CN113707228A - 一种基于LightGBM算法的湿法烟气脱硫优化方法 - Google Patents
一种基于LightGBM算法的湿法烟气脱硫优化方法 Download PDFInfo
- Publication number
- CN113707228A CN113707228A CN202110861290.9A CN202110861290A CN113707228A CN 113707228 A CN113707228 A CN 113707228A CN 202110861290 A CN202110861290 A CN 202110861290A CN 113707228 A CN113707228 A CN 113707228A
- Authority
- CN
- China
- Prior art keywords
- flue gas
- algorithm
- desulfurization
- value
- 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.)
- Granted
Links
- 238000006477 desulfuration reaction Methods 0.000 title claims abstract description 59
- 230000023556 desulfurization Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 55
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 title claims abstract description 41
- 239000003546 flue gas Substances 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 239000002002 slurry Substances 0.000 claims abstract description 21
- 238000013178 mathematical model Methods 0.000 claims abstract description 14
- 229910052602 gypsum Inorganic materials 0.000 claims abstract description 6
- 239000010440 gypsum Substances 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract 1
- 239000003245 coal Substances 0.000 description 4
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000003916 acid precipitation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Computer Hardware Design (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明公开了一种基于LightGBM算法的湿法烟气脱硫优化方法,通过数学建模加多目标优化的方法计算出脱硫浆液pH值和出口烟气温度的最优设定范围。首先对石灰石‑石膏烟气脱硫工艺过程进行分析挖掘出脱硫浆液pH值和出口烟气温度存在的相互矛盾关系,对工厂实际运行数据进行清洗,剔除异常数据。分析影响脱硫浆液pH值和出口烟气温度的相关因素并利用LightGBM算法建立其回归模型。确定目标函数和设计变量的约束范围,使用NSGA‑III‑DE算法求解出一组最优的脱硫浆液pH值和出口烟气温度解。实验结果表明,本方法建立的数学模型在时间和精度上有很好的表现,用于优化算法中求解出的最优脱硫浆液pH值和出口烟气温度对于指导脱硫系统高效运行具有很好的指导作用。
Description
技术领域
本发明是一种基于集成学习算法的石灰石-石膏烟气脱硫工艺多目标优化方法,主要用于优化脱硫工艺的控制参数提高脱硫效率,属于系统优化和软测量领域。
背景技术
SO2是一种有害气体,主要来自于对于化石能源的使用。我国是一个能源消耗大国,在这过程中会有产生大量的SO2,大气中SO2超过一定含量会形成酸雨破坏环境,另一方面烟尘中含有多种重金属及其氧化物,能催化SO2形成毒性更强的硫酸雾,威胁到人类的生命安全。因此能源行业都要采用不同的脱硫工艺对烟气进行脱硫处理。我国有丰富的煤炭资源,这决定了我国能源结构中煤炭的消耗占有很大的比重。在所有煤炭消耗行业中燃煤电厂是主要的煤炭消费场所,也是大气污染的重要来源。因此火电厂都要通过脱硫工艺进行烟气处理。
脱硫效率是衡量一个脱硫工艺好坏的重要指标,同时在复杂的脱硫工艺中脱硫效率受到诸多因素的影响,如何在保障安全运行的前提下调节一些控制参数获得较高的脱硫效率是发电厂十分关注的问题。通过对国内某火力发电厂脱硫机组的实际运行数据进行分析得到同时获得较高的脱硫浆液pH值和出口烟气温度有利于提高脱硫效率,但是这确是一个相互矛盾的问题,对于这一对相互矛盾的问题的求解,考虑采用多目标优化算法。
多目标优化的问题需要建立被优化对象的目标函数,传统的方法是通过神经网络、支持向量机和最小二乘算法建立目标函数,但是在大数据量的情况下算法的精度和时间性能都会降低。因此本发明提出利用一个轻量级的集成学习算法LightGBM建立目标函数,时间更快,精度也更高。利用改进的非支配遗传算(NSGA-III-DE)求解目标函数。
发明内容
本发明提出一种面向湿法烟气脱硫工艺的建模和优化方法,该方法通过LightGBM算法建立最大化脱硫浆液pH值和出口烟气温度的目标函数,选定约束条件和约束范围。通过非支配遗传算法求解目标函数得到一组最优解。利用工厂脱硫系统实际运行数据对该方法进行验证,结果表明本方法能够建立更为精确的数学模型,多目标优化算法求解出的最优解能够为脱硫系统的实际运行提供指导,提高脱硫效率。
本发明是通过以下技术方案实现的,本发明包括以下步骤:
步骤1:分析石灰石-石膏湿法烟气脱硫工艺流程,挖掘出同时最大化脱硫浆液PH值和出口烟气温度这一相互矛盾问题。
步骤2:对脱硫系统的实际运行数据进行预处理,通过箱型图算法剔除异常数据。通过灰度关联分析算法分析出脱硫浆液pH值和出口烟气温度的影响因素,做特征选择。
步骤3:根据步骤2选取的特征变量,通过LightGBM算法建立pH值和温度的数学模型。
步骤4:将数据集划分为训练集和测试集。使用训练集训练数学模型,并使用测试集验证模型的性能。
步骤5:确定最大化脱硫浆液pH值和出口烟气温度为目标函数,明确约束范围。使用训练好的数学模型描述目标函数。
步骤6:使用改进的非支配遗传算法(NSGA-III-DE)求解目标函数得到一组最优解集。
步骤7:利用相关评价指标对优化算法的结果进行评估。
本发明的技术原理是将时间性能和精度更为出色的LightGBM算法用于多目标优化问题。多目标优化的关键在于挖掘出一对或者更多的存在相互矛盾的问题,确定目标函数并建立其数学模型。LightGBM算法是集成学习算法的一种,以决策树为基础模型,多次迭代以学习上一棵树的误差为目标构建多个决策树。最后将多棵树的结果进行叠加。在构建决策树时将原始数据通过直方图算法进行离散化,提高了算法的时间性能。决策树生长时对分裂增益最大的叶子进行增长,并限制其生长的深度从而提高了算法的精度。因此使用LightGBM算法建立目标函数的数学模型能很好的改善多目标问题的求解过程。改进的非支配遗传算法使用了带精英策略的快速非支配排序,排序速度有大幅的提升。而且使用了精英策略,保证了找到的最优解不会被抛弃,提高了搜索性能。使用差分进化算法的变异、交叉、选择操作生成子代种群,增强算法的全局收敛能力和鲁棒性。
附图说明
图1LightGBM算法训练过程示意图
图2优化问题求解过程示意图
具体实施方式
下面详细说明本发明的实施例,本实施例在本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
步骤1:分析湿法石灰石-石膏烟气脱硫工艺过程,分析其中同时最大化脱硫浆液PH值和出口烟气温度对于提高脱硫效率存在的矛盾关系。
步骤2:采用箱型图算法清洗掉异常数据,公式如(1)所示,对清洗后的数据采用灰度关联分析方法分析影响脱硫浆液pH值和出口烟气温度的因素,做特征选择,公式如(2)所示。
x<Q1-1.5×IQR或者x>Q3+1.5×IQR (1)
式中x为待验证数据,Q1为下四分位数,Q3为上四分位数,IQR为四分位距离。
式中y(k)为参考序列,xi(k)为均值化处理后的比较序列,ρ为分辨系数。
步骤3:根据之前选择的特征作为LightGBM算法的输入变量,建立脱硫浆液PH值和出口烟气温度的回归模型。
使用直方图算法将连续的数据离散化,在接下来构建决策树的过程中不用再每次遍历全部数据。初始化损失函数,计算分裂增益。选择分裂增益最大的叶子结点进行增长,为了避免树的层数过大出现过拟合,要设置最大层数限制。构建完一棵决策树后计算误差,在接下来的迭代过程中每次学习的上一棵树的误差。最后将多棵树的结果进行叠加。
步骤4:将脱硫系统运行数据集划分为训练集和测试集。
首先将数据进行归一化处理,消除不同量纲之间的影响。让后将处理后的空气质量数据按照8:2的比例分为两部分,80%的数据作为训练集,20%的数据作为测试集。为了去除训练集和测试集的规律性,采用随机的方式进行划分。
步骤5:评估模型的性能。
使用均方误差(MSE)、平均绝对百分比误差(MAPE)和相关系数(R2)对模型测试结果进行评价,公式如下所示。
步骤6:确定待优化目标函数和约束范围。
使用上述算法建立脱硫浆液pH值和出口烟气温度的数学模型,并以最大化这两个模型的值为目标函数。统计出数据集中每一项自变量的最大最小值为约束范围。
步骤7:使用改进的非支配遗传算法(NSGA-III-DE)求解目标函数,得到一组最优解集。
首先初始化种群,通过快速非支配排序,使用差分进化算法选择、交叉以及变异操作后得到初始种群,将父代种群和子代种群合并。再通过排序、拥挤度计算得出下一代种群个体,得出新一代种群后根据遗传操作继续产生下一代,如此反复,直到达到进化最大代数停止。
步骤8:利用相关评价指标对优化结果进行评估。
利用上述优化算法求解出50组最优的非支配解集,采用使用超体积指标(HV)对实验结果进行评价,公式如下所示。
HV指标越大说明解集的收敛性和均匀性越好。
Claims (9)
1.一种基于LightGBM算法的湿法烟气脱硫优化方法,其特征在于:包括以下步骤:
步骤1:分析石灰石-石膏湿法烟气脱硫工艺流程,挖掘出同时最大化脱硫浆液pH值和出口烟气温度这一相互矛盾问题;
步骤2:对脱硫系统的实际运行数据进行预处理,通过箱型图算法剔除异常数据;通过灰度关联分析算法分析出脱硫浆液pH值和出口烟气温度的影响因素,做特征选择;
步骤3:根据步骤2选取的特征变量,通过LightGBM算法建立pH值和温度的数学模型;
步骤4:将数据集进行归一化并划分为训练集和测试集;使用训练集训练数学模型,并使用测试集验证模型的性能;
步骤5:使用相关评价指标评估模型性能;
步骤6:确定最大化脱硫浆液pH值和出口烟气温度为目标函数,明确约束范围;使用训练好的数学模型描述目标函数;
步骤7:使用改进的非支配遗传算法NSGA-III-DE求解目标函数得到一组最优解集;
步骤8:利用相关评价指标对优化算法的结果进行评估。
2.根据权利要求1所述的一种基于LightGBM算法的湿法烟气脱硫优化方法,其特征在于:步骤1分析石灰石-石膏湿法烟气脱硫工艺流程,挖掘出同时最大化脱硫浆液pH值和出口烟气温度对于提高脱硫效率存在的矛盾关系。
4.根据权利要求1所述的一种基于LightGBM算法的湿法烟气脱硫优化方法,其特征在于:步骤3通过LightGBM算法建立pH值和温度的数学模型,方法如下:
使用直方图算法将连续的数据离散化,在接下来构建决策树的过程中不用再每次遍历全部数据;初始化损失函数,计算分裂增益;选择分裂增益最大的叶子结点进行增长,为了避免树的层数过大出现过拟合,要设置最大层数限制;构建完一棵决策树后计算误差,在接下来的迭代过程中每次学习的上一棵树的误差;最后将多棵树的结果进行叠加。
5.根据权利要求1所述的一种基于LightGBM算法的湿法烟气脱硫优化方法,其特征在于:步骤4将数据集划分为训练集和测试集;使用训练集训练数学模型,方法如下:
首先将数据进行归一化处理,消除不同量纲之间的影响;让后将处理后的空气质量数据按照8:2的比例分为两部分,80%的数据作为训练集,20%的数据作为测试集;为了去除训练集和测试集的规律性,采用随机的方式进行划分。
6.根据权利要求1所述的一种基于LightGBM算法的湿法烟气脱硫优化方法,其特征在于:步骤5使用相关评价指标评估模型性能,方法如下:
使用均方误差MSE、平均绝对百分比误差MAPE和相关系数R2对模型测试结果进行评价。
7.根据权利要求1所述的一种基于LightGBM算法的湿法烟气脱硫优化方法,其特征在于:步骤6确定最大化脱硫浆液pH值和出口烟气温度为目标函数,明确约束范围;使用训练好的数学模型描述目标函数。
8.根据权利要求1所述的一种基于LightGBM算法的湿法烟气脱硫优化方法,其特征在于:步骤7使用改进的非支配遗传算法NSGA-III-DE求解目标函数得到一组最优解集,方法如下:
首先初始化种群,通过快速非支配排序,使用差分进化算法选择、交叉以及变异操作后得到初始种群,将父代种群和子代种群合并;再通过排序、拥挤度计算得出下一代种群个体,得出新一代种群后根据遗传操作继续产生下一代,如此反复,直到达到进化最大代数停止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110861290.9A CN113707228B (zh) | 2021-07-29 | 2021-07-29 | 一种基于LightGBM算法的湿法烟气脱硫优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110861290.9A CN113707228B (zh) | 2021-07-29 | 2021-07-29 | 一种基于LightGBM算法的湿法烟气脱硫优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113707228A true CN113707228A (zh) | 2021-11-26 |
CN113707228B CN113707228B (zh) | 2024-04-16 |
Family
ID=78650886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110861290.9A Active CN113707228B (zh) | 2021-07-29 | 2021-07-29 | 一种基于LightGBM算法的湿法烟气脱硫优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113707228B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109420424A (zh) * | 2017-08-22 | 2019-03-05 | 邢台国泰发电有限责任公司 | 一种石灰石-石膏湿法烟气脱硫系统节能优化方法 |
CN110413494A (zh) * | 2019-06-19 | 2019-11-05 | 浙江工业大学 | 一种改进贝叶斯优化的LightGBM故障诊断方法 |
CN111260029A (zh) * | 2020-01-13 | 2020-06-09 | 北京工业大学 | 一种面向空气质量数据的可信度分析方法 |
CN111476422A (zh) * | 2020-04-10 | 2020-07-31 | 北京石油化工学院 | 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法 |
CN111598156A (zh) * | 2020-05-14 | 2020-08-28 | 北京工业大学 | 基于多源异构数据融合的pm2.5预测模型 |
CN113082954A (zh) * | 2021-04-07 | 2021-07-09 | 浙江大学 | 一种湿法脱硫装置的全过程智能运行调控系统 |
-
2021
- 2021-07-29 CN CN202110861290.9A patent/CN113707228B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109420424A (zh) * | 2017-08-22 | 2019-03-05 | 邢台国泰发电有限责任公司 | 一种石灰石-石膏湿法烟气脱硫系统节能优化方法 |
CN110413494A (zh) * | 2019-06-19 | 2019-11-05 | 浙江工业大学 | 一种改进贝叶斯优化的LightGBM故障诊断方法 |
CN111260029A (zh) * | 2020-01-13 | 2020-06-09 | 北京工业大学 | 一种面向空气质量数据的可信度分析方法 |
CN111476422A (zh) * | 2020-04-10 | 2020-07-31 | 北京石油化工学院 | 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法 |
CN111598156A (zh) * | 2020-05-14 | 2020-08-28 | 北京工业大学 | 基于多源异构数据融合的pm2.5预测模型 |
CN113082954A (zh) * | 2021-04-07 | 2021-07-09 | 浙江大学 | 一种湿法脱硫装置的全过程智能运行调控系统 |
Non-Patent Citations (2)
Title |
---|
刘延泉;薛龙;: "基于SPSS湿法烟气脱硫系统的优化", 电力科学与工程, no. 10, 28 October 2012 (2012-10-28) * |
路艳雪;赵超凡;吴晓锋;韩晓霞;: "基于改进的NSGA-Ⅱ多目标优化方法研究", 计算机应用研究, no. 06, 14 June 2017 (2017-06-14) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113707228B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363344B (zh) | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 | |
CN111985796B (zh) | 基于随机森林和智能算法预测混凝土结构耐久性的方法 | |
CN104534507B (zh) | 一种锅炉燃烧优化控制方法 | |
CN112070356B (zh) | 一种基于rf-lssvm模型预测混凝土抗碳化性能的方法 | |
CN111144609A (zh) | 一种锅炉废气排放预测模型建立方法、预测方法及装置 | |
CN114969953B (zh) | 基于CatBoost-NSGA-Ⅲ的盾构下穿隧道优化设计方法及设备 | |
CN112417573A (zh) | 基于ga-lssvm与nsga-ⅱ盾构下穿既有隧道施工多目标优化的方法 | |
CN112733417B (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
CN105302973A (zh) | 基于moea/d算法的铝电解生产优化方法 | |
CN113469449B (zh) | 脱硫系统的寻优控制方法及系统 | |
CN112862065B (zh) | 一种基于多任务图神经网络的电网支路参数辨识方法 | |
CN112711896B (zh) | 一种考虑多源预报误差不确定性的复杂水库群优化调度方法 | |
Ning et al. | GA-BP air quality evaluation method based on fuzzy theory. | |
CN112364560A (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN105608295A (zh) | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 | |
CN114169434A (zh) | 一种负荷预测方法 | |
CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN113707228A (zh) | 一种基于LightGBM算法的湿法烟气脱硫优化方法 | |
CN112765902A (zh) | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 | |
CN105302976A (zh) | 基于spea2算法的铝电解生产优化方法 | |
CN115906626A (zh) | 一种基于人工智能的地下水有机污染互馈反演溯源方法 | |
CN113641733B (zh) | 一种河道断面流量实时智能推求方法 | |
Li et al. | Data cleaning method for the process of acid production with flue gas based on improved random forest | |
CN114818487A (zh) | 一种基于pso-bp神经网络的天然气湿气管道持液率预测模型方法 |
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 |