CN113723002A - 全工况下脱硫系统浆液pH值预测模型建立方法及系统 - Google Patents

全工况下脱硫系统浆液pH值预测模型建立方法及系统 Download PDF

Info

Publication number
CN113723002A
CN113723002A CN202111027260.4A CN202111027260A CN113723002A CN 113723002 A CN113723002 A CN 113723002A CN 202111027260 A CN202111027260 A CN 202111027260A CN 113723002 A CN113723002 A CN 113723002A
Authority
CN
China
Prior art keywords
working conditions
value
slurry
influence factors
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
CN202111027260.4A
Other languages
English (en)
Inventor
袁照威
孟磊
谷小兵
曹书涛
王力光
杨大洲
李婷彦
梁东
李广林
夏爽
吴晔
杜明生
李玉宇
王皓
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 CN202111027260.4A priority Critical patent/CN113723002A/zh
Publication of CN113723002A publication Critical patent/CN113723002A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Treating Waste Gases (AREA)

Abstract

本发明公开了一种全工况下脱硫系统浆液pH值预测模型建立方法及系统，所述方法包括：根据确定的与脱硫系统浆液pH值相关的影响因素，采集所述影响因素的历史数据作为数据集；采用均值漂移聚类算法处理所述数据集，分别得到多个不同工况和所述多个不同工况下的训练数据集；将多个所述训练数据集输入相应的长短期记忆神经网络LSTM训练并进行优化，构建不同工况下的pH值预测模型。提供了一种能够适应脱硫系统一系列工况的预测模型，对系统的适用性较强；实现过程简单，计算速度较快，成本较低。

Description

全工况下脱硫系统浆液pH值预测模型建立方法及系统
技术领域
本发明涉及燃煤电厂烟气脱硫技术领域，尤其是涉及一种全工况下脱硫系统浆液pH值预测模型建立方法及系统。
背景技术
目前，燃煤电厂的大气污染物排放已纳入严格监管，各电厂陆续开展了烟气超低排放改造。由于石灰石/石膏湿法脱硫具有技术成熟、可靠性高、脱硫剂来源广、对煤种适应性强、脱硫产物能够加以利用等众多优点，这一脱硫技术越来越受到现代化电厂的青睐。
在石灰石-石灰湿法烟气脱硫工艺中，钙硫比(Ca/S)、烟温、烟气含氧量、浆液pH值、浆液密度等成为影响脱硫效率的主要因素，其中浆液pH是使脱硫系统运行效果达到最佳状态的必要条件，直接影响浆液中石灰石的溶解过程和脱硫效率：pH值较高会导致吸收塔和除雾器结垢甚至堵塞，脱硫副产物品质降低以及石灰石消耗增加；pH值较低则会导致脱硫效率低等问题，因此需要将pH值精确控制在一定范围内。
目前，由于脱硫系统扰动因素较多致使pH计表头或测量设备易损害或腐蚀，导致测量结果不精确，因此，开展脱硫系统pH值的预测和计算对脱硫系统至关重要，也成为燃煤电厂脱硫系统控制过程中一个亟待解决的问题。
发明内容
本发明的目的在于提供一种全工况下脱硫系统浆液pH值预测模型建立方法及系统，旨在解决对全工况下脱硫系统浆液pH值进行预测的问题。
本发明提供一种全工况下脱硫系统浆液pH值预测模型建立方法，包括：
S1.根据确定的与脱硫系统浆液pH值相关的影响因素，采集所述影响因素的历史数据作为数据集；
S2.采用均值漂移聚类算法处理所述数据集，分别得到多个不同工况和所述多个不同工况下的训练数据集；
S3.将多个所述训练数据集输入相应的长短期记忆神经网络LSTM训练并进行优化，构建不同工况下的pH值预测模型。
本发明提供一种全工况下脱硫系统浆液pH值预测模型建立系统，包括：
数据采集模块：用于根据确定的与脱硫系统浆液pH值相关的影响因素，采集所述影响因素的历史数据作为数据集；
数据处理模块：用于采用均值漂移聚类算法处理所述数据集，分别得到多个不同工况和所述多个不同工况下的训练数据集；
模型构建模块：用于将多个所述训练数据集输入相应的长短期记忆神经网络LSTM训练并进行优化，构建不同工况下的pH值预测模型。
采用本发明实施例，提供了一种较为便捷的脱硫系统浆液pH值预测模型，能够适应脱硫系统一系列工况，对不同工况选择不同的预测模型，对系统的适用性较强；提供了一种pH值软测量方法，无需额外增加硬件成本，实现过程简单，计算速度较快，成本较低。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
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是本发明实施例的全工况下脱硫系统浆液pH值预测模型建立方法的流程图；
图2是本发明实施例的具体实施流程示意图；
图3是本发明实施例的全工况下脱硫系统浆液pH值预测模型建立系统示意图。
具体实施方式
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。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
方法实施例
根据本发明实施例，提供了一种全工况下脱硫系统浆液pH值预测模型建立方法，图1是本发明实施例的全工况下脱硫系统浆液pH值预测模型建立方法的流程图，如图1所示，根据本发明实施例的全工况下脱硫系统浆液pH值预测模型建立方法具体包括：
S1.根据确定的与脱硫系统浆液pH值相关的影响因素，采集所述影响因素的历史数据作为数据集。
其中，影响因素主要包括：机组负荷、入口烟气SO2浓度、入口烟尘浓度、入口烟气流量、入口烟气压力、入口烟气温度、入口烟气含氧量和石灰石浆液密度；训练数据集包括影响因素及对应的pH值；
历史数据采集间隔为1s，采集数据要求为至少一天且包含升负荷、降负荷、稳定负荷、入口SO2浓度波动、入口SO2稳定等情形。
S2.采用均值漂移聚类算法处理所述数据集，分别得到多个不同工况和所述多个不同工况下的训练数据集。
均值漂移聚类算法处理数据集的具体方法为：创建滑动窗口，确定滑动窗口大小并随机初始化聚类中心，通过不断更新滑动窗口范围内的数据，得到不同的聚类中心及聚类分组结果，即得到多个不同工况及多个不同工况下的训练数据集。
具体过程包括：
(1)确定滑动窗口大小R，随机初始化聚类中心C；
(2)计算滑动窗口范围内所有数据样本点xi与聚类中心C的向量，并计算该滑动窗口范围内所有向量的平均值，得到如公式1所示的偏移均值：
Figure BDA0003243751740000051
其中，Mean为偏移均值；N为落入到滑动窗口R范围内样本点数量；xi为落入到滑动窗口R范围内的每个样本；C为滑动窗口R的中心；
(3)更新中心点C，移动距离是Mean值的大小；
(4)重复步骤(2)、(3)直到偏移均值的大小满足设定阈值要求，得到此时的中心点；并重复步骤(1)、(2)、(3)直到所有样本点都被归类，得到多个聚类中心。
S3.将多个所述训练数据集输入相应的长短期记忆神经网络LSTM训练并进行优化，构建不同工况下的pH值预测模型。
LSTM神经网络模型为输入层、隐含层和输出层3层模型，输入层为步骤S1确定的pH值影响因素组成的训练数据；输出层为pH值时间序列数据；隐含层主要为LSTM神经网络结构，包含三个门和一个状态更新单元；
基于采集的训练数据集，输入到建立的LSTM神经网络模型中，得到训练数据集的pH值预测结果，并与实际测量值进行对比计算误差函数，通过反向不断训练，得到最终的LSTM神经网络模型。
LSTM神经网络模型的参数主要为隐含层的数量、不同层之间的权重以及偏置，所述这些参数的优化主要通过模拟退火算法进行优化，得到多个不同工况下的最优LSTM的神经网络模型，即pH值预测模型。
模拟退火算法是一种求解局部最优问题的方法，在本实施例中用于优化LSTM神经网络的参数。其步骤主要为：
(1)初始化温度t、初始解w以及每个温度t的迭代次数N；
(2)对每个温度t，根据迭代次数N重复步骤3至5；
(3)根据当前解产生一个新解w*，并基于目标函数f(x)计算当前解与新解的增量，如公式2所示：
Δt＝f(w*)-f(w) 公式2；
(4)若Δt＜0，则接受w*作为当前解，即w＝w*,f(w)＝f(w*)；否则按照Metropolis准则接受新解；
(5)如果达到指定迭代次数N，则输出当前解为最优解，结束程序；
(6)否则，缓慢降低温度t，转向步骤2。
进一步地，使用建立的pH值预测模型对当前时刻pH值进行预测，具体方法为：获取当前时刻与脱硫系统浆液pH值相关的影响因素，采集影响因素当前值，基于采集的当前值计算其与不同的聚类中心之间的距离，根据距离大小确定当前时刻所属工况，将采集的影响因素的当前值输入与当前时刻所属工况对应的pH值预测模型中，得到当前时刻的pH预测值。
图2为本发明实施例的具体实施流程示意图，如图2所示，具体实施流程如下：
根据机理分析，脱硫系统浆液pH的影响因素主要为脱硫系统中机组负荷、入口烟气SO2浓度、入口烟尘浓度、入口烟气流量、入口烟气压力、入口烟气温度、入口烟气含氧量和石灰石浆液密度。从DCS中采集间隔为1s的历史数据，采集数据要求为至少一天且包含升负荷、降负荷、稳定负荷、入口SO2浓度波动、入口SO2稳定等情形；
根据机组负荷和入口SO2浓度，采用均值漂移聚类算法得到10个工况，并将采集的历史分为10种不同的训练数据集；
根据每种训练数据集，建立相应的LSTM神经网络模型，且每种LSTM神经网络模型分别采用模拟退火算法进行优化，得到10种不同工况下的最优LSTM神经网络pH值预测模型；
获取当前时刻与脱硫系统浆液pH值相关的影响因素，输入到10种工况模型下，计算与10种工况下的聚类中心的距离，根据最小距离确定所属工况，并根据所属工况选择相应的最优LSTM神经网络模型，得到当前时刻最优的pH预测值。
采用本发明实施例，提供了一种较为便捷的脱硫系统浆液pH值预测方法，能够适应脱硫系统一系列工况，对不同工况选择不同的预测模型，对系统的适用性较强；能够为脱硫系统供浆量的调整提供参考的依据，以最低的供浆量实现较高的脱硫效率；提供了一种pH值软测量方法，无需额外增加硬件成本，实现过程简单，计算速度较快，成本较低。
系统实施例
根据本发明实施例，提供了一种全工况下脱硫系统浆液pH值预测模型建立系统，图3是本发明实施例的全工况下脱硫系统浆液pH值预测模型建立系统的示意图，如图3所示，根据本发明实施例的全工况下脱硫系统浆液pH值预测模型建立系统具体包括：
数据采集模块30：用于根据确定的与脱硫系统浆液pH值相关的影响因素，采集所述影响因素的历史数据作为数据集；
数据采集模块30具体用于：采集机组负荷、入口烟气SO2浓度、入口烟尘浓度、入口烟气流量、入口烟气压力、入口烟气温度、入口烟气含氧量和石灰石浆液密度的历史数据，即影响因素的值和其对应的历史pH值。
数据处理模块32：用于采用均值漂移聚类算法处理所述数据集，分别得到多个不同工况和所述多个不同工况下的训练数据集；
数据处理模块32具体用于：创建滑动窗口，确定滑动窗口大小并随机初始化聚类中心，通过不断更新滑动窗口范围内的数据，得到不同的聚类中心及聚类分组结果，即得到多个不同工况及多个不同工况下的训练数据集：
首先，确定滑动窗口大小R，随机初始化聚类中心C；
其次，计算滑动窗口范围内所有数据样本点xi与聚类中心C的向量，并计算该滑动窗口范围内所有向量的平均值，得到如公式1所示的偏移均值：
Figure BDA0003243751740000081
其中，Mean为偏移均值；N为落入到滑动窗口R范围内样本点数量；xi为落入到滑动窗口R范围内的每个样本；C为滑动窗口R的中心；
然后更新中心点C，中心点C移动距离是Mean值的大小；
重复上述两个步骤直到偏移均值的大小满足设定阈值要求，得到此时的中心点；并重复上述三个步骤直到所有样本点都被归类，得到多个聚类中心。
模型构建模块34：用于将多个所述训练数据集输入相应的长短期记忆神经网络LSTM训练并进行优化，构建不同工况下的pH值预测模型。
模型构建模块34具体用于：基于采集的训练数据集，输入到建立的LSTM神经网络模型中，得到训练数据集的pH值预测结果，并与实际测量值进行对比计算误差函数，通过反向不断训练，得到最终的LSTM神经网络模型；通过模拟退火算法对LSTM神经网络模型的参数——主要为隐含层的数量、不同层之间的权重以及偏置进行优化，得到多个不同工况下的最优LSTM的神经网络模型，即pH值预测模型。
此系统进一步包括pH值预测模块36：用于对当前时刻的pH值进行预测。
所述pH值预测模块36具体用于：获取当前时刻与脱硫系统浆液pH值相关的影响因素，采集获取的当前时刻与脱硫系统浆液pH值相关的影响因素的当前值，基于采集的当前值计算其与不同的聚类中心之间的距离，根据距离大小确定当前时刻所属工况，将采集的影响因素的当前值输入与当前时刻所属工况对应的pH值预测模型中，得到当前时刻的pH预测值。
本发明实施例是与上述方法实施例对应的系统实施例，各个模块的具体操作可以参照方法实施例的描述进行理解，在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
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)

1.一种全工况下脱硫系统浆液pH值预测模型建立方法，其特征在于，包括：
S1.根据确定的与脱硫系统浆液pH值相关的影响因素，采集所述影响因素的历史数据作为数据集；
S2.采用均值漂移聚类算法处理所述数据集，分别得到多个不同工况和所述多个不同工况下的训练数据集；
S3.将多个所述训练数据集输入相应的长短期记忆神经网络LSTM训练并进行优化，构建不同工况下的pH值预测模型。
2.根据权利要求1所述的方法，其特征在于，步骤S1所述影响因素主要包括：机组负荷、入口烟气SO2浓度、入口烟尘浓度、入口烟气流量、入口烟气压力、入口烟气温度、入口烟气含氧量和石灰石浆液密度；
所述训练数据集包括所述影响因素及对应的pH值。
3.根据权利要求1所述的方法，其特征在于，步骤S2所述均值漂移聚类算法处理所述数据集的具体方法为：创建滑动窗口，确定滑动窗口大小并随机初始化聚类中心，通过不断更新滑动窗口范围内的数据，得到不同的聚类中心及聚类分组结果，即得到多个不同工况及所述多个不同工况下的训练数据集。
4.根据权利要求1所述的方法，其特征在于，步骤S3所述进行优化的具体方法为：采用模拟退火算法优化所述LSTM的参数，得到多个不同工况下的最优LSTM的神经网络模型，即pH值预测模型；
所述参数包括所述神经网络模型隐含层的数量、不同层之间的权重以及偏置。
5.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：
对当前时刻pH值进行预测，具体方法为：获取当前时刻与脱硫系统浆液pH值相关的影响因素，判断当前时刻所属工况后输入与当前时刻所属工况对应的pH值预测模型中，得到当前时刻的pH预测值；
所述判断当前时刻所属工况具体方法为：获取当前时刻与脱硫系统浆液pH值相关的影响因素后采集所述影响因素当前值，基于采集的所述当前值计算其与所述不同的聚类中心之间的距离，根据所述距离大小确定当前时刻所属工况。
6.一种全工况下脱硫系统浆液pH值预测模型建立系统，其特征在于，包括：
数据采集模块：用于根据确定的与脱硫系统浆液pH值相关的影响因素，采集所述影响因素的历史数据作为数据集；
数据处理模块：用于采用均值漂移聚类算法处理所述数据集，分别得到多个不同工况和所述多个不同工况下的训练数据集；
模型构建模块：用于将多个所述训练数据集输入相应的长短期记忆神经网络LSTM训练并进行优化，构建不同工况下的pH值预测模型。
7.根据权利要求6所述的系统，其特征在于，所述数据采集模块具体用于：采集机组负荷、入口烟气SO2浓度、入口烟尘浓度、入口烟气流量、入口烟气压力、入口烟气温度、入口烟气含氧量和石灰石浆液密度的历史数据，即影响因素的值和其对应的历史pH值。
8.根据权利要求6所述的系统，其特征在于，所述数据处理模块具体用于：随机初始化聚类中心，根据创建的滑动窗口大小，不断更新滑动窗口范围内的数据，得到不同的聚类中心及聚类分组结果，即得到多个不同工况及所述多个不同工况下的训练数据集。
9.根据权利要求6所述的系统，其特征在于，所述模型构建模块具体用于：采用模拟退火算法对所述LSTM的参数进行优化，得到多个不同工况下的最优LSTM的神经网络模型。
10.根据权利要求6所述的系统，其特征在于，所述系统还包括pH值预测模块，用于对当前时刻的pH值进行预测：获取当前时刻与脱硫系统浆液pH值相关的影响因素，采集获取的当前时刻与脱硫系统浆液pH值相关的影响因素的当前值，基于所述当前值计算其与所述不同的聚类中心之间的距离，根据所述距离大小确定当前时刻所属工况，将采集的所述影响因素的当前值输入与当前时刻所属工况对应的pH值预测模型中，得到当前时刻的pH预测值。
CN202111027260.4A 2021-09-02 2021-09-02 全工况下脱硫系统浆液pH值预测模型建立方法及系统 Pending CN113723002A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111027260.4A CN113723002A (zh) 2021-09-02 2021-09-02 全工况下脱硫系统浆液pH值预测模型建立方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111027260.4A CN113723002A (zh) 2021-09-02 2021-09-02 全工况下脱硫系统浆液pH值预测模型建立方法及系统

Publications (1)

Publication Number Publication Date
CN113723002A true CN113723002A (zh) 2021-11-30

Family

ID=78681187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111027260.4A Pending CN113723002A (zh) 2021-09-02 2021-09-02 全工况下脱硫系统浆液pH值预测模型建立方法及系统

Country Status (1)

Country Link
CN (1) CN113723002A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114420220A (zh) * 2022-01-25 2022-04-29 湖南株冶有色金属有限公司 一种湿法炼锌中性浸出过程pH值的预测方法
CN115729184A (zh) * 2022-11-14 2023-03-03 青芥一合碳汇(武汉)科技有限公司 基于大数据分析和边缘控制的脱硫优化运行方法及装置
CN116859830A (zh) * 2023-03-27 2023-10-10 福建天甫电子材料有限公司 用于电子级氟化铵生产的生产管理控制系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160140437A1 (en) * 2014-11-17 2016-05-19 Beijing University Of Technology Method to predict the effluent ammonia-nitrogen concentration based on a recurrent self-organizing neural network
CN111275335A (zh) * 2020-01-20 2020-06-12 华电莱州发电有限公司 一种基于数据驱动的浆液循环泵寻优方法及系统
CN111860701A (zh) * 2020-09-24 2020-10-30 大唐环境产业集团股份有限公司 一种基于聚类方法的脱硝系统工况判别预处理方法
CN112231973A (zh) * 2020-09-30 2021-01-15 山西漳山发电有限责任公司 一种脱硫系统pH值预测方法及装置
CN113094992A (zh) * 2021-04-12 2021-07-09 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 基于神经网络判别的脱硫塔优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160140437A1 (en) * 2014-11-17 2016-05-19 Beijing University Of Technology Method to predict the effluent ammonia-nitrogen concentration based on a recurrent self-organizing neural network
CN111275335A (zh) * 2020-01-20 2020-06-12 华电莱州发电有限公司 一种基于数据驱动的浆液循环泵寻优方法及系统
CN111860701A (zh) * 2020-09-24 2020-10-30 大唐环境产业集团股份有限公司 一种基于聚类方法的脱硝系统工况判别预处理方法
CN112231973A (zh) * 2020-09-30 2021-01-15 山西漳山发电有限责任公司 一种脱硫系统pH值预测方法及装置
CN113094992A (zh) * 2021-04-12 2021-07-09 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 基于神经网络判别的脱硫塔优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
金秀章 等: "基于LSTM的湿法烟气脱硫浆液pH值建模", 《信息技术与网络安全》 *
黎景平 等: "基于RBFNN的焦化烟气脱硫脱硝过程建模", 《燃料与化工》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114420220A (zh) * 2022-01-25 2022-04-29 湖南株冶有色金属有限公司 一种湿法炼锌中性浸出过程pH值的预测方法
CN114420220B (zh) * 2022-01-25 2024-09-24 湖南株冶有色金属有限公司 一种湿法炼锌中性浸出过程pH值的预测方法
CN115729184A (zh) * 2022-11-14 2023-03-03 青芥一合碳汇(武汉)科技有限公司 基于大数据分析和边缘控制的脱硫优化运行方法及装置
CN115729184B (zh) * 2022-11-14 2023-06-27 青芥一合碳汇(武汉)科技有限公司 基于大数据分析和边缘控制的脱硫优化运行方法及装置
CN116859830A (zh) * 2023-03-27 2023-10-10 福建天甫电子材料有限公司 用于电子级氟化铵生产的生产管理控制系统
CN116859830B (zh) * 2023-03-27 2024-01-26 福建天甫电子材料有限公司 用于电子级氟化铵生产的生产管理控制系统

Similar Documents

Publication Publication Date Title
CN113723002A (zh) 全工况下脱硫系统浆液pH值预测模型建立方法及系统
CN103023065B (zh) 一种基于相对误差熵值法的风电短期功率预测方法
CN113627071B (zh) 一种基于鲸鱼算法优化长短时记忆网络的燃煤锅炉nox软测量方法
CN113469449B (zh) 脱硫系统的寻优控制方法及系统
CN108985381B (zh) 氮氧化物排放量预测模型的确定方法、装置及设备
CN111921377B (zh) 基于机理与数据驱动的scr脱硝喷氨控制方法及系统
CN110675920A (zh) 一种基于MI-LSTM的锅炉NOx预测方法
US20230237316A1 (en) Forecast method and system of wind power probability density
CN115034129B (zh) 一种面向火电厂脱硝装置的NOx排放浓度软测量方法
CN114548509A (zh) 一种多能源系统多类型负荷联合预测方法及系统
CN109670625A (zh) 基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法
CN114219185A (zh) 一种基于不确定集的城市规模工业碳排放量预测方法
CN104865827A (zh) 一种基于多工况模型的抽油机采油优化方法
CN113012767B (zh) 基于时间序列的脱硫系统浆液pH值在线预测方法及装置
CN109523077B (zh) 一种风电功率预测方法
CN111882006A (zh) 一种基于pca和相关函数的脱硫系统数据预处理方法
CN112417764A (zh) 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法
CN111142494A (zh) 一种胺液再生装置的智能控制方法及系统
CN105302976A (zh) 基于spea2算法的铝电解生产优化方法
CN118536646A (zh) 一种区域中长期动态碳排放因子的预测方法、系统及设备
CN118280472A (zh) 一种基于雪融优化器的火电机组scr反应器氮氧化物浓度预测方法
CN113468813A (zh) 一种脱硫系统入口so2浓度预测方法、装置、电子设备
CN114862074B (zh) 一种脱硫系统浆液循环泵运行组合优化方法
CN117270387A (zh) 基于深度学习的scr脱硝系统低氨逃逸控制方法和系统
CN114444391A (zh) 一种基于粒子群优化的氧化风机运行优化算法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211130