CN114813635B - 煤炉燃烧参数的优化方法及电子设备 - Google Patents

煤炉燃烧参数的优化方法及电子设备 Download PDF

Info

Publication number
CN114813635B
CN114813635B CN202210737993.5A CN202210737993A CN114813635B CN 114813635 B CN114813635 B CN 114813635B CN 202210737993 A CN202210737993 A CN 202210737993A CN 114813635 B CN114813635 B CN 114813635B
Authority
CN
China
Prior art keywords
coal
component
content
light intensity
spectrum
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.)
Active
Application number
CN202210737993.5A
Other languages
English (en)
Other versions
CN114813635A (zh
Inventor
王锐
贺新
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.)
Huapu Intelligent Technology Tianjin Co ltd
Original Assignee
Huapu Intelligent Technology Tianjin 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 Huapu Intelligent Technology Tianjin Co ltd filed Critical Huapu Intelligent Technology Tianjin Co ltd
Priority to CN202210737993.5A priority Critical patent/CN114813635B/zh
Publication of CN114813635A publication Critical patent/CN114813635A/zh
Application granted granted Critical
Publication of CN114813635B publication Critical patent/CN114813635B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/39—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using tunable lasers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/34—Purifying; Cleaning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
    • G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
    • G01N31/12—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods using combustion
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/22—Fuels; Explosives
    • G01N33/222—Solid fuels, e.g. coal
    • 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
    • G06N3/045—Combinations of 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)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Optics & Photonics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Plasma & Fusion (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)

Abstract

本发明适用于煤质检测技术领域，提供了一种煤炉燃烧参数的优化方法及电子设备，该方法包括：采集煤粉管道中的煤粉，并对煤粉进行气固分离；对分离出的气体进行TDLAS气体分析，得到气体中各种组分的含量；对分离出的固体进行LIBS光谱分析，得到固体中各种组分的含量；基于气体中各种组分的含量和固体中各种组分的含量，对燃煤锅炉系统的燃烧参数进行优化调整。本发明能够提高入炉煤的煤质检测准确性，实现对煤炉燃烧参数的精准优化。

Description

煤炉燃烧参数的优化方法及电子设备
技术领域
本发明属于煤质检测技术领域，尤其涉及一种煤炉燃烧参数的优化方法及电子设备。
背景技术
近些年来，随着国家对火电机组节能减排要求的不断提高，如何实现燃煤锅炉更高效、环保和安全地运行，已经成为燃煤电厂最为关心的问题。
煤质变化是造成锅炉燃烧状况变化的重要扰动因素，对煤质成分的动态状况实时掌握与分析，不仅能指导优化混煤掺配、提高配煤质量，还能够指导锅炉燃烧控制、优化燃烧，确保锅炉安全稳定、高效运行。因此，对入炉煤的煤质进行实时准确检测，能够为实时优化调整锅炉燃烧过程提供关键依据，对于实现燃煤锅炉的高效、低污染和安全运行具有十分重要的意义。
发明内容
有鉴于此，本发明实施例提供了一种煤炉燃烧参数的优化方法及电子设备，以提高入炉煤的煤质检测准确性，从而实现对煤炉燃烧参数的精准优化。
本发明实施例的第一方面提供了一种煤炉燃烧参数的优化方法，该方法应用于燃煤锅炉系统，在燃煤锅炉系统中，煤粉通过煤粉管道输送至燃煤锅炉中燃烧；该方法包括：
采集煤粉管道中的煤粉，并对煤粉进行气固分离；
对分离出的气体进行TDLAS气体分析，得到气体中各种组分的含量；
对分离出的固体进行LIBS光谱分析，得到固体中各种组分的含量；
基于气体中各种组分的含量和固体中各种组分的含量，对燃煤锅炉系统的燃烧参数进行优化调整。
可选的，对分离出的固体进行LIBS光谱分析，得到固体中各种组分的含量，包括：
将分离出的固体压缩成煤饼；
通过脉冲激光对煤饼进行光谱激发，并通过光谱仪收集煤饼产生的光谱，得到LIBS光谱；
从LIBS光谱中提取多组光强；其中，每组光强对应一种组分，且每组光强均包括至少一个预设波长处的光强；
对于每种组分，将该种组分对应的光强组输入至该种组分对应的预训练的预测模型中，得到该种组分的含量。
可选的，预测模型包含线性回归模型和神经网络模型；
将该种组分对应的光强组输入至该种组分对应的预训练的预测模型中，得到该种组分的含量，包括：
通过线性回归模型预测该种组分的第一含量；
通过神经网络模型预测该种组分的第一含量补偿量；
根据第一含量补偿量对第一含量进行补偿，得到该种组分的含量。
可选的，每种组分对应的预测模型的预训练过程如下：
获取多个该种组分含量不同的煤粉的LIBS光谱，并从各个LIBS光谱中提取该种组分对应的一组光强，根据组分含量及其对应光强组生成第一训练集；
对组分含量及其对应的光强组进行数据拟合，得到线性回归模型；
根据第一训练集中的各个光强组和线性回归模型，预测各个光强组对应的组分含量预测值，并计算各个光强组对应的组分含量预测值与组分含量实际值的差值，根据各个光强组及其对应的差值生成第二训练集；
基于第二训练集训练神经网络模型，得到预训练后的预测模型。
可选的，线性回归模型为
Figure DEST_PATH_IMAGE001
，式中C为组分含量，
Figure 749936DEST_PATH_IMAGE002
为所有发生能级跃迁的波长集合，
Figure DEST_PATH_IMAGE003
为拟合系数，k为常数，
Figure 90918DEST_PATH_IMAGE004
为转移的波长，I为光强，i为泰勒展开级数；神经网络模型为DenseNet模型。
可选的，固体中的组分包括煤粉的灰分、挥发份、发热量和固定碳，以及煤粉中的C、H、O、N、S元素，煤粉对应的煤灰中的Mg、Si、Al、Ti、Fe、Ca、Na、K元素；
对燃煤锅炉系统的燃烧参数进行优化调整，包括对燃煤锅炉系统的以下一项或多项燃烧参数进行优化调整：
燃煤锅炉中的氧气输入比例、助燃剂添加量、锅炉压力、煤粉输送速率，以及磨煤机中燃煤的配煤掺烧比例。
可选的，在得到LIBS光谱之后，还包括：
对LIBS光谱进行预处理；
预处理包括以下的一项或多项：去除暗噪声、全谱积分归一、光谱叠加、内标归一化、最大最小归一化、PCA降维和标准差筛选。
可选的，煤炉燃烧参数的优化方法还包括：
获取煤粉管道中煤粉的特征参数；其中，特征参数包括以下的一项或多项：流速、粒径、温度、压强和颗粒密度；
基于特征参数对燃煤锅炉系统的燃烧参数进行辅助优化调整。
本发明实施例的第二方面提供了一种电子设备，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述第一方面的煤炉燃烧参数的优化方法的步骤。
本发明实施例的第三方面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述第一方面的煤炉燃烧参数的优化方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明实施例通过对煤粉管道中的煤粉进行气固分离，对分离出的固体进行LIBS光谱分析，对分离出的气体进行TDLAS气体分析，两者的分析结果相结合，能够得到更准确的组分含量；进一步，由于煤粉管道中的煤粉将直接送入燃煤锅炉中燃烧，因此能够准确的反应炉膛煤质特性，基于煤粉管道中的煤粉组分含量，能够对燃煤锅炉系统的燃烧参数进行精准优化。
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煤炉燃烧参数的优化方法的流程示意图；
图2是本发明实施例提供的LIBS光谱的采集过程示意图；
图3是本发明实施例提供的一种LIBS光谱的示意图；
图4是本发明实施例提供的预测模型的结构示意图；
图5是本发明实施例提供的电子设备的结构示意图。
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。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
随着新能源电力的发展，火电厂在新能源电力并网调峰中起到关键性作用，在电厂双碳目标与深度调峰能力建设中，激光煤质快检设备与方案脱颖而出，提供核心技术能力。通过该技术打造的实时检测与控制系统实现了煤电机组负荷的精准灵活调节。机组运行人员实时掌握入炉煤的煤质状况，保障机组锅炉燃烧所需煤质稳定可靠，有效解决火电企业目前的入炉煤质化验存在严重滞后的现象。对煤质成分的动态状况实时掌握与分析，一方面用于指导优化混煤掺配，提高配煤质量，另一方面用于指导锅炉燃烧控制，优化燃烧，确保锅炉安全稳定、高效运行。从经济效益而言，提高锅炉燃烧效率，降低发电成本。对入炉煤进行快速、高频次的检测分析，能够快速发现煤质变化情况，通过精准控制掺烧的比例和优化燃烧控制，可以使锅炉保持稳定、高效率运行，减少排放热损失，降低发电成本。如果机组煤耗因此减少1g/kwh，每年为电厂带来的经济效益数百万元。同时提升运行稳定性，减少事故风险，保证发电机组正常运行，减少设备损坏事故的发生。从社会效益而言，火电企业普遍采取了来煤多样化、混煤掺烧和调峰运行的生产方式，煤质变化是造成锅炉燃烧状况变化的重要扰动因素。由于传统的煤质检验方式耗时长，通常需要一天以上的时间，实时煤质信息的缺失成为制约进一步优化锅炉燃烧控制的原因。
目前，激光诱导击穿光谱技术(Laser Induced Breakdown Spectroscopy，LIBS)由于具有检测速度快、便于现场分析、无核辐射危害和运行维护成本低等优点，在煤质的在线检测上具有独特的优势和巨大的应用潜力。LIBS采用脉冲激光诱发产生LIBS光谱，通过分析LIBS光谱，能够确定燃煤的各元素含量和煤质特性指标。然而，LIBS光谱中包含很多的元素含量信息，受到各种误差因素（例如温度波动）的影响，使得LIBS光谱的分析结果存在一定误差，进而导致对煤炉燃烧参数的优化控制不准确，影响燃煤锅炉的运行。
因此，本发明实施例提供了一种实时准确检测入炉煤的煤质信息、并根据煤质信息对燃煤锅炉的燃烧参数进行实时优化控制的方案。
本发明实施例提供的煤炉燃烧参数的优化方法应用于燃煤锅炉系统，在燃煤锅炉系统中，磨煤机将煤磨成煤粉，并通过一次风将煤粉经煤粉管道输送至燃煤锅炉中燃烧。
参见图1所示，本发明实施例的煤炉燃烧参数的优化方法包括：
步骤S101，采集煤粉管道中的煤粉，并对煤粉进行气固分离。
步骤S102，对分离出的气体进行TDLAS气体分析，得到气体中各种组分的含量。
步骤S103，对分离出的固体进行LIBS光谱分析，得到固体中各种组分的含量。
步骤S104，基于气体中各种组分的含量和固体中各种组分的含量，对燃煤锅炉系统的燃烧参数进行优化调整。
激光诱导击穿光谱（LIBS）技术是一种典型的基于等离子体的光发射光谱技术，激光与物质相互作用发生等离子体爆炸，等离子体爆炸产生的光通过光谱仪或探测器收集形成光谱，从形成的光谱中进一步分析可得到不同物质的含量，实现装置和流程可参见图2所示。
LIBS技术的一个主要优势就是能够对固体、液体和气体等多种状态的物质进行检测。在面对不同物质检测时，样品的预处理方式会略有不同。
在本实施例中，目标物质是煤粉，由于煤粉分散且颗粒较小，难以用激光多次激发光谱。因此需要对煤粉制作压片，保证样品均匀，表面平整光滑，才能够激发出稳定有效的激光诱导击穿光谱。具体步骤为：
（1）采集煤粉管道中的煤粉，可通过在煤粉管道侧壁开孔实现。
（2）对煤粉进行气固分离，并将分离出的固体压缩成煤饼。具体可将采集的煤粉先输送到一个旋风分离器，对煤粉进行气固分离。
（3）利用图2的装置，通过脉冲激光对煤饼进行光谱激发，并通过光谱仪收集煤饼产生的光谱，得到LIBS光谱，一种光谱如图3所示。
在获取煤粉管道中煤粉的LIBS光谱之后，由于原始光谱中含有大量噪声，且由于环境的变化和等离子体激发过程中的偶然性，给LIBS光谱带来了很大的波动性。为了使光谱尽可能的稳定有效，我们需要一定的预处理算法。
预处理可以包括但不限于以下的一项或多项：
去除暗噪声：在LIBS光谱生成过程中，存在的主要噪声为光谱仪的暗噪声。光谱仪暗噪声可通过在激发光谱之前采集一定的光谱得到，将原始光谱去掉暗噪声，可得到信噪比更高的光谱，有利于后续的数据分析。
全谱积分归一：由于每次激发出的光强可能具有一定的波动性，因此激发光谱的总能量也随之具有一定的波动性，这种波动性会表现在整个光谱上，让光谱更加的不稳定。使用光谱总能量对光谱进行归一化，能够减少波动性。
光谱叠加：光谱叠加是一种常用的提高光谱数据稳定性的办法，随着叠加光谱增多，光谱的相对波动性会逐渐变小。在本实施例中，考虑到神经网络模型对数据量的需求，过多的光谱叠加会导致数据集变小，模型过拟合更加严重。因此，可以采用五张光谱叠加为一张光谱的方式，既能够提高光谱数据的稳定性，又能够满足神经网络模型对数据量的要求。
内标归一化：内标归一化能够消除温度配分函数对光谱强度的影响，使得激发光谱在特征谱线处更为稳定。
最大最小归一化：通过最大最小值归一化的方式，能够让不同类别样本之间的差异性更加明显，并且在深度学习过程中能够有效的防止梯度爆炸。
PCA降维：基于神经网络的算法能够通过数据自动提取特征，由于LIBS光谱中包含大量的冗余和噪声谱线，直接将全谱输入模型则很容易造成严重的过拟合。通过降维算法去掉一些冗余特征，防止模型过拟合过于严重。
标准差筛选：标准差筛选的基本原理是计算不同种样本光谱中各个波长点光谱强度的标准差，保留标准差最大的若干波长点作为特征输入到模型中。无效谱线在不同种样本光谱之间的差别不大，而有效谱线在不同种样本光谱之间会产生明显差别，这种差别可以通过标准差进行筛选。标准差筛选的好处在于能够简单有效的处理掉大部分无效特征并能够保留特征的物理含义。
在本发明实施例中，还对气体成分进行了分析。TDLAS技术主要是利用可调谐半导体激光器的窄线宽和波长随注入电流改变的特性实现对分子的单个或几个距离很近很难分辨的吸收线进行测量。只采用LIBS技术对固体进行分析难以获得准确的组分含量，例如某些易挥发的物质，通过将气体和固定的测量结果相加，可以得出更为准确的含量。分析结束后，将气体导回煤粉输送管。
可见，本发明实施例通过对煤粉管道中的煤粉进行气固分离，对分离出的固体进行LIBS光谱分析，对分离出的气体进行TDLAS气体分析，两者的分析结果相结合，能够得到更准确的组分含量；进一步，由于煤粉管道中的煤粉将直接送入燃煤锅炉中燃烧，因此能够准确的反应炉膛煤质特性，基于煤粉管道中的煤粉组分含量，能够对燃煤锅炉系统的燃烧参数进行精准优化。
作为一种可能的实现方式，对分离出的固体进行LIBS光谱分析，得到固体中各种组分的含量，包括：
将分离出的固体压缩成煤饼；
通过脉冲激光对煤饼进行光谱激发，并通过光谱仪收集煤饼产生的光谱，得到LIBS光谱；
从LIBS光谱中提取多组光强；其中，每组光强对应一种组分，且每组光强均包括至少一个预设波长处的光强；
对于每种组分，将该种组分对应的光强组输入至该种组分对应的预训练的预测模型中，得到该种组分的含量。
在本实施例中，若煤粉中存在某种组分，那么在一定的跃迁几率下，这种组分就会激发出等离子体辐射，并在最终的光谱中有所呈现。样本中含量较高的物质，当其发生跃迁时在光谱上的表现更明显，根据对不同组分的原子结构推演及分析，可推测出每种组分可能发生跃迁激发等离子体光谱的波长。例如在图3中，每个明显的峰值都可能对应着某一种或多种组分激发出的等离子体辐射，组分含量越高，则峰值强度越大。一般我们在使用LIBS光谱进行组分存在性判别时，需要对该组分的多个可能跃迁波长附近进行综合分析，最后选取的波长一般满足附近没有其他干扰组分且该组分在该波长下有很高的跃迁几率，此时如果该样品在该波长点处激发出比较明显的峰值，则我们大概率可以判定样本中存在该种组分，根据峰值大小可进一步分析组分含量。
每种组分对应的预设波长由该种组分的特征谱线确定。
特征谱线反映的是组分在对应波长处的光强随含量的变化。目前，基于物理推算确定特征谱线的方法虽然可靠准确，但是由于候选谱线数量多，人工挑选工作量大，耗时较长；使用算法筛选速度快，但是可靠性不高，挑选出的候选谱线未必是合理的组分特征谱线。在本实施例中，根据数据是否有标签，使用有监督或无监督特征筛选算法选出候选特征，然后再用物理推算出的可能特征谱线与候选谱线比对，经过核验，最终确定最合适的组分特征谱线。
作为一种可能的实现方式，预测模型包含线性回归模型和神经网络模型。
将该种组分对应的光强组输入至该种组分对应的预训练的预测模型中，得到该种组分的含量，包括：
通过线性回归模型预测该种组分的第一含量；
通过神经网络模型预测该种组分的第一含量补偿量；
根据第一含量补偿量对第一含量进行补偿，得到该种组分的含量。
目前，LIBS组分定量化分析模型主要有两类，一类是通过对原子发射光谱生成过程进行理化分析后得出的物理模型，另外一类是近年来兴起的基于大数据的统计机器学习方法。其中，第一类方法最常用的是内标归一之后拟合光强-含量定标曲线，这种方法也是目前工业中最常用的定量化模型。第二类方法最具代表性的是使用神经网络直接对数据集进行拟合。物理模型很依赖特征谱线和参考谱线的选取，并且无法解决温度等因素引起的非线性误差。而神经网络模型需要大量区分度高的数据集做支撑，不然很容易造成训练数据集上的过拟合，过拟合的主要原因是由于神经网络拟合的函数过于复杂导致距离真实的物理模型不一致。因此，本实施例提出了一种结合物理线性回归模型和神经网络模型的预测模型：
Figure 349861DEST_PATH_IMAGE005
其中，
Figure 307453DEST_PATH_IMAGE006
为多元线性回归模型，
Figure 310044DEST_PATH_IMAGE007
为所有发生能级跃迁的波长集合，
Figure 551538DEST_PATH_IMAGE003
为拟合系数，k为常数，
Figure 184645DEST_PATH_IMAGE004
为转移的波长，I为光强，i为泰勒展开级数，
Figure 691850DEST_PATH_IMAGE008
为神经网络模型预测的误差。通过混合模型，既能通过统计模型提高物理模型的准确率，又可以通过物理模型缓解统计模型的过拟合，混合模型的结构可以参见图4所示。该混合模型的推导过程如下：
首先，引入一个关于光强的隐函数
Figure 170236DEST_PATH_IMAGE009
来对温度波动带来的误差进行补偿，得到：
Figure 282548DEST_PATH_IMAGE010
其中
Figure 883294DEST_PATH_IMAGE011
是转移的波长；C s 是元素浓度，
Figure 67675DEST_PATH_IMAGE012
，a表示
Figure 412069DEST_PATH_IMAGE013
泰勒展开的常数项，因此k为一个可求解的常数，由于后面的
Figure 378888DEST_PATH_IMAGE014
为高阶无穷小项，无法求解其具体表达式，但是可估计其值应远小于前项，也就是说物理模型可看作线性回归模型和一个无需显示求解补偿函数叠加而成。实际中，每种物质的激发是多个波长下发生多种能级跃迁，因此关系又可写作：
Figure 353797DEST_PATH_IMAGE015
其中
Figure 570015DEST_PATH_IMAGE016
代表所有发生能级跃迁的波长集合，n表示集合中元素的个数。考虑到现实条件和理想条件下的差距，可以通过将这些误差通过光强隐式的表达出来，写成一个关于光强的误差函数
Figure 921361DEST_PATH_IMAGE017
，因此上式可重新写作如下形式：
Figure 726375DEST_PATH_IMAGE018
其中
Figure 934503DEST_PATH_IMAGE003
是在实验条件和待测元素固定时不变的参数，可通过线性回归求解，而
Figure 841279DEST_PATH_IMAGE019
无法显式表示，因此可通过统计数据拟合。通过混合模型，将原本的模型分解为物理模型和统计模型，既能通过统计模型提高物理模型的准确率，又可以通过物理模型缓解统计模型的过拟合。
优选地，神经网络模型为DenseNet模型。
DenseNet通过将每一层的输入和之前所有层的输出连接起来，有效的缓解了梯度消失现象，同时增强了特征的传递能力。
DenseNet是由很多的DenseBlock组合而成，每个DenseBlock可看成小的特征提取器，由比较浅的神经网络组成，DenseBlock之间添加转换层（Transition Layer）用来进行特征数的转换。通过DenseNet可以搭建任意深的神经网络，使神经网络模型的表达能力更强，对训练集的学习效果更好。
作为一种可能的实现方式，每种组分对应的预测模型的预训练过程如下：
获取多个该种组分含量不同的煤粉的LIBS光谱，并从各个LIBS光谱中提取该种组分对应的一组光强，根据组分含量及其对应光强组生成第一训练集；
对组分含量及其对应的光强组进行数据拟合，得到线性回归模型；
根据第一训练集中的各个光强组和线性回归模型，预测各个光强组对应的组分含量预测值，并计算各个光强组对应的组分含量预测值与组分含量实际值的差值，根据各个光强组及其对应的差值生成第二训练集；
基于第二训练集训练神经网络模型，得到预训练后的预测模型。
在本发明实施例中，每种组分含量的煤粉采集多张LIBS光谱，保证训练数据的充足。训练过程分为两个步骤：第一步，首先用数据训练线性回归模型，由于实际有效激发波长较少，因此在这一步中，对损失函数添加L1正则，同时使用验证集进行早停，防止过拟合；第二步，固定在第一步训练好的线性模型参数，加入DenseNet进行进一步训练。模型实现基于深度学习框架Pytorch，损失函数选取为平均绝对误差（MAE），数据集划分选择留一法，对每一组数据结果进行验证分析，并且使用早停机制阻止模型过拟合，训练时长比一般的DenseNet模型稍短。混合模型准确性使用预测平均值（MPV）和相对均方误差（RMSE）进行评价。通过实验，不同样本的混合模型预测含量与真实含量较为接近。为了体现混合模型在准确性上的提升，将结果分别和物理模型以及DenseNet结果进行对比，不同样本中，混合模型定标曲线的标准差远低于内标法绘制定标曲线的标准差。与一般的DenseNet结果的对比使用常用的回归指标RMSE，相较于一般的DenseNet，混合模型在大多数情况下效果更好。
过拟合的本质是由于神经网络对训练集数据过度拟合导致模型相较真实模型过于复杂。具体表现为在验证集上的损失值高于训练集上的损失值。对于LIBS光谱数据集，在大多数情况下使用神经网络会带来过拟合甚至严重过拟合，但是由于神经网络模型的不可解释性，这种过拟合无法避免，只能想办法降低过拟合带来的影响。相比于一般的DenseNet神经网络，混合模型在解决过拟合问题方面有着一定的效果。实验显示，在大多数情况下混合模型相比于一般的DenseNet过拟合更少。且对低含量样本作为测试数据时，神经网络模型更容易发生过拟合，而混合模型则有效的降低了这种严重的过拟合。
作为一种可能的实现方式，固体组分包括但不限于煤粉的灰分、挥发份、发热量和固定碳，以及煤粉中的C、H、O、N、S元素，煤粉对应的煤灰中的Mg、Si、Al、Ti、Fe、Ca、Na、K元素等。
脉冲激光汇聚至煤样表面产生等离子体，等离子内含有的煤中多种组分的原子、分子或离子中的电子受激发跃迁到高能态，再由高能态跃迁至低能态时辐射出光子，将其引入色散系统后由探测器探测，获得煤样的LIBS光谱；在获得多组煤样的LIBS光谱后，对照光谱中谱线的波长与组分特征谱线的标准波长，完成对煤样组分种类的定性分析；根据煤的组分含量、工业分析指标、发热量等煤质指标与组分特征谱线或其他光谱信息之间的相关性建立定量分析模型；把待测煤样的LIBS光谱代入定量分析模型即可实现对煤的组分含量、工业分析指标及发热量等指标的定量分析。一般的，煤粉中Mg、Si、Al、Ti、Fe、Ca、Na、K的含量极低，传统的定量模型只能检测煤粉中C、H、O、N、S的含量，Mg、Si、Al、Ti、Fe、Ca、Na、K的含量只能将煤烧成灰后再进行分析。而本实施例提出的混合模型具有很高的检测精度，能够直接从煤粉中检测Mg、Si、Al、Ti、Fe、Ca、Na、K的含量，省去了将煤烧成灰的步骤，不但提高了检测精度，还提高了检测效率。
作为一种可能的实现方式，对燃煤锅炉系统的燃烧参数进行优化调整，包括对燃煤锅炉系统的以下一项或多项燃烧参数进行优化调整：
燃煤锅炉中的氧气输入比例、助燃剂添加量、锅炉压力、煤粉输送速率，以及磨煤机中燃煤的配煤掺烧比例。
作为一种可能的实现方式，煤炉燃烧参数的优化方法还包括：
获取煤粉管道中煤粉的特征参数；其中，特征参数包括以下的一项或多项：流速、粒径、温度、压强和颗粒密度；
基于特征参数对燃煤锅炉系统的燃烧参数进行辅助优化调整。
在本实施例中，以上特征参数可以由设置在煤粉输送管内的采集装置采集，例如温度计、流速计、摄像仪、压强测试仪等。
本发明实施例对煤粉管道中煤粉进行LIBS光谱分析和TDLAS气体分析，由于煤粉管道中的煤粉将直接送入燃煤锅炉中燃烧，因此能够更准确的反应炉膛煤质特性；进一步，使用包含线性部分和非线性部分的混合预测模型进行组分预测，即使用线性回归模型先进组分含量的线性预测，再利用神经网络模型对非线性偏差进行预测，并根据非线性偏差对线性预测结果进行补偿，在保留模型本身物理特性的基础上，大幅提高了模型的准确率和鲁棒性，进而实现对燃煤锅炉系统的燃烧参数进行精准优化，保证系统的稳定高效运行。
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。
图5是本发明一实施例提供的电子设备50的示意图。如图5所示，该实施例的电子设备50包括：处理器51、存储器52以及存储在存储器52中并可在处理器51上运行的计算机程序53，例如煤炉燃烧参数的优化程序。处理器51执行计算机程序53时实现上述各个煤炉燃烧参数的优化方法实施例中的步骤，例如图1所示的步骤S101至S104。
示例性的，计算机程序53可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器52中，并由处理器51执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序53在电子设备50中的执行过程。
电子设备50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。电子设备50可包括，但不仅限于，处理器51、存储器52。本领域技术人员可以理解，图5仅仅是电子设备50的示例，并不构成对电子设备50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，例如电子设备50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51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)、现成可编程门阵列 (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。
存储器52可以是电子设备50的内部存储单元，例如电子设备50的硬盘或内存。存储器52也可以是电子设备50的外部存储设备，例如电子设备50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（FlashCard）等。进一步地，存储器52还可以既包括电子设备50的内部存储单元也包括外部存储设备。存储器52用于存储计算机程序以及电子设备50所需的其他程序和数据。存储器52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/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，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。
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。
集成的模块/单元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，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，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，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。计算机可读介质可以包括：能够携带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（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，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电载波信号和电信信号。
以上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 (7)

1.一种煤炉燃烧参数的优化方法，其特征在于，所述方法应用于燃煤锅炉系统，在所述燃煤锅炉系统中，煤粉通过煤粉管道输送至燃煤锅炉中燃烧；
所述方法包括：
采集所述煤粉管道中的煤粉，并对所述煤粉进行气固分离；
对分离出的气体进行TDLAS气体分析，得到所述气体中各种组分的含量；
对分离出的固体进行LIBS光谱分析，得到所述固体中各种组分的含量；
基于所述气体中各种组分的含量和所述固体中各种组分的含量，对燃煤锅炉系统的燃烧参数进行优化调整；
对分离出的固体进行LIBS光谱分析，得到所述固体中各种组分的含量，包括：
将分离出的固体压缩成煤饼；
通过脉冲激光对所述煤饼进行光谱激发，并通过光谱仪收集所述煤饼产生的光谱，得到LIBS光谱；
从所述LIBS光谱中提取多组光强；其中，每组光强对应一种组分，且每组光强均包括至少一个预设波长处的光强；
对于每种组分，将该种组分对应的光强组输入至该种组分对应的预训练的预测模型中，得到该种组分的含量；
所述预测模型包含线性回归模型和神经网络模型；将该种组分对应的光强组输入至该种组分对应的预训练的预测模型中，得到该种组分的含量，包括：
通过线性回归模型
Figure 955212DEST_PATH_IMAGE001
预测该种组分的第一含量；
通过DenseNet神经网络模型预测该种组分的第一含量补偿量；
根据
Figure 504005DEST_PATH_IMAGE002
确定该种组分的含量；
其中，C s 为该种组分的含量，
Figure 60888DEST_PATH_IMAGE003
为所有发生能级跃迁的波长集合，
Figure 62342DEST_PATH_IMAGE004
为拟合系数，k为常数，
Figure 120297DEST_PATH_IMAGE005
为转移的波长，I为光强，i为泰勒展开级数，C为该种组分的第一含量，
Figure 789176DEST_PATH_IMAGE006
为该种组分的第一含量补偿量。
2.如权利要求1所述的煤炉燃烧参数的优化方法，其特征在于，每种组分对应的预测模型的预训练过程如下：
获取多个该种组分含量不同的煤粉的LIBS光谱，并从各个LIBS光谱中提取该种组分对应的一组光强，根据组分含量及其对应光强组生成第一训练集；
对组分含量及其对应的光强组进行数据拟合，得到所述线性回归模型；
根据所述第一训练集中的各个光强组和所述线性回归模型，预测各个光强组对应的组分含量预测值，并计算各个光强组对应的组分含量预测值与组分含量实际值的差值，根据各个光强组及其对应的差值生成第二训练集；
基于所述第二训练集训练神经网络模型，得到预训练后的预测模型。
3.如权利要求1所述的煤炉燃烧参数的优化方法，其特征在于，所述固体中的组分包括煤粉的灰分、挥发份、发热量和固定碳，以及煤粉中的C、H、O、N、S元素，煤粉对应的煤灰中的Mg、Si、Al、Ti、Fe、Ca、Na、K元素；
对燃煤锅炉系统的燃烧参数进行优化调整，包括对燃煤锅炉系统的以下一项或多项燃烧参数进行优化调整：
燃煤锅炉中的氧气输入比例、助燃剂添加量、锅炉压力、煤粉输送速率，以及磨煤机中燃煤的配煤掺烧比例。
4.如权利要求1所述的煤炉燃烧参数的优化方法，其特征在于，在得到LIBS光谱之后，还包括：
对LIBS光谱进行预处理；
所述预处理包括以下的一项或多项：去除暗噪声、全谱积分归一、光谱叠加、内标归一化、最大最小归一化、PCA降维和标准差筛选。
5.如权利要求1所述的煤炉燃烧参数的优化方法，其特征在于，还包括：
获取所述煤粉管道中煤粉的特征参数；其中，所述特征参数包括以下的一项或多项：流速、粒径、温度、压强和颗粒密度；
基于所述特征参数对燃煤锅炉系统的燃烧参数进行辅助优化调整。
6.一种电子设备，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权利要求1至5任一项所述方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
CN202210737993.5A 2022-06-28 2022-06-28 煤炉燃烧参数的优化方法及电子设备 Active CN114813635B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210737993.5A CN114813635B (zh) 2022-06-28 2022-06-28 煤炉燃烧参数的优化方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210737993.5A CN114813635B (zh) 2022-06-28 2022-06-28 煤炉燃烧参数的优化方法及电子设备

Publications (2)

Publication Number Publication Date
CN114813635A CN114813635A (zh) 2022-07-29
CN114813635B true CN114813635B (zh) 2022-10-04

Family

ID=82523543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210737993.5A Active CN114813635B (zh) 2022-06-28 2022-06-28 煤炉燃烧参数的优化方法及电子设备

Country Status (1)

Country Link
CN (1) CN114813635B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117078023B (zh) * 2023-10-17 2023-12-22 苏州科尔珀恩机械科技有限公司 基于大数据分析的窑炉故障风险评估方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1983000247A1 (en) * 1981-07-08 1983-01-20 Wolfrum, Erhard Method for the early detection of fires smouldering in containers containing lignite dust by methane detection
CN102426160A (zh) * 2011-08-31 2012-04-25 华南理工大学 基于激光诱导煤质特性在线气固两相检测方法及装置
CN105221282A (zh) * 2015-08-25 2016-01-06 重庆邮电大学 基于线性模型和滑模控制器的hcci发动机燃烧正时控制方法
CN106018731A (zh) * 2016-05-12 2016-10-12 华中科技大学 一种煤质挥发分、固定碳在线检测方法及系统
CN107389608A (zh) * 2017-07-13 2017-11-24 山东华唐环保科技有限公司 Libs激光诱导光谱分析在煤质检测中的在线应用
CN111044503A (zh) * 2019-12-16 2020-04-21 华南理工大学 一种基于激光诱导击穿光谱和近红外光谱信息融合的煤质测量方法
WO2020119051A1 (zh) * 2018-12-10 2020-06-18 平安科技（深圳）有限公司 云平台资源使用预测方法及终端设备
CN111754093A (zh) * 2020-06-11 2020-10-09 浙江浙能技术研究院有限公司 一种基于煤质预测和pso-svm的飞灰含碳量预测方法
CN111811110A (zh) * 2020-08-28 2020-10-23 创新奇智(南京)科技有限公司 制冷机组的控制方法及装置、电子设备、存储介质
CN112232373A (zh) * 2020-09-20 2021-01-15 华中师范大学 一种锅炉飞灰含碳量预测方法及系统
CN112834484A (zh) * 2020-12-31 2021-05-25 浙江大学 一种燃煤电厂煤质成分在线快速测试的方法及装置
CN113533622A (zh) * 2021-07-19 2021-10-22 华能国际电力股份有限公司上海石洞口第二电厂 一种基于神经网络的磨煤机煤质预测方法
CN113947241A (zh) * 2021-10-12 2022-01-18 华电莱州发电有限公司 一种数字电厂建设在线煤质数据库系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7593535B2 (en) * 2006-08-01 2009-09-22 Dts, Inc. Neural network filtering techniques for compensating linear and non-linear distortion of an audio transducer
WO2019019291A1 (zh) * 2017-07-24 2019-01-31 图灵通诺（北京）科技有限公司 基于卷积神经网络的图像识别技术的结算方法和装置
US20200063665A1 (en) * 2018-01-25 2020-02-27 Dalian University Of Technology Aero-engine full flight envelope model adaptive modification method based on deep learning algorithm
US20220200540A1 (en) * 2020-12-21 2022-06-23 Ulak Haberlesme A.S. Model trainer for digital pre-distorter of power amplifiers

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1983000247A1 (en) * 1981-07-08 1983-01-20 Wolfrum, Erhard Method for the early detection of fires smouldering in containers containing lignite dust by methane detection
CN102426160A (zh) * 2011-08-31 2012-04-25 华南理工大学 基于激光诱导煤质特性在线气固两相检测方法及装置
CN105221282A (zh) * 2015-08-25 2016-01-06 重庆邮电大学 基于线性模型和滑模控制器的hcci发动机燃烧正时控制方法
CN106018731A (zh) * 2016-05-12 2016-10-12 华中科技大学 一种煤质挥发分、固定碳在线检测方法及系统
CN107389608A (zh) * 2017-07-13 2017-11-24 山东华唐环保科技有限公司 Libs激光诱导光谱分析在煤质检测中的在线应用
WO2020119051A1 (zh) * 2018-12-10 2020-06-18 平安科技（深圳）有限公司 云平台资源使用预测方法及终端设备
CN111044503A (zh) * 2019-12-16 2020-04-21 华南理工大学 一种基于激光诱导击穿光谱和近红外光谱信息融合的煤质测量方法
CN111754093A (zh) * 2020-06-11 2020-10-09 浙江浙能技术研究院有限公司 一种基于煤质预测和pso-svm的飞灰含碳量预测方法
CN111811110A (zh) * 2020-08-28 2020-10-23 创新奇智(南京)科技有限公司 制冷机组的控制方法及装置、电子设备、存储介质
CN112232373A (zh) * 2020-09-20 2021-01-15 华中师范大学 一种锅炉飞灰含碳量预测方法及系统
CN112834484A (zh) * 2020-12-31 2021-05-25 浙江大学 一种燃煤电厂煤质成分在线快速测试的方法及装置
CN113533622A (zh) * 2021-07-19 2021-10-22 华能国际电力股份有限公司上海石洞口第二电厂 一种基于神经网络的磨煤机煤质预测方法
CN113947241A (zh) * 2021-10-12 2022-01-18 华电莱州发电有限公司 一种数字电厂建设在线煤质数据库系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于线性回归与神经网络的储层参数预测复合方法;项云飞等;《科学技术与工程》;20171108(第31期);全文 *
机床热误差建模技术研究及试验验证;李泳耀等;《组合机床与自动化加工技术》;20160120(第01期);全文 *

Also Published As

Publication number Publication date
CN114813635A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
Martin et al. Exploring laser-induced breakdown spectroscopy for nuclear materials analysis and in-situ applications
Lu et al. Rapid determination of the gross calorific value of coal using laser-induced breakdown spectroscopy coupled with artificial neural networks and genetic algorithm
CN103234944B (zh) 一种基于主导因素结合偏最小二乘法的煤质特性分析方法
Liu et al. A review of laser-induced breakdown spectroscopy for coal analysis
Song et al. Industrial at-line analysis of coal properties using laser-induced breakdown spectroscopy combined with machine learning
Zhang et al. LIBS analysis of the ash content, volatile matter, and calorific value in coal by partial least squares regression based on ash classification
Yao et al. Optimizing analysis of coal property using laser-induced breakdown and near-infrared reflectance spectroscopies
CN114813635B (zh) 煤炉燃烧参数的优化方法及电子设备
He et al. Quantitative analysis of coal quality by mutual information-particle swarm optimization (MI-PSO) hybrid variable selection method coupled with spectral fusion strategy of laser-induced breakdown spectroscopy (LIBS) and fourier transform infrared spectroscopy (FTIR)
Takahama et al. Model selection for partial least squares calibration and implications for analysis of atmospheric organic aerosol samples with mid‐infrared spectroscopy
Zhang et al. Quantitative analysis of coal quality by laser-induced breakdown spectroscopy assisted with different chemometric methods
Zou et al. Intelligent proximate analysis of coal based on near infrared spectroscopy and multi-output deep learning
Li et al. A hard modeling approach to determine methanol concentration in methanol gasoline by Raman spectroscopy
Zhou et al. Detection of chemical oxygen demand in water based on UV absorption spectroscopy and PSO-LSSVM algorithm
CN115728290A (zh) 一种土壤中铬元素的检测方法、系统、设备及存储介质
CN116380816A (zh) 一种煤质在线检测系统故障判定方法、程序以及存储介质
Liang et al. Improved SVR based on CARS and BAS for hydrocarbon concentration detection
Ye et al. Water chemical oxygen demand prediction model based on the CNN and ultraviolet-visible spectroscopy
CN107941758A (zh) 一种基于光谱预处理的煤质热值测量方法
Jiang et al. Optimizing the quantitative analysis of solid biomass fuel properties using laser induced breakdown spectroscopy (LIBS) coupled with a kernel partial least squares (KPLS) model
CN112595706A (zh) 一种激光诱导击穿光谱变量选择方法及系统
Chen et al. Spectral clustering based on histogram of oriented gradient (HOG) of coal using laser-induced breakdown spectroscopy
CN112700822A (zh) 一种微量气体杂质在线监测的激光诱导击穿光谱浓度提取方法
Lv et al. Incorporating empirical knowledge into data-driven variable selection for quantitative analysis of coal ash content by laser-induced breakdown spectroscopy
CN106529123B (zh) 飞灰含碳量的测量方法及装置

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
GR01 Patent grant
GR01 Patent grant