CN114623693A - 用于油田上下游站加热炉智能外输温度的控制方法 - Google Patents
用于油田上下游站加热炉智能外输温度的控制方法 Download PDFInfo
- Publication number
- CN114623693A CN114623693A CN202210381625.1A CN202210381625A CN114623693A CN 114623693 A CN114623693 A CN 114623693A CN 202210381625 A CN202210381625 A CN 202210381625A CN 114623693 A CN114623693 A CN 114623693A
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- model
- output temperature
- data 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000011144 upstream manufacturing Methods 0.000 title claims abstract description 18
- 238000010438 heat treatment Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000012795 verification Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims 1
- 239000003921 oil Substances 0.000 description 8
- 239000010779 crude oil Substances 0.000 description 4
- 239000002699 waste material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27B—FURNACES, KILNS, OVENS, OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
- F27B17/00—Furnaces of a kind not covered by any preceding group
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/30—Automatic controllers with an auxiliary heating device affecting the sensing element, e.g. for anticipating change of temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
- F27D2019/0096—Arrangements of controlling devices involving simulation means, e.g. of the treating or charging step
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出一种用于油田上下游站加热炉智能外输温度的控制方法,包括以下步骤:步骤S1,采集加热炉运行过程中各PLC点位的实时数据;步骤S2,利用标准差反映随机变量离散程度的特性,筛选出平稳运行的历史数据用作后续分析的训练数据集和验证数据集;步骤S3,对训练数据集中的特征变量进行归一化处理,将归一化后的样本输入无监督聚类模型进行聚类分簇,针对每一簇进行单独建模预测;步骤S4,对任意一个簇中的数据集,以包括介质流量、泵压、环境温度、下游站需求温度在内的若干因素为特征,以外输温度为预测目标值,构建预测模型;步骤S5,基于步骤S4构建的预测模型,根据现场运行数据预测所需外输温度值。
Description
技术领域
本发明涉及用于油田上下游站加热炉智能外输温度的控制方法。
背景技术
油外输过程中,由于原油中含蜡因素的存在,原油含蜡量高,凝固点高,低温下粘度高,高温下粘度低,因此针对不同含蜡原油的传输,对管道内热油温度有一定要求,若热油温度太高,则容易造成能源浪费,温度低则又容易造成堵管现象。传统控制外输温度的手段完全是凭工人的个人经验来判断,对人工技能依赖度较高,也有通过相关纯理论计算模型来确定外输温度的数值,但这种方式是假定了原油传输过程中处于一较理想状态而构建出来的模型,与现场实际运行工况存在很大偏差,导致计算出的外输温度数值存在较大误差。
发明内容
为克服现有技术中存在的缺陷,本发明提出一种用于油田上下游站加热炉智能外输温度的控制方法,其具体通过以下技术手段实现:
一种用于油田上下游站加热炉智能外输温度的控制方法包括以下步骤:
步骤S1,采集加热炉运行过程中各PLC点位的实时数据,并存入数据库中;
步骤S2,利用标准差反映随机变量离散程度的特性,对选定PLC点位设置标准差阈值界限,通过该标准差阈值界限在数据库中筛选出平稳运行的历史数据用作后续分析的训练数据集和验证数据集;
步骤S3,对训练数据集中的特征变量进行归一化处理,将归一化后的样本输入无监督聚类模型进行聚类分簇,将数据集分成不同簇,针对每一簇进行单独建模预测;
步骤S4,对任意一个簇中的数据集,以包括介质流量、泵压、环境温度、下游站需求温度在内的若干因素为特征,以外输温度为预测目标值,构建预测模型;
步骤S5,基于步骤S4构建的预测模型,根据现场运行数据预测所需外输温度值,以此值作为上游站外输温度控制参考值。
优选的,在步骤S2当中,对平稳运行的历史数据的提取操作是:
设定时间窗口T;
依次滑动该时间窗口,并计算在该窗口内特定点位数据的标准差,特定点位数据包括但不限于上游站外输温度、介质流量、下游站入站温度;
若特定点位数据的标准差均不超过对应的阈值界限,则认定该时间窗口T的炉况数据稳定,取该时间窗口T内相关PLC点位数据的平均值为特征,则由此构成一个训练样本;同时,将时间窗口T中外输温度的平均值作为预测目标,由此构造一个训练样本;
不断滑动窗口,从而获得多个样本,训练集构造完毕。
优选的,步骤S3进一步通过K-means聚类模型对样本进行聚类处理:
1)选择初始化的k个样本作为初始聚类中心a=a1,a2,…ak;
2)对数据集中每个样本xi计算它到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中,其中距离计算采用欧几里得距离;
4)重复上面第2和3步操作,直到达到中止条件;得到训练好的聚类模型,共有K个簇。
优选的,步骤S4进一步通过LightGBM为baseline模型,针对不同的聚类簇,每个簇所属样本都单独训练出一个预测模型,则依次可训练出K个不同数据分布情形下的LightGBM模型。
优选的,步骤S4进一步通过Hyperopt算法来定义搜索空间,继而搜索出LightGBM模型中的超参数组合进行超参数优化。
优选的,步骤S4进一步通过设定定时更新模型任务,利用Hyperopt算法对LightGBM模型中的部分超参数自动做细微调整。
优选的,在步骤S5当中,首先明确下游站的需求温度,结合当前工况下时间窗口T中的特定点位数据作为特征输入,将相关数据流经过K-means聚类模型,得出其所属的簇Ki,然后调用对应训练好的LightGBM模型,即可求出在根据现场运行数据情况下,预测所需外输温度值。
本发明的有益效果是:
1、随着环境温度、介质流量的变化,只要确定了下游站需求的入站温度,都能保证上游站外输温度的准确合理性,不会出现外输温度过高浪费能源,过低产生结蜡满足不了生产要求;
2、对原始数据集的分布做了相关聚类,使分布相似的数据归属到一个簇,模型针对该簇进行学习,原则上更容易获得优异模型性能;
3、能够在线自动进行模型的更新,避免了人工参与调参优化的反复过程。
附图说明
图1为本发明的方法流程图。
具体实施方式
如下结合附图1,对本申请方案作进一步描述:
一种用于油田上下游站加热炉智能外输温度的控制方法包括以下步骤:
步骤S1,采集加热炉运行过程中各PLC点位的实时数据并存入数据库中;
步骤S2,利用标准差反映随机变量离散程度的特性,对选定PLC点位设置标准差阈值界限,通过该标准差阈值界限在数据库中筛选出平稳运行的历史数据用作后续分析的训练数据集和验证数据集;具体操作是:
设定时间窗口T,例如T为1小时(大于滞后时间);
依次滑动该时间窗口,并计算在该窗口内特定点位数据的标准差,特定点位数据包括但不限于上游站外输温度、介质流量、下游站入站温度;特定点位数据的标准差与阈值界限条件为:σ外≤1℃,σ介≤3m3/h,σ下≤1℃,其中σ外、σ介、σ下分别表示上游站外输温度、管道介质流量、下游站入站温度的标准差;
若特定点位数据的标准差均不超过对应的阈值界限,则认定该时间窗口T的炉况数据稳定,取该时间窗口T内相关PLC点位数据的平均值为特征,则由此构成一个训练样本,其中特征包含但不限于介质流量、泵压、下游站入站温度、环境温度等;同时,将时间窗口T中外输温度的平均值作为预测目标,由此构造一个训练样本;不断滑动窗口,从而获得多个样本,训练集构造完毕。需说明的是,以上所列的点位与阈值界限,可以根据现场具体情况,适当增、删其它点位,选取点位的准则是,能反应炉子在某个工况下是稳定运行的即可。
步骤S3,对训练数据集中的特征变量进行归一化处理,将归一化后的样本输入无监督聚类模型进行聚类分簇,将数据集分成不同簇,针对每一簇进行单独建模预测;具体操作是:
(1)剔除可能的异常数据,确保训练集数据是加热炉运行的正常数据流,同时对缺失值等做相关填充处理。
(2)将训练集中的特征变量做归一化处理,使其数值限制在(0,1)之间,计算公式如下:
(3)将归一化的样本,输入无监督聚类模型进行聚类分簇,将数据集分成不同簇,针对每一簇进行单独建模预测;本案例以K-means聚类过程为案例进行算法原理讲解:
1)选择初始化的k个样本作为初始聚类中心a=a1,a2,…ak;
2)对数据集中每个样本xi计算它到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中,其中距离计算采用欧几里得距离;计算公式如下所示;
设有点P和Q,其中P={p1,p2,...pn},Q={q1,q2,...qn},n=1,2,3...;
P与Q之间的距离表示为d,则:
其中p1到pn是一条数据的所有特征信息,q1到qn是另一条数据的所有特征信息;
4)重复上面第2和3步操作,直到达到中止条件,例如迭代次数、最小误差变化等;得到训练好的聚类模型,共有K个簇。
步骤S4,对任意一个簇中的数据集,以包括介质流量、泵压、环境温度、下游站需求温度在内的若干因素为特征,以外输温度为预测目标值,构建预测模型;具体操作是:
(1)针对落到以上某一个簇中的数据集,以介质流量、泵压、环境温度、下游站需求温度等其它因素为特征,以外输温度为预测目标值。模型选择上,由于LightGBM相对传统机器学习模型而言其时间复杂度低、计算量小、内存占用低、能利用数据并行方法加速计算且当数据量非常大的时候还可以采用投票并行的策略,基于此我们选用LightGBM为baseline模型。针对不同的聚类簇,每个簇所属样本都单独训练出一个预测模型,则依次可训练出K个不同数据分布情形下的LightGBM模型。
(2)超参数优化,定义搜索空间,利用Hyperopt算法来搜索出其中最优的超参数组合,迭代次数为100次。本案例lightGBM涉及到调整的超参数为:learning_rate学习率、n_estimators迭代次数、min_split_gain执行节点分裂的最小增益、min_child_sample一个叶子最小数据量、max_depth树深度、num_leaves一棵树上叶子结点个数。
(3)在线学习模型;我们在windows或者linux系统上上设置定时器,每一个月启动运行一次模型文件。通过设定定时更新模型任务,利用Hyperopt算法对其中部分超参数自动做细微调整,以防止随着数据的更新,模型效果变差。
步骤S5,基于步骤S4构建的预测模型,根据现场运行数据预测所需外输温度值,以此值作为上游站外输温度控制参考值。首先明确下游站的需求温度,结合当前工况下时间窗口T中的特定点位数据作为特征输入,将相关数据流经过K-means聚类模型,得出其所属的簇Ki,然后调用对应训练好的LightGBM模型,即可求出在根据现场运行数据情况下,预测所需外输温度值。
上述优选实施方式应视为本申请方案实施方式的举例说明,凡与本申请方案雷同、近似或以此为基础作出的技术推演、替换、改进等,均应视为本专利的保护范围。
Claims (7)
1.一种用于油田上下游站加热炉智能外输温度的控制方法,其特征在于,包括以下步骤:
步骤S1,采集加热炉运行过程中各PLC点位的实时数据,并存入数据库中;
步骤S2,利用标准差反映随机变量离散程度的特性,对选定PLC点位设置标准差阈值界限,通过该标准差阈值界限在数据库中筛选出平稳运行的历史数据用作后续分析的训练数据集和验证数据集;
步骤S3,对训练数据集中的特征变量进行归一化处理,将归一化后的样本输入无监督聚类模型进行聚类分簇,将数据集分成不同簇,针对每一簇进行单独建模预测;
步骤S4,对任意一个簇中的数据集,以包括介质流量、泵压、环境温度、下游站需求温度在内的若干因素为特征,以外输出站温度为预测目标值,构建预测模型;
步骤S5,基于步骤S4构建的预测模型,根据现场运行数据预测所需外输温度值,以此值作为上游站外输温度控制参考值。
2.根据权利要求1所述的用于油田上下游站加热炉智能外输温度的控制方法,其特征在于,在步骤S2当中,对平稳运行的历史数据的提取操作是:
设定时间窗口T;
依次滑动该时间窗口,并计算在该窗口内特定点位数据的标准差,特定点位数据包括但不限于上游站外输温度、介质流量、下游站入站温度;
若特定点位数据的标准差均不超过对应的阈值界限,则认定该时间窗口T的炉况数据稳定,取该时间窗口T内相关PLC点位数据的平均值为特征,则由此构成一个训练样本;同时,将时间窗口T中外输温度的平均值作为预测目标,由此构造一个训练样本;
不断滑动窗口,从而获得多个样本,训练集构造完毕。
4.根据权利要求1所述的用于油田上下游站加热炉智能外输温度的控制方法,步骤S4进一步通过LightGBM为baseline模型,针对不同的聚类簇,每个簇所属样本都单独训练出一个预测模型,则依次可训练出K个不同数据分布情形下的LightGBM模型。
5.根据权利要求4所述的用于油田上下游站加热炉智能外输温度的控制方法,步骤S4进一步通过Hyperopt算法来定义搜索空间,继而搜索出LightGBM模型中的超参数组合进行超参数优化。
6.根据权利要求4所述的用于油田上下游站加热炉智能外输温度的控制方法,步骤S4进一步通过设定定时更新模型任务,利用Hyperopt算法对LightGBM模型中的部分超参数自动做细微调整。
7.根据权利要求4所述的用于油田上下游站加热炉智能外输温度的控制方法,在步骤S5当中,首先明确下游站的需求温度,结合当前工况下时间窗口T中的特定点位数据作为特征输入,将相关数据流经过K-means聚类模型,得出其所属的簇Ki,然后调用对应训练好的LightGBM模型,即可求出在根据现场运行数据情况下,预测所需外输温度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210381625.1A CN114623693B (zh) | 2022-04-13 | 2022-04-13 | 用于油田上下游站加热炉智能外输温度的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210381625.1A CN114623693B (zh) | 2022-04-13 | 2022-04-13 | 用于油田上下游站加热炉智能外输温度的控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114623693A true CN114623693A (zh) | 2022-06-14 |
CN114623693B CN114623693B (zh) | 2024-01-30 |
Family
ID=81906001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210381625.1A Active CN114623693B (zh) | 2022-04-13 | 2022-04-13 | 用于油田上下游站加热炉智能外输温度的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114623693B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020046198A1 (en) * | 2000-06-19 | 2002-04-18 | Ben Hitt | Heuristic method of classification |
US20090020284A1 (en) * | 2007-07-20 | 2009-01-22 | Schlumberger Technology Corporation | Apparatus, method and system for stochastic workflow in oilfield operations |
US20130292178A1 (en) * | 2012-05-07 | 2013-11-07 | Charlotte N. Burress | Methods and systems for real-time monitoring and processing of wellbore data |
US20170161336A1 (en) * | 2015-12-06 | 2017-06-08 | Xeeva, Inc. | Systems and/or methods for automatically classifying and enriching data records imported from big data and/or other sources to help ensure data integrity and consistency |
CN109668654A (zh) * | 2017-10-16 | 2019-04-23 | 台泥资讯股份有限公司 | 监控设备的方法及系统 |
US20200110596A1 (en) * | 2018-10-09 | 2020-04-09 | Here Global B.V. | Method and apparatus for identifying abandoned applications and services |
CN112502678A (zh) * | 2020-11-30 | 2021-03-16 | 西南石油大学 | 一种矿物绝缘电缆加热稠油降黏工艺施工参数优化方法 |
CN112781390A (zh) * | 2021-01-04 | 2021-05-11 | 冮松林 | 一种新型油田石油自动控制加热炉改造升级工艺 |
CN113111589A (zh) * | 2021-04-25 | 2021-07-13 | 北京百度网讯科技有限公司 | 预测模型的训练方法、预测供热温度的方法、装置和设备 |
CN113191089A (zh) * | 2021-05-28 | 2021-07-30 | 辽宁工程技术大学 | 一种基于滑动窗口的尾矿砂液化数据聚类方法 |
WO2021151521A1 (en) * | 2020-01-31 | 2021-08-05 | Lytt Limited | Maching learning using time series data |
CN113282119A (zh) * | 2021-07-20 | 2021-08-20 | 深圳市佳运通电子有限公司 | 一种用于油田加热炉的温度控制方法 |
CN113433900A (zh) * | 2021-06-16 | 2021-09-24 | 深圳市佳运通电子有限公司 | 一种油田站场无人值守智能集控方法和系统 |
US20210301644A1 (en) * | 2020-03-26 | 2021-09-30 | Aspen Technology, Inc. | System and Methods for Developing and Deploying Oil Well Models to Predict Wax/Hydrate Buildups for Oil Well Optimization |
-
2022
- 2022-04-13 CN CN202210381625.1A patent/CN114623693B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020046198A1 (en) * | 2000-06-19 | 2002-04-18 | Ben Hitt | Heuristic method of classification |
US20090020284A1 (en) * | 2007-07-20 | 2009-01-22 | Schlumberger Technology Corporation | Apparatus, method and system for stochastic workflow in oilfield operations |
US20130292178A1 (en) * | 2012-05-07 | 2013-11-07 | Charlotte N. Burress | Methods and systems for real-time monitoring and processing of wellbore data |
US20170161336A1 (en) * | 2015-12-06 | 2017-06-08 | Xeeva, Inc. | Systems and/or methods for automatically classifying and enriching data records imported from big data and/or other sources to help ensure data integrity and consistency |
CN109668654A (zh) * | 2017-10-16 | 2019-04-23 | 台泥资讯股份有限公司 | 监控设备的方法及系统 |
US20200110596A1 (en) * | 2018-10-09 | 2020-04-09 | Here Global B.V. | Method and apparatus for identifying abandoned applications and services |
WO2021151521A1 (en) * | 2020-01-31 | 2021-08-05 | Lytt Limited | Maching learning using time series data |
US20210301644A1 (en) * | 2020-03-26 | 2021-09-30 | Aspen Technology, Inc. | System and Methods for Developing and Deploying Oil Well Models to Predict Wax/Hydrate Buildups for Oil Well Optimization |
CN112502678A (zh) * | 2020-11-30 | 2021-03-16 | 西南石油大学 | 一种矿物绝缘电缆加热稠油降黏工艺施工参数优化方法 |
CN112781390A (zh) * | 2021-01-04 | 2021-05-11 | 冮松林 | 一种新型油田石油自动控制加热炉改造升级工艺 |
CN113111589A (zh) * | 2021-04-25 | 2021-07-13 | 北京百度网讯科技有限公司 | 预测模型的训练方法、预测供热温度的方法、装置和设备 |
CN113191089A (zh) * | 2021-05-28 | 2021-07-30 | 辽宁工程技术大学 | 一种基于滑动窗口的尾矿砂液化数据聚类方法 |
CN113433900A (zh) * | 2021-06-16 | 2021-09-24 | 深圳市佳运通电子有限公司 | 一种油田站场无人值守智能集控方法和系统 |
CN113282119A (zh) * | 2021-07-20 | 2021-08-20 | 深圳市佳运通电子有限公司 | 一种用于油田加热炉的温度控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114623693B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108764517B (zh) | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 | |
CN111932015B (zh) | 一种区域供冷供热冷热量负荷的预测方法及系统 | |
CN111045326B (zh) | 一种基于递归神经网络的烘丝过程水分预测控制方法及系统 | |
CN112966954B (zh) | 一种基于时间卷积网络的防洪调度方案优选方法 | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN101872444B (zh) | 一种结合中期修正策略的间歇过程批到批优化方法 | |
CN115099519B (zh) | 一种基于多机器学习模型融合的油井产量预测方法 | |
CN110598929B (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
CN111047085A (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
CN110413601B (zh) | 基于高斯朴素贝叶斯和预报误差法的发电机数据筛选法 | |
CN110837223A (zh) | 一种燃气轮机燃烧优化控制方法及系统 | |
CN111738477A (zh) | 基于深层特征组合的电网新能源消纳能力预测方法 | |
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 | |
CN104616072B (zh) | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 | |
CN113515891B (zh) | 一种乳化炸药质量预测和优化方法 | |
CN115879369A (zh) | 一种基于优化LightGBM算法的磨煤机故障预警方法 | |
CN114623693A (zh) | 用于油田上下游站加热炉智能外输温度的控制方法 | |
CN112711791B (zh) | 基于神经网络弹性权重固化的建筑用能负荷实时预测方法 | |
CN109101683B (zh) | 燃煤分质利用与清洁预处理系统热解釜的模型更新方法 | |
CN116880191A (zh) | 一种基于时序预测的过程工业生产系统的智能控制方法 | |
CN110728031A (zh) | 一种基于ann建模平衡复杂石化过程产能的多目标优化方法 | |
CN114862007A (zh) | 一种面向碳酸盐岩气井的短周期产气量预测方法及系统 | |
CN115018156A (zh) | 一种短期风电功率预测方法 | |
CN112183642A (zh) | 一种基于随机森林模型的水泥烧成煤耗检测方法与系统 | |
CN114492911A (zh) | 一种集成数据去噪、麻雀搜索算法和多层极限学习机的短期风速预测方法 |
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 |