CN114444391A - 一种基于粒子群优化的氧化风机运行优化算法 - Google Patents

一种基于粒子群优化的氧化风机运行优化算法 Download PDF

Info

Publication number
CN114444391A
CN114444391A CN202210087401.XA CN202210087401A CN114444391A CN 114444391 A CN114444391 A CN 114444391A CN 202210087401 A CN202210087401 A CN 202210087401A CN 114444391 A CN114444391 A CN 114444391A
Authority
CN
China
Prior art keywords
oxidation
oxidation fan
particle swarm
model
swarm optimization
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
CN202210087401.XA
Other languages
English (en)
Inventor
孔祥贞
包英捷
余长开
吴迅
于长春
苏林
韩旭
周佳良
王涛
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.)
Huaneng Chongqing Luohuang Power Generation Co Ltd
Original Assignee
Huaneng Chongqing Luohuang Power Generation 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 Huaneng Chongqing Luohuang Power Generation Co Ltd filed Critical Huaneng Chongqing Luohuang Power Generation Co Ltd
Priority to CN202210087401.XA priority Critical patent/CN114444391A/zh
Publication of CN114444391A publication Critical patent/CN114444391A/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
    • 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
    • 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
    • B01D53/74—General processes for purification of waste gases; Apparatus or devices specially adapted therefor
    • B01D53/80—Semi-solid phase processes, i.e. by using slurries
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D2258/00—Sources of waste gases
    • B01D2258/02—Other waste gases
    • B01D2258/0283—Flue gases

Abstract

本发明涉及燃煤电厂烟气脱硫技术领域，具体公开了一种基于粒子群优化的氧化风机运行优化算法，S1：根据历史运行数据寻找到影响氧化风机运行效率的影响因素，建立数据集，S2：采用皮尔逊相关性分析法对S1中的数据集进行相关性预处理，S3：选取与氧化率和石膏品质相关的运行参数为输入，以氧化率和石膏品质为输出，建立氧化率LSTM预测模型和石膏品质LSTM预测模型，S4：以氧化率、现场运行参数为基准，建立机理模型，获得各种工况下的脱硫系统综合成本模型，S5：采取粒子群优化算法以LSTM预测模型、石膏品质LSTM预测模型和脱硫系统综合成本模型为基础对氧化风量单目标寻优，S6：寻找到最佳氧化风量提供至氧化风机控制系统。

Description

一种基于粒子群优化的氧化风机运行优化算法
技术领域
本申请涉及燃煤电厂烟气脱硫技术领域，具体公开了一种基于粒子群优化的氧化风机运行优化算法。
背景技术
火电厂脱硫系统实施了超低排放改造后，能耗有一定程度的上升。氧化风机作为脱硫系统的能耗大户，具有十分可观的节能潜力。目前制约氧化风机节能的主要问题就是脱硫吸收塔浆液内亚硫酸根浓度测量值不准确及存在滞后性。常规亚硫酸根含量检测方式为化学定期取样化验，实验室分析数据，每天报送一次化验结果，脱硫运行值班员根据化学报送的亚硫酸根含量调节氧化风机运行方式。这种运行方式存在较长滞后时间，不能适应负荷和硫分的快速变化，导致脱硫值班员调节氧化风量全凭经验，容易产生两种问题：风量控制低了可能会导致浆液品质恶化，发生环保超排事故；风量控制高了导致氧化风机电耗上升，不节能。因此迫切需要一种脱硫系统氧化风机优化运行方式，以实时对氧化风机风量进行合理控制，在降低环保超风险的同时，可有效降低脱硫系统能耗，显著提高经济和环保效益；
现有的技术方案是：目前对于湿法脱硫系统氧化风机多采用罗茨风机，根据石膏品质或运行经验来进行氧化风量的控制，具有反馈时间长，速率慢等不足，且氧化风机多为恒转速风机，脱硫装置只要运行，风机便随之运行，无论脱硫系统何种状态，风机均以恒定转速和恒定耗能的状态运行，导致脱硫系统运行状态变化时，氧化风机仍提供设计的氧化风量，造成能耗增大，且造成吸收塔浆液中含有过多的富余空气容易产生气泡，从而产生吸收塔虚假液位，造成浆液溢流等异常事件发生，鉴于此，发明人提出一种基于粒子群优化的氧化风机运行优化算法。
发明内容
本发明针对氧化风机风量调整手段有限的现状，提出采用长短期记忆神经网络预测和机理模型预测，获得脱硫系统综合运行成本计算方法，后采用粒子群优化算法进行氧化风量寻优，为变工况下脱硫氧化风机运行提供最佳运行方案。
为了达到上述目的，本发明提供以下基础方案：
一种基于粒子群优化的氧化风机运行优化算法，其特征在于：包括以下步骤：
S1：根据历史运行数据寻找到影响氧化风机运行效率的影响因素，建立数据集；
S2：采用皮尔逊相关性分析法对S1中的数据集进行相关性预处理；
S3：选取与氧化率和石膏品质相关的运行参数为输入，以氧化率和石膏品质为输出，建立氧化率LSTM预测模型和石膏品质LSTM预测模型；
S4：以氧化率、现场运行参数为基准，建立机理模型，并进行脱硫系统综合成本分析，获得各种工况下的脱硫系统综合成本模型；
S5：采取粒子群优化算法以LSTM预测模型、石膏品质LSTM预测模型和脱硫系统综合成本模型为基础对氧化风量单目标寻优；
S6：寻找到最佳氧化风量提供至氧化风机控制系统；
寻找最佳氧化风机风量结束。
一种基于粒子群优化的氧化风机运行装置，其特征在于，包括：
历史运行数据储存模块：用于对脱硫系统中各种运行数据进行储存；
在线测量模块：用于测量整个系统运行时的运行数据，并且测量到运行数据传输至历史运行数据储存模块进行储存；
氧化风机控制模块：用于控制氧化风机的出风量；
氧化风机变频模块：用于结合氧化风机控制模块实现对氧化风机的变速变频处理。
本基础方案的原理及效果在于：
1.与现有技术相比，实时对氧化风机风量进行合理控制，在降低环保超风险的同时，可有效降低脱硫系统能耗，显著提高经济和环保效益。
2.与现有技术相比，可以根据脱硫系统的状态，实现实时改变氧化风机的运行状态，当脱硫系统运行状态变化时，氧化风机的氧化风量随之改变，节约了能耗，不会造成吸收塔浆液中含有过多的富余空气，并且不容易产生气泡，不会造成吸收塔虚假液位，不会造成浆液溢流等异常事件发生。
3.与现有技术相比，可以结合脱硫系统历史运行数据进行时序预测与寻优，获得脱硫总成本最低和石膏品质最高的未来不同尺度的氧化风量预测，为氧化风机的运行调整提供最佳运行参数建议，在保证脱硫效率的前提下，降低物耗和能耗。
进一步，S1中的影响因素包括亚硫酸盐浓度、PH值，烟气量、浆液密度、浆液量、烟气SO2浓度、氧化率和石膏品质。
进一步，在S3中找到氧化率和石膏品质的运行参数，接入MAPE和RMSE评价标准机制后，建立长短期记忆神经网络，将长短期记忆神经网络运行在氧化率LSTM预测模型和石膏品质LSTM预测模型。
进一步，S5中对氧化风量单目标寻优包括以下步骤：
S7：根据S3所建立的氧化率LSTM预测模型和石膏品质LSTM预测模型和根据S4所建立的脱硫系统综合成本模型评价每个粒子的函数适应度；
S8：寻找到最佳的粒子，通过粒子群优化算法，以综合成本最小和石膏品质最大为目标，获得最优的氧化风量。
进一步，所述S7中的函数适应度为针对被优化的目标函数的优化型适应函数。
进一步，储存的历史运行数据包括储存数据的时间、数据的含量和数据的施加方式。
进一步，所述氧化风机控制模块包括控制器、用于接收最优氧化风量值的接收器和与接收器电连接且用于信号转换的转换器。
进一步，所述氧化风机变频模块与氧化风机控制模块中转换器电连接。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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示出了本申请实施例提出的一种基于粒子群优化的氧化风机运行优化算法的运行示意图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如后。
实施例如图1所示：
一种基于粒子群优化的氧化风机运行优化算法，包括以下步骤：
S1：根据历史运行数据寻找到影响氧化风机运行效率的影响因素，建立数据集，影响因素包括亚硫酸盐浓度、PH值，烟气量、浆液密度、浆液量、烟气SO2浓度、氧化率和石膏品质，具体的：历史数据运行采集间隔为0.5s，并且着重记录氧化率和石膏品质的波动曲线，以及氧化率和石膏品质的对应的时间点。
S2：采用皮尔逊相关性分析法对S1中的数据集进行相关性预处理，预处理：在电厂所取历史数据中存在异常值、缺失值等，因此需要对数据进行预处理，剔除异常值和缺失值，预处理后的数据为符合电厂运行要求的正常运行数据，关于皮尔逊相关性分析法的举例说明：以氧化率和石膏品质两者为例：第一步，分析氧化率和石膏品质是否具备相关性，关于皮尔逊相关性分析法的运行这里不再描述，如果当氧化率和石膏品质具备相关性，那么数据保留，反之，则相反，上述操作用于剔除历史数据中的常值和缺失值。
S3：选取与氧化率和石膏品质相关的运行参数为输入，以氧化率和石膏品质为输出，建立氧化率LSTM预测模型和石膏品质LSTM预测模型，具体的：在S3中找到氧化率和石膏品质的运行参数，接入MAPE和RMSE评价标准机制后，建立长短期记忆神经网络，将长短期记忆神经网络运行在氧化率LSTM预测模型和石膏品质LSTM预测模型，长短期记忆神经网络是一种时间递归神经网络，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题，简单来说，就是相比普通的RNN，LSTM能够在更长的序列中有更好的表现，能够实现对氧化率和石膏品质的高精度预测。
S4：以氧化率、现场运行参数为基准，建立机理模型，并进行脱硫系统综合成本分析，获得各种工况下的脱硫系统综合成本模型；
S5：采取粒子群优化算法以LSTM预测模型、石膏品质LSTM预测模型和脱硫系统综合成本模型为基础对氧化风量单目标寻优；
具体的：S4中机理模型包括物料机理模型、电耗机理模型和水耗机理模型，S5中对氧化风量单目标寻优包括以下步骤：
S7：根据S3所建立的氧化率LSTM预测模型和石膏品质LSTM预测模型和根据S4所建立的脱硫系统综合成本模型评价每个粒子的函数适应度；
S8：寻找到最佳的粒子，通过粒子群优化算法，以综合成本最小和石膏品质最大为目标，获得最优的氧化风量。
S7中的函数适应度为针对被优化的目标函数的优化型适应函数，关于优化型适应函数和S8中的粒子群优化算法：第一步，随机初始化每个粒子，通过优化型适应函数评价每个粒子的函数适应度，并且找到全局最佳粒子，判断该粒子是否为氧化风量的最优势粒子，如果是，将该粒子确定为最佳，如果否，进入第二步：更新每个粒子的速度和位置、更新每个粒子历史最优位置、更新群体的全局最优位置、再次通过优化型适应函数评价每个粒子的函数适应度，再次找到全局最佳粒子，判断该粒子是否为氧化风量的最优势粒子，如果是，将该粒子确定为最佳，如果否，再次进入第二步循环。
最后：模型寻优获得的最优氧化风量值建议提供至氧化风机控制系统，寻找最佳氧化风机风量结束。
为了确保整个算法的顺利运行，基于整套算法，设计了一种基于粒子群优化的氧化风机运行装置；
一种基于粒子群优化的氧化风机运行装置，其特征在于，包括：
历史运行数据储存模块：用于对脱硫系统中各种运行数据进行储存；
在线测量模块：用于测量整个系统运行时的运行数据，并且测量到运行数据传输至历史运行数据储存模块进行储存；
氧化风机控制模块：用于控制氧化风机的出风量；
氧化风机变频模块：用于结合氧化风机控制模块实现对氧化风机的变速变频处理。
储存的历史运行数据包括储存数据的时间、数据的含量和数据的施加方式，氧化风机控制模块包括控制器、用于接收最优氧化风量值的接收器和与接收器电连接且用于信号转换的转换器，氧化风机变频模块与氧化风机控制模块中转换器电连接。
综上，本算法具备如下效果：
1.与现有技术相比，实时对氧化风机风量进行合理控制，在降低环保超风险的同时，可有效降低脱硫系统能耗，显著提高经济和环保效益。
2.与现有技术相比，可以根据脱硫系统的状态，实现实时改变氧化风机的运行状态，当脱硫系统运行状态变化时，氧化风机的氧化风量随之改变，节约了能耗，不会造成吸收塔浆液中含有过多的富余空气，并且不容易产生气泡，不会造成吸收塔虚假液位，不会造成浆液溢流等异常事件发生。
3.与现有技术相比，可以结合脱硫系统历史运行数据进行时序预测与寻优，获得脱硫总成本最低和石膏品质最高的未来不同尺度的氧化风量预测，为氧化风机的运行调整提供最佳运行参数建议，在保证脱硫效率的前提下，降低物耗和能耗。
本发明针对氧化风机风量调整手段有限的现状，提出采用长短期记忆神经网络预测和机理模型预测，获得脱硫系统综合运行成本计算方法，后采用粒子群优化算法进行氧化风量寻优，为变工况下脱硫氧化风机运行提供最佳运行方案。
以上所述，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)

1.一种基于粒子群优化的氧化风机运行优化算法，其特征在于：包括以下步骤：
S1：根据历史运行数据寻找到影响氧化风机运行效率的影响因素，建立数据集；
S2：采用皮尔逊相关性分析法对S1中的数据集进行相关性预处理；
S3：在S2预处理后数据集中选取与氧化率和石膏品质相关的运行参数为输入，以氧化率和石膏品质为输出，建立氧化率LSTM预测模型和石膏品质LSTM预测模型；
S4：以氧化率、现场运行参数为基准，建立机理模型，并进行脱硫系统综合成本分析，获得各种工况下的脱硫系统综合成本模型；
S5：采取粒子群优化算法以LSTM预测模型、石膏品质LSTM预测模型和脱硫系统综合成本模型为基础对氧化风量单目标寻优；
S6：寻找到最佳氧化风量提供至氧化风机控制系统；
寻找最佳氧化风机风量结束。
2.根据权利要求1所述的一种基于粒子群优化的氧化风机运行优化算法，其特征在于，S1中的影响因素包括亚硫酸盐浓度、PH值，烟气量、浆液密度、浆液量、烟气SO2浓度、氧化率和石膏品质。
3.根据权利要求1所述的一种基于粒子群优化的氧化风机运行优化算法，其特征在于，在S3中找到氧化率和石膏品质的运行参数，接入MAPE和RMSE评价标准机制后，建立长短期记忆神经网络，将长短期记忆神经网络运行在氧化率LSTM预测模型和石膏品质LSTM预测模型。
4.根据权利要求1所述的一种基于粒子群优化的氧化风机运行优化算法，其特征在于，S4中机理模型包括物料机理模型、电耗机理模型和水耗机理模型。
5.根据权利要求4所述的一种基于粒子群优化的氧化风机运行优化算法，其特征在于，S5中对氧化风量单目标寻优包括以下步骤：
S7：根据S3所建立的氧化率LSTM预测模型和石膏品质LSTM预测模型和根据S4所建立的脱硫系统综合成本模型评价每个粒子的函数适应度；
S8：寻找到最佳的粒子，通过粒子群优化算法，以综合成本最小和石膏品质最大为目标，获得最优的氧化风量。
6.根据权利要求5所述的一种基于粒子群优化的氧化风机运行优化算法，其特征在于，所述S7中的函数适应度为针对被优化的目标函数的优化型适应函数。
7.一种基于粒子群优化的氧化风机运行装置，其特征在于，包括：
历史运行数据储存模块：用于对脱硫系统中各种运行数据进行储存；
在线测量模块：用于测量整个系统运行时的运行数据，并且测量到运行数据传输至历史运行数据储存模块进行储存；
氧化风机控制模块：用于控制氧化风机的出风量；
氧化风机变频模块：用于结合氧化风机控制模块实现对氧化风机的变速变频处理。
8.根据权利要求7所述的一种基于粒子群优化的氧化风机运行装置，其特征在于：储存的历史运行数据包括储存数据的时间、数据的含量和数据的施加方式。
9.根据权利要求7所述的一种基于粒子群优化的氧化风机运行装置，其特征在于：所述氧化风机控制模块包括控制器、用于接收最优氧化风量值的接收器和与接收器电连接且用于信号转换的转换器。
10.根据权利要求7所述的一种基于粒子群优化的氧化风机运行装置，其特征在于：所述氧化风机变频模块与氧化风机控制模块中的转换器电连接。
CN202210087401.XA 2022-01-25 2022-01-25 一种基于粒子群优化的氧化风机运行优化算法 Pending CN114444391A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210087401.XA CN114444391A (zh) 2022-01-25 2022-01-25 一种基于粒子群优化的氧化风机运行优化算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210087401.XA CN114444391A (zh) 2022-01-25 2022-01-25 一种基于粒子群优化的氧化风机运行优化算法

Publications (1)

Publication Number Publication Date
CN114444391A true CN114444391A (zh) 2022-05-06

Family

ID=81370014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210087401.XA Pending CN114444391A (zh) 2022-01-25 2022-01-25 一种基于粒子群优化的氧化风机运行优化算法

Country Status (1)

Country Link
CN (1) CN114444391A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Similar Documents

Publication Publication Date Title
CN112465239B (zh) 基于改进pso-fcm算法的脱硫系统运行优化方法
Wang et al. A deep learning based dynamic COD prediction model for urban sewage
CN109976165B (zh) 面向多变量分数阶系统的模型预测控制参数解析调优方法及系统
CN113094988A (zh) 一种基于数据驱动的浆液循环泵运行优化方法及系统
CN113440990A (zh) 基于emd-lstm的出口so2浓度预测方法
CN114444391A (zh) 一种基于粒子群优化的氧化风机运行优化算法
CN113505497B (zh) 湿法烟气脱硫吸收塔浆液品质监测方法及系统
CN113450880A (zh) 一种脱硫系统入口so2浓度智能预测方法
CN112742187A (zh) 一种脱硫系统中pH值的控制方法及装置
CN115034519A (zh) 一种用电负荷的预测方法、装置、电子设备以及存储介质
CN111882006A (zh) 一种基于pca和相关函数的脱硫系统数据预处理方法
CN115239070A (zh) 一种流域水环境有机污染物监测全过程质控指标评价系统
CN111815039A (zh) 基于天气分类的周尺度风电功率概率预测方法及系统
CN115793471A (zh) 一种基于污水处理监测的可调式控制方法及系统
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
CN113468813B (zh) 一种脱硫系统入口so2浓度预测方法、装置、电子设备
CN111008735A (zh) 预测排放管理系统及方法
CN107247994B (zh) 一种托盘塔脱硫装置脱硫效率的模糊建模方法
CN114487284B (zh) 一种测量空气中重金属浓度的方法及系统
CN113485111B (zh) 制浆系统的寻优控制方法及系统
CN116258266A (zh) 一种管理环保设备的方法、系统、设备及介质
CN112044270B (zh) 一种基于数据驱动多模型的脱硫氧化风系统控制方法
CN110898979B (zh) 立磨粉磨系统热量自动调控方法及装置
Odgaard On usage of pareto curves to select wind turbine controller tunings to the wind turbulence level
CN111450694B (zh) 一种基于多目标优化的脱硫系统工业控制器和控制方法

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