CN114879514A - 一种基于最优训练样本的多模型湿法脱硫效率预测方法 - Google Patents

一种基于最优训练样本的多模型湿法脱硫效率预测方法 Download PDF

Info

Publication number
CN114879514A
CN114879514A CN202210791835.8A CN202210791835A CN114879514A CN 114879514 A CN114879514 A CN 114879514A CN 202210791835 A CN202210791835 A CN 202210791835A CN 114879514 A CN114879514 A CN 114879514A
Authority
CN
China
Prior art keywords
model
efficiency
desulfurization
wet desulphurization
training sample
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
Application number
CN202210791835.8A
Other languages
English (en)
Other versions
CN114879514B (zh
Inventor
袁照威
曹书涛
孟磊
李婷彦
张国柱
白玉勇
于静
梁东
杨大洲
夏法鹏
闫欢欢
王刚
杜明生
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.)
Datang Environment Industry Group Co Ltd
Original Assignee
Datang Environment Industry Group 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 Datang Environment Industry Group Co Ltd filed Critical Datang Environment Industry Group Co Ltd
Priority to CN202210791835.8A priority Critical patent/CN114879514B/zh
Publication of CN114879514A publication Critical patent/CN114879514A/zh
Application granted granted Critical
Publication of CN114879514B publication Critical patent/CN114879514B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Treating Waste Gases (AREA)

Abstract

本发明公开了一种基于最优训练样本的多模型湿法脱硫效率预测方法，属于燃煤电厂烟气脱硫技术领域。方法步骤如下：对脱硫系统反应机理分析，确定湿法脱硫系统脱硫效率的影响因素，并采集运行历史数据；根据湿法脱硫系统运行经济模型及脱硫效率筛选运行历史数据，建立最优训练样本；根据最优训练样本，基于多个机器学习加权方法构建脱硫效率模型；获取当前时刻的脱硫效率影响因素，输入到已建立的脱硫效率模型中，得到当前时刻的脱硫效率。通过本发明的方法，建立了一种脱硫运行参数与脱硫效率之间的非线性模型，为脱硫效率的计算提供了一种新型的计算方法，对脱硫系统的运行和节能降耗具有一定的指导意义。

Description

一种基于最优训练样本的多模型湿法脱硫效率预测方法
技术领域
本发明涉及燃煤电厂烟气脱硫技术领域，尤其是涉及一种基于最优训练样本的多模型湿法脱硫效率预测方法。
背景技术
超低排放改造后要求燃煤电厂SO2浓度排放浓度须低于35mg/m3，石灰石/石膏湿法脱硫具有技术成熟、可靠性高等众多优点，成为燃煤电厂SO2浓度脱除技术的最佳选择。脱硫效率是反映脱硫系统脱硫水平的重要指标，建立脱硫效率模型、分析影响脱硫效率的主要因素，对于燃煤电厂脱硫系统的节能降耗具有重要的意义。
脱硫效率作为衡量脱硫系统的重要指标，受烟气流量、出入口烟气温度、浆液pH值、浆液密度、出入口SO2浓度等因素影响，整个输入输出表现为较强的非线性关系。对于脱硫效率的预测，众多学者已开展相关研究并取得较为明显的效果，对于脱硫系统也起到一定的指导作用。但是，大部分研究都是围绕单一的算法进行建模，同时在建模过程中也没有对前期样本的选择进行一定的研究，取得的效果较为局限。
为此，围绕湿法脱硫系统脱硫效率的预测，对训练样本进行筛选并开展多方法集成，成为燃煤电厂脱硫效率预测过程中亟待解决的问题。
发明内容
本发明的目的在于提供一种基于最优训练样本的多模型湿法脱硫效率预测方法，该预测方法建立了一种脱硫运行参数与脱硫效率之间的非线性模型，为脱硫效率的计算提供了一种新型的计算方法，对脱硫系统的运行具有一定的指导意义。
本发明提供一种基于最优训练样本的多模型湿法脱硫效率预测方法，包括以下步骤：
步骤101：对湿法脱硫系统的反应机理进行分析，确定湿法脱硫系统的脱硫效率的影响因素，并采集湿法脱硫系统运行历史数据；
步骤201：根据湿法脱硫系统运行经济性模型及脱硫效率值筛选运行历史数据，建立最优训练样本；
步骤301：根据最优训练样本，基于多个机器学习方法加权构建脱硫效率预测模型；
步骤401：获取脱硫效率的实时影响因素，输入到已建立的脱硫效率预测模型中，得到实时脱硫效率值。
优选地，通过对湿法脱硫系统的反应机理进行分析，确定所述步骤101中脱硫效率的影响因素至少包括机组负荷、原烟气流量、原烟气SO2浓度、原烟气温度、原烟气湿度、原烟气氧气浓度、吸收塔浆液浓度、吸收塔浆液pH值和石灰石浆液量，由DCS控制系统采集脱硫效率及其影响因素的运行历史数据。
优选地，所述步骤101中脱硫效率的影响因素还包括净烟气流量、净烟气SO2浓度、净烟气温度、净烟气湿度和净烟气氧气浓度。
优选地，所述步骤201中运行经济性模型的经济性值是根据单位SO2的脱除成本确定，其计算公式为
Figure 236920DEST_PATH_IMAGE001
，
公式中，ESO2为单位SO2的脱除成本，其单位为元/kg；E为脱除SO2的总成本，其单位为元；mSO2为SO2的脱除量，其单位为kg，其中，E包括湿法脱硫系统的电耗、石灰石耗量和工艺水耗量；
根据湿法脱硫系统运行经济性模型，得到每个采集样本单位SO2的脱除成本，最优训练样本为单位SO2的脱除成本ESO2低于预定值E0且脱硫效率值大于90%的样本数据，其中，预定值E0由运行人员根据运行经验确定。
优选地，筛选出的最优训练样本数据，作为下一步模型建立的训练数据集，记为
(X,Y)=(x1,x2,…x i ,…,xn,y n )=(x i1,x i2,…,x im ,y i ) n×m ，其中，X为脱硫效率相关的影响因素，Y为脱硫效率。
优选地，所述电耗通过对湿法脱硫系统6KV母线处的电量计算得到，所述工艺水耗量通过对工艺水量统计得到，所述石灰石耗量根据一段时间内采购的石灰石的量统计得到。
优选地，所述步骤301中脱硫效率预测模型是基于多个机器学习方法加权得到，所述机器学习方法为回归方法，所述回归方法包括BP神经网络、最小二乘支持回归机、决策树、CatBoost方法、XGBoost方法、一维卷积神经网络和循环神经网络，对于各种机器学习方法M j ，j=1,2,…, 7，其训练数据集均为(X,Y)，基于此建立多种模型M j ，获取每种模型M j 的最优参数，并根据最优参数获取最优模型，在模型训练数据及参数寻优过程中，采用以下公式
Figure 905799DEST_PATH_IMAGE002
计算均方根误差的平均值，以评估模型的性能，公式中，y i 是训练数据集真实值；y i pre 是训练数据集预测值，n是训练数据集样本个数；
根据上述过程，得到每个样本x i 第M j 种模型的输出结果O j (i) ，并根据以下公式
Figure DEST_PATH_IMAGE003
得到模型的最终输出值，公式中，λ j 为第j种模型的权重系数。
优选地，每种模型M j 的最优参数通过网格搜索获取，并通过十字交叉验证得到。
优选地，所述权重系数λj基于每种训练模型的均方根误差e，并通过对e进行归一化处理得到。
优选地，所述权重系数λj通过比对模型Mj的最终输出值O与实际值的偏差，反向不断训练得到。
相比现有技术，本发明具有以下有益效果：
（1）本发明从软测量角度提供了一种脱硫效率的计算方法，计算过程简单、快速，计算精度较高；
（2）本发明将脱硫系统运行的机理以及历史运行数据有机地结合在一起，提供了一种机理与数据驱动的脱硫效率预测模型，为脱硫系统参数的运行提供了指导；
（3）本发明从脱硫系统运行经济性和脱硫效率两个角度提供了一种运行历史数据样本筛选的方法，所筛选的样本更经济、脱硫效率更高，更具有代表性，为下一步模型的建立提供了较好的数据基础。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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他的附图。
图1为本发明基于最优训练样本的多模型湿法脱硫效率预测方法的流程示意图；
图2为本发明图1中根据运行数据模型训练最终建立脱硫效率预测模型的具体流程图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语"第一"、"第二"仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，"多个"的含义是两个或两个以上，除非另有明确具体的限定。此外，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明提供了一种基于最优训练样本的多模型湿法脱硫效率预测方法，如图1所示，其具体包括以下步骤：
步骤101：对湿法脱硫系统的反应机理进行分析，确定湿法脱硫系统的脱硫效率的影响因素，并采集湿法脱硫系统运行历史数据；
步骤201：根据湿法脱硫系统运行经济性模型及脱硫效率值筛选运行历史数据，建立最优训练样本；
步骤301：根据最优训练样本，基于多个机器学习方法加权构建脱硫效率预测模型；
步骤401：获取脱硫效率的实时影响因素，输入到已建立的脱硫效率预测模型中，得到实时脱硫效率值。
结合图2中具体流程图，说明如下：
在本实施例中，步骤101中脱硫效率的影响因素至少包括机组负荷、原烟气流量、原烟气SO2浓度、原烟气温度、原烟气湿度、原烟气氧气浓度、净烟气流量、净烟气SO2浓度、净烟气温度、净烟气湿度和净烟气氧气浓度、吸收塔浆液浓度、吸收塔浆液pH值和石灰石浆液量。由DCS控制系统上采集脱硫效率及其影响因素的运行历史数据，运行历史数据的采集周期为一年，采样间隔时间为1min。
步骤201中运行历史数据的筛选方法是根据运行经济性模型及脱硫效率值确定，其中运行经济型模型的经济性值是根据单位SO2的脱除成本确定，其计算公式（公式1）如下：
Figure 899162DEST_PATH_IMAGE004
公式1中，ESO2为单位SO2的脱除成本，其单位为元/kg；E为脱除SO2的总成本，其单位为元；mSO2为SO2的脱除量，其单位为kg，其中，E包括湿法脱硫系统的电耗、石灰石耗量和工艺水耗量，其中，电耗通过对湿法脱硫系统6KV母线处的电量计算得到，工艺水耗量通过对工艺水量统计得到，石灰石耗量根据一段时间内采购的石灰石的量统计得到。
根据湿法脱硫系统运行经济性模型，得到每个采集样本单位SO2的脱除成本，也即每个样本的运行经济性值。最优训练样本为单位SO2的脱除成本ESO2低于预定值E0且脱硫效率值大于90%的样本数据，其中，预定值E0由运行人员根据运行经验确定。
根据上述过程从采集的运行数据中筛选出的最优的训练样本数据，作为下一步模型建立的训练数据集，记为
(X,Y)=(x1,x2,…x i ,…,xn,y n )=(x i1,x i2,…,x im ,y i ) n×m ，其中，X为脱硫效率相关的影响因素，Y为脱硫效率。
具体地，步骤301中脱硫效率预测模型是基于多个机器学习方法加权得到，所述机器学习方法为回归方法，所述回归方法包括BP神经网络、最小二乘支持回归机、决策树、CatBoost方法、XGBoost方法、一维卷积神经网络和循环神经网络，对于各种机器学习方法M j ，j=1,2,…, 7，其训练数据集均为(X,Y)，基于此建立多种模型M j ，每种模型M j 的最优参数通过网格搜索获取，并通过十字交叉验证得到，并根据最优参数获取最优模型，在模型训练数据及参数寻优过程中，采用以下公式（公式2）
Figure 591175DEST_PATH_IMAGE005
计算均方根误差的平均值，以评估模型的性能，公式2中，y i 是训练数据集真实值；y i pre 是训练数据集预测值，n是训练数据集样本个数。
根据上述过程，得到每个样本x i 第M j 种模型的输出结果O j (i) ，并根据以下公式（公式3）
Figure 328187DEST_PATH_IMAGE006
得到模型的最终输出值，公式3中，λ j 为第j种模型的权重系数。
权重系数λj通过以下两种方式获取：
一、基于每种训练模型的均方根误差e获取，并通过对e进行归一化处理得到。
二、通过比对模型Mj的最终输出值O与实际值的偏差，反向不断训练得到。
采集当前时刻（即实时）脱硫效率相关的影响因素，输入到步骤301建立的模型中，得到当前时刻（即实时）的脱硫效率值。
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)

1.一种基于最优训练样本的多模型湿法脱硫效率预测方法，其特征在于，包括以下步骤：
步骤101：对湿法脱硫系统的反应机理进行分析，确定湿法脱硫系统的脱硫效率的影响因素，并采集湿法脱硫系统运行历史数据；
步骤201：根据湿法脱硫系统运行经济性模型及脱硫效率值筛选运行历史数据，建立最优训练样本；
步骤301：根据最优训练样本，基于多个机器学习方法加权构建脱硫效率预测模型；
步骤401：获取脱硫效率的实时影响因素，输入到已建立的脱硫效率预测模型中，得到实时脱硫效率值。
2.根据权利要求1所述的基于最优训练样本的多模型湿法脱硫效率预测方法，其特征在于，通过对湿法脱硫系统的反应机理进行分析，确定所述步骤101中脱硫效率的影响因素至少包括机组负荷、原烟气流量、原烟气SO2浓度、原烟气温度、原烟气湿度、原烟气氧气浓度、吸收塔浆液浓度、吸收塔浆液pH值和石灰石浆液量，由DCS控制系统采集脱硫效率及其影响因素的运行历史数据。
3.根据权利要求2所述的基于最优训练样本的多模型湿法脱硫效率预测方法，其特征在于，所述步骤101中脱硫效率的影响因素还包括净烟气流量、净烟气SO2浓度、净烟气温度、净烟气湿度和净烟气氧气浓度。
4.根据权利要求1所述的基于最优训练样本的多模型湿法脱硫效率预测方法，其特征在于，所述步骤201中运行经济性模型的经济性值是根据单位SO2的脱除成本确定，其计算公式为
Figure 969505DEST_PATH_IMAGE001
，
公式中，ESO2为单位SO2的脱除成本，其单位为元/kg；E为脱除SO2的总成本，其单位为元；mSO2为SO2的脱除量，其单位为kg，其中，E包括湿法脱硫系统的电耗、石灰石耗量和工艺水耗量；
根据湿法脱硫系统运行经济性模型，得到每个采集样本单位SO2的脱除成本，最优训练样本为单位SO2的脱除成本ESO2低于预定值E0且脱硫效率值大于90%的样本数据，其中，预定值E0由运行人员根据运行经验确定。
5.根据权利要求4所述的基于最优训练样本的多模型湿法脱硫效率预测方法，其特征在于，筛选出的最优训练样本数据，作为下一步模型建立的训练数据集，记为(X,Y)=(x1,x2,…x i ,…,xn,y n )=(x i1,x i2,…,x im ,y i ) n×m ，其中，X为脱硫效率相关的影响因素，Y为脱硫效率。
6.根据权利要求4所述的基于最优训练样本的多模型湿法脱硫效率预测方法，其特征在于，所述电耗通过对湿法脱硫系统6KV母线处的电量计算得到，所述工艺水耗量通过对工艺水量统计得到，所述石灰石耗量根据一段时间内采购的石灰石的量统计得到。
7.根据权利要求5所述的基于最优训练样本的多模型湿法脱硫效率预测方法，其特征在于，所述步骤301中脱硫效率预测模型是基于多个机器学习方法加权得到，所述机器学习方法为回归方法，所述回归方法包括BP神经网络、最小二乘支持回归机、决策树、CatBoost方法、XGBoost方法、一维卷积神经网络和循环神经网络，对于各种机器学习方法M j ，j=1, 2,…, 7，其训练数据集均为(X,Y)，基于此建立多种模型M j ，获取每种模型M j 的最优参数，并根据最优参数获取最优模型，在模型训练数据及参数寻优过程中，采用以下公式
Figure 480383DEST_PATH_IMAGE002
计算均方根误差的平均值，以评估模型的性能，公式中，y i 是训练数据集真实值；y i pre 是训练数据集预测值，n是训练数据集样本个数；
根据上述过程，得到每个样本x i 第M j 种模型的输出结果O j (i) ，并根据以下公式
Figure 747416DEST_PATH_IMAGE003
得到模型的最终输出值，公式中，λ j 为第j种模型的权重系数。
8.根据权利要求7所述的基于最优训练样本的多模型湿法脱硫效率预测方法，其特征在于，每种模型M j 的最优参数通过网格搜索获取，并通过十字交叉验证得到。
9.根据权利要求7所述的基于最优训练样本的多模型湿法脱硫效率预测方法，其特征在于，所述权重系数λj基于每种训练模型的均方根误差e，并通过对e进行归一化处理得到。
10.根据权利要求7所述的基于最优训练样本的多模型湿法脱硫效率预测方法，其特征在于，所述权重系数λj通过比对模型Mj的最终输出值O与实际值的偏差，反向不断训练得到。
CN202210791835.8A 2022-07-07 2022-07-07 一种基于最优训练样本的多模型湿法脱硫效率预测方法 Active CN114879514B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210791835.8A CN114879514B (zh) 2022-07-07 2022-07-07 一种基于最优训练样本的多模型湿法脱硫效率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210791835.8A CN114879514B (zh) 2022-07-07 2022-07-07 一种基于最优训练样本的多模型湿法脱硫效率预测方法

Publications (2)

Publication Number Publication Date
CN114879514A true CN114879514A (zh) 2022-08-09
CN114879514B CN114879514B (zh) 2022-10-11

Family

ID=82682762

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210791835.8A Active CN114879514B (zh) 2022-07-07 2022-07-07 一种基于最优训练样本的多模型湿法脱硫效率预测方法

Country Status (1)

Country Link
CN (1) CN114879514B (zh)

Cited By (3)

* 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
CN116825218A (zh) * 2023-06-13 2023-09-29 中能融合智慧科技有限公司 一种用于能源行业的脱硫运行优化方法及设备
CN118964448A (zh) * 2024-10-17 2024-11-15 内蒙古鑫元硅材料科技有限公司 一种基于历史数据的硅液氧化精炼耗氧量预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05317643A (ja) * 1992-05-20 1993-12-03 Babcock Hitachi Kk 湿式排ガス脱硫装置の吸収液循環流量制御方法および装置
CN102693451A (zh) * 2012-06-14 2012-09-26 东北电力大学 基于多参数的氨法烟气脱硫效率预测方法
CN109935280A (zh) * 2019-03-05 2019-06-25 东北大学 一种基于集成学习的高炉铁水质量预测系统及方法
CN110033141A (zh) * 2019-04-22 2019-07-19 大唐环境产业集团股份有限公司 一种脱硫系统运行工况数据库的建立方法
CN113935236A (zh) * 2021-10-13 2022-01-14 大唐环境产业集团股份有限公司 基于数据驱动的脱硫系统建模方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05317643A (ja) * 1992-05-20 1993-12-03 Babcock Hitachi Kk 湿式排ガス脱硫装置の吸収液循環流量制御方法および装置
CN102693451A (zh) * 2012-06-14 2012-09-26 东北电力大学 基于多参数的氨法烟气脱硫效率预测方法
CN109935280A (zh) * 2019-03-05 2019-06-25 东北大学 一种基于集成学习的高炉铁水质量预测系统及方法
CN110033141A (zh) * 2019-04-22 2019-07-19 大唐环境产业集团股份有限公司 一种脱硫系统运行工况数据库的建立方法
CN113935236A (zh) * 2021-10-13 2022-01-14 大唐环境产业集团股份有限公司 基于数据驱动的脱硫系统建模方法及装置

Cited By (5)

* 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
CN115729184B (zh) * 2022-11-14 2023-06-27 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
CN116825218A (zh) * 2023-06-13 2023-09-29 中能融合智慧科技有限公司 一种用于能源行业的脱硫运行优化方法及设备
CN116825218B (zh) * 2023-06-13 2024-04-12 中能融合智慧科技有限公司 一种用于能源行业的脱硫运行优化方法及设备
CN118964448A (zh) * 2024-10-17 2024-11-15 内蒙古鑫元硅材料科技有限公司 一种基于历史数据的硅液氧化精炼耗氧量预测方法

Also Published As

Publication number Publication date
CN114879514B (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
CN114879514B (zh) 一种基于最优训练样本的多模型湿法脱硫效率预测方法
CN107103176B (zh) 基于多源信息融合技术的燃煤锅炉scr催化剂寿命评价方法
CN102693451B (zh) 基于多参数的氨法烟气脱硫效率预测方法
CN104636600B (zh) 基于极限学习机的高含硫天然气净化工艺建模、优化方法
CN109304086B (zh) 一种电站锅炉scr脱硝精细化喷氨控制方法
CN110094251B (zh) 基于分时段多模型建模的scr催化剂性能劣化分析方法
CN110716512A (zh) 一种基于燃煤电站运行数据的环保装备性能预测方法
CN113440990A (zh) 基于emd-lstm的出口so2浓度预测方法
CN112364562A (zh) 一种烟气环保岛协同控制方法及系统
CN114397526A (zh) 状态全息感知数据驱动的电力变压器故障预测方法及系统
CN107977527B (zh) 一种确定火电机组标杆值数据的方法与装置
CN114265001B (zh) 一种智能电表计量误差评估方法
CN113570163A (zh) 基于数学模型的大气臭氧浓度预测方法、系统和装置
CN110309949A (zh) 一种区域电能替代潜力预测方法及系统
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
CN108615092A (zh) 一种基于指数平滑模型的污水处理厂进水量预测的方法
CN117150677A (zh) 一种电除尘器选型参数的确定方法及装置
CN105568732A (zh) 盘磨机控制方法
CN111882006A (zh) 一种基于pca和相关函数的脱硫系统数据预处理方法
CN113505497B (zh) 湿法烟气脱硫吸收塔浆液品质监测方法及系统
CN110889495A (zh) 一种基于能动参数的制丝设备状态维护分析方法
CN114862074B (zh) 一种脱硫系统浆液循环泵运行组合优化方法
CN112348236A (zh) 用于智能用电监测终端的异常日负荷需求预测系统与方法
CN112462708B (zh) 一种泵站远程诊断及优化调度方法及系统
CN101949104B (zh) 一种纸浆间歇蒸煮参数优化方法

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