CN114815628A - 脱硫系统控制模型及脱硫系统控制方法 - Google Patents
脱硫系统控制模型及脱硫系统控制方法 Download PDFInfo
- Publication number
- CN114815628A CN114815628A CN202210753186.2A CN202210753186A CN114815628A CN 114815628 A CN114815628 A CN 114815628A CN 202210753186 A CN202210753186 A CN 202210753186A CN 114815628 A CN114815628 A CN 114815628A
- Authority
- CN
- China
- Prior art keywords
- condition data
- working condition
- historical
- target
- determining
- 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
- 238000006477 desulfuration reaction Methods 0.000 title claims abstract description 136
- 230000023556 desulfurization Effects 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000000513 principal component analysis Methods 0.000 claims abstract description 11
- 230000004044 response Effects 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 239000002002 slurry Substances 0.000 description 10
- 239000003546 flue gas Substances 0.000 description 5
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 4
- 239000007789 gas Substances 0.000 description 3
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910052717 sulfur Inorganic materials 0.000 description 2
- 239000011593 sulfur Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Treating Waste Gases (AREA)
- Feedback Control In General (AREA)
- Refinement Of Pig-Iron, Manufacture Of Cast Iron, And Steel Manufacture Other Than In Revolving Furnaces (AREA)
Abstract
本发明涉及控制系统技术领域，具体涉及一种脱硫系统控制模型及脱硫系统控制方法，该方法包括：获取预设历史时间段的脱硫系统的历史工况数据；确定历史工况数据对应的基准工况数据；对历史工况数据序列中的历史工况数据进行主成分分析选取；确定脱硫系统中的每个目标设备参数对应的调整权值；确定历史工况数据序列中的每个历史工况数据对应的优化工况数据，得到优化工况数据序列；获取当前工况数据，将当前工况数据和优化工况数据序列中的各个优化工况数据分别投影至第一主成分方向；从优化投影值序列中搜寻当前投影值对应的最接近投影值；对脱硫系统中的目标设备参数进行调整，以实现对脱硫系统的控制。本发明提高了脱硫控制的准确度。
Description
技术领域
本发明涉及控制系统技术领域，具体涉及脱硫系统控制模型及脱硫系统控制方法。
背景技术
由于二氧化硫等含硫气体已经成为大气污染的主要气体，所以通过对脱硫系统的控制，以实现控制大气中的二氧化硫等含硫气体对减少大气污染至关重要。目前，在进行脱硫时，通常采用的方式为：首先，获取基准工况数据集合和当前工况数据，通过人工的方式，通过基准工况数据集合对当前工况数据进行匹配，匹配到当前工况数据对应的基准工况数据，接着，将当前工况数据调整为当前工况数据对应的基准工况数据，以实现对脱硫系统的控制。
然而，当采用上述方式时，经常会存在如下技术问题：
通过人工的方式，往往是凭借人工的主观判断，匹配出与当前工况数据最接近的基准工况数据，由于匹配与当前工况数据最接近的基准工况数据的判断结果受人为主观因素的影响较大，且缺乏统一的确定标准，做出的判断往往不准确，往往会导致当前工况数据调整的准确度低下，进而导致脱硫控制的准确度低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本发明的一些实施例提出了脱硫系统控制方法，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本发明的一些实施例提供了一种脱硫系统控制模型及脱硫系统控制的方法，该方法包括：获取预设历史时间段的脱硫系统的历史工况数据，确定上述预设历史时间段内的每个历史时刻对应的历史工况数据，得到历史工况数据序列，其中，上述历史工况数据序列中的每个历史工况数据包括：上述脱硫系统中的各个目标设备参数分别在上述历史工况数据对应的历史时刻时的值；根据上述历史工况数据序列中的每个历史工况数据，确定上述历史工况数据对应的基准工况数据，得到基准工况数据序列；对上述历史工况数据序列中的历史工况数据进行主成分分析选取，得到第一主成分方向；根据上述历史工况数据序列，确定上述脱硫系统中的每个目标设备参数对应的调整权值，得到调整权值序列；根据上述历史工况数据序列和上述调整权值序列，确定上述历史工况数据序列中的每个历史工况数据对应的优化工况数据，得到优化工况数据序列；获取当前工况数据，将上述当前工况数据和上述优化工况数据序列中的各个优化工况数据分别投影至上述第一主成分方向，得到当前投影值和优化投影值序列；从上述优化投影值序列中搜寻上述当前投影值对应的最接近投影值；根据上述最接近投影值对应的上述历史工况数据序列中的历史工况数据对应的上述基准工况数据序列中的基准工况数据，对上述脱硫系统中的目标设备参数进行调整，以实现对上述脱硫系统的控制。
第二方面，本发明提供了一种脱硫系统控制模型，包括处理器和存储器，上述处理器用于处理存储在上述存储器中的指令以实现上述的脱硫系统控制方法。
本发明的上述各个实施例中具有如下有益效果：通过本发明的一些实施例的脱硫系统控制方法，提高了当前工况数据调整的准确度和脱硫控制的准确度。具体来说，导致当前工况数据调整的准确度和脱硫控制的准确度低下的原因在于：通过人工的方式，往往是凭借人工的主观判断，匹配出与当前工况数据最接近的基准工况数据，由于匹配与当前工况数据最接近的基准工况数据的判断受人为主观因素的影响较大，且缺乏统一的确定标准，做出的判断往往不准确，往往会导致当前工况数据调整的准确度低下，进而导致脱硫控制的准确度低下。因此，当通过人工的方式对脱硫系统进行控制时，往往会导致当前工况数据调整的准确度低下，进而导致脱硫控制的准确度低下。基于此，本发明的一些实施例的脱硫系统控制方法，提高了当前工况数据调整的准确度和脱硫控制的准确度。首先，获取预设历史时间段的脱硫系统的历史工况数据，确定上述预设历史时间段内的每个历史时刻对应的历史工况数据，得到历史工况数据序列，其中，上述历史工况数据序列中的每个历史工况数据包括：上述脱硫系统中的各个目标设备参数分别在上述历史工况数据对应的历史时刻时的值。其次，根据上述历史工况数据序列中的每个历史工况数据，确定上述历史工况数据对应的基准工况数据，得到基准工况数据序列。可以便于后续匹配当前工况数据对应的基准工况数据。接着，对上述历史工况数据序列中的历史工况数据进行主成分分析选取，得到第一主成分方向。然后，根据上述历史工况数据序列，确定上述脱硫系统中的每个目标设备参数对应的调整权值，得到调整权值序列。由于不同的目标设备参数对脱硫系统的影响往往不同，因此可以通过确定不同的目标设备参数对应的调整权值来表征不同的目标设备参数对脱硫系统的不同影响。并且通过该方式确定调整权值序列，提高了调整权值确定的准确性。其次，根据上述历史工况数据序列和上述调整权值序列，确定上述历史工况数据序列中的每个历史工况数据对应的优化工况数据，得到优化工况数据序列。由于不同的目标设备参数对脱硫系统的影响往往不同，所以历史工况数据对应的优化工况数据往往比历史工况数据更符合实际的工况数据。之后，获取当前工况数据，将上述当前工况数据和上述优化工况数据序列中的各个优化工况数据分别投影至上述第一主成分方向，得到当前投影值和优化投影值序列。而后，从上述优化投影值序列中搜寻上述当前投影值对应的最接近投影值。最后，根据上述最接近投影值对应的上述历史工况数据序列中的历史工况数据对应的上述基准工况数据序列中的基准工况数据，对上述脱硫系统中的目标设备参数进行调整，以实现对上述脱硫系统的控制。因此，本发明可以通过历史工况数据序列中的历史工况数据对应的基准工况数据，对当前工况数据进行快速匹配，得到最接近投影值对应的历史工况数据对应的基准工况数据，以实现对上述脱硫系统的控制。从而，可以对脱硫系统中的目标设备参数进行实时调整，提高了当前工况数据调整的准确度和脱硫控制的准确度，并且在尽可能多的脱硫的过程中节约了成本。
进一步的，上述根据上述历史工况数据序列，确定上述脱硫系统中的每个目标设备参数对应的调整权值，包括：
确定上述目标设备参数对应的目标单高斯模型集合；
通过高斯混合模型，确定上述目标单高斯模型集合对应的混合单高斯模型；
对上述脱硫系统中的各个目标设备参数分别对应的混合单高斯模型的方差值进行二分类，得到两类方差值；
确定上述两类方差值之间的差值，作为目标类别差值；
根据上述目标类别差值与预设阈值，确定上述历史工况数据序列对应的充足工况数据序列；
根据上述充足工况数据序列，分别确定上述脱硫系统中的各个目标设备参数对应的优化混合单高斯模型；
将上述目标设备参数对应的优化混合单高斯模型的权值，确定为上述目标设备参数对应的调整权值。
进一步的，上述确定上述目标设备参数对应的目标单高斯模型集合，包括：
对上述历史工况数据序列中的每个历史工况数据进行以下处理：
将上述历史工况数据，确定为参考工况数据；
从上述参考工况数据中去除上述目标设备参数对应的值，得到目标参考工况数据；
确定上述目标参考工况数据与上述历史工况数据序列中除了上述参考工况数据以外的每个历史工况数据之间的差值和，作为上述目标设备参数在上述目标参考工况数据对应的时刻时对应的上述目标单高斯模型集合中的目标单高斯模型的方差；
分别确定上述参考工况数据中上述目标设备参数对应的值与上述目标参考工况数据包括的各个目标设备参数对应的值的差值，作为目标差值，得到目标差值集合；
根据上述目标差值集合和上述目标设备参数在上述目标参考工况数据对应的时刻时对应的上述目标单高斯模型集合中的目标单高斯模型的方差，确定上述目标设备参数在上述目标参考工况数据对应的时刻时对应的上述目标单高斯模型集合中的目标单高斯模型的均值；
根据上述目标设备参数在上述目标参考工况数据对应的时刻时对应的上述目标单高斯模型集合中的目标单高斯模型的均值和方差，确定上述目标设备参数在上述目标参考工况数据对应的时刻时对应的上述目标单高斯模型集合中的目标单高斯模型。
进一步的，上述根据上述目标类别差值与预设阈值，确定上述历史工况数据序列对应的充足工况数据序列，包括：
响应于上述目标类别差值小于或等于上述预设阈值，将上述历史工况数据序列确定为上述充足工况数据序列。
进一步的，上述根据上述目标类别差值与预设阈值，确定上述历史工况数据序列对应的充足工况数据序列，包括：
响应于上述目标类别差值大于上述预设阈值，根据上述目标类别差值、上述预设阈值与预先设置的调节因子，确定补充量对应的公式为：
其中，n是上述补充量，a是上述调节因子，c是上述目标类别差值，r是上述预设阈值；
补充上述补充量个工况数据到上述历史工况数据序列，得到上述历史工况数据序列对应的待充足工况数据序列；
根据上述待充足工况数据序列，确定上述充足工况数据序列。
进一步的，上述根据上述充足工况数据序列，分别确定上述脱硫系统中的各个目标设备参数对应的优化混合单高斯模型，包括：
响应于上述目标类别差值小于或等于上述预设阈值，将上述脱硫系统中的每个目标设备参数对应的混合单高斯模型，确定为上述目标设备参数对应的优化混合单高斯模型。
进一步的，上述根据上述充足工况数据序列，分别确定上述脱硫系统中的各个目标设备参数对应的优化混合单高斯模型，包括：
响应于上述目标类别差值大于上述预设阈值，对上述充足工况数据序列进行混合单高斯模型处理，分别确定上述脱硫系统中的各个目标设备参数对应的优化混合单高斯模型。
进一步的，上述确定上述历史工况数据序列中的每个历史工况数据对应的优化工况数据对应的公式为：
其中，b 1是上述历史工况数据包括的上述脱硫系统中的任意一个目标设备参数对应的值，t 1是上述任意一个目标设备参数对应的上述调整权值序列中的调整权值，b是上述历史工况数据对应的优化工况数据包括的上述任意一个目标设备参数对应的值。
进一步的，上述对上述脱硫系统中的目标设备参数进行调整，包括：
将上述最接近投影值对应的上述历史工况数据序列中的历史工况数据对应的上述基准工况数据序列中的基准工况数据，确定为上述当前工况数据，得到当前调整工况数据；
根据上述当前调整工况数据，对上述脱硫系统中的目标设备参数进行更新，以实现对上述脱硫系统中的目标设备参数进行调整。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为根据本发明的脱硫系统控制方法的一些实施例的流程图。
具体实施方式
为了更进一步阐述本发明为达成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，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
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发明的技术领域的技术人员通常理解的含义相同。
本实施例提供了一种脱硫系统控制方法，该方法包括以下步骤：
获取预设历史时间段的脱硫系统的历史工况数据，确定上述预设历史时间段内的每个历史时刻对应的历史工况数据，得到历史工况数据序列，其中，上述历史工况数据序列中的每个历史工况数据包括：上述脱硫系统中的各个目标设备参数分别在上述历史工况数据对应的历史时刻时的值；
根据上述历史工况数据序列中的每个历史工况数据，确定上述历史工况数据对应的基准工况数据，得到基准工况数据序列；
对上述历史工况数据序列中的历史工况数据进行主成分分析选取，得到第一主成分方向；
根据上述历史工况数据序列，确定上述脱硫系统中的每个目标设备参数对应的调整权值，得到调整权值序列；
根据上述历史工况数据序列和上述调整权值序列，确定上述历史工况数据序列中的每个历史工况数据对应的优化工况数据，得到优化工况数据序列；
获取当前工况数据，将上述当前工况数据和上述优化工况数据序列中的各个优化工况数据分别投影至上述第一主成分方向，得到当前投影值和优化投影值序列；
从上述优化投影值序列中搜寻上述当前投影值对应的最接近投影值；
根据上述最接近投影值对应的上述历史工况数据序列中的历史工况数据对应的上述基准工况数据序列中的基准工况数据，对上述脱硫系统中的目标设备参数进行调整，以实现对上述脱硫系统的控制。
下面对上述各个步骤进行详细展开：
参考图1，示出了根据本发明的脱硫系统控制方法的一些实施例的流程。该脱硫系统控制方法，包括以下步骤：
步骤S1，获取预设历史时间段的脱硫系统的历史工况数据，确定预设历史时间段内的每个历史时刻对应的历史工况数据，得到历史工况数据序列。
在一些实施例中，脱硫系统控制方法的执行主体（例如计算设备）可以获取预设历史时间段的脱硫系统的历史工况数据，确定上述预设历史时间段内的每个历史时刻对应的历史工况数据，得到历史工况数据序列。
需要说明的是，上述计算设备可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
其中，上述历史工况数据序列中的每个历史工况数据可以包括：脱硫系统中的各个目标设备参数分别在上述历史工况数据对应的历史时刻时的值。上述历史工况数据序列中的历史工况数据对应的历史时刻可以不同。目标设备参数可以是参与上述脱硫系统的设备对应的参数。上述预设历史时间段可以预先设置的当前时刻之前的时间段。上述脱硫系统可以是实现脱硫的系统。上述历史时刻可以是当前时刻之前的时刻。比如，2022年5月1日对应的历史工况数据可以包括：2022年5月1日时锅炉实际负荷值、原烟气SO 2含量、浆液循环泵电流、PH值和浆液密度等。
作为示例，为了历史工况数据存储查询方便，上述执行主体还可以根据预设历史时间段内的每个历史时刻对应的历史工况数据，建立数据库。
步骤S2，根据历史工况数据序列中的每个历史工况数据，确定历史工况数据对应的基准工况数据，得到基准工况数据序列。
在一些实施例中，上述执行主体可以根据上述历史工况数据序列中的每个历史工况数据，确定上述历史工况数据对应的基准工况数据，得到基准工况数据序列。
其中，基准工况数据可以是优化后的历史工况数据。历史工况数据对应的基准工况数据包括的目标设备参数可以是在该历史工况数据对应的历史时刻时，满足脱硫要求，并且符合上述脱硫系统运行时成本相对较低要求的参数值。
作为示例，对于上述历史工况数据序列中的每个历史工况数据，上述执行主体可以根据上述历史工况数据，通过改进的PSO-FCM算法（智能算法，又称聚类算法）对上述历史工况数据进行聚类，得到上述历史工况数据对应的基准工况数据。其中，本步骤可以通过现有技术实现。其中，PSO-FCM算法可以是PSO算法（Particle Swarm Optimization，粒子群优化算法）与FCM算法（Fuzzy C-Means，模糊均值聚类算法）的结合算法。
步骤S3，对历史工况数据序列中的历史工况数据进行主成分分析选取，得到第一主成分方向。
在一些实施例中，上述执行主体可以对上述历史工况数据序列中的历史工况数据进行主成分分析选取，得到第一主成分方向。
作为示例，首先，上述执行主体可以通过PCA算法（Principle CompoentAnalysis，主元成分分析算法），对上述历史工况数据序列中的历史工况数据进行主成分分析，得到多个主成分方向。接着，上述执行主体可以从上述多个主成分方向中筛选出特征值最大的主成分方向，得到上述第一主成分方向。
步骤S4，根据历史工况数据序列，确定脱硫系统中的每个目标设备参数对应的调整权值，得到调整权值序列。
在一些实施例中，上述执行主体可以根据上述历史工况数据序列，确定上述脱硫系统中的每个目标设备参数对应的调整权值，得到调整权值序列。
其中，上述调整权值序列中的调整权值可以表征目标设备参数影响上述脱硫系统进行脱硫的效率的权值。
作为示例，本步骤可以包括以下步骤：
第一步，确定上述目标设备参数对应的目标单高斯模型集合。
例如，对上述历史工况数据序列中的每个历史工况数据进行以下处理，可以包括以下子步骤：
第一子步骤，将上述历史工况数据，确定为参考工况数据。
第二子步骤，从上述参考工况数据中去除上述目标设备参数对应的值，得到目标参考工况数据。
第三子步骤，确定上述目标参考工况数据与上述历史工况数据序列中除了上述参考工况数据以外的每个历史工况数据之间的差值和，作为上述目标设备参数在上述目标参考工况数据对应的时刻时对应的上述目标单高斯模型集合中的目标单高斯模型的方差。
比如，上述目标参考工况数据可以包括：原烟气SO 2含量2611.035、浆液循环泵电流105.745、PH值5.6和浆液密度1182.891。上述历史工况数据序列中除了上述参考工况数据以外的任意一个历史工况数据可以包括：锅炉实际负荷值347.65、原烟气SO 2含量2851.913、浆液循环泵电流106.343、PH值4.489和浆液密度1190.594。上述目标参考工况数据与上述历史工况数据序列中除了上述参考工况数据以外的任意一个历史工况数据之间的差值和可以是|2611.035-2851.913|+|105.745-106.343|+|5.6-4.489|+|1182.891-1190.594|=250.29。其中，250.29可以作为锅炉实际负荷值在上述目标参考工况数据对应的时刻时对应的上述目标单高斯模型集合中的其中一个目标单高斯模型的方差。
第四子步骤，分别确定上述参考工况数据中上述目标设备参数对应的值与上述目标参考工况数据包括的各个目标设备参数对应的值的差值，作为目标差值，得到目标差值集合。
比如，上述参考工况数据可以包括：锅炉实际负荷值350.377、原烟气SO 2含量2611.035、浆液循环泵电流105.745、PH值5.6和浆液密度1182.891。上述参考工况数据中上述目标设备参数（锅炉实际负荷值）对应的值为350.377。上述目标参考工况数据可以包括：原烟气SO 2含量2611.035、浆液循环泵电流105.745、PH值5.6和浆液密度1182.891。上述目标差值集合可以是[|2611.035-350.377|，|105.745-350.377|，|5.6-350.377|，|1182.891-350.377|]。
第五子步骤，根据上述目标差值集合和上述目标设备参数在上述目标参考工况数据对应的时刻时对应的上述目标单高斯模型集合中的目标单高斯模型的方差，确定上述目标设备参数在上述目标参考工况数据对应的时刻时对应的上述目标单高斯模型集合中的目标单高斯模型的均值。
比如，上述目标单高斯模型集合中的目标单高斯模型的方差可以包括：250和130。上述目标差值集合可以是[50，0]。上述目标单高斯模型集合中的目标单高斯模型的均值可以包括：250/50=5和130。其中，当目标差值为0时，上述执行主体可以直接将目标单高斯模型的方差确定为目标单高斯模型的均值。当目标差值不为0时，上述执行主体可以将目标单高斯模型的方差与目标差值的商确定为目标单高斯模型的均值。
第六子步骤，根据上述目标设备参数在上述目标参考工况数据对应的时刻时对应的上述目标单高斯模型集合中的目标单高斯模型的均值和方差，确定上述目标设备参数在上述目标参考工况数据对应的时刻时对应的上述目标单高斯模型集合中的目标单高斯模型。
比如，上述执行主体可以根据目标单高斯模型的均值和方差，拟合目标单高斯模型。
第二步，通过高斯混合模型，确定上述目标单高斯模型集合对应的混合单高斯模型。
例如，上述执行主体可以通过高斯混合模型算法，将上述目标单高斯模型集合中的目标单高斯模型混合成上述目标单高斯模型集合对应的混合单高斯模型。
第三步，对上述脱硫系统中的各个目标设备参数分别对应的混合单高斯模型的方差值进行二分类，得到两类方差值。
例如，上述执行主体可以通过k-means（k-means clustering algorithm，k均值聚类算法），k=2的聚类算法对上述脱硫系统中的各个目标设备参数分别对应的混合单高斯模型的方差值进行二分类，得到两类方差值。
第四步，确定上述两类方差值之间的差值，作为目标类别差值。
其中，本方案出现的差值均可以是差值的绝对值。
第五步，根据上述目标类别差值与预设阈值，确定上述历史工况数据序列对应的充足工况数据序列。
其中，上述预设阈值可以是预先设置的不需补充数据的最大阈值。上述历史工况数据序列对应的充足工况数据序列可以是数据补充充足的历史工况数据序列。
例如，响应于上述目标类别差值小于或等于上述预设阈值，上述执行主体可以将上述历史工况数据序列确定为上述充足工况数据序列。
可选地，本步骤可以包括以下子步骤：
第一子步骤，响应于上述目标类别差值大于上述预设阈值，根据上述目标类别差值、上述预设阈值与预先设置的调节因子，确定补充量对应的公式为：
其中，n是上述补充量。a是上述调节因子。如，上述调节因子可以设置为10。c是上述目标类别差值。r是上述预设阈值。如，上述预设阈值可以设置为3。其中，a与r都可以是超参数。
第二子步骤，补充上述补充量个工况数据到上述历史工况数据序列，得到上述历史工况数据序列对应的待充足工况数据序列。
其中，工况数据可以是与上述历史工况数据序列中的历史工况数据对应的历史时刻不同的工况数据。
第三子步骤，根据上述待充足工况数据序列，确定上述充足工况数据序列。
其中，上述执行主体可以将上述充足工况数据序列中补充的工况数据看作上述历史工况数据序列，重复步骤S2，得到上述充足工况数据序列中的充足工况数据对应的基准工况数据。
比如，上述执行主体可以将上述待充足工况数据序列看作上述历史工况数据序列，重复步骤S4包括的第一步至第四步以及第五步包括的第一子步骤和第二子步骤，直至目标类别差值小于或等于上述预设阈值，才不需继续补充工况数据，将补充充足的历史工况数据序列，作为上述充足工况数据序列。
由于获取的历史工况数据可能并不全面，往往导致某目标设备参数对应的混合单高斯模型的方差过大，进而导致可信度较低。因此，此时往往需要更多的历史工况数据，从而使得所有的目标设备参数对应的混合单高斯模型的数据可信。
第六步，根据上述充足工况数据序列，分别确定上述脱硫系统中的各个目标设备参数对应的优化混合单高斯模型；
例如，响应于上述目标类别差值小于或等于上述预设阈值，将上述脱硫系统中的每个目标设备参数对应的混合单高斯模型，确定为上述目标设备参数对应的优化混合单高斯模型。
可选地，响应于上述目标类别差值大于上述预设阈值，对上述充足工况数据序列进行混合单高斯模型处理，分别确定上述脱硫系统中的各个目标设备参数对应的优化混合单高斯模型。
比如，上述执行主体可以将上述充足工况数据序列看作上述历史工况数据序列，重复步骤S4包括的第一步和第二步，得到混合单高斯模型，作为优化混合单高斯模型。
第七步，将上述目标设备参数对应的优化混合单高斯模型的权值，确定为上述目标设备参数对应的调整权值。
由于不同的目标设备参数对历史工况数据的影响往往不同，因此可以通过不同的目标设备参数对应的调整权值对不同的目标设备参数对应的值进行调整，可以使得后续当前投影值和优化投影值序列中的优化投影值之间的差距更加符合工况之间的近似性要求。
步骤S5，根据历史工况数据序列和调整权值序列，确定历史工况数据序列中的每个历史工况数据对应的优化工况数据，得到优化工况数据序列。
在一些实施例中，上述执行主体可以根据上述历史工况数据序列和上述调整权值序列，确定上述历史工况数据序列中的每个历史工况数据对应的优化工况数据，得到优化工况数据序列。
例如，上述确定上述历史工况数据序列中的每个历史工况数据对应的优化工况数据对应的公式为：
其中，b 1是上述历史工况数据包括的上述脱硫系统中的任意一个目标设备参数对应的值。t 1是上述任意一个目标设备参数对应的上述调整权值序列中的调整权值。b是上述历史工况数据对应的优化工况数据包括的上述任意一个目标设备参数对应的值。
步骤S6，获取当前工况数据，将当前工况数据和优化工况数据序列中的各个优化工况数据分别投影至第一主成分方向，得到当前投影值和优化投影值序列。
在一些实施例中，上述执行主体可以获取当前工况数据，将上述当前工况数据和上述优化工况数据序列中的各个优化工况数据分别投影至上述第一主成分方向，得到当前投影值和优化投影值序列。
其中，上述当前工况数据可以是当前时刻的工况数据。
步骤S7，从优化投影值序列中搜寻当前投影值对应的最接近投影值。
在一些实施例中，上述执行主体可以从上述优化投影值序列中搜寻上述当前投影值对应的最接近投影值。
作为示例，上述执行主体可以以当前投影值为出发点，向边搜寻遍历得到与当前投影值的欧式距离差值最小的优化投影值，作为当前投影值对应的最接近投影值。
步骤S8，根据最接近投影值对应的历史工况数据序列中的历史工况数据对应的基准工况数据序列中的基准工况数据，对脱硫系统中的目标设备参数进行调整，以实现对脱硫系统的控制。
在一些实施例中，上述执行主体可以根据上述最接近投影值对应的上述历史工况数据序列中的历史工况数据对应的上述基准工况数据序列中的基准工况数据，对上述脱硫系统中的目标设备参数进行调整，以实现对上述脱硫系统的控制。
作为示例，本步骤可以包括以下步骤：
第一步，将上述最接近投影值对应的上述历史工况数据序列中的历史工况数据对应的上述基准工况数据序列中的基准工况数据，确定为上述当前工况数据，得到当前调整工况数据。
第二步，根据上述当前调整工况数据，对上述脱硫系统中的目标设备参数进行更新，以实现对上述脱硫系统中的目标设备参数进行调整。
例如，当当前调整工况数据包括的PH值为4.5时，上述执行主体可以将上述脱硫系统的PH值更新为4.5，以实现对上述脱硫系统中的PH进行调整。其中，对上述脱硫系统中的除了PH之外的目标设备参数进行更新可以参考对PH的更新。
基于与上述方法实施例相同的发明构思，本实施例提供了一种脱硫系统控制模型，该模型包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，上述计算机程序被处理器执行时实现一种脱硫系统控制方法的步骤。
本发明的上述各个实施例中具有如下有益效果：通过本发明的一些实施例的脱硫系统控制方法，提高了当前工况数据调整的准确度和脱硫控制的准确度。具体来说，导致当前工况数据调整的准确度和脱硫控制的准确度低下的原因在于：通过人工的方式，往往是凭借人工的主观判断，匹配出与当前工况数据最接近的基准工况数据，由于匹配与当前工况数据最接近的基准工况数据的判断受人为主观因素的影响较大，且缺乏统一的确定标准，做出的判断往往不准确，往往会导致当前工况数据调整的准确度低下，进而导致脱硫控制的准确度低下。因此，当通过人工的方式对脱硫系统进行控制时，往往会导致当前工况数据调整的准确度低下，进而导致脱硫控制的准确度低下。基于此，本发明的一些实施例的脱硫系统控制方法，提高了当前工况数据调整的准确度和脱硫控制的准确度。首先，获取预设历史时间段的脱硫系统的历史工况数据，确定上述预设历史时间段内的每个历史时刻对应的历史工况数据，得到历史工况数据序列，其中，上述历史工况数据序列中的每个历史工况数据包括：上述脱硫系统中的各个目标设备参数分别在上述历史工况数据对应的历史时刻时的值。其次，根据上述历史工况数据序列中的每个历史工况数据，确定上述历史工况数据对应的基准工况数据，得到基准工况数据序列。可以便于后续匹配当前工况数据对应的基准工况数据。接着，对上述历史工况数据序列中的历史工况数据进行主成分分析选取，得到第一主成分方向。然后，根据上述历史工况数据序列，确定上述脱硫系统中的每个目标设备参数对应的调整权值，得到调整权值序列。由于不同的目标设备参数对脱硫系统的影响往往不同，因此可以通过确定不同的目标设备参数对应的调整权值来表征不同的目标设备参数对脱硫系统的不同影响。并且通过该方式确定调整权值序列，提高了调整权值确定的准确性。其次，根据上述历史工况数据序列和上述调整权值序列，确定上述历史工况数据序列中的每个历史工况数据对应的优化工况数据，得到优化工况数据序列。由于不同的目标设备参数对脱硫系统的影响往往不同，所以历史工况数据对应的优化工况数据往往比历史工况数据更符合实际的工况数据。之后，获取当前工况数据，将上述当前工况数据和上述优化工况数据序列中的各个优化工况数据分别投影至上述第一主成分方向，得到当前投影值和优化投影值序列。而后，从上述优化投影值序列中搜寻上述当前投影值对应的最接近投影值。最后，根据上述最接近投影值对应的上述历史工况数据序列中的历史工况数据对应的上述基准工况数据序列中的基准工况数据，对上述脱硫系统中的目标设备参数进行调整，以实现对上述脱硫系统的控制。因此，本发明可以通过历史工况数据序列中的历史工况数据对应的基准工况数据，对当前工况数据进行快速匹配，得到最接近投影值对应的历史工况数据对应的基准工况数据，以实现对上述脱硫系统的控制。从而，可以对脱硫系统中的目标设备参数进行实时调整，提高了当前工况数据调整的准确度和脱硫控制的准确度，并且在尽可能多的脱硫的过程中节约了成本。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种脱硫系统控制方法，其特征在于，包括以下步骤：
获取预设历史时间段的脱硫系统的历史工况数据，确定所述预设历史时间段内的每个历史时刻对应的历史工况数据，得到历史工况数据序列，其中，所述历史工况数据序列中的每个历史工况数据包括：所述脱硫系统中的各个目标设备参数分别在所述历史工况数据对应的历史时刻时的值；
根据所述历史工况数据序列中的每个历史工况数据，确定所述历史工况数据对应的基准工况数据，得到基准工况数据序列；
对所述历史工况数据序列中的历史工况数据进行主成分分析选取，得到第一主成分方向；
根据所述历史工况数据序列，确定所述脱硫系统中的每个目标设备参数对应的调整权值，得到调整权值序列；
根据所述历史工况数据序列和所述调整权值序列，确定所述历史工况数据序列中的每个历史工况数据对应的优化工况数据，得到优化工况数据序列；
获取当前工况数据，将所述当前工况数据和所述优化工况数据序列中的各个优化工况数据分别投影至所述第一主成分方向，得到当前投影值和优化投影值序列；
从所述优化投影值序列中搜寻所述当前投影值对应的最接近投影值；
根据所述最接近投影值对应的所述历史工况数据序列中的历史工况数据对应的所述基准工况数据序列中的基准工况数据，对所述脱硫系统中的目标设备参数进行调整，以实现对所述脱硫系统的控制。
2.根据权利要求1所述的方法，其特征在于，所述根据所述历史工况数据序列，确定所述脱硫系统中的每个目标设备参数对应的调整权值，包括：
确定所述目标设备参数对应的目标单高斯模型集合；
通过高斯混合模型，确定所述目标单高斯模型集合对应的混合单高斯模型；
对所述脱硫系统中的各个目标设备参数分别对应的混合单高斯模型的方差值进行二分类，得到两类方差值；
确定所述两类方差值之间的差值，作为目标类别差值；
根据所述目标类别差值与预设阈值，确定所述历史工况数据序列对应的充足工况数据序列；
根据所述充足工况数据序列，分别确定所述脱硫系统中的各个目标设备参数对应的优化混合单高斯模型；
将所述目标设备参数对应的优化混合单高斯模型的权值，确定为所述目标设备参数对应的调整权值。
3.根据权利要求2所述的方法，其特征在于，所述确定所述目标设备参数对应的目标单高斯模型集合，包括：
对所述历史工况数据序列中的每个历史工况数据进行以下处理：
将所述历史工况数据，确定为参考工况数据；
从所述参考工况数据中去除所述目标设备参数对应的值，得到目标参考工况数据；
确定所述目标参考工况数据与所述历史工况数据序列中除了所述参考工况数据以外的每个历史工况数据之间的差值和，作为所述目标设备参数在所述目标参考工况数据对应的时刻时对应的所述目标单高斯模型集合中的目标单高斯模型的方差；
分别确定所述参考工况数据中所述目标设备参数对应的值与所述目标参考工况数据包括的各个目标设备参数对应的值的差值，作为目标差值，得到目标差值集合；
根据所述目标差值集合和所述目标设备参数在所述目标参考工况数据对应的时刻时对应的所述目标单高斯模型集合中的目标单高斯模型的方差，确定所述目标设备参数在所述目标参考工况数据对应的时刻时对应的所述目标单高斯模型集合中的目标单高斯模型的均值；
根据所述目标设备参数在所述目标参考工况数据对应的时刻时对应的所述目标单高斯模型集合中的目标单高斯模型的均值和方差，确定所述目标设备参数在所述目标参考工况数据对应的时刻时对应的所述目标单高斯模型集合中的目标单高斯模型。
4.根据权利要求2所述的方法，其特征在于，所述根据所述目标类别差值与预设阈值，确定所述历史工况数据序列对应的充足工况数据序列，包括：
响应于所述目标类别差值小于或等于所述预设阈值，将所述历史工况数据序列确定为所述充足工况数据序列。
5.根据权利要求2所述的方法，其特征在于，所述根据所述目标类别差值与预设阈值，确定所述历史工况数据序列对应的充足工况数据序列，包括：
响应于所述目标类别差值大于所述预设阈值，根据所述目标类别差值、所述预设阈值与预先设置的调节因子，确定补充量对应的公式为：
其中，n是所述补充量，a是所述调节因子，c是所述目标类别差值，r是所述预设阈值；
补充所述补充量个工况数据到所述历史工况数据序列，得到所述历史工况数据序列对应的待充足工况数据序列；
根据所述待充足工况数据序列，确定所述充足工况数据序列。
6.根据权利要求2所述的方法，其特征在于，所述根据所述充足工况数据序列，分别确定所述脱硫系统中的各个目标设备参数对应的优化混合单高斯模型，包括：
响应于所述目标类别差值小于或等于所述预设阈值，将所述脱硫系统中的每个目标设备参数对应的混合单高斯模型，确定为所述目标设备参数对应的优化混合单高斯模型。
7.根据权利要求5所述的方法，其特征在于，所述根据所述充足工况数据序列，分别确定所述脱硫系统中的各个目标设备参数对应的优化混合单高斯模型，包括：
响应于所述目标类别差值大于所述预设阈值，对所述充足工况数据序列进行混合单高斯模型处理，分别确定所述脱硫系统中的各个目标设备参数对应的优化混合单高斯模型。
8.根据权利要求1所述的方法，其特征在于，所述确定所述历史工况数据序列中的每个历史工况数据对应的优化工况数据对应的公式为：
其中，b 1是所述历史工况数据包括的所述脱硫系统中的任意一个目标设备参数对应的值，t 1是所述任意一个目标设备参数对应的所述调整权值序列中的调整权值，b是所述历史工况数据对应的优化工况数据包括的所述任意一个目标设备参数对应的值。
9.根据权利要求1所述的方法，其特征在于，所述对所述脱硫系统中的目标设备参数进行调整，包括：
将所述最接近投影值对应的所述历史工况数据序列中的历史工况数据对应的所述基准工况数据序列中的基准工况数据，确定为所述当前工况数据，得到当前调整工况数据；
根据所述当前调整工况数据，对所述脱硫系统中的目标设备参数进行更新，以实现对所述脱硫系统中的目标设备参数进行调整。
10.一种脱硫系统控制模型，其特征在于，包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现上述权利要求1-9中任一项所述的脱硫系统控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210753186.2A CN114815628B (zh) | 2022-06-30 | 2022-06-30 | 脱硫系统控制模型及脱硫系统控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210753186.2A CN114815628B (zh) | 2022-06-30 | 2022-06-30 | 脱硫系统控制模型及脱硫系统控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114815628A true CN114815628A (zh) | 2022-07-29 |
| CN114815628B CN114815628B (zh) | 2022-09-02 |
Family
ID=82523189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210753186.2A Active CN114815628B (zh) | 2022-06-30 | 2022-06-30 | 脱硫系统控制模型及脱硫系统控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114815628B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04277013A (ja) * | 1991-03-01 | 1992-10-02 | Babcock Hitachi Kk | 湿式排ガス脱硫制御方法およびその装置 |
| US20170061305A1 (en) * | 2015-08-28 | 2017-03-02 | Jiangnan University | Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression |
| CN112465239A (zh) * | 2020-12-03 | 2021-03-09 | 大唐环境产业集团股份有限公司 | 基于改进pso-fcm算法的脱硫系统运行优化方法 |
| CN113082954A (zh) * | 2021-04-07 | 2021-07-09 | 浙江大学 | 一种湿法脱硫装置的全过程智能运行调控系统 |
| CN113254499A (zh) * | 2021-05-21 | 2021-08-13 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于长序列历史资料再定标的气候数据集生产方法 |
| CN113469449A (zh) * | 2021-07-13 | 2021-10-01 | 浙江菲达环保科技股份有限公司 | 脱硫系统的寻优控制方法及系统 |
-
2022
- 2022-06-30 CN CN202210753186.2A patent/CN114815628B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04277013A (ja) * | 1991-03-01 | 1992-10-02 | Babcock Hitachi Kk | 湿式排ガス脱硫制御方法およびその装置 |
| US20170061305A1 (en) * | 2015-08-28 | 2017-03-02 | Jiangnan University | Fuzzy curve analysis based soft sensor modeling method using time difference Gaussian process regression |
| CN112465239A (zh) * | 2020-12-03 | 2021-03-09 | 大唐环境产业集团股份有限公司 | 基于改进pso-fcm算法的脱硫系统运行优化方法 |
| CN113082954A (zh) * | 2021-04-07 | 2021-07-09 | 浙江大学 | 一种湿法脱硫装置的全过程智能运行调控系统 |
| CN113254499A (zh) * | 2021-05-21 | 2021-08-13 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于长序列历史资料再定标的气候数据集生产方法 |
| CN113469449A (zh) * | 2021-07-13 | 2021-10-01 | 浙江菲达环保科技股份有限公司 | 脱硫系统的寻优控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114815628B (zh) | 2022-09-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111950656B (zh) | 图像识别模型生成方法、装置、计算机设备和存储介质 | |
| CN110942248B (zh) | 交易风控网络的训练方法及装置、交易风险检测方法 | |
| CN110504716B (zh) | 光伏逆变器无功模式优化选择方法、终端设备及存储介质 | |
| CN111198799A (zh) | 一种基于lstm的机房功耗预警方法、系统、终端及存储介质 | |
| CN115755954B (zh) | 巡检路径规划方法、系统、计算机设备及存储介质 | |
| CN111459022A (zh) | 设备参数调整方法、设备控制装置和计算机可读存储介质 | |
| CN114815628B (zh) | 脱硫系统控制模型及脱硫系统控制方法 | |
| CN108958037B (zh) | 小波模糊大脑情感学习控制方法、装置、设备及存储介质 | |
| CN111275128B (zh) | 图像识别模型训练方法及系统和图像识别方法 | |
| CN116882297A (zh) | 轴孔装配策略模型构建方法、装置、设备及介质 | |
| CN112232429A (zh) | 一种高炉整体状态的判断方法、终端设备及存储介质 | |
| CN115544033B (zh) | 查重向量库更新、数据查重方法、装置、设备和介质 | |
| Manrique et al. | MPC tracking under time-varying polytopic constraints for real-time applications | |
| CN116051961A (zh) | 一种目标检测模型训练方法、目标检测方法、设备及介质 | |
| CN113705929B (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
| CN113326832B (zh) | 模型训练、图像处理方法、电子设备及存储介质 | |
| CN115630561A (zh) | 一种神经网络热负荷预测模型自动优化方法及装置 | |
| CN112488224B (zh) | 模型训练方法、装置、计算机设备及存储介质 | |
| CN113901648A (zh) | 一种编制零件工艺规程的方法及装置 | |
| CN112633517A (zh) | 一种机器学习模型的训练方法、计算机设备及存储介质 | |
| CN111897535A (zh) | 语法纠错方法、装置、计算机系统及可读存储介质 | |
| Eckstein | Uncertainty and stochastic optimization: numerical methods, regularization and asymptotic analysis | |
| CN116107630B (zh) | 一种大数据运维监控的多平台适配方法 | |
| CN115171201B (zh) | 基于二值神经网络的人脸信息识别方法、装置、设备 | |
| CN116947189B (zh) | 混凝剂投加控制方法、装置及存储介质 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Control Model and Control Method of Desulfurization System Effective date of registration: 20221014 Granted publication date: 20220902 Pledgee: Shandong Weishan Rural Commercial Bank Co.,Ltd. Pledgor: WEISHAN DAWEI NEW BUILDING MATERIALS Co.,Ltd. Registration number: Y2022980018505 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20231018 Granted publication date: 20220902 Pledgee: Shandong Weishan Rural Commercial Bank Co.,Ltd. Pledgor: WEISHAN DAWEI NEW BUILDING MATERIALS Co.,Ltd. Registration number: Y2022980018505 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Desulfurization System Control Model and Desulfurization System Control Method Effective date of registration: 20231102 Granted publication date: 20220902 Pledgee: Shandong Weishan Rural Commercial Bank Co.,Ltd. Pledgor: WEISHAN DAWEI NEW BUILDING MATERIALS Co.,Ltd. Registration number: Y2023980063872 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |