CN113996158A - 炉外脱硫的控制方法、装置、电子设备及存储介质 - Google Patents
炉外脱硫的控制方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113996158A CN113996158A CN202110938463.2A CN202110938463A CN113996158A CN 113996158 A CN113996158 A CN 113996158A CN 202110938463 A CN202110938463 A CN 202110938463A CN 113996158 A CN113996158 A CN 113996158A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- target
- determining
- input
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000006477 desulfuration reaction Methods 0.000 title claims abstract description 55
- 230000023556 desulfurization Effects 0.000 title claims abstract description 55
- 238000003062 neural network model Methods 0.000 claims abstract description 124
- 239000002245 particle Substances 0.000 claims abstract description 74
- 210000002569 neuron Anatomy 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 238000010521 absorption reaction Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000003009 desulfurizing effect Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 18
- 239000003795 chemical substances by application Substances 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 6
- 239000011593 sulfur Substances 0.000 claims description 6
- 229910052717 sulfur Inorganic materials 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 4
- AXCZMVOFGPJBDE-UHFFFAOYSA-L calcium dihydroxide Chemical compound [OH-].[OH-].[Ca+2] AXCZMVOFGPJBDE-UHFFFAOYSA-L 0.000 description 13
- 229910001861 calcium hydroxide Inorganic materials 0.000 description 13
- 235000011116 calcium hydroxide Nutrition 0.000 description 13
- 239000000920 calcium hydroxide Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000003546 flue gas Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 230000002745 absorbent Effects 0.000 description 1
- 239000002250 absorbent Substances 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/46—Removing components of defined structure
- B01D53/48—Sulfur compounds
- B01D53/50—Sulfur oxides
- B01D53/501—Sulfur oxides by treating the gases with a solution or a suspension of an alkali or earth-alkali or ammonium compound
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Treating Waste Gases (AREA)
- Refinement Of Pig-Iron, Manufacture Of Cast Iron, And Steel Manufacture Other Than In Revolving Furnaces (AREA)
Abstract
本申请提供的一种炉外脱硫的控制方法、装置、电子设备及存储介质，所述方法包括：获取初始NARX神经网络模型；基于粒子群优化算法，确定所述初始NARX神经网络模型的目标神经元数、目标输入延迟数和目标输出延迟数；并基于神经元数更新所述初始NARX神经网络模型得到更新神经网络模型；根据获取的基于时间序列的样本数据集、所述输入延迟数和所述输出延迟数确定输入参数和输出参数，其中，所述样本数据集中每个样本数据包括脱硫剂使用量和吸收塔的出口SO2浓度；并基于所述输入参数和所述输出参数对所述更新神经网络模型进行训练，确定目标神经网络模型；基于所述目标神经网络模型构建内模控制器，以通过所述内模控制器进行炉外脱硫的控制。
Description
技术领域
本申请涉及自动控制技术领域，特别地涉及一种炉外脱硫的控制方法、装置、电子设备及存储介质。
背景技术
循环流化床锅炉两级脱硫是指首先向CFB锅炉炉内喷钙进行炉内脱硫，然后利用烟气处理装置对烟气进一步脱硫，炉内喷钙脱硫+烟气半干法脱硫技术是首先进行炉内脱钙喷硫，即通过向CFB锅炉炉膛内喷入石灰石降低部分SO2浓度，然后进行炉外半干法脱硫。目前炉外半干法脱硫使用消石灰作为吸收剂，但消石灰投入多为人工操作，SO2波动大，结果是SO2小时平均值较低、脱硫剂使用量控制不准，造成脱硫剂使用量的浪费，在变负荷过程可能会出现小时均值超标的现象。
发明内容
针对上述问题，本申请提供一种炉外脱硫的控制方法、装置、设备及存储介质。
本申请提供了一种炉外脱硫的控制方法，包括：
获取初始NARX神经网络模型；
基于粒子群优化算法，确定所述初始NARX神经网络模型的目标神经元数、目标输入延迟数和目标输出延迟数；并基于神经元数更新所述初始NARX神经网络模型得到更新神经网络模型；
根据获取的基于时间序列的样本数据集、所述输入延迟数和所述输出延迟数确定输入参数和输出参数，其中，所述样本数据集中每个样本数据包括脱硫剂使用量和吸收塔的出口SO2浓度；并基于所述输入参数和所述输出参数对所述更新神经网络模型进行训练，确定目标神经网络模型；
基于所述目标神经网络模型构建内模控制器，以通过所述内模控制器进行炉外脱硫的控制。
在一些实施例中，所述根据获取的基于时间序列的样本数据集、所述输入延迟数和所述输出延迟数确定输入参数和输出参数，包括：
获取基于时间序列的样本数据集；
基于所述输入延迟数和所述硫剂使用量，确定输入参数；
基于所述输出延迟数和所述出口SO2浓度确定输出参数。
在一些实施例中，所述基于所述输入参数和所述输出参数对所述更新神经网络模型进行训练，确定目标神经网络模型，包括：
基于所述输入参数和所述输出参数对所述更新神经网络模型进行训练，得到中间神经网络模型；
根据获取的基于时间序列的测试数据集对所述中间神经网络模型进行验证，得到验证结果，其中，所述测试数据集中每个测试数据包括：脱硫剂使用量和吸收塔的出口SO2浓度；
在所述验证结果满足条件的情况下，将所述中间神经网络模型确定为目标神经网络模型。
在一些实施例中，所述时间序列的间隔时间为1分钟，所述目标神经网络模型为：
其中，f表示自变量的一个非线性函数；
表示输出参数相应时延为do的数值；x(t-di)表示输入参数相应时延为di的数值；y(t)表示得到的当前时刻的输出数值。
在一些实施例中，所述基于所述目标神经网络模型构建内模控制器，包括：
确定所述目标神经网络模型的最小相位，将所述最小相位确定为过程模型；
基于所述过程模型确定逆模型，至少基于所述过程模型和所述逆模型构建内模控制器。
在一些实施例中，所述基于粒子群优化算法，确定所述隐含层的目标神经元数、所述输入层的目标输入延迟数和所述输出层的目标输出延迟数，包括：
确定粒子，其中，所述粒子包括待优化参数，所述待优化参数包括：神经元数、输入延迟数和输出延迟数；
确定粒子中各个待优化参数的范围；
基于粒子中各个待优化参数的范围确定第i粒子；
确定第i粒子寻优到的最优位置对应的个体极值；
基于所述个体极值和历史全局极值确定当前全局极值；
在确定达到终止寻优条件的情况下，将当前全局极值对应的粒子确定为最优粒子；
基于所述最优粒子确定目标神经元数、目标输入延迟数和目标输出延迟数。
在一些实施例中，所述方法还包括：
在确定没有达到终止寻优条件的情况下，基于第一公式更新所述第i粒子的速度和位置，其中，所述第一公式为：
其中，c1、c2为加速常数，r1、r2为[0,1]范围内的均匀随机数，pi为第i个粒寻优到的最优位置对应的个体极值，pg为历史全局极值，w为惯性因子；
所述方法还包括：基于第二公式对所述惯性因子进行调节，其中，所述第二公式为：
w＝(wini-wend)(Gk-g)/Gk-wend；
其中，Gk为最大迭代次数；wini为初始惯性权值，wend为迭代至最大进化代数时的惯性权值。
本申请实施例提供一种炉外脱硫的控制装置，包括：
获取模块，用于获取初始NARX神经网络模型；
第一确定模块，用于基于粒子群优化算法，确定所述NARX初始神经网络模型的目标神经元数、目标输入延迟数和目标输出延迟数；并基于神经元数更新所述初始NARX神经网络模型得到更新神经网络模型；
第二确定模块，用于根据获取的基于时间序列的样本数据集、所述输入延迟数和所述输出延迟数确定输入参数和输出参数，其中，所述样本数据集中每个样本数据包括脱硫剂使用量和吸收塔的出口SO2浓度；并基于所述输入参数和所述输出参数对所述更新神经网络模型进行训练，确定目标神经网络模型；
构建模块，用于基于所述目标神经网络模型构建内模控制器，以通过所述内模控制器进行炉外脱硫的控制。
本申请实施例提供一种电子设备，包括：
存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行上述任意一项所述炉外脱硫的控制方法。
本申请实施例提供一种存储介质，该存储介质存储的计算机程序，能够被一个或多个处理器执行，能够用来实现上述任一项所述炉外脱硫的控制方法。
本申请提供的一种炉外脱硫的控制方法、装置、设备及存储介质，通过粒子群优化算法来确定初始NARX神经网络模型的目标神经元数、目标输入延迟数和目标输出延迟数，并更新初始NARX神经网络模型，通过样本数据集、所述输入延迟数和所述输出延迟数确定输入参数和输出参数，来确定输入参数和输出参数，通过输入参数和输出参数对更新神经网络模型进行训练从而得到目标神经网络模型，使得目标模型的精度更高，并基于目标神经网络模型来构建内模控制器，进而通过内模控制器进行炉外脱硫的控制，能够实现自动控制，且能够保证炉外脱硫效率的增加、减小脱硫剂消耗量。
附图说明
在下文中将基于实施例并参考附图来对本申请进行更详细的描述。
图1为本申请实施例提供的一种炉外脱硫的控制方法的实现流程示意图；
图2为本申请实施例提供的一种确定目标神经网络模型的实现流程示意图；
图3为本申请实施例提供的一种更新神经网络模型的结构模型图；
图4为本申请实施例提供的一种内模控制器的结构原理图；
图5为本申请实施例提供的一种基于粒子群优化算法确定所述初始NARX神经网络模型的目标神经元数、目标输入延迟数和目标输出延迟数的实现流程示意图；
图6为本申请实施例提供的一种炉外脱硫的控制装置的结构示意图；
图7为本申请实施例提供的电子设备的组成结构示意图。
在附图中，相同的部件使用相同的附图标记，附图并未按照实际的比例绘制。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
如果申请文件中出现“第一\第二\第三”的类似描述则增加以下的说明，在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
基于相关技术中存在的问题，本申请实施例提供一种炉外脱硫的控制方法，所述方法应用于电子设备，所述电子设备可以是计算机、移动终端等。本申请实施例提供的炉外脱硫的控制方法所实现的功能可以通过电子设备的处理器调用程序代码来实现，其中，程序代码可以保存在计算机存储介质中。
本申请实施例提供一种炉外脱硫的控制方法，图1为本申请实施例提供的一种炉外脱硫的控制方法的实现流程示意图，如图1所示，包括：
步骤S1，获取初始NARX神经网络模型。
本申请实施例中，电子设备可以从网络中获取初始NARX神经网络模型，所述NARX网络具有反馈延时单元，具有很好的动态特性，且对非线性动态系统具有良好的非线性逼近能力，由于相关技术中，在循环流化床锅炉两级联合脱硫炉外脱硫的过程中采用传统的线性控制，使得炉后脱硫系统响应慢，脱硫剂使用量控制不准等问题，因此，本申请实施例中，选择初始NARX神经网络模型来进行训练以使得到的目标神经网络模型具有更好的响应时间。
在一些实施例中，电子设备具有USB接口，可以通过USB接口与存储设备连接，以从存储设备获取初始NARX神经网络模型。该存储设备存储有初始NARX神经网络模型。本申请实施例中，初始NARX神经网络模型具有输入层、隐含层和输出层，所述初始NARX神经网络模型可以是串并行结构或并行结构，考虑到电厂中数据的特点，本申请实施例中，初始NARX神经网络模型采用并行结构。本申请实施例中，初始神经网络模型具有初始的神经元数、输入延迟数和输出延迟数。
步骤S2，基于粒子群优化算法，确定所述初始NARX神经网络模型的目标神经元数、目标输入延迟数和目标输出延迟数；并基于神经元数更新所述初始NARX神经网络模型得到更新神经网络模型。
本申请实施例中，可以基于粒子群优化算法来优化初始神经网络模型的初始参数，本申请实施例中，所述初始参数包括神经元数、输入延迟数和输出延迟。本申请实施例中，在进行粒子群优化算法进行优化时，可以设定神经元数、输入延迟数和输出延迟为粒子，然后进行粒子群算法寻优，从而确定初始NARX神经网络模型的目标神经元数、目标输入延迟数和目标输出延迟数。
本申请实施例中，在确定了目标神经元数后，可以更新初始NARX神经网络模型的神经元数，从而得到更新神经网络模型。
步骤S3，根据获取的基于时间序列的样本数据集、所述输入延迟数和所述输出延迟数确定输入参数和输出参数，其中，所述样本数据集中每个样本数据包括脱硫剂使用量和吸收塔的出口SO2浓度；并基于所述输入参数和所述输出参数对所述更新神经网络模型进行训练，确定目标神经网络模型；
本申请实施例中，样本数据集中每个样本数据包括脱硫剂使用量和吸收塔的出口SO2浓度。样本数据集中可以包括120组样本数据。通过样本数据、输入延迟数和所述输出延迟数来确定输入参数和输出参数。示例性地，基于所述输入延迟数和所述硫剂使用量，确定输入参数；基于所述输出延迟数和所述出口SO2浓度确定输出参数。本申请实施例中，所述脱硫剂包括：消石灰。
本申请实施例中，在确定了输入参数和输出参数后，可以对更新神经网络模型进行训练，从而确定目标神经网络模型。
步骤S4，基于所述目标神经网络模型构建内模控制器，以通过所述内模控制器进行炉外脱硫的控制。
本申请实施例中，确定所述目标神经网络模型的最小相位，将所述最小相位确定为过程模型；基于所述过程模型确定逆模型，至少基于所述过程模型和所述逆模型构建内模控制器。本申请实施例中，当确定了内模控制器后，可以通过内模控制器来实现对炉外脱硫的控制。
本申请提供的一种炉外脱硫的控制方法，通过粒子群优化算法来确定初始NARX神经网络模型的目标神经元数、目标输入延迟数和目标输出延迟数，并更新初始NARX神经网络模，通过样本数据集、所述输入延迟数和所述输出延迟数确定输入参数和输出参数，来确定输入参数和输出参数，通过输入参数和输出参数对更新神经网络模型进行训练从而得到目标神经网络模型，使得目标模型的精度更高，并基于目标神经网络模型来构建内模控制器，进而通过内模控制器进行炉外脱硫的控制，能够实现自动控制，且能够保证炉外脱硫效率的增加、减小脱硫剂消耗量。
在一些实施例中，步骤S3“所述根据获取的基于时间序列的样本数据集、所述输入延迟数和所述输出延迟数确定输入参数和输出参数，所述基于所述输入参数和所述输出参数对所述更新神经网络模型进行训练，确定目标神经网络模型”可以通过以下方式实现，图2为本申请实施例提供的一种确定目标神经网络模型的实现流程示意图，如图2所示，包括：
步骤S31，获取基于时间序列的样本数据集。
本申请实施例中，所述基于时间序列的样本数据集可以从网络中获取。本申请实施例中，样本数据集中每个样本数据包括：脱硫剂使用量和出口SO2浓度。所述时间序列具有预设时长的间隔时间，示例性地，间隔时间为1分钟。本申请实施例中，所述样本数据集的数量可以根据需要进行设定，示例性地，样本数据集的数量为120组。
步骤S32，基于所述输入延迟数和所述硫剂使用量，确定输入参数。
本申请实施例中，输入延迟数为输入延迟的阶数，该输入延迟数可以用di表示，承接上面的示例，输入参数可以表示为(x(t-1),x(t-2),…,x(t-di))。x(t-di)表示输入参数相应时延为di的数值。
步骤S33，基于所述输出延迟数和所述出口SO2浓度确定输出参数。
本申请实施例中，输出延迟数为输出延迟的阶数，该输出延迟可以用do表示。本申请实施例中，所述di可以和do相同，也可以不同。
所述输出参数可以表示为：(y(t-1),y(t-2),…,y(t-do))。
表示输出参数相应时延为do的数值。
步骤S34，基于所述输入参数和所述输出参数对所述更新神经网络模型进行训练，得到中间神经网络模型；
图3为本申请实施例提供的一种更新神经网络模型的结构模型图，如图3所示，隐含层为3，di为2，do为1，通过输入参数和输出参数可以计算预测值Y(t)。
承接上面的示例，中间神经网络模型表示为：
其中，
为t时刻的模型预测值，f表示自变量的一个非线性函数；
表示输出参数相应时延为do的数值；x(t-di)表示输入参数相应时延为di的数值；y(t)表示得到的当前时刻的输出数值。
步骤S35，根据获取的基于时间序列的测试数据集对所述中间神经网络模型进行验证，得到验证结果，其中，所述测试数据集中每个测试数据包括：脱硫剂使用量和吸收塔的出口SO2浓度。
本申请实施例中，所述基于时间序列的测试数据集可以从网络中获取。测试数据集中每个样本数据包括：脱硫剂使用量和出口SO2浓度。
所述时间序列具有预设时长的间隔时间，示例性地，预设时间的间隔时间为1分钟。
本申请实施例中，所述测试数据集的数量可以根据需要进行设定，示例性地，测试数据集的数量为30组。
本申请实施例中，当确定了中间神经网络模型后，可以基于测试数据集中的脱硫剂使用量和出口SO2浓度输入至中间神经网络模型中，计算预测值，然后基于预测值和实际测量值来对所述中间神经网络模型进行验证，从而得到验证结果。
本申请实施例中，可以确定预测值与实际测量值之间的均方差，通过均方差来进行验证。
步骤S36，在所述验证结果满足条件的情况下，将所述中间神经网络模型确定为目标神经网络模型。
承接上面的示例，可以验证均方差是否为最小，当验证的均方差最小的情况下，即表示中间神网络满足条件，且具有较高的精度。因此，将中间神经网络模型确定为目标神经网络模型。
在一些实施例中，步骤S4“所述基于所述目标神经网络模型构建内模控制器”可以通过以下方式实现，
步骤S41，确定所述目标神经网络模型的最小相位，将所述最小相位确定为过程模型。
承接上面的示例，将求得的
取最小相位作为过程模型，过程模型用M(s)表示。
步骤S42，基于所述过程模型确定逆模型，至少基于所述过程模型和所述逆模型构建内模控制器。
承接上面的示例，M-1(s)为逆模型。
本申请实施例中，在确定了过程模型和逆模型后，即可以基于所述过程模型和所述逆模型构建内模控制器。图4为本申请实施例提供的一种内模控制器的结构原理图，如图4所示，图中Q(s)为内模控制器，P(s)为被控对象，M(s)为过程模型，r为输入信号(设定值)，y(s)为被控对象的输出信号。本申请实施例中，输入信号可以是吸收塔出口SO2浓度，也可以使消石灰投入量，对应地，当输入信号为吸收塔出口SO2浓度时，被控对象则为消石灰投入量，相反，当输入信号为消石灰投入量时，被控对象则为吸收塔出口SO2浓度。
示例性地，采用消石灰投入量作为内模控制器输入，吸收塔出口SO2浓度作为内模控制器输出。跟踪吸收塔出口SO2，保证SO2的输出浓度。同时也可以跟踪消石灰投入量，以控制消石灰的投入量，从而可以减小消石灰的使用量。
在一些实施例中，步骤S2“基于粒子群优化算法，确定所述初始NARX神经网络模型的目标神经元数、目标输入延迟数和目标输出延迟数”可以通过以下方式实现，图5为本申请实施例提供的一种基于粒子群优化算法确定所述初始NARX神经网络模型的目标神经元数、目标输入延迟数和目标输出延迟数的实现流程示意图，如图5所示，包括：
步骤S21,确定粒子，其中，所述粒子包括待优化参数，所述待优化参数包括：神经元数、输入延迟数和输出延迟数。
本申请实施例中，粒子用x表示，所述NARX神经网络模型的参数包括：隐含层的神经元数(h)、输入延迟数(di)和输出延迟数(do)。
粒子用以下公式表示：
步骤S22，确定粒子中各个待优化参数的范围。
示例性地，设定隐藏层神经元(h)的范围是1到50，输入延迟(di)(下标i，为input输入)和输出延迟(do，下标o为output输出)范围均为0到20。初始速度矢量“δx”随机分配。
步骤S23，基于粒子中各个待优化参数的范围确定第i粒子。
本申请实施例中，定义一个3维的搜索空间，它由50个粒子构成，那么第i个粒子的位置定义为
xi＝(xi1,xi2,xi3),i＝1,2,…,50；
第i个粒子的速度定义为
vi＝(vi1,vi2,vi3),i＝1,2,…,50；
步骤S24，确定第i粒子寻优到的最优位置对应的个体极值。
本申请实施例中，可以基于PSO的函数来计算第i粒子寻优到的最优位置对应的个体极值，本申请实施例中，个体极值用pi。在寻优的过程中，实时记录整个粒子群迄今为止搜索到的最优位置为历史全局极值，历史全局极值用pg表示。同样pi，pg均为3维向量。
步骤S25，基于所述个体极值和历史全局极值确定当前全局极值。
本申请实施例中，在确定了个体极值和历史全局极值后，可以比较个体极值和历史全局极值的大小，来确定当前全局极值。例如，当个体极值大于历史全局极值时，将个体极值确定为当前全局极值，当个体极值小于历史全局极值的情况下，将历史全局极值确定为当前全局极值。当然，也可以是当个体极值小于历史全局极值时，将个体极值确定为当前全局极值，当个体极值大于历史全局极值的情况下，将历史全局极值确定为当前全局极值。
步骤S26，在确定达到终止寻优条件的情况下，将当前全局极值对应的粒子确定为最优粒子。
本申请实施例中，达到终止寻优条件可以是当前全局极值在几轮寻优的过程中不更新即确定达到终止寻优条件，在一些实施例中，也可以是寻优次数达到最大迭代次数情况下，确定达到终止寻优条件。本申请实施例中，将当前全局极值对应的粒子确定为最优粒子。
步骤S27，基于所述最优粒子确定目标神经元数、目标输入延迟数和目标输出延迟数。
本申请实施例提供的炉外脱硫的控制方法，通过粒子群寻优算法来确定目标神经元数、目标输入延迟数和目标输出延迟数，来更新初始NARX神经网络模型，使得在目标神经网络模型的精度更高。
在一些实施例中，在步骤S25后，所述方法还包括：
步骤S28，在确定没有达到终止寻优条件的情况下，基于第一公式更新所述第i粒子的速度和位置，其中，所述第一公式为：
其中，c1、c2为加速常数，r1、r2为[0,1]范围内的均匀随机数，pi为第i个粒寻优到的最优位置对应的个体极值，pg为历史全局极值，w为惯性因子。
本申请实施例中，通常取c1＝c2＝2。
在一些实施例中，当惯性因子需要进行调节时，基于第二公式对所述惯性因子进行调节，其中，所述第二公式为：
w＝(wini-wend)(Gk-g)/Gk-wend；
其中，Gk为最大迭代次数；wini为初始惯性权值，wend为迭代至最大进化代数时的惯性权值。
本申请实施例中，所述典型权值wini取0.9，wend取0.4。
基于前述的各个实施例，本申请实施例再提供一种炉外脱硫的控制方法，所述方法包括：
为获取炉外脱硫控制模型，采用消石灰投入量作为内模控制器的输入，吸收塔出口SO2浓度作为模型输出。获取150组消石灰与SO2数据，以120组作为NARX训练数据，30组作为测试数据。通过PSO(粒子群算法)，计算得到NARX的神经元数h、输入延迟数di以及输出延迟数do。将h、di、do带入过程NARX训练中，针对未知的非线性函数(消石灰投入量与出口SO2浓度)，寻求函数
使得
与实际目标向量y之间的均方误差最小。将求得的
作为取最小相位作为M(s)，并求得M-1(s)作为Q(s)。设定相应的输入值r与求得的输出值y，跟踪吸收塔出口SO2，保证SO2的输出浓度。
本发明所提供的炉外脱硫的控制方法，PSO对NARX网络的特征参数进行优化使得的辨识模型的精度更高，同时在保证精度的前提下，PSO-NARX具有更好的响应时间，而响应时间的减少有利于炉外脱硫效率的增加和脱硫剂消耗的减少。
基于前述的实施例，本申请实施例提供一种炉外脱硫的控制装置，该装置包括的各模块、以及各模块包括的各单元，可以通过计算机设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(CPU，CentralProcessing Unit)、微处理器(MPU，Microprocessor Unit)、数字信号处理器(DSP，DigitalSignal Processing)或现场可编程门阵列(FPGA，Field Programmable Gate Array)等。
本申请实施例提供一种炉外脱硫的控制装置，图6为本申请实施例提供的一种炉外脱硫的控制装置的结构示意图，如图6所示，炉外脱硫的控制装置600包括：
获取模块601，用于获取初始NARX神经网络模型；
第一确定模块602，用于基于粒子群优化算法，确定所述初始NARX神经网络模型的目标神经元数、目标输入延迟数和目标输出延迟数；并基于神经元数更新所述初始NARX神经网络模型得到更新神经网络模型；
第二确定模块603，用于根据获取的基于时间序列的样本数据集、所述输入延迟数和所述输出延迟数确定输入参数和输出参数，其中，所述样本数据集中每个样本数据包括脱硫剂使用量和吸收塔的出口SO2浓度；并基于所述输入参数和所述输出参数对所述更新神经网络模型进行训练，确定目标神经网络模型；
构建模块604，用于基于所述目标神经网络模型构建内模控制器，以通过所述内模控制器进行炉外脱硫的控制。
在一些实施例中，第二确定模块，包括：
获取单元，用于获取基于时间序列的样本数据集；
第一确定单元，用于基于所述输入延迟数和所述硫剂使用量，确定输入参数；
第二确定单元，用于基于所述输出延迟数和所述出口SO2浓度确定输出参数。
在一些实施例中，所述第二确定模块还包括：
训练单元，用于基于所述输入参数和所述输出参数对所述更新神经网络模型进行训练，得到中间神经网络模型；
验证单元，用于根据获取的基于时间序列的测试数据集对所述中间神经网络模型进行验证，得到验证结果，其中，所述测试数据集中每个测试数据包括：脱硫剂使用量和吸收塔的出口SO2浓度；
第三确定单元，用于在所述验证结果满足条件的情况下，将所述中间神经网络模型确定为目标神经网络模型。
在一些实施例中，所述时间序列的间隔时间为1分钟，所述目标神经网络模型为：
其中，f表示自变量的一个非线性函数；
表示输出参数相应时延为do的数值；x(t-di)表示输入参数相应时延为di的数值；y(t)表示得到的当前时刻的输出数值。
在一些实施例中，构建模块，包括：
第四确定单元，用于确定所述目标神经网络模型的最小相位，将所述最小相位确定为过程模型；
第五确定单元，用于基于所述过程模型确定逆模型，至少基于所述过程模型和所述逆模型构建内模控制器。
在一些实施例中，第一确定模块包括：
第六确定单元，用于确定粒子，其中，所述粒子包括待优化参数，所述待优化参数包括：神经元数、输入延迟数和输出延迟数；
第七确定单元，用于确定粒子中各个待优化参数的范围；
第八确定单元，用于基于粒子中各个待优化参数的范围确定第i粒子；
第九确定单元，用于确定第i粒子寻优到的最优位置对应的个体极值；
第十确定单元，用于基于所述个体极值和历史全局极值确定当前全局极值；
第十一确定单元，用于在确定达到终止寻优条件的情况下，将当前全局极值对应的粒子确定为最优粒子；
第十二确定单元，用于基于所述最优粒子确定目标神经元数、目标输入延迟数和目标输出延迟数。
在一些实施例中，所述第一确定模块还包括：
更新单元，用于在确定没有达到终止寻优条件的情况下，基于第一公式更新所述第i粒子的速度和位置，其中，所述第一公式为：
其中，c1、c2为加速常数，r1、r2为[0,1]范围内的均匀随机数，pi为第i个粒寻优到的最优位置对应的个体极值，pg为历史全局极值，w为惯性因子；
调整单元，用于基于第二公式对所述惯性因子进行调节，其中，所述第二公式为：
w＝(wini-wend)(Gk-g)/Gk-wend；
其中，Gk为最大迭代次数；wini为初始惯性权值，wend为迭代至最大进化代数时的惯性权值。
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的控制方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read OnlyMemory)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
相应地，本申请实施例提供一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述实施例中提供的炉外脱硫的控制方法中的步骤。
本申请实施例提供一种电子设备；图7为本申请实施例提供的电子设备的组成结构示意图，如图7所示，所述炉外脱硫的控制设备700包括：一个处理器701、至少一个通信总线702、用户接口703、至少一个外部通信接口704、存储器705。其中，通信总线702配置为实现这些组件之间的连接通信。其中，用户接口703可以包括显示屏，外部通信接口704可以包括标准的有线接口和无线接口。所述处理器701配置为执行存储器中存储的炉外脱硫的控制方法的程序，以实现以上述实施例提供的炉外脱硫的控制方法中的步骤。
以上炉外脱硫的控制设备和存储介质实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请计算机设备和存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
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、方法、物品或者装置不仅包括那些要素，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、方法、物品或者装置所固有的要素。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、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台控制器执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种炉外脱硫的控制方法，其特征在于，包括：
获取初始NARX神经网络模型；
基于粒子群优化算法，确定所述初始NARX神经网络模型的目标神经元数、目标输入延迟数和目标输出延迟数；并基于神经元数更新所述初始NARX神经网络模型得到更新神经网络模型；
根据获取的基于时间序列的样本数据集、所述输入延迟数和所述输出延迟数确定输入参数和输出参数，其中，所述样本数据集中每个样本数据包括脱硫剂使用量和吸收塔的出口SO2浓度；并基于所述输入参数和所述输出参数对所述更新神经网络模型进行训练，确定目标神经网络模型；
基于所述目标神经网络模型构建内模控制器，以通过所述内模控制器进行炉外脱硫的控制。
2.根据权利要求1所述的方法，其特征在于，所述根据获取的基于时间序列的样本数据集、所述输入延迟数和所述输出延迟数确定输入参数和输出参数，包括：
获取基于时间序列的样本数据集；
基于所述输入延迟数和所述硫剂使用量，确定输入参数；
基于所述输出延迟数和所述出口SO2浓度确定输出参数。
3.根据权利要求2所述的方法，其特征在于，所述基于所述输入参数和所述输出参数对所述更新神经网络模型进行训练，确定目标神经网络模型，包括：
基于所述输入参数和所述输出参数对所述更新神经网络模型进行训练，得到中间神经网络模型；
根据获取的基于时间序列的测试数据集对所述中间神经网络模型进行验证，得到验证结果，其中，所述测试数据集中每个测试数据包括：脱硫剂使用量和吸收塔的出口SO2浓度；
在所述验证结果满足条件的情况下，将所述中间神经网络模型确定为目标神经网络模型。
4.根据权利要求3所述的方法，其特征在于，所述时间序列的间隔时间为1分钟，所述目标神经网络模型为：
其中，f表示自变量的一个非线性函数；
表示输出参数相应时延为do的数值；x(t-di)表示输入参数相应时延为di的数值；y(t)表示得到的当前时刻的输出数值。
5.根据权利要求1所述的方法，其特征在于，所述基于所述目标神经网络模型构建内模控制器，包括：
确定所述目标神经网络模型的最小相位，将所述最小相位确定为过程模型；
基于所述过程模型确定逆模型，至少基于所述过程模型和所述逆模型构建内模控制器。
6.根据权利要求1所述的方法，其特征在于，所述基于粒子群优化算法，确定所述隐含层的目标神经元数、所述输入层的目标输入延迟数和所述输出层的目标输出延迟数，包括：
确定粒子，其中，所述粒子包括待优化参数，所述待优化参数包括：神经元数、输入延迟数和输出延迟数；
确定粒子中各个待优化参数的范围；
基于粒子中各个待优化参数的范围确定第i粒子；
确定第i粒子寻优到的最优位置对应的个体极值；
基于所述个体极值和历史全局极值确定当前全局极值；
在确定达到终止寻优条件的情况下，将当前全局极值对应的粒子确定为最优粒子；
基于所述最优粒子确定目标神经元数、目标输入延迟数和目标输出延迟数。
7.根据权利要求6所述的方法，其特征在于，所述基于粒子群优化算法，确定所述隐含层的目标神经元数、所述输入层的目标输入延迟数和所述输出层的目标输出延迟数，还包括：
在确定没有达到终止寻优条件的情况下，基于第一公式更新所述第i粒子的速度和位置，其中，所述第一公式为：
其中，c1、c2为加速常数，r1、r2为[0,1]范围内的均匀随机数，pi为第i个粒寻优到的最优位置对应的个体极值，pg为历史全局极值，w为惯性因子；
基于第二公式对所述惯性因子进行调节，其中，所述第二公式为：
w＝(wini-wend)(Gk-g)/Gk-wend；
其中，Gk为最大迭代次数；wini为初始惯性权值，wend为迭代至最大进化代数时的惯性权值。
8.一种炉外脱硫的控制装置，其特征在于，包括：
获取模块，用于获取初始NARX神经网络模型；
第一确定模块，用于基于粒子群优化算法，确定所述初始NARX神经网络模型的目标神经元数、目标输入延迟数和目标输出延迟数；并基于神经元数更新所述初始NARX神经网络模型得到更新神经网络模型；
第二确定模块，用于根据获取的基于时间序列的样本数据集、所述输入延迟数和所述输出延迟数确定输入参数和输出参数，其中，所述样本数据集中每个样本数据包括脱硫剂使用量和吸收塔的出口SO2浓度；并基于所述输入参数和所述输出参数对所述更新神经网络模型进行训练，确定目标神经网络模型；
构建模块，用于基于所述目标神经网络模型构建内模控制器，以通过所述内模控制器进行炉外脱硫的控制。
9.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行如权利要求1至7任意一项所述炉外脱硫的控制方法。
10.一种存储介质，其特征在于，该存储介质存储的计算机程序，能够被一个或多个处理器执行，能够用来实现如权利要求1至7中任一项所述炉外脱硫的控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110938463.2A CN113996158A (zh) | 2021-08-16 | 2021-08-16 | 炉外脱硫的控制方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110938463.2A CN113996158A (zh) | 2021-08-16 | 2021-08-16 | 炉外脱硫的控制方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113996158A true CN113996158A (zh) | 2022-02-01 |
Family
ID=79921050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110938463.2A Pending CN113996158A (zh) | 2021-08-16 | 2021-08-16 | 炉外脱硫的控制方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113996158A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120143382A1 (en) * | 2010-12-07 | 2012-06-07 | Alstom Technology Ltd. | Optimized integrated controls for oxy-fuel combustion power plant |
| CN106446419A (zh) * | 2016-09-27 | 2017-02-22 | 广东电网有限责任公司电力科学研究院 | 一种火力发电厂燃煤锅炉的建模方法及系统 |
| CN107694337A (zh) * | 2017-11-03 | 2018-02-16 | 吉林省电力科学研究院有限公司 | 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法 |
| CN112216351A (zh) * | 2020-09-23 | 2021-01-12 | 成都佳华物链云科技有限公司 | 一种脱硫优化方法、装置、电子设备及存储介质 |
| CN112742187A (zh) * | 2020-12-10 | 2021-05-04 | 山西漳山发电有限责任公司 | 一种脱硫系统中pH值的控制方法及装置 |
-
2021
- 2021-08-16 CN CN202110938463.2A patent/CN113996158A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120143382A1 (en) * | 2010-12-07 | 2012-06-07 | Alstom Technology Ltd. | Optimized integrated controls for oxy-fuel combustion power plant |
| CN103339441A (zh) * | 2010-12-07 | 2013-10-02 | 阿尔斯通技术有限公司 | 用于氧燃料燃烧动力设备的优化综合控制 |
| CN106446419A (zh) * | 2016-09-27 | 2017-02-22 | 广东电网有限责任公司电力科学研究院 | 一种火力发电厂燃煤锅炉的建模方法及系统 |
| CN107694337A (zh) * | 2017-11-03 | 2018-02-16 | 吉林省电力科学研究院有限公司 | 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法 |
| CN112216351A (zh) * | 2020-09-23 | 2021-01-12 | 成都佳华物链云科技有限公司 | 一种脱硫优化方法、装置、电子设备及存储介质 |
| CN112742187A (zh) * | 2020-12-10 | 2021-05-04 | 山西漳山发电有限责任公司 | 一种脱硫系统中pH值的控制方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| KOSTAS HATALIS ET AL.: "Adaptive Particle Swarm Optimization Learning in a Time Delayed Recurrent Neural Network for Multi-Step Prediction", 2014 IEEE SYMPOSIUM ON FOUNDATIONS OR COMPUTATIONAL INTELLIGENCE(FOCI), 15 February 2015 (2015-02-15), pages 84 - 91 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Narayanan et al. | Fully on-chip MAC at 14 nm enabled by accurate row-wise programming of PCM-based weights and parallel vector-transport in duration-format | |
| JP5300739B2 (ja) | コンピュータ支援によって技術システムを制御および／または調整する方法 | |
| Li et al. | Developing a whole building cooling energy forecasting model for on-line operation optimization using proactive system identification | |
| US10338542B2 (en) | Method for computer-aided installation control optimization using a simulation module | |
| Zhang et al. | A hybrid biogeography-based optimization and fireworks algorithm | |
| Livne et al. | Pops: Policy pruning and shrinking for deep reinforcement learning | |
| CN107615186A (zh) | 模型预测控制的方法和装置 | |
| CN109359120A (zh) | 一种模型训练中的数据更新方法、装置及设备 | |
| CN113723615A (zh) | 基于超参优化的深度强化学习模型的训练方法、装置 | |
| Florita et al. | Comparison of short-term weather forecasting models for model predictive control | |
| CN116434859A (zh) | 高炉煤气产耗预测方法、装置、电子设备及存储介质 | |
| CN112966883A (zh) | 综合能源系统运行优化方法及终端设备 | |
| CN114494553B (zh) | 基于渲染时间估计和lod选择的实时渲染方法、系统及设备 | |
| CN113996158A (zh) | 炉外脱硫的控制方法、装置、电子设备及存储介质 | |
| CN114971078A (zh) | 基于约束性多目标粒子群优化的路径规划方法及相关设备 | |
| CN112859601A (zh) | 机器人控制器设计方法、装置、设备及可读存储介质 | |
| JP7379494B2 (ja) | 多重予測ネットワーク | |
| Karg et al. | Model predictive control for the internet of things | |
| Fojdl et al. | The performance of approximating ordinary differential equations by neural nets | |
| Meyer et al. | Quantitative implementation strategies for safety controllers | |
| CN113705067B (zh) | 一种微网优化运行策略生成方法、系统、设备及存储介质 | |
| CN116938613B (zh) | 基于非线性信息年龄的监测传感器的休眠方法及电子设备 | |
| Melnyk et al. | Modeling Seller Behavior in the Ukrainian Computer Market | |
| Syukur et al. | Increasing accuracy of power consumption using artificial neural network | |
| CN115965151A (zh) | 一种基于灰色模型的建筑能耗碳排放的预测方法及装置 |
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 |