CN115455809A - 一种电站scr催化剂失活概率集构建方法、装置及存储介质 - Google Patents
一种电站scr催化剂失活概率集构建方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115455809A CN115455809A CN202210990768.2A CN202210990768A CN115455809A CN 115455809 A CN115455809 A CN 115455809A CN 202210990768 A CN202210990768 A CN 202210990768A CN 115455809 A CN115455809 A CN 115455809A
- Authority
- CN
- China
- Prior art keywords
- sample set
- catalyst
- establishing
- working condition
- 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.)
- Pending
Links
- 239000003054 catalyst Substances 0.000 title claims abstract description 143
- 230000009849 deactivation Effects 0.000 title claims abstract description 81
- 238000010276 construction Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 54
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 49
- 239000003546 flue gas Substances 0.000 claims abstract description 49
- 239000000779 smoke Substances 0.000 claims abstract description 38
- 239000003245 coal Substances 0.000 claims description 31
- 230000002779 inactivation Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 12
- 108700018263 Brassica oleracea SCR Proteins 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 5
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 43
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 27
- 229910021529 ammonia Inorganic materials 0.000 description 13
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 239000001301 oxygen Substances 0.000 description 9
- 229910052760 oxygen Inorganic materials 0.000 description 9
- 238000002347 injection Methods 0.000 description 8
- 239000007924 injection Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000005507 spraying Methods 0.000 description 5
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 229910052717 sulfur Inorganic materials 0.000 description 4
- 239000011593 sulfur Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 238000003916 acid precipitation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000012857 repacking Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- GFNGCDBZVSLSFT-UHFFFAOYSA-N titanium vanadium Chemical compound [Ti].[V] GFNGCDBZVSLSFT-UHFFFAOYSA-N 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- 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
- G01N31/10—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods using catalysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Exhaust Gas Treatment By Means Of Catalyst (AREA)
Abstract
一种电站SCR催化剂失活概率集构建方法、装置及存储介质,所述方法包括步骤:建立电站的原始样本集;根据所述原始样本集得到清洁稳态样本集;根据所述清洁稳态样本集得到样本空间子集;根据所述清洁稳态样本集得到样本时间子集;根据所述样本时间子集建立脱硝效率预测模型;根据所述样本空间子集和所述脱硝效率预测模型建立催化剂失活曲线;根据所述原始样本集和所述催化剂失活曲线建立工况失活模型;根据所述工况失活模型建立催化剂未来寿命衰减曲线;获取烟气工况极限换装寿命;根据所述烟气工况极限换装寿命和烟气工况出现概率得到催化剂失效概率时间曲线。本申请能为电站SCR催化剂全生命周期的智能化、科学化的管理提供了有力支撑。
Description
技术领域
本发明属于燃煤电厂SCR脱硝催化剂寿命管理技术领域,具体涉及一种电站SCR催化剂失活概率集构建方法、装置及存储介质。
背景技术
氮氧化物(NOx)会引起酸雨、雾霾、光化学烟雾及危害人体健康,是我国大气污染物之一,其主要由燃煤电厂产生。目前,国内电厂大多采用SCR脱硝系统脱除烟气中的NOx,该技术是在锅炉尾部烟道中布置钒钛催化剂,以液氨、尿素等为还原剂,将烟气中的NOx转化为清洁的氮气和水。催化剂作为脱硝技术的核心部分,直接决定脱硝系统的脱硝效率和经济性,如何合理评价催化剂的活性劣化趋势、延长其使用寿命是SCR系统科学管理的重要问题。
我国燃煤电站锅炉SCR系统已实现了DCS集中控制,对SCR系统进出口参数及效率均有在线监测手段,这些实时数据以及历史数据中隐藏着表征催化剂寿命的信息,从而为数据驱动建模提供了大量的数据样本。
目前,已出现基于运行大数据挖掘手段的催化剂寿命劣化方法,但现有方法主要存在两个问题:一是仅提供一个确定的换装时间,为满足电网调度要求,电站锅炉运行工况变化频繁。现实运行的过程中,常常在某些工况,催化剂表现出已经失活,而在另一些工况,催化剂却还拥有足够的脱硝能力,因此有必要找到一种构建SCR催化剂失活时间概率集的方法;二是现有报道方法仅基于历史运行数据获得催化剂性能的劣化趋势,未进一步建立当地运行习惯及煤质参数对催化剂劣化速率的影响模型,因此对催化剂寿命长时预测的准确性也有影响。因为这是将催化剂的劣化看成一个自相关的行为,也就是认为未来催化剂寿命劣化的趋势仅受之前劣化趋势的影响。这与实际情况存在偏差,因为锅炉未来运行的方式及运行的外部环境同样会影响未来催化剂的劣化速率。
发明内容
鉴于上述问题,本发明提供克服上述问题或者至少部分地解决上述问题的一种电站SCR催化剂失活概率集构建方法、装置及存储介质。
为解决上述技术问题,本发明提供了一种电站SCR催化剂失活概率集构建方法,所述方法包括步骤:
建立电站的原始样本集;
根据所述原始样本集得到清洁稳态样本集;
根据所述清洁稳态样本集得到样本空间子集;
根据所述清洁稳态样本集得到样本时间子集;
根据所述样本时间子集建立脱硝效率预测模型;
根据所述样本空间子集和所述脱硝效率预测模型建立催化剂失活曲线;
根据所述原始样本集和所述催化剂失活曲线建立工况失活模型;
根据所述工况失活模型建立催化剂未来寿命衰减曲线;
获取烟气工况极限换装寿命;
根据所述烟气工况极限换装寿命和烟气工况出现概率得到催化剂失效概率时间曲线。
优选地,所述建立电站的原始样本集包括步骤:
查询电站SIS系统数据库和电站MIS系统数据库;
从所述电站SIS系统数据库中获取SCR脱硝系统历史运行数据;
从所述电站MIS系统数据库中获取煤质分析数据;
根据所述SCR脱硝系统历史运行数据和所述煤质分析数据建立原始样本集。
优选地,所述根据所述原始样本集得到清洁稳态样本集包括步骤:
识别所述原始样本集中的故障数据和非稳态数据;
依次删除所述故障数据和所述非稳态数据;
得到清洁稳态样本集。
优选地,所述根据所述清洁稳态样本集得到样本空间子集包括步骤:
获取烟气工况;
将所述清洁稳态样本集按照所述烟气工况分解为若干样本空间子集;
计算各所述样本空间子集中各烟气工况的特征值;
计算各所述样本空间子集中各烟气工况的出现概率。
优选地,所述根据所述清洁稳态样本集得到样本时间子集包括步骤:
将所述清洁稳态样本集按时间顺序升序排列;
获取所述清洁稳态样本集中第一条数据对应的第一时间;
获取所述清洁稳态样本集中最后一条数据对应的第二时间;
设定所述清洁稳态样本集的时间步长;
将所述清洁稳态样本集划分为若干份;
将每份数据作为一个样本时间子集。
优选地,所述根据所述样本时间子集建立脱硝效率预测模型包括步骤:
获取脱硝效率和烟气参数;
构建所述脱硝效率和所述烟气参数的第一预测模型;
获取所述样本时间子集中的样本时间数据;
将所述样本时间数据作为训练样本训练所述第一预测模型;
得到脱硝效率预测模型。
优选地,所述根据所述样本空间子集和所述脱硝效率预测模型建立催化剂失活曲线包括步骤:
获取所述样本空间子集中各烟气工况的特征值;
将各所述特征值分别代入各所述脱硝效率预测模型中;
计算不同时间不同烟气工况下的脱硝效率;
绘制同一烟气工况下各所述脱硝效率随时间的变化曲线;
将所述变化曲线作为所述催化剂失活曲线。
本申请还提供了一种电站SCR催化剂失活概率集构建装置,包括:
原始样本集建立模块,用于建立电站的原始样本集;
清洁稳态样本集获取模块,用于根据所述原始样本集得到清洁稳态样本集;
样本空间子集获取模块,用于根据所述清洁稳态样本集得到样本空间子集;
样本时间子集获取模块,用于根据所述清洁稳态样本集得到样本时间子集;
脱硝效率预测模型建立模块,用于根据所述样本时间子集建立脱硝效率预测模型;
催化剂失活曲线建立模块,用于根据所述样本空间子集和所述脱硝效率预测模型建立催化剂失活曲线;
工况失活模型建立模块,用于根据所述原始样本集和所述催化剂失活曲线建立工况失活模型;
催化剂未来寿命衰减曲线建立模块,用于根据所述工况失活模型建立催化剂未来寿命衰减曲线;
烟气工况极限换装寿命获取模块,用于获取烟气工况极限换装寿命;
催化剂失效概率时间曲线获取模块,用于根据所述烟气工况极限换装寿命和烟气工况出现概率得到催化剂失效概率时间曲线。
本申请还提供了一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述任一所述电站SCR催化剂失活概率集构建方法。
本申请还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述任一所述电站SCR催化剂失活概率集构建方法。
本发明实施例中的一个或多个技术方案,至少具有如下技术效果或优点:本申请提供的一种电站SCR催化剂失活概率集构建方法、装置及存储介质能根据电厂运行人员习惯的不同、使用煤种的不同、风险控制余量的不同提供催化剂失效概率随时间的变化信息,为电站SCR催化剂全生命周期的智能化、科学化的管理提供了有力支撑。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,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的附图。
图1是本发明实施例提供的一种电站SCR催化剂失活概率集构建方法的流程示意图;
图2是本发明实施例提供的一种电站SCR催化剂失活概率集构建装置的结构示意图;
图3是本发明提供的一种电子设备的结构示意图;
图4是本发明提供的一种非暂态计算机可读存储介质的结构示意图;
图5是本发明实施例提供的一种电站SCR催化剂失活概率集构建方法中的负荷频数直方图;
图6是本发明实施例提供的一种电站SCR催化剂失活概率集构建方法中的入口NOx浓度频数直方图;
图7是本发明实施例提供的一种电站SCR催化剂失活概率集构建方法中的出口NOx浓度频数直方图;
图8是本发明实施例提供的一种电站SCR催化剂失活概率集构建方法中的喷氨量频数直方图;
图9是本发明实施例提供的一种电站SCR催化剂失活概率集构建方法中的工作温度频数直方图;
图10是本发明实施例提供的一种电站SCR催化剂失活概率集构建方法中的入口氧浓度频数直方图;
图11是本发明实施例提供的一种电站SCR催化剂失活概率集构建方法中的稳态判定图;
图12是本发明实施例提供的一种电站SCR催化剂失活概率集构建方法中的工况概率分布图;
图13是本发明实施例提供的一种电站SCR催化剂失活概率集构建方法中的模型训练图;
图14是本发明实施例提供的一种电站SCR催化剂失活概率集构建方法中的工况1脱硝效率的变化图;
图15是本发明实施例提供的一种电站SCR催化剂失活概率集构建方法中的工况2脱硝效率的变化图;
图16是本发明实施例提供的一种电站SCR催化剂失活概率集构建方法中的工况3脱硝效率的变化图;
图17是本发明实施例提供的一种电站SCR催化剂失活概率集构建方法中的工况4脱硝效率的变化图;
图18是本发明实施例提供的一种电站SCR催化剂失活概率集构建方法中的工况5脱硝效率的变化图;
图19是本发明实施例提供的一种电站SCR催化剂失活概率集构建方法中的催化剂换装概率图。
具体实施方式
下文将结合具体实施方式和实施例,具体阐述本发明,本发明的优点和各种效果将由此更加清楚地呈现。本领域技术人员应理解,这些具体实施方式和实施例是用于说明本发明,而非限制本发明。
在整个说明书中,除非另有特别说明,本文使用的术语应理解为如本领域中通常所使用的含义。因此,除非另有定义,本文使用的所有技术和科学术语具有与本发明所属领域技术人员的一般理解相同的含义。若存在矛盾,本说明书优先。
除非另有特别说明,本发明中用到的各种原材料、试剂、仪器和设备等,均可通过市场购买得到或者可通过现有方法制备得到。
如图1,在本申请实施例中,本发明提供了一种电站SCR催化剂失活概率集构建方法,所述方法包括步骤:
S1:建立电站的原始样本集;
在本申请实施例中,所述建立电站的原始样本集包括步骤:
查询电站SIS系统数据库和电站MIS系统数据库;
从所述电站SIS系统数据库中获取SCR脱硝系统历史运行数据;
从所述电站MIS系统数据库中获取煤质分析数据;
根据所述SCR脱硝系统历史运行数据和所述煤质分析数据建立原始样本集。
在本申请实施例中,当建立电站的原始样本集时,首先从电站SIS系统数据库中获得SCR脱硝系统历史运行数据,从电站MIS系统数据库中获得煤质分析数据,并将SCR脱硝系统历史运行数据和煤质分析数据汇集成原始样本集。其中,电站SIS系统数据库中样本的采样间隔优选为1分钟,MIS数据库中样本的采样间隔优选为8小时。
S2:根据所述原始样本集得到清洁稳态样本集;
在本申请实施例中,所述根据所述原始样本集得到清洁稳态样本集包括步骤:
识别所述原始样本集中的故障数据和非稳态数据;
依次删除所述故障数据和所述非稳态数据;
得到清洁稳态样本集。
在本申请实施例中,当根据原始样本集得到清洁稳态样本集时,首先识别步骤S1中原始样本集中的故障数据和非稳态数据,而后依次删除故障数据和非稳态数据,从而得到清洁稳态样本集。
在本申请实施例中,故障数据包括停滞点、离群点、超限点等。若时间序列中连续两点数值完全相等,则将两点标记为停滞点;离群点可采用但不限于PCA、IFOREST、DBSCAN等算法识别;通过经验确定机组各参数的常规运行区间,将超过上下限的点标记为超限点。非稳态数据可采用但不限于信息熵、T检验、R检验等方法识别。
S3:根据所述清洁稳态样本集得到样本空间子集;
在本申请实施例中,所述根据所述清洁稳态样本集得到样本空间子集包括步骤:
获取烟气工况;
将所述清洁稳态样本集按照所述烟气工况分解为若干样本空间子集;
计算各所述样本空间子集中各烟气工况的特征值;
计算各所述样本空间子集中各烟气工况的出现概率。
在本申请实施例中,当根据所述清洁稳态样本集得到样本空间子集时,首先将步骤S2中的清洁稳态样本集按烟气工况分解,并计算各烟气工况的特征值及出现概率。
在本申请实施例中,当解析烟气工况时,首先统计SCR脱硝系统入口相关参数xi的最大值max(xi)和最小值min(xi),并采用等间距Ki将各参数按大小划分为Ni份,将各参数分解后的单元组建为样本空间子集Sji,其中Ki和Sji的表达式分别为:
S4:根据所述清洁稳态样本集得到样本时间子集;
在本申请实施例中,所述根据所述清洁稳态样本集得到样本时间子集包括步骤:
将所述清洁稳态样本集按时间顺序升序排列;
获取所述清洁稳态样本集中第一条数据对应的第一时间;
获取所述清洁稳态样本集中最后一条数据对应的第二时间;
设定所述清洁稳态样本集的时间步长;
将所述清洁稳态样本集划分为若干份;
将每份数据作为一个样本时间子集。
在本申请实施例中,当根据所述清洁稳态样本集得到样本时间子集时,将样本集按时间顺序等分为若干时间子集时,将样本集按时间升序排列,统计样本集中第一条数据的时间t1和最后一条数据的时间tn,设定时间步长T,将数据集划分为Q份,每份数据为一个时间子集Di。其中,T和Di的表达式分别为:
Di={t1+(i-1)×T~t1+i×T}i∈[1,Q];
其中T的选取应保证在这个时间跨度内催化剂的活性变化不大,且包含足够的样本点以供后续模型训练,T的取值优选30天。
S5:根据所述样本时间子集建立脱硝效率预测模型;
在本申请实施例中,所述根据所述样本时间子集建立脱硝效率预测模型包括步骤:
获取脱硝效率和烟气参数;
构建所述脱硝效率和所述烟气参数的第一预测模型;
获取所述样本时间子集中的样本时间数据;
将所述样本时间数据作为训练样本训练所述第一预测模型;
得到脱硝效率预测模型。
在本申请实施例中,当根据所述样本时间子集建立脱硝效率预测模型时,分别以步骤S4中所述各时间子集中的数据为训练样本,训练脱硝效率随烟气参数的预测模型;以各时间子集中的数据为训练样本分别建立脱硝效率模型,模型以机组负荷、SCR入口氧量、SCR入口温度、SCR入口NOx浓度、喷氨流量为输入参数,以脱硝效率为输出参数。模型可采用但不限于支持向量机、极限学习机、神经网络等方法建立。
S6:根据所述样本空间子集和所述脱硝效率预测模型建立催化剂失活曲线;
在本申请实施例中,所述根据所述样本空间子集和所述脱硝效率预测模型建立催化剂失活曲线包括步骤:
获取所述样本空间子集中各烟气工况的特征值;
将各所述特征值分别代入各所述脱硝效率预测模型中;
计算不同时间不同烟气工况下的脱硝效率;
绘制同一烟气工况下各所述脱硝效率随时间的变化曲线;
将所述变化曲线作为所述催化剂失活曲线。
在本申请实施例中,当根据所述样本空间子集和所述脱硝效率预测模型建立催化剂失活曲线时,首先将步骤S3中所述各烟气工况特征值分别代入步骤S5中所述各时间子集下的脱硝效率预测模型,计算出不同时间、不同烟气工况下的脱硝效率。所述催化剂的失活曲线为同一烟气工况下脱硝效率随时间的变化曲线。
S7:根据所述原始样本集和所述催化剂失活曲线建立工况失活模型;
在本申请实施例中,基于步骤S1中电站的原始样本集中的煤质分析数据和步骤S6中的催化剂失活曲线数据,可建立各烟气工况下煤质及运行参数对催化剂寿命衰减的工况失活模型;具体步骤包括:
7a)根据步骤S4中的时间步长统计各时间点的机组累积负荷、燃煤累积含硫量、燃煤累积含灰量、催化剂低温累积运行时间。具体地,催化剂低温运行时间为喷氨流量大于阈值且SCR入口温度小于阈值的时间,喷氨流量阈值优选为0℃,SCR入口温度阈值优选为310℃;
7b)以步骤S6中不同烟气工况下的催化剂失活曲线样本点为输出,7a)中累积量为输入,建立不同烟气工况下的催化剂寿命衰减速率影响模型。
7c)若无煤质数据及运行参数,对各个工况下不同时间的脱硝效率进行一次线性拟合,拟合得到的一次线性方程就是各工况的工况失活模型。
S8:根据所述工况失活模型建立催化剂未来寿命衰减曲线;
在本申请实施例中,当给定未来煤质及运行条件时,可计算不同烟气工况下催化剂的催化剂未来寿命衰减曲线。其中,未来煤质为假设未来使用煤质中的累积含硫量和累积含灰量,未来运行条件为假设机组未来累积运行负荷,催化剂低温累积运行时间,各参数假设值优选为最近一年的平均值。若无煤质数据及未来运行参数条件,基于步骤S7在没有煤质数据情况下拟合得到一次线性的工况失活模型,可以得到未来时间内脱硝效率的变化趋势。
S9:获取烟气工况极限换装寿命;
在本申请实施例中,以满足排放标准为约束条件,分别计算各烟气工况下的极限换装寿命。其中,排放标准Cout,crit为国家规定的氮氧化物排放标准,优选为50mg/Nm3,不同烟气工况的极限换装寿命Lj,crit的表达式为:
式中,j为烟气工况代号;Cj,in为第j个工况特征值中的入口NOx浓度,mg/m3。
S10:根据所述烟气工况极限换装寿命和烟气工况出现概率得到催化剂失效概率时间曲线。
在本申请实施例中,当根据所述烟气工况极限换装寿命和烟气工况出现概率得到催化剂失效概率时间曲线时,首先计算所有烟气工况的换装时间Tj,crit,其中换装时间为步骤S8中催化剂未来寿命衰减曲线与步骤S9中烟气工况极限换装寿命的交点所对应的时间。而后对烟气工况的换装时间Tj,crit由从小到大进行排序,并依次统计当时间点达到Tj,crit时催化剂达到极限寿命的工况,该时间点催化剂的失活概率为这些工况的概率之和。其中各工况的概率根据步骤S3统计计算。
下面以某660MW超临界直流锅炉单侧SCR脱硝反应器为例,介绍该基于海量运行数据的SCR脱硝催化剂寿命预测方法的具体实施步骤,结合图1所示流程,步骤如下:
(1)建立电站的原始样本集;
从电站SIS系统数据库中获得SCR脱硝系统历史运行数据,从电站MIS系统数据库中获得煤质分析数据,建立原始样本集;
其中SIS数据库样本的采样间隔优选为1分钟,MIS数据库样本的采样间隔优选为8小时。
(2)根据所述原始样本集得到清洁稳态样本集;
对步骤(1)中获得的原始样本集进行数据处理,依次删除故障数据和非稳态样本,得到清洁稳态样本全集;根据图2到图7的各参数频数直方图的统计结果和运行经验,将负荷的上下限定为300MW-660MW,将入口NOx浓度的上下限定为300mg/m3-1000mg/m3,将出口NOx浓度的上下限定为0mg/m3-150mg/m3,将喷氨量的上下限定为75L/h-300L/h,将工作温度的上下限定为325℃-375℃,将入口氧浓度的上下限定位2%-8%。R-Value检验算法因其流程简单、精度良好而被广泛应用于过程工业数据的稳态判定中。对于某个时刻的数据Xf,i,通过计算2f,i和2f,i构建稳态判定的检验指标R,计算公式如下所示:
Xf,i=λ1Xi+(1-λ1)Xf,i-1
式中:1、2、3的值分别为0.2,0.1,0.1。用R-Value检验稳态判定算法,计算800条数据中的负荷、进口NOx浓度和烟温的稳态因子,通过观察样本点和每个样本点的稳态因子,可以发现当稳态因子小于2.35时,样本点是稳定的,所以删掉稳态因子大于2.35的样本点,就可以得到稳态的样本集;图8为负荷稳态判定图。
(3)根据所述清洁稳态样本集得到样本空间子集;
取某电厂660MW机组容量的#1机组2014年3月1日至2015年9月30日的历史运行数据为统计样本,取样间隔为1min,经过步骤(2)数据处理过滤掉故障数据和非稳态数据后,原始数据从832380条样本减少到96523条样本。
利用K-means聚类算法对样本进行聚类分析,最终聚为5类,即分为5个工况,其中工况1内的样本数量为21200,占总样本量的21.965%,即工况1的概率为21.965%,工况1的聚类中心即工况1的特征值为负荷367.65844346MW,入口NOx浓度232.28486118mg/m3,喷氨量180.24127842L/h,工作温度315.60431075℃,入口氧浓度4.22866938%。
工况2内的样本数量为12199,占总样本量的12.631%,即工况2的概率为12.631%,工况2的聚类中心即工况2的特征值为负荷428.4167146MW,入口NOx浓度324.44585301mg/m3,喷氨量320.4767313L/h,工作温度315.25409593℃,入口氧浓度3.84931878%。
工况3内的样本数量为15422,占总样本量的15.979%,即工况3的概率为15.979%,工况3的聚类中心即工况3的特征值为负荷598.55664951MW,入口NOx浓度331.54663916mg/m3,喷氨量427.31944562L/h,工作温度315.25409593℃,入口氧浓度3.84931878%。
工况4内的样本数量为25406,占总样本量的26.323%,即工况4的概率为26.323%,工况4的聚类中心即工况4的特征值为负荷475.51934107MW,入口NOx浓度253.99649002mg/m3,喷氨量229.61729033L/h,工作温度321.28273235℃,入口氧浓度3.10336926%。
工况5内的样本数量为22296,占总样本量的23.101%,即工况5的概率为23.101%,工况5的聚类中心即工况5的特征值为负荷554.89264536MW,入口NOx浓度291.02792366mg/m3,喷氨量312.17425374L/h,工作温度332.82412203℃,入口氧浓度2.73261764%。
(4)根据所述清洁稳态样本集得到样本时间子集;
将样本集按时间顺序等分为若干时间子集时,将样本集按时间升序排列,统计样本集中第一条数据的时间t1为2014/3/1/0:00:00和最后一条数据的时间tn为2015/9/3023:59:00,一共有832380条数据,每条数据的间隔时间为1min,设定时间步长T为30天,即一个月,将数据集划分为Q份,每份数据为一个时间子集Di。但是,由于经过数据预处理和稳态判定之后,有的时间子集中的数据量很少,不足以以之进行建模训练,所以最终只选取包含数据量比较多的子集,最终选取的时间子集个数为13。T之所以选取30天,是因为在30天这个时间跨度内催化剂的活性变化不大,且包含足够的样本点以供后续模型训练。
(5)根据所述样本时间子集建立脱硝效率预测模型;
分别以步骤(4)中所述各时间子集中的数据为训练样本,训练脱硝效率随烟气参数的预测模型;采用极端随机树对各时间子集中的数据为训练样本分别建立脱硝效率模型,以各时间子集中的数据为训练样本分别建立脱硝效率模型,模型以机组负荷、SCR入口氧量、SCR入口温度、SCR入口NOx浓度、喷氨流量为输入参数,以脱硝效率为输出参数。
(6)根据所述样本空间子集和所述脱硝效率预测模型建立催化剂失活曲线;
将步骤(3)所述的5个聚类中心即5个工况的特征值分别代入步骤(5)所述的13个时间子集中的数据建立的脱硝效率预测模型中,得到分别在5个烟气工况下,脱硝效率随时间的变化。
(7)根据所述原始样本集和所述催化剂失活曲线建立工况失活模型;
基于步骤(1)所述煤质分析数据和步骤(6)所述催化剂失活曲线数据,建立这个烟气工况下煤质及运行参数对催化剂寿命衰减的影响模型;具体步骤包括:
7a)统计13个30天内的机组累积负荷、燃煤累积含硫量、燃煤累积含灰量、催化剂低温累积运行时间。所述催化剂低温运行时间为喷氨流量大于阈值且SCR入口温度小于阈值的时间,喷氨流量阈值优选为0℃,SCR入口温度阈值优选为310℃。
7b)分别以步骤(6)所述不同烟气工况下的催化剂脱硝效率样本点为输出,7a)所述累积量为输入,建立不同烟气工况下的催化剂寿命衰减速率影响模型。
若没有煤质数据及运行参数,分别对步骤(6)所述不同烟气工况下的催化剂脱硝效率样本点进行一次线性拟合,得到5种工况下催化剂脱硝效率与时间的一次线性关系拟合线,分别如图9-图14所示。
(8)根据所述工况失活模型建立催化剂未来寿命衰减曲线;
给定未来煤质及运行条件,计算不同烟气工况下催化剂的寿命衰减曲线;所述未来煤质为假设未来使用煤质中的累积含硫量和累积含灰量,所述未来运行条件为假设机组未来累积运行负荷,催化剂低温累积运行时间,各参数假设值优选为最近一年的平均值。若没有未来煤质及未来运行条件,以步骤7所述的一次线性拟合线来预测未来时间催化剂的脱硝效率。
(9)获取烟气工况极限换装寿命;
以满足排放标准为约束条件,分别计算各烟气工况下的极限换装寿命;所述排放标准为国家规定的氮氧化物排放标准,Cout,crit,优选为50mg/Nm3,所述不同烟气工况的极限换装寿命Lj,crit为:
式中,j为烟气工况代号;Cj,in为第j个工况特征值中的入口NOx浓度,mg/Nm3。其中工况1的入口NOx浓度为232.2848mg/m3,通过上述公式计算得到的极限换装阈值为78.47%;工况2的入口NOx浓度为324.4458mg/m3,通过上述公式计算得到的极限换装阈值为84.58%;工况3的入口NOx浓度为331.5466mg/m3,通过上述公式计算得到的极限换装阈值为84.91%;工况4的入口NOx浓度为253.9964mg/m3,通过上述公式计算得到的极限换装阈值为80.31%;工况5的入口NOx浓度为291.0279mg/m3,通过上述公式计算得到的极限换装阈值为82.81%。
(10)根据所述烟气工况极限换装寿命和烟气工况出现概率得到催化剂失效概率时间曲线;
具体步骤为:
10a)计算所有烟气工况的换装时间Tj,crit,所述换装时间为步骤8所述催化剂寿命衰减曲线与步骤(9)所述极限换装寿命的交点对应的时间。其中工况3在14年03月就已经达到了极限换装的阈值;工况2在14年12月达到极限换装的阈值;工况5在15年05月达到极限换装的阈值;工况4在15年11月达到极限换装的阈值;工况1在17年09月达到极限换装的阈值。
10b)对Tj,crit从小到大进行排序,并依次统计当时间点达到Tj,crit时,催化剂达到极限寿命的工况,该时间点催化剂的失活概率为这些工况的概率之和。所述各工况的概率根据步骤(3)统计计算。工况1、工况2、工况3、工况4和工况5的概率分别为21.965%、12.631%、15.979%、26.323%和23.101%,如图9所示;催化剂在14年03月的换装概率为15.979%,在14年12月的换装概率为28.61%,在15年05月的换装概率为51.701%,在15年11月的换装概率为78.024%,在17年09月的换装概率为100%,换装概率图如图16所示。
如图17,在本申请实施例中,本申请还提供了一种电站SCR催化剂失活概率集构建装置,包括:
原始样本集建立模块10,用于建立电站的原始样本集;
清洁稳态样本集获取模块20,用于根据所述原始样本集得到清洁稳态样本集;
样本空间子集获取模块30,用于根据所述清洁稳态样本集得到样本空间子集;
样本时间子集获取模块40,用于根据所述清洁稳态样本集得到样本时间子集;
脱硝效率预测模型建立模块50,用于根据所述样本时间子集建立脱硝效率预测模型;
催化剂失活曲线建立模块60,用于根据所述样本空间子集和所述脱硝效率预测模型建立催化剂失活曲线;
工况失活模型建立模块70,用于根据所述原始样本集和所述催化剂失活曲线建立工况失活模型;
催化剂未来寿命衰减曲线建立模块80,用于根据所述工况失活模型建立催化剂未来寿命衰减曲线;
烟气工况极限换装寿命获取模块90,用于获取烟气工况极限换装寿命;
催化剂失效概率时间曲线获取模块100,用于根据所述烟气工况极限换装寿命和烟气工况出现概率得到催化剂失效概率时间曲线。
本申请提供的一种电站SCR催化剂失活概率集构建装置可以执行上述步骤提供的一种电站SCR催化剂失活概率集构建方法。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
下面参考图18,其示出了适于用来实现本公开实施例的电子设备100的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图18示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图18所示,电子设备100可以包括处理装置(例如中央处理器、图形处理器等)101,其可以根据存储在只读存储器(ROM)102中的程序或者从存储装置108加载到随机访问存储器(RAM)103中的程序而执行各种适当的动作和处理。在RAM103中,还存储有电子设备100操作所需的各种程序和数据。处理装置101、ROM102以及RAM 103通过总线104彼此相连。输入/输出(I/O)接口105也连接至总线104。
通常,以下装置可以连接至I/O接口105:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置106;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置107;包括例如磁带、硬盘等的存储装置108;以及通信装置109。通信装置109可以允许电子设备100与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备100,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置109从网络上被下载和安装,或者从存储装置108被安装,或者从ROM 102被安装。在该计算机程序被处理装置101执行时,执行本公开实施例的方法中限定的上述功能。
下面参考图19,其示出了适于用来实现本公开实施例的计算机可读存储介质的结构示意图,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能够实现如上述中任一所述的多尺度构件模型有限元网格生成方法。
本申请提供的一种电站SCR催化剂失活概率集构建方法、装置及存储介质能根据电厂运行人员习惯的不同、使用煤种的不同、风险控制余量的不同提供催化剂失效概率随时间的变化信息,为电站SCR催化剂全生命周期的智能化、科学化的管理提供了有力支撑。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
总之,以上所述仅为本发明技术方案的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电站SCR催化剂失活概率集构建方法,其特征在于,所述方法包括步骤:
建立电站的原始样本集;
根据所述原始样本集得到清洁稳态样本集;
根据所述清洁稳态样本集得到样本空间子集;
根据所述清洁稳态样本集得到样本时间子集;
根据所述样本时间子集建立脱硝效率预测模型;
根据所述样本空间子集和所述脱硝效率预测模型建立催化剂失活曲线;
根据所述原始样本集和所述催化剂失活曲线建立工况失活模型;
根据所述工况失活模型建立催化剂未来寿命衰减曲线;
获取烟气工况极限换装寿命;
根据所述烟气工况极限换装寿命和烟气工况出现概率得到催化剂失效概率时间曲线。
2.根据权利要求1所述的电站SCR催化剂失活概率集构建方法,其特征在于,所述建立电站的原始样本集包括步骤:
查询电站SIS系统数据库和电站MIS系统数据库;
从所述电站SIS系统数据库中获取SCR脱硝系统历史运行数据;
从所述电站MIS系统数据库中获取煤质分析数据;
根据所述SCR脱硝系统历史运行数据和所述煤质分析数据建立原始样本集。
3.根据权利要求1所述的电站SCR催化剂失活概率集构建方法,其特征在于,所述根据所述原始样本集得到清洁稳态样本集包括步骤:
识别所述原始样本集中的故障数据和非稳态数据;
依次删除所述故障数据和所述非稳态数据;
得到清洁稳态样本集。
4.根据权利要求1所述的电站SCR催化剂失活概率集构建方法,其特征在于,所述根据所述清洁稳态样本集得到样本空间子集包括步骤:
获取烟气工况;
将所述清洁稳态样本集按照所述烟气工况分解为若干样本空间子集;
计算各所述样本空间子集中各烟气工况的特征值;
计算各所述样本空间子集中各烟气工况的出现概率。
5.根据权利要求1所述的电站SCR催化剂失活概率集构建方法,其特征在于,所述根据所述清洁稳态样本集得到样本时间子集包括步骤:
将所述清洁稳态样本集按时间顺序升序排列;
获取所述清洁稳态样本集中第一条数据对应的第一时间;
获取所述清洁稳态样本集中最后一条数据对应的第二时间;
设定所述清洁稳态样本集的时间步长;
将所述清洁稳态样本集划分为若干份;
将每份数据作为一个样本时间子集。
6.根据权利要求1所述的电站SCR催化剂失活概率集构建方法,其特征在于,所述根据所述样本时间子集建立脱硝效率预测模型包括步骤:
获取脱硝效率和烟气参数;
构建所述脱硝效率和所述烟气参数的第一预测模型;
获取所述样本时间子集中的样本时间数据;
将所述样本时间数据作为训练样本训练所述第一预测模型;
得到脱硝效率预测模型。
7.根据权利要求1所述的电站SCR催化剂失活概率集构建方法,其特征在于,所述根据所述样本空间子集和所述脱硝效率预测模型建立催化剂失活曲线包括步骤:
获取所述样本空间子集中各烟气工况的特征值;
将各所述特征值分别代入各所述脱硝效率预测模型中;
计算不同时间不同烟气工况下的脱硝效率;
绘制同一烟气工况下各所述脱硝效率随时间的变化曲线;
将所述变化曲线作为所述催化剂失活曲线。
8.一种电站SCR催化剂失活概率集构建装置,其特征在于,包括:
原始样本集建立模块,用于建立电站的原始样本集;
清洁稳态样本集获取模块,用于根据所述原始样本集得到清洁稳态样本集;
样本空间子集获取模块,用于根据所述清洁稳态样本集得到样本空间子集;
样本时间子集获取模块,用于根据所述清洁稳态样本集得到样本时间子集;
脱硝效率预测模型建立模块,用于根据所述样本时间子集建立脱硝效率预测模型;
催化剂失活曲线建立模块,用于根据所述样本空间子集和所述脱硝效率预测模型建立催化剂失活曲线;
工况失活模型建立模块,用于根据所述原始样本集和所述催化剂失活曲线建立工况失活模型;
催化剂未来寿命衰减曲线建立模块,用于根据所述工况失活模型建立催化剂未来寿命衰减曲线;
烟气工况极限换装寿命获取模块,用于获取烟气工况极限换装寿命;
催化剂失效概率时间曲线获取模块,用于根据所述烟气工况极限换装寿命和烟气工况出现概率得到催化剂失效概率时间曲线。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述任一权利要求1-7所述电站SCR催化剂失活概率集构建方法。
10.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述任一权利要求1-7所述电站SCR催化剂失活概率集构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210990768.2A CN115455809A (zh) | 2022-08-18 | 2022-08-18 | 一种电站scr催化剂失活概率集构建方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210990768.2A CN115455809A (zh) | 2022-08-18 | 2022-08-18 | 一种电站scr催化剂失活概率集构建方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115455809A true CN115455809A (zh) | 2022-12-09 |
Family
ID=84298551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210990768.2A Pending CN115455809A (zh) | 2022-08-18 | 2022-08-18 | 一种电站scr催化剂失活概率集构建方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115455809A (zh) |
-
2022
- 2022-08-18 CN CN202210990768.2A patent/CN115455809A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109116444B (zh) | 基于PCA-kNN的空气质量模式PM2.5预报方法 | |
CN111768038A (zh) | 污染物监控方法、装置、终端设备及存储介质 | |
CN114912079B (zh) | 污水厂碳排放量的计算方法、装置、设备及存储介质 | |
CN111860701B (zh) | 一种基于聚类方法的脱硝系统工况判别预处理方法 | |
CN113695366B (zh) | 一种基于环境监测的飞灰螯合剂智能筛选方法及系统 | |
CN113592156B (zh) | 电厂煤量调度方法、装置、终端设备及存储介质 | |
CN111489605B (zh) | 基于Simulink与WinCC的喷氨优化控制仿真系统 | |
CN116362522B (zh) | 基于多点分布模型的数字能源氮气站数据处理方法及系统 | |
EP3991001A2 (en) | Method and system for performance optimization of flue gas desulphurization (fgd) unit | |
CN111426804A (zh) | 基于观测数据判断臭氧生成敏感性的方法和装置 | |
CN115271258A (zh) | 臭氧主控污染物的预测方法、装置及电子设备 | |
CN117934247B (zh) | 基于时序分解的碳排放因子预测方法、装置、电子设备及存储介质 | |
CN112365065A (zh) | 一种wfgd自适应在线优化调度方法 | |
CN106647259B (zh) | 焦化烟气脱硫脱硝一体化设备集中管控系统 | |
CN116907764B (zh) | 脱硫设备气密性检测方法、装置、设备及存储介质 | |
CN115455809A (zh) | 一种电站scr催化剂失活概率集构建方法、装置及存储介质 | |
CN116776073A (zh) | 一种污染物浓度的评估方法和装置 | |
CN113449933B (zh) | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 | |
Arey et al. | Use of mixed probability distributions for the analysis of solid waste generation data | |
CN105809304B (zh) | 电厂和治污设施生产运行参数相关性分析的方法 | |
KR20220138250A (ko) | 고농도 미세먼지 상황의 발생을 추론하기 위한 방법 및 전자 장치 | |
Wang et al. | Air quality data analysis and forecasting platform based on big data | |
CN117667606B (zh) | 基于用户行为的高性能计算集群能耗预测方法及系统 | |
CN116976733B (zh) | 一种基于大数据的大气污染源在线监测数据评估系统 | |
CN114004492B (zh) | 基于人工智能的企业环境管理方法、装置、介质及设备 |
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 |