCS系统数据库的双向通讯通道,基于大数据采集机组负荷、实际燃煤量、主蒸汽压力,编辑程序实现数据过滤与筛选,保留主蒸汽压力在±0.1MPa偏差内的机组负荷、实际燃煤量,供后续计算;
S5:将步骤S4中主蒸汽压力在±0.1MPa偏差内的机组负荷、实际燃煤量传递至第一次K分类算法、第二次K分类算法,调用函数f1(x)、f2(x),计算当前热值衡量系数Kmn;
S6:根据步骤S5的热值衡量系数Kmn,换算热值修正系数Q;
S7:将基于KNN的双重迭代燃煤热值修正算法优化模块给出的当前机组热值修正系数Q返回至DCS锅炉主控当中,对机组热值修正系数进行在线、动态修正。
下面通过理论计算机分析介绍基于KNN的双重迭代燃煤热值修正算法:
1)初次K临近分类迭代。纵观机组燃烧特性发现,短时期内燃煤热值波动不明显,随着季节交替、是否处于供热期或负荷高峰期的变化才出现较大变化,一个周期内燃煤的热值必定在最小值与最大值之间进行波动,基于此进行第一次热值修正算法迭代,函数关系记作f1(x):
此处定义负荷为Pmn,煤量Cmn,选择稳定工况下,主蒸汽压力在±0.1MPa偏差内的机组负荷为Pmn、实际燃煤量Cmn,两者比值量化反映机组目前热值水平,根据机组运行数据将δ1至δ9进行如下分段并分别在k1至k99个系列区间内进行初次迭代运算,用集合关系表示为:
k1={δ1|0.6≤δmn<0.9}
k2={δ2|0.9≤δmn<1.1}
k3={δ3|1.1≤δmn<1.3}
k4={δ4|1.3≤δmn<1.5}
k5={δ5|1.5≤δmn<1.7}
k6={δ6|1.7≤δmn<1.9}
k7={δ7|1.9≤δmn<2.1}
k8={δ8|2.1≤δmn<2.3}
k9={δ9|2.3≤δmn<2.6}。
2)二次K临近分类迭代。在初次K临近分类迭代运算中,分为k1至k99个系列区间,为了进一步精确、更具代表性地对样本进行分类,在k1至k99个系列区间基础上对每个区域内的热值系数ki进行第二次迭代运算,函数关系记作f2(x),再将这9个系列分别分类划分10个标本点,进一步细化分类采集样本值,即,再次将每个区域的ki分为ki0、ki1···ki9;
对于ki0、ki1···ki9用矩阵分别表示:
k1i=[k10 k11 k12 k13 k14 k15 k16 k17 k18 k19]
k2i=[k20 k21 k22 k23 k24 k25 k26 k27 k28 k29]
k3i=[k30 k31 k32 k33 k34 k35 k36 k37 k38 k39]
k4i=[k40 k41 k42 k43 k44 k45 k46 k47 k48 k49]
k5i=[k50 k51 k52 k53 k54 k55 k56 k57 k58 k59]
k6i=[k60 k61 k62 k63 k64 k65 k66 k67 k68 k69]
k7i=[k70 k71 k72 k73 k74 k75 k76 k77 k78 k79]
k8i=[k80 k81 k82 k83 k84 k85 k86 k87 k88 k89]
k9i=[k90 k91 k92 k93 k94 k95 k96 k97 k98 k99];
则ki0、ki1···ki9用一个矩阵Kmn表示为:
3)根据K临近分类原则,对采集样本进行分类。从DCS采集的功率P、煤量C样本点,表示为Pmn、Cmn,两者经过比值运算后赋予δmn,δmn用矩阵表示为:
将δmn输入K临近分类优化模块,通过函数f1(x)、f2(x)分别进行初次K临近分类迭代、二次K临近分类迭代,二重迭代完成后,K临近分类优化模块计算给出最终当前运行工况下机组最适宜的热值修正系数Kmn。
4)根据第三步的热值衡量系数,换算热值修正系数。对热值衡量系数分析可知,热值衡量系数越大说明相同煤量下所带负荷能力越强,相反则同煤量下所带负荷能力越弱。据此,经过数据仿真及拟合,可以得出热值修正系数Q与热值衡量系数Kmn存在关系如下:
5)通过K临近分类优化模块与机组DCS系统建立的通讯,将K临近分类优化模块给出的当前机组热值修正系数Q返回至DCS锅炉主控当中,对机组热值修正系数进行在线、动态修正。
基于KNN的双重迭代燃煤热值修正算法,通过初次K近邻分类运算、第二次K近邻分类运算,结合最小二乘拟合曲线法,综合考虑燃煤的非自身特征,如机组运行的环境温度、湿度、背压等,计算得到热值衡量系数Kmn,并转换为热值修正系数Q,建立K临近分类优化模块与机组DCS系统建立的通讯,将热值修正系数Q返回至锅炉主控,实现对煤质的特征、规律地进行时域预测及修正。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.基于KNN的双重迭代燃煤热值修正算法,其特征在于:具体包括以下步骤:
S1:建立机组DCS系统数据库与K临近分类优化模块的数据通信通道,实现DCS实时数据与优化模块的双向通信功能;
S2:基于K临近分类算法原则,通过MATLAB编程第一次K分类算法,编译运行准确后进行封装,命名函数f1(x)待后续进行函数调用;
S3:基于K临近分类算法原则,通过MATLAB编程第二次K分类算法,编译运行准确后进行封装,命名函数f2(x)待后续进行函数调用;
S4:通过步骤S1建立的K临近分类优化模块与DCS系统数据库的双向通讯通道,基于大数据采集机组负荷、实际燃煤量、主蒸汽压力,编辑程序实现数据过滤与筛选,保留主蒸汽压力在±0.1MPa偏差内的机组负荷、实际燃煤量,供后续计算;
S5:将步骤S4中主蒸汽压力在±0.1MPa偏差内的机组负荷、实际燃煤量传递至第一次K分类算法、第二次K分类算法,调用函数f1(x)、f2(x),计算当前热值衡量系数Kmn;
S6:根据步骤S5的热值衡量系数Kmn,换算热值修正系数Q;
S7:将基于KNN的双重迭代燃煤热值修正算法优化模块给出的当前机组热值修正系数Q返回至DCS锅炉主控当中,对机组热值修正系数进行在线、动态修正。
2.根据权利要求1所述的基于KNN的双重迭代燃煤热值修正算法,其特征在于:所述主蒸汽压力在±0.1MPa偏差内的机组负荷为Pmn、实际燃煤量Cmn,两者比值量化反映机组目前热值水平,根据机组运行数据将δ1至δ9进行如下分段并分别在k1至k99个系列区间内进行初次迭代运算,用集合关系表示为:
k1={δ1|0.6≤δmn<0.9}
k2={δ2|0.9≤δmn<1.1}
k3={δ3|1.1≤δmn<1.3}
k4={δ4|1.3≤δmn<1.5}
k5={δ5|1.5≤δmn<1.7}
k6={δ6|1.7≤δmn<1.9}
k7={δ7|1.9≤δmn<2.1}
k8={δ8|2.1≤δmn<2.3}
k9={δ9|2.3≤δmn<2.6}。
3.根据权利要求1所述的基于KNN的双重迭代燃煤热值修正算法,其特征在于:在k1至k99个系列区间基础上对每个区域内的热值系数ki进行第二次迭代运算,函数关系记作f2(x),再将这9个系列分别分类划分10个标本点,进一步细化分类采集样本值,即,再次将每个区域的ki分为ki0、ki1···ki9;
对于ki0、ki1···ki9用矩阵分别表示:
k1i=[k10 k11 k12 k13 k14 k15 k16 k17 k18 k19]
k2i=[k20 k21 k22 k23 k24 k25 k26 k27 k28 k29]
k3i=[k30 k31 k32 k33 k34 k35 k36 k37 k38 k39]
k4i=[k40 k41 k42 k43 k44 k45 k46 k47 k48 k49]
k5i=[k50 k51 k52 k53 k54 k55 k56 k57 k58 k59]
k6i=[k60 k61 k62 k63 k64 k65 k66 k67 k68 k69]
k7i=[k70 k71 k72 k73 k74 k75 k76 k77 k78 k79]
k8i=[k80 k81 k82 k83 k84 k85 k86 k87 k88 k89]
k9i=[k90 k91 k92 k93 k94 k95 k96 k97 k98 k99];
则ki0、ki1···ki9用一个矩阵Kmn表示为:
5.根据权利要求1所述的基于KNN的双重迭代燃煤热值修正算法,其特征在于:将δmn输入K临近分类优化模块,通过函数f1(x)、f2(x)分别进行初次K临近分类迭代、二次K临近分类迭代,二重迭代完成后,K临近分类优化模块计算给出最终当前运行工况下机组最适宜的热值修正系数Kmn。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110721728.3A CN113468738B (zh) | 2021-06-28 | 2021-06-28 | 基于knn的双重迭代燃煤热值修正算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110721728.3A CN113468738B (zh) | 2021-06-28 | 2021-06-28 | 基于knn的双重迭代燃煤热值修正算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113468738A true CN113468738A (zh) | 2021-10-01 |
CN113468738B CN113468738B (zh) | 2023-02-14 |
Family
ID=77873378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110721728.3A Active CN113468738B (zh) | 2021-06-28 | 2021-06-28 | 基于knn的双重迭代燃煤热值修正算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113468738B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070251432A1 (en) * | 2006-05-01 | 2007-11-01 | Energy Technologies, Inc. | Continuous real time heating value (BTU)/Coal flow balancing meter |
CN101320255A (zh) * | 2008-07-04 | 2008-12-10 | 中国电力科学研究院 | 一种火电机组燃煤热值实时监测方法及热值观测器 |
CN101697179A (zh) * | 2009-11-05 | 2010-04-21 | 东南大学 | 基于正反热平衡关系的电站锅炉燃煤热值趋势测算方法 |
JP2010096482A (ja) * | 2008-10-20 | 2010-04-30 | Chugoku Electric Power Co Inc:The | ボイラ装置における石炭カロリ制御システム |
JP2011203216A (ja) * | 2010-03-26 | 2011-10-13 | Yamatake Corp | 発熱量算出式作成システム、発熱量算出式の作成方法、発熱量測定システム、及び発熱量の測定方法 |
CN107168062A (zh) * | 2017-05-31 | 2017-09-15 | 国网河南省电力公司电力科学研究院 | 一种超临界燃煤机组协调控制系统中的负荷预测方法 |
CN111753389A (zh) * | 2020-05-07 | 2020-10-09 | 江苏方天电力技术有限公司 | 一种燃煤锅炉入炉原煤热值在线软测量方法和装置 |
CN112379650A (zh) * | 2020-11-20 | 2021-02-19 | 西安热工研究院有限公司 | 一种渐变约束的燃煤机组热值校正方法 |
CN112782220A (zh) * | 2020-12-24 | 2021-05-11 | 重庆大唐国际石柱发电有限责任公司 | 一种电站入炉煤热值的测量方法及系统 |
-
2021
- 2021-06-28 CN CN202110721728.3A patent/CN113468738B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070251432A1 (en) * | 2006-05-01 | 2007-11-01 | Energy Technologies, Inc. | Continuous real time heating value (BTU)/Coal flow balancing meter |
CN101320255A (zh) * | 2008-07-04 | 2008-12-10 | 中国电力科学研究院 | 一种火电机组燃煤热值实时监测方法及热值观测器 |
JP2010096482A (ja) * | 2008-10-20 | 2010-04-30 | Chugoku Electric Power Co Inc:The | ボイラ装置における石炭カロリ制御システム |
CN101697179A (zh) * | 2009-11-05 | 2010-04-21 | 东南大学 | 基于正反热平衡关系的电站锅炉燃煤热值趋势测算方法 |
JP2011203216A (ja) * | 2010-03-26 | 2011-10-13 | Yamatake Corp | 発熱量算出式作成システム、発熱量算出式の作成方法、発熱量測定システム、及び発熱量の測定方法 |
CN107168062A (zh) * | 2017-05-31 | 2017-09-15 | 国网河南省电力公司电力科学研究院 | 一种超临界燃煤机组协调控制系统中的负荷预测方法 |
CN111753389A (zh) * | 2020-05-07 | 2020-10-09 | 江苏方天电力技术有限公司 | 一种燃煤锅炉入炉原煤热值在线软测量方法和装置 |
CN112379650A (zh) * | 2020-11-20 | 2021-02-19 | 西安热工研究院有限公司 | 一种渐变约束的燃煤机组热值校正方法 |
CN112782220A (zh) * | 2020-12-24 | 2021-05-11 | 重庆大唐国际石柱发电有限责任公司 | 一种电站入炉煤热值的测量方法及系统 |
Non-Patent Citations (4)
Title |
---|
JUSHENG GE等: "Study on Algorithm for Soft Computing Coal-Fired Calorific Value of Utility Boiler", 《 2012 SECOND INTERNATIONAL CONFERENCE ON INTELLIGENT SYSTEM DESIGN AND ENGINEERING APPLICATION》 * |
李海永等: "火电厂入炉煤低位热值实时测量的研究及其应用", 《电力建设》 * |
杨婷婷等: "大型燃煤发电机组煤质实时校正方法", 《电站系统工程》 * |
陈婷等: "一种基于改进KFCM算法的火电厂煤耗特性模型的建立方法", 《热能动力工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113468738B (zh) | 2023-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111754093B (zh) | 一种基于煤质预测和pso-svm的飞灰含碳量预测方法 | |
CN108416691B (zh) | 一种能源替代环保潜力计算方法 | |
CN104534507A (zh) | 一种锅炉燃烧优化控制方法 | |
CN104765346A (zh) | 一种炼油过程全流程建模方法 | |
CN111881554B (zh) | 一种锅炉随气温变化的优化控制方法 | |
CN111780127B (zh) | 一种垃圾焚烧炉燃烧管理系统 | |
CN114721263B (zh) | 基于机器学习和智能优化算法的水泥分解炉智慧调控方法 | |
CN110889638B (zh) | 一种火电厂操作评价方法及相关设备 | |
CN111401652A (zh) | 一种基于co在线检测的锅炉优化方法及系统 | |
CN113468738B (zh) | 基于knn的双重迭代燃煤热值修正算法 | |
CN105808945B (zh) | 一种混合智能锅炉效率燃烧优化方法 | |
CN109101683B (zh) | 燃煤分质利用与清洁预处理系统热解釜的模型更新方法 | |
CN110766234B (zh) | 基于信息融合的水泥冷却过程篦下压力预测方法 | |
CN112791570A (zh) | 一种全工况自适应的ph调节方法 | |
CN101929684A (zh) | 混烧低热值煤气机组煤耗计算方法 | |
CN112231978B (zh) | 一种基于人工神经网络的锅炉烟气酸露点测试方法 | |
CN114881207A (zh) | 基于lstm深度循环神经网络的蒸汽压力预测方法及装置 | |
CN104656436A (zh) | 一种分解炉出口温度建模方法 | |
CN113418208A (zh) | 一种基于炉膛温度场的锅炉燃烧优化方法及系统 | |
CN111520740B (zh) | 一种多个多孔介质燃烧器协调优化运行的方法 | |
WO2019114402A1 (zh) | 一种秸秆直燃循环流化床锅炉变负荷蒸汽压跟踪控制方法 | |
CN114413249B (zh) | 一种电站锅炉效率对标优化的数据分析方法 | |
CN201449529U (zh) | 一种基于神经网络的纯碱碳化工艺控制系统 | |
Peng | Parameter tuning of boiler thermal process based on SVM neural net optimisation | |
Zhao et al. | Monitoring of efficiency and NOx emissions at a coal-fired utility boiler |
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 |