CN114038513A - 燃煤锅炉内硫化氢的质量浓度预测方法、装置及终端 - Google Patents
燃煤锅炉内硫化氢的质量浓度预测方法、装置及终端 Download PDFInfo
- Publication number
- CN114038513A CN114038513A CN202111308399.6A CN202111308399A CN114038513A CN 114038513 A CN114038513 A CN 114038513A CN 202111308399 A CN202111308399 A CN 202111308399A CN 114038513 A CN114038513 A CN 114038513A
- Authority
- CN
- China
- Prior art keywords
- wolf
- prediction model
- coal
- hydrogen sulfide
- sample set
- 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
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 title claims abstract description 84
- 229910000037 hydrogen sulfide Inorganic materials 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 55
- 241000282461 Canis lupus Species 0.000 claims abstract description 179
- 238000002485 combustion reaction Methods 0.000 claims abstract description 104
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 56
- 239000003245 coal Substances 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims abstract description 15
- 229910052717 sulfur Inorganic materials 0.000 claims abstract description 15
- 239000011593 sulfur Substances 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 84
- 230000006870 function Effects 0.000 claims description 66
- 238000005457 optimization Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 19
- 238000013461 design Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 5
- 230000000977 initiatory effect Effects 0.000 claims description 4
- 230000004083 survival effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 21
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 18
- 239000007789 gas Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 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
- 230000007547 defect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000009841 combustion method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 125000001183 hydrocarbyl group Chemical group 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 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
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Regulation And Control Of Combustion (AREA)
Abstract
本发明提供一种燃煤锅炉炉内硫化氢的质量浓度预测方法、装置及终端，该方法包括：获取燃煤锅炉的燃烧参数；其中，燃烧参数包括给煤量、一次风量、二次风挡板开度和燃煤硫分质量分数；将燃烧参数输入经过训练的预测模型，得到燃煤锅炉炉内硫化氢的质量浓度的预测结果；预测模型为基于狼群算法优化的BP神经网络模型。本发明使用狼群算法优化的BP神经网络模型对燃煤锅炉炉内硫化氢的质量浓度进行预测，可以提高预测效率和准确性。
Description
技术领域
本发明涉及锅炉安全技术领域，尤其涉及一种燃煤锅炉炉内硫化氢的质量浓度预测方法、装置、终端及存储介质。
背景技术
近年来，为了进一步降低电厂污染物的排放，抑制燃煤锅炉燃烧所产生的氮氧化合物，众多电厂采用分级燃烧的方法，以此达到还原氮氧化合物的目的。然而，该方法虽然在一定程度上可以改善锅炉氮氧化合物排放量，但炉内较强的还原性气氛容易让煤中的硫成分生成硫化氢气体，硫化氢浓度过高会导致水冷壁的高温腐蚀，因此有必要确定锅炉内的硫化氢浓度，以对其进行控制。
由于实际炉膛燃烧过程具有复杂性，对炉膛内尤其是近壁处硫化氢等参数的预测较为困难，目前有研究使用神经网络对硫化氢的浓度进行预测，然而神经网络存在收敛速度慢、容易陷入局部最优的缺陷，导致对锅炉内硫化氢参数的预测结果效率低且准确定差。
发明内容
本发明提供了一种燃煤锅炉炉内硫化氢的质量浓度预测方法、装置、终端及存储介质，以解决提高锅炉内硫化氢的质量浓度预测效率和准确性的问题。
第一方面，本发明提供了一种燃煤锅炉炉内硫化氢的质量浓度预测方法，包括：
获取燃煤锅炉的燃烧参数；其中，燃烧参数包括给煤量、一次风量、二次风挡板开度和燃煤硫分质量分数；
将燃烧参数输入经过训练的预测模型，得到燃煤锅炉炉内硫化氢的质量浓度的预测结果；预测模型为基于狼群算法优化的BP神经网络模型。
在一种可能的实现方式中，在将燃烧参数输入经过训练的预测模型，得到预测结果之前，该方法还包括：
建立初始的预测模型；
基于狼群算法、训练样本集和优化样本集对初始的预测模型进行训练，以得到经过训练的预测模型。
在一种可能的实现方式中，基于狼群算法、训练样本集和优化样本集对初始的预测模型进行训练，以得到经过训练的预测模型包括：
基于训练样本集对初始的预测模型进行训练，得到预测模型的初始权值和初始阈值；
采用狼群算法对初始权值和初始阈值进行迭代优化，以得到目标权值和目标阈值；其中，狼群算法的待优化项为初始权值和初始阈值，目标函数为预测模型对训练样本进行预测得到的硫化氢的质量浓度与训练样本的真实硫化氢的质量浓度之差的倒数，优化目标为目标函数最大；
基于优化样本集对采用目标权值和目标阈值的预测模型进行训练，以得到经过训练的预测模型。
在一种可能的实现方式中，采用狼群算法对初始的预测模型中的权值和阈值进行迭代优化，以得到目标权值和目标阈值包括：
生成预设数量个具有随机位置的个体，得到初始狼群，每个个体的位置表示一组权值和阈值；
计算每个个体的目标函数值，并选取目标函数最大的个体作为头狼，选取除头狼以外目标函数值最大的S_num个个体作为探狼，以及将剩余个体作为猛狼；其中，S_num表示预设的探狼数量；
令各个探狼执行游走行为，直至全部探狼中的某个探狼的目标函数值大于头狼的目标函数值或游走次数达到预设的最大游走次数；
令各个猛狼向猎物奔袭，若奔袭过程中全部猛狼中的某个猛狼的目标函数值大于头狼的目标函数值，则令该猛狼替代头狼，并发起召唤行为；
令符合围攻条件的猛狼执行围攻行为；围攻条件为：与头狼的距离小于预设距离；
按照胜者为王的规则更新头狼位置；
按照强者生存的规则更新狼群位置；
判断头狼的目标函数值是否大于预设阈值或狼群更新次数是否达到预设值；
若是，则将头狼的位置作为目标权值和目标阈值；
否则，跳转至“计算每个个体的目标函数值，并选取目标函数最大的个体作为头狼，选取除头狼以外目标函数值最大的S_num个个体作为探狼，以及将剩余个体作为猛狼”的步骤。
在一种可能的实现方式中，在基于狼群算法、训练样本集和优化样本集对初始的预测模型进行训练，以得到经过训练的预测模型之前，该方法还包括：
获取燃煤锅炉运行于设计工况下的多个燃烧数据；燃烧数据包括燃烧参数和炉内硫化氢的质量浓度；
针对每个燃烧数据，将该燃烧数据的燃烧参数作为样本，炉内硫化氢的质量浓度作为该样本的标签；
将各样本及相应的标签组成样本集；
将样本集中二分之一的样本划分为训练样本集，将剩余二分之一的样本划分为优化样本集。
在一种可能的实现方式中，在基于狼群算法、训练样本集和优化样本集对初始的预测模型进行训练，以得到经过训练的预测模型之前，该方法还包括：
获取燃煤锅炉运行于原始工况下的多个燃烧数据；燃烧数据包括燃烧参数和炉内硫化氢的质量浓度；
针对每个燃烧数据，将该燃烧数据的燃烧参数作为样本，炉内硫化氢的质量浓度作为该样本的标签；
将各样本及相应的标签组成验证样本集；
基于狼群算法、训练样本集和优化样本集对初始的预测模型进行训练，以得到经过训练的预测模型还包括：
基于验证样本集对经过训练的预测模型进行准确性验证。
第二方面，本发明提供了一种燃煤锅炉炉内硫化氢的质量浓度预测装置，包括：
获取模块，用于获取燃煤锅炉的燃烧参数；其中，燃烧参数包括给煤量、一次风量、二次风挡板开度和燃煤硫分质量分数；
预测模块，用于将燃烧参数输入经过训练的预测模型，得到燃煤锅炉炉内硫化氢的质量浓度的预测结果；预测模型为基于狼群算法优化的BP神经网络模型。
第三方面，本发明提供了一种终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所示方法的步骤。
第四方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所示方法的步骤。
本发明提供一种燃煤锅炉炉内硫化氢的质量浓度预测方法、装置及终端，该方法包括：获取燃煤锅炉的燃烧参数；其中，燃烧参数包括给煤量、一次风量、二次风挡板开度和燃煤硫分质量分数；将燃烧参数输入经过训练的预测模型，得到燃煤锅炉炉内硫化氢的质量浓度的预测结果；预测模型为基于狼群算法优化的BP神经网络模型。本发明使用狼群算法优化的BP神经网络模型对燃煤锅炉炉内硫化氢的质量浓度进行预测，可以提高预测效率和准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的燃煤锅炉炉内硫化氢的质量浓度预测方法的实现流程图；
图2是本发明实施例提供的BP神经网络的结构示意图；
图3是本发明实施例对经过训练的BP神经网络进行测试的误差统计图；
图4是本发明实施例提供的燃煤锅炉炉内硫化氢的质量浓度预测装置的结构示意图；
图5是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
参见图1，其示出了本发明实施例提供的燃煤锅炉炉内硫化氢的质量浓度预测方法的实现流程图，详述如下：
步骤101，获取燃煤锅炉的燃烧参数；其中，燃烧参数包括给煤量、一次风量、二次风挡板开度和燃煤硫分质量分数。
在本实施例中，为了进一步降低电厂污染物的排放，抑制燃煤锅炉燃烧所产生的氮氧化合物，众多电厂采用分级燃烧的方法，采用分级燃烧时通过提升局部燃料浓度，使炉膛特定区域的过量空气系数小于1，从而在该区域形成较强的还原性气氛，强还原性氛围下碳基燃料产生的碳氢基团将氮氧化合物还原，从而减少氮氧化合物的排放。
然而，该方法虽然在一定程度上可以改善锅炉氮氧化合物排放量，但炉内较强的还原性气氛容易让煤中的硫成分生成硫化氢气体，并与水蒸气形成腐蚀性较强的酸性气体，破坏金属氧化膜，同时由于水冷壁管道壁面温度较高，这大大加剧了锅炉受热面的高温腐蚀。而当水冷壁管道因腐蚀减薄到一定程度时，就会造成水冷壁管的破裂，炉膛被迫熄火等重大电厂事故，严重影响经济效益和人员设备安全。
由此可知，在分级燃烧过程中产生的还原性气氛是炉内产生硫化氢气体的主要原因，而燃煤中硫元素的含量也会对炉内产生的硫化氢气体总量造成影响。因此本实施例将给煤量、一次风量、二次风挡板开度和燃煤硫分质量分数作为用于预测燃煤锅炉炉内硫化氢的质量浓度的输入参数。
为了确定燃煤锅炉炉内硫化氢的质量浓度的变化曲线，以确定对硫化氢进行处理的时间点，本实施例中还可以增加燃煤锅炉炉内的炉温、气压以及对应的时刻作为输入参数，确定燃煤锅炉炉内在该时刻的硫化氢的质量浓度，从而基于各个时刻的硫化氢的质量浓度确定燃煤锅炉炉内硫化氢的质量浓度的变化曲线。
步骤102，将燃烧参数输入经过训练的预测模型，得到燃煤锅炉炉内硫化氢的质量浓度的预测结果；预测模型为基于狼群算法优化的BP神经网络模型。
在本实施例中，误差反向传播神经网络(BP，Back Propagation)是一种模拟动物神经网络行为特征进行信息处理的数学模型，具有较强的自组织、自学习、联想和推理功能，并且具有很强的映射能力，非常适合用于研究非线性系统的特性。它通过对大量数据进行学习从而找到其中蕴含的规律，是解决非线性问题的一种有效工具，是深度学习常用的核心模型之一。然而神经网络存在一些缺陷，如收敛速度慢、容易陷入局部极值等。另外，初始参数的选取、网络结构的设计也会对神经网络的性能产生很大的影响。
狼群算法是一种随机概率搜索算法，能够以较大的概率快速找到全局最优解，狼群算法还具有并行性，可以在同一时间从多个点出发进行搜索，点与点之间互不影响，从而提高算法的效率。狼群算法具有较好的全局收敛性和计算鲁棒性，尤其适合高维、多峰的复杂函数求解。因此可以利用狼群算法的全局寻优特性与计算鲁棒性同时结合反向传播方式来优化神经网络结构并确定参数选取，从而提高神经网络的学习效率和结果。
在一个具体的实施例中，在将燃烧参数输入经过训练的预测模型之前，该方法还包括对燃烧参数进行预处理。BP神经网络训练过程中常因输入数据之间的量纲差异较大而使训练陷入局部最小影响其训练效果，因此在训练之前应对训练数据做归一化处理。具体的，本方法对输入数据通过归一化公式y＝(x-xmin)/(xmax-xmin)进行标准化处理，将数据线性映射到[0，1]之间，以提高预测结果的准确性。在得到预测模型输出的预测结果后，也可以对输出数据进行反归一化处理，以得到燃煤锅炉炉内硫化氢的质量浓度的实际值。
在一些实施例中，在将燃烧参数输入经过训练的预测模型，得到预测结果之前，该方法还包括：
建立初始的预测模型；
基于狼群算法、训练样本集和优化样本集对初始的预测模型进行训练，以得到经过训练的预测模型。
在本实施例中，初始的预测模型为具有“4-9-1”结构的BP神经网络模型，传递函数为sigmoid函数，函数公式为：
BP神经网络模型的输入层有4个节点，分别为给煤量、一次风量、二次风挡板开度和燃煤硫分质量分数等变量；隐含层节点数为9，本发明中隐含层节点数通过实验方法取得，实验结果表面隐含层节点数取9时精度最高；输出层有1个节点，即为炉内硫化氢的质量浓度。隐含层节点数决定了BP神经网络训练效率和最终建成模型的性能，并且对训练结果有很大影响。到目前为止没有一个理想的国际统一的公式来确定这个值，因此一般采用试算的方法来确定使神经网络误差最小的隐藏层节点数。为了最大化神经网络的训练效率和模型性能，本文通过试算方法确定的隐含层神经元个数为9。
在一些实施例中，基于狼群算法、训练样本集和优化样本集对初始的预测模型进行训练，以得到经过训练的预测模型包括：
基于训练样本集对初始的预测模型进行训练，得到预测模型的初始权值和初始阈值；
采用狼群算法对初始权值和初始阈值进行迭代优化，以得到目标权值和目标阈值；其中，狼群算法的待优化项为初始权值和初始阈值，目标函数为预测模型对训练样本进行预测得到的硫化氢的质量浓度与训练样本的真实硫化氢的质量浓度之差的倒数，优化目标为目标函数最大；
基于优化样本集对采用目标权值和目标阈值的预测模型进行训练，以得到经过训练的预测模型。
在本实施例中，训练样本来自于训练样本集。狼群算法的目标函数为BP神经网络对训练样本进行预测的误差的倒数，BP神经网络对训练样本进行预测的误差越小，则狼群算法的目标函数值越大。本实施例中采用狼群算法对BP神经网络的权值和阈值进行优化，可以结合两个算法的优点，弥补狼群算法和BP神经网络的固有缺陷，有效提高BP神经网络的预测精度和泛化能力，从而提高燃煤锅炉炉内硫化氢的质量浓度预测效率与准确度。
在一些实施例中，采用狼群算法对初始的预测模型中的权值和阈值进行迭代优化，以得到目标权值和目标阈值包括：
生成预设数量个具有随机位置的个体，得到初始狼群，每个个体的位置表示一组权值和阈值；
计算每个个体的目标函数值，并选取目标函数最大的个体作为头狼，选取除头狼以外目标函数值最大的S_num个个体作为探狼，以及将剩余个体作为猛狼；其中，S_num表示预设的探狼数量；
令各个探狼执行游走行为，直至全部探狼中的某个探狼的目标函数值大于头狼的目标函数值或游走次数达到预设的最大游走次数；
令各个猛狼向猎物奔袭，若奔袭过程中全部猛狼中的某个猛狼的目标函数值大于头狼的目标函数值，则令该猛狼替代头狼，并发起召唤行为；
令符合围攻条件的猛狼执行围攻行为；围攻条件为：与头狼的距离小于预设距离；
按照胜者为王的规则更新头狼位置；
按照强者生存的规则更新狼群位置；
判断头狼的目标函数值是否大于预设阈值或狼群更新次数是否达到预设值；
若是，则将头狼的位置作为目标权值和目标阈值；
否则，跳转至“计算每个个体的目标函数值，并选取目标函数最大的个体作为头狼，选取除头狼以外目标函数值最大的S_num个个体作为探狼，以及将剩余个体作为猛狼”的步骤。
在本实施例中，狼群中的每个个体为一匹人工狼。狼群算法将狼群分为头狼、探狼和猛狼，其中在解空间中随机初始化狼群的空间坐标，依据目标函数值的大小角逐出人工头狼；除头狼外最佳的S_num匹人工狼为探狼；其他为猛狼。
在一个具体的实施例中，狼群算法参数可以设定为：人工狼总数n＝50，最大迭代次数为Kmax＝300，S_num随机取
之间的整数,探狼比例因子α＝4，最大游走次数Tmax＝30，距离判定因子w＝100，步长因子S＝1000，更新比例因子β＝10；BP神经网络参数设定为：训练次数为500，训练精度为0.00001，学习率为0.1。
在一些实施例中，在基于狼群算法、训练样本集和优化样本集对初始的预测模型进行训练，以得到经过训练的预测模型之前，该方法还包括：
获取燃煤锅炉运行于设计工况下的多个燃烧数据；燃烧数据包括燃烧参数和炉内硫化氢的质量浓度；
针对每个燃烧数据，将该燃烧数据的燃烧参数作为样本，炉内硫化氢的质量浓度作为该燃烧数据的标签；
将各样本及相应的标签组成样本集；
将样本集中二分之一的燃烧数据划分为训练样本集，将剩余二分之一的燃烧数据划分为优化样本集。
在本实施例中，设计工况为燃烧参数与燃煤锅炉运行状态均符合设计要求的工况，设计工况下的燃烧参数更具有规律性。由于对BP神经网络进行训练的样本需要具有较强的参考性，因此选择所有设计工况下二分之一的燃烧数据构成训练样本集，剩余二分之一的燃烧数据构成优化样本集。
在一些实施例中，在基于狼群算法、训练样本集和优化样本集对初始的预测模型进行训练，以得到经过训练的预测模型之前，该方法还包括：
获取燃煤锅炉运行于原始工况下的多个燃烧数据；燃烧数据包括燃烧参数和炉内硫化氢的质量浓度；
针对每个燃烧数据，将该燃烧数据的燃烧参数作为样本，炉内硫化氢的质量浓度作为该样本的标签；
将各样本及相应的标签组成验证样本集；
基于狼群算法、训练样本集和优化样本集对初始的预测模型进行训练，以得到经过训练的预测模型还包括：
基于验证样本集对经过训练的预测模型进行准确性验证。
在本实施例中，原始工况为除设计工况以外的工况，原始工况下的燃烧数据相比设计工况下的燃烧数据更为泛化，因此适合用于验证预测模型的准确性和泛化能力。本实施例中还可以将验证样本集与优化样本集结合，对预测模型进行交叉验证，以提高样本的利用率，降低样本收集的工作量。图3是本实施例中使用验证样本集对经过训练的预测模型进行测试得到的误差统计图。
本发明实施例提供的一种燃煤锅炉炉内硫化氢的质量浓度预测方法包括：获取燃煤锅炉的燃烧参数；其中，燃烧参数包括给煤量、一次风量、二次风挡板开度和燃煤硫分质量分数；将燃烧参数输入经过训练的预测模型，得到燃煤锅炉炉内硫化氢的质量浓度的预测结果；预测模型为基于狼群算法优化的BP神经网络模型。本发明实施例使用狼群算法优化的BP神经网络模型对燃煤锅炉炉内硫化氢的质量浓度进行预测，可以提高预测效率和准确性。
应理解，上述实施例中各步骤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，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图4示出了本发明实施例提供的燃煤锅炉炉内硫化氢的质量浓度预测装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图4所示，燃煤锅炉炉内硫化氢的质量浓度预测装置4包括：
获取模块41，用于获取燃煤锅炉的燃烧参数；其中，燃烧参数包括给煤量、一次风量、二次风挡板开度和燃煤硫分质量分数；
预测模块42，用于将燃烧参数输入经过训练的预测模型，得到燃煤锅炉炉内硫化氢的质量浓度的预测结果；预测模型为基于狼群算法优化的BP神经网络模型。
在一些实施例中，燃煤锅炉炉内硫化氢的质量浓度预测装置4还包括：
模型建立模块，用于在将燃烧参数输入经过训练的预测模型，得到预测结果之前，建立初始的预测模型；
模型训练模块，用于基于狼群算法、训练样本集和优化样本集对初始的预测模型进行训练，以得到经过训练的预测模型。
在一些实施例中，模型训练模块包括：
第一训练单元，用于基于训练样本集对初始的预测模型进行训练，得到预测模型的初始权值和初始阈值；
第二训练单元，用于采用狼群算法对初始权值和初始阈值进行迭代优化，以得到目标权值和目标阈值；其中，狼群算法的待优化项为初始权值和初始阈值，目标函数为预测模型对训练样本进行预测得到的硫化氢的质量浓度与训练样本的真实硫化氢的质量浓度之差的倒数，优化目标为目标函数最大；
第三训练单元，用于基于优化样本集对采用目标权值和目标阈值的预测模型进行训练，以得到经过训练的预测模型。
在一些实施例中，第二训练单元具体用于：
生成预设数量个具有随机位置的个体，得到初始狼群，每个个体的位置表示一组权值和阈值；
计算每个个体的目标函数值，并选取目标函数最大的个体作为头狼，选取除头狼以外目标函数值最大的S_num个个体作为探狼，以及将剩余个体作为猛狼；其中，S_num表示预设的探狼数量；
令各个探狼执行游走行为，直至全部探狼中的某个探狼的目标函数值大于头狼的目标函数值或游走次数达到预设的最大游走次数；
令各个猛狼向猎物奔袭，若奔袭过程中全部猛狼中的某个猛狼的目标函数值大于头狼的目标函数值，则令该猛狼替代头狼，并发起召唤行为；
令符合围攻条件的猛狼执行围攻行为；围攻条件为：与头狼的距离小于预设距离；
按照胜者为王的规则更新头狼位置；
按照强者生存的规则更新狼群位置；
判断头狼的目标函数值是否大于预设阈值或狼群更新次数是否达到预设值；
若是，则将头狼的位置作为目标权值和目标阈值；
否则，跳转至“计算每个个体的目标函数值，并选取目标函数最大的个体作为头狼，选取除头狼以外目标函数值最大的S_num个个体作为探狼，以及将剩余个体作为猛狼”的步骤。
在一些实施例中，燃煤锅炉炉内硫化氢的质量浓度预测装置2还包括：
燃烧数据获取模块，用于在基于狼群算法、训练样本集和优化样本集对初始的预测模型进行训练，以得到经过训练的预测模型之前，获取燃煤锅炉运行于设计工况下的多个燃烧数据；燃烧数据包括燃烧参数和炉内硫化氢的质量浓度；
样本集建立模块，用于针对每个燃烧数据，将该燃烧数据的燃烧参数作为样本，炉内硫化氢的质量浓度作为该燃烧数据的标；并将各样本及相应的标签组成样本集；
样本集划分模块，用于将样本集中二分之一的燃烧数据划分为训练样本集，将剩余二分之一的燃烧数据划分为优化样本集。
在一些实施例中，燃烧数据获取模块还用于，在基于狼群算法、训练样本集和优化样本集对初始的预测模型进行训练，以得到经过训练的预测模型之前，获取燃煤锅炉运行于原始工况下的多个燃烧数据；燃烧数据包括燃烧参数和炉内硫化氢的质量浓度；
样本集建立模块还用于，针对每个燃烧数据，将该燃烧数据的燃烧参数作为样本，炉内硫化氢的质量浓度作为该样本的标签；
样本集建立模块还用于将各样本及相应的标签组成验证样本集；
模型训练模块还包括：
验证单元，用于基于验证样本集对经过训练的预测模型进行准确性验证。
本发明实施例提供的燃煤锅炉炉内硫化氢的质量浓度预测装置包括：获取模块，用于获取燃煤锅炉的燃烧参数；其中，燃烧参数包括给煤量、一次风量、二次风挡板开度和燃煤硫分质量分数；预测模块，用于将燃烧参数输入经过训练的预测模型，得到燃煤锅炉炉内硫化氢的质量浓度的预测结果；预测模型为基于狼群算法优化的BP神经网络模型。本发明实施例使用狼群算法优化的BP神经网络模型对燃煤锅炉炉内硫化氢的质量浓度进行预测，可以提高预测效率和准确性。
图5是本发明实施例提供的终端的示意图。如图5所示，该实施例的终端5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个燃煤锅炉炉内硫化氢的质量浓度预测方法实施例中的步骤，例如图1所示的步骤101至步骤102。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块的功能，例如图4所示模块41至42的功能。
示例性的，所述计算机程序52可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述终端3中的执行过程。例如，所述计算机程序52可以被分割成4所示的模块41至42。
所述终端5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端5可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端5的示例，并不构成对终端5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端5的内部存储单元，例如终端5的硬盘或内存。所述存储器51也可以是所述终端5的外部存储设备，例如所述终端5上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。
所述集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个燃煤锅炉炉内硫化氢的质量浓度预测方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述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精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种燃煤锅炉炉内硫化氢的质量浓度预测方法，其特征在于，包括：
获取燃煤锅炉的燃烧参数；其中，所述燃烧参数包括给煤量、一次风量、二次风挡板开度和燃煤硫分质量分数；
将所述燃烧参数输入经过训练的预测模型，得到所述燃煤锅炉炉内硫化氢的质量浓度的预测结果；所述预测模型为基于狼群算法优化的BP神经网络模型。
2.根据权利要求1所述的燃煤锅炉炉内硫化氢的质量浓度预测方法，其特征在于，在将所述燃烧参数输入经过训练的预测模型，得到预测结果之前，所述方法还包括：
建立初始的预测模型；
基于狼群算法、训练样本集和优化样本集对所述初始的预测模型进行训练，以得到经过训练的预测模型。
3.根据权利要求2所述的燃煤锅炉炉内硫化氢的质量浓度预测方法，其特征在于，所述基于狼群算法、训练样本集和优化样本集对所述初始的预测模型进行训练，以得到经过训练的预测模型包括：
基于训练样本集对所述初始的预测模型进行训练，得到预测模型的初始权值和初始阈值；
采用狼群算法对所述初始权值和所述初始阈值进行迭代优化，以得到目标权值和目标阈值；其中，所述狼群算法的待优化项为所述初始权值和所述初始阈值，目标函数为预测模型对训练样本进行预测得到的硫化氢的质量浓度与所述训练样本的真实硫化氢的质量浓度之差的倒数，优化目标为所述目标函数最大；
基于所述优化样本集对采用所述目标权值和目标阈值的预测模型进行训练，以得到经过训练的预测模型。
4.根据权利要求3所述的燃煤锅炉炉内硫化氢的质量浓度预测方法，其特征在于，所述采用狼群算法对所述初始的预测模型中的权值和阈值进行迭代优化，以得到目标权值和目标阈值包括：
生成预设数量个具有随机位置的个体，得到初始狼群，每个个体的位置表示一组权值和阈值；
计算每个个体的目标函数值，并选取目标函数最大的个体作为头狼，选取除头狼以外目标函数值最大的S_num个个体作为探狼，以及将剩余个体作为猛狼；其中，S_num表示预设的探狼数量；
令各个探狼执行游走行为，直至全部探狼中的某个探狼的目标函数值大于头狼的目标函数值或游走次数达到预设的最大游走次数；
令各个猛狼向猎物奔袭，若奔袭过程中全部猛狼中的某个猛狼的目标函数值大于头狼的目标函数值，则令该猛狼替代头狼，并发起召唤行为；
令符合围攻条件的猛狼执行围攻行为；所述围攻条件为：与头狼的距离小于预设距离；
按照胜者为王的规则更新头狼位置；
按照强者生存的规则更新狼群位置；
判断头狼的目标函数值是否大于预设阈值或狼群更新次数是否达到预设值；
若是，则将头狼的位置作为目标权值和目标阈值；
否则，跳转至“计算每个个体的目标函数值，并选取目标函数最大的个体作为头狼，选取除头狼以外目标函数值最大的S_num个个体作为探狼，以及将剩余个体作为猛狼”的步骤。
5.根据权利要求3所述的燃煤锅炉炉内硫化氢的质量浓度预测方法，其特征在于，在基于狼群算法、训练样本集和优化样本集对所述初始的预测模型进行训练，以得到经过训练的预测模型之前，所述方法还包括：
获取所述燃煤锅炉运行于设计工况下的多个燃烧数据；所述燃烧数据包括燃烧参数和炉内硫化氢的质量浓度；
针对每个燃烧数据，将该燃烧数据的燃烧参数作为样本，炉内硫化氢的质量浓度作为该样本的标签；
将各样本及相应的标签组成样本集；
将所述样本集中二分之一的样本划分为训练样本集，将剩余二分之一的样本划分为优化样本集。
6.根据权利要求3所述的燃煤锅炉炉内硫化氢的质量浓度预测方法，其特征在于，在基于狼群算法、训练样本集和优化样本集对所述初始的预测模型进行训练，以得到经过训练的预测模型之前，所述方法还包括：
获取所述燃煤锅炉运行于原始工况下的多个燃烧数据；所述燃烧数据包括燃烧参数和炉内硫化氢的质量浓度；
针对每个燃烧数据，将该燃烧数据的燃烧参数作为样本，炉内硫化氢的质量浓度作为该样本的标签；
将各样本及相应的标签组成验证样本集；
所述基于狼群算法、训练样本集和优化样本集对所述初始的预测模型进行训练，以得到经过训练的预测模型还包括：
基于所述验证样本集对所述经过训练的预测模型进行准确性验证。
7.一种燃煤锅炉炉内硫化氢的质量浓度预测装置，其特征在于，包括：
获取模块，用于获取燃煤锅炉的燃烧参数；其中，所述燃烧参数包括给煤量、一次风量、二次风挡板开度和燃煤硫分质量分数；
预测模块，用于将所述燃烧参数输入经过训练的预测模型，得到所述燃煤锅炉炉内硫化氢的质量浓度的预测结果；所述预测模型为基于狼群算法优化的BP神经网络模型。
8.根据权利要求7所述的燃煤锅炉炉内硫化氢的质量浓度预测装置，其特征在于，所述装置还包括：
模型建立模块，用于在将所述燃烧参数输入经过训练的预测模型，得到预测结果之前，建立初始的预测模型；
模型训练模块，用于基于狼群算法、训练样本集和优化样本集对所述初始的预测模型进行训练，以得到经过训练的预测模型。
9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至6中任一项所述燃煤锅炉炉内硫化氢的质量浓度预测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至6中任一项所述燃煤锅炉炉内硫化氢的质量浓度预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111308399.6A CN114038513A (zh) | 2021-11-05 | 2021-11-05 | 燃煤锅炉内硫化氢的质量浓度预测方法、装置及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111308399.6A CN114038513A (zh) | 2021-11-05 | 2021-11-05 | 燃煤锅炉内硫化氢的质量浓度预测方法、装置及终端 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114038513A true CN114038513A (zh) | 2022-02-11 |
Family
ID=80136480
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111308399.6A Pending CN114038513A (zh) | 2021-11-05 | 2021-11-05 | 燃煤锅炉内硫化氢的质量浓度预测方法、装置及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114038513A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114935527A (zh) * | 2022-07-26 | 2022-08-23 | 克拉玛依市富城天然气有限责任公司 | 一种基于油井天然气开采的传感器智能清洁方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324862A (zh) * | 2013-07-11 | 2013-09-25 | 中国石油大学(华东) | 一种基于改进神经网络与遗传算法的燃煤锅炉优化方法 |
| CN113009077A (zh) * | 2021-02-18 | 2021-06-22 | 南方电网数字电网研究院有限公司 | 气体检测方法、装置、电子设备和存储介质 |
-
2021
- 2021-11-05 CN CN202111308399.6A patent/CN114038513A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103324862A (zh) * | 2013-07-11 | 2013-09-25 | 中国石油大学(华东) | 一种基于改进神经网络与遗传算法的燃煤锅炉优化方法 |
| CN113009077A (zh) * | 2021-02-18 | 2021-06-22 | 南方电网数字电网研究院有限公司 | 气体检测方法、装置、电子设备和存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114935527A (zh) * | 2022-07-26 | 2022-08-23 | 克拉玛依市富城天然气有限责任公司 | 一种基于油井天然气开采的传感器智能清洁方法及系统 |
| CN114935527B (zh) * | 2022-07-26 | 2022-10-18 | 克拉玛依市富城天然气有限责任公司 | 一种基于油井天然气开采的传感器智能清洁方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shin et al. | Deep neural network model with Bayesian hyperparameter optimization for prediction of NOx at transient conditions in a diesel engine | |
| CN110532674B (zh) | 一种燃煤电站锅炉炉膛温度测量方法 | |
| CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
| CN110442974B (zh) | 马蹄焰玻璃窑蓄热室性能优化方法和装置 | |
| CN112036100B (zh) | 一种基于数值模拟利用回归算法预测炉膛氧气浓度的方法 | |
| CN110987436B (zh) | 基于激励机制的轴承故障诊断方法 | |
| CN116028822B (zh) | 一种电能表误差状态评估方法、系统、设备及存储介质 | |
| WO2022213768A1 (zh) | 发动机模型的优化方法、装置、计算机设备及存储介质 | |
| CN112163335A (zh) | 一种NOx浓度预测模型的训练方法、预测方法和装置 | |
| CN114038513A (zh) | 燃煤锅炉内硫化氢的质量浓度预测方法、装置及终端 | |
| US11475186B2 (en) | Apparatus and method for deriving boiler combustion model | |
| CN113822443A (zh) | 一种对抗攻击和生成对抗样本的方法 | |
| Ma et al. | Learning code representations using multifractal-based graph networks | |
| Guo et al. | Data mining and application of ship impact spectrum acceleration based on PNN neural network | |
| Wang et al. | Investigation of RBFNN Based on Improved PSO Optimization Algorithm for Performance and Emissions Prediction of a High‐Pressure Common‐Rail Diesel Engine | |
| CN116318845A (zh) | 一种正负样本比例不平衡条件下的dga域名检测方法 | |
| Tan et al. | Time Series Prediction using Backpropagation Network Optimized by Hybrid K-means-Greedy Algorithm. | |
| TWI735385B (zh) | 硫氧化物的預測方法與燒結工廠 | |
| CN110245400B (zh) | 一种锅炉燃烧系统氧量对象模型的辨识方法 | |
| CN115527078A (zh) | 数据预测方法、装置、设备以及模型训练方法 | |
| CN114139785A (zh) | 锅炉燃烧热效率预测方法及装置 | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| Zhang et al. | Assessing the memory ability of recurrent neural networks | |
| Alexandersson et al. | Neural Networks for modelling of a virtual sensor in an engine | |
| Zheng et al. | Improved prediction of nitrogen oxides using GRNN with k-means clustering and EDA |
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 |