CN116959595A - 一种生物质热电联产系统燃烧效率的预测方法 - Google Patents
一种生物质热电联产系统燃烧效率的预测方法 Download PDFInfo
- Publication number
- CN116959595A CN116959595A CN202310689275.XA CN202310689275A CN116959595A CN 116959595 A CN116959595 A CN 116959595A CN 202310689275 A CN202310689275 A CN 202310689275A CN 116959595 A CN116959595 A CN 116959595A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- combustion
- cogeneration system
- variable
- biomass cogeneration
- 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
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 70
- 239000002028 Biomass Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000002245 particle Substances 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 abstract description 6
- 238000005192 partition Methods 0.000 description 15
- 238000005457 optimization Methods 0.000 description 10
- 239000000446 fuel Substances 0.000 description 9
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 239000003546 flue gas Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 5
- 229910052760 oxygen Inorganic materials 0.000 description 5
- 239000001301 oxygen Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000009835 boiling Methods 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 239000010419 fine particle Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000010902 straw Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000003009 desulfurizing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- -1 heat value Chemical compound 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明提出一种生物质热电联产系统燃烧效率的预测方法,所述方法获取生物质热电联产系统的历史数据,将历史数据聚类,提取不同工况下的燃烧规则;自适应调整预测模型的模糊区域,以粒子群算法对系统的燃烧规则进行优化;基于模糊系统及优化后的参数训练预测模型;获取生物质热电联产系统的待测参数数据,以训练后的预测模型预测燃烧效率。本发明定量定性分析了生物质热电联产系统多工况情况;在多工况下,能自适应调整模型静态参数;与传统算法相比,能在保证运行速度的前提下,提高预测精度,具有极强的解释性。
Description
技术领域
本发明属于一般的控制或调节系统;这种系统的功能单元;用于这种系统或单元的监视或测试装置的技术领域,特别涉及一种采用数据驱动的软计算方法实现的生物质热电联产系统燃烧效率的预测方法。
背景技术
近些年热电产业迅猛发展,使得生物质作为燃料也有了一席之地,各农业生产大国每年大量产生的秸秆类和林木类的生物质亟待进一步的开发和利用。
生物质热电联产系统就是一种依靠生物质作为燃料生产电能的系统,其不仅可以有效缓解对传统化石燃料资源的过度依赖问题,还能提高废弃资源利用率、降低环境污染,已经在能源领域广泛的得到应用。生物质循环流化床锅炉(circulation fluidized bedboiler,CFBB)是生物质热电联产系统的关键装备,其工作情况直接决定系统各工况的稳定性,因此,目前采用燃烧效率来衡量生物质循环流化床锅炉的工作情况,燃烧效率主要指工作流体在燃料总热量中吸收的有效热量,为了优化生物质热电联产系统的燃烧过程,需要对其进行实时评估。
目前,主要采用直接法、间接法和软计算法来预测生物质热电联产系统的燃烧效率。直接法需要专业的设备和技术支持,成本较高,而且对燃烧过程的干扰较大,容易受到燃烧过程的变化、传感器精度等因素的影响,影响测量结果的准确性。间接法是通过测量燃料和烟气中的一些参数,如热值、氧气含量、烟气温度、燃料含碳量等,再通过一些经验公式进行计算,最终得到锅炉的燃烧效率。间接法计算燃烧效率相对简单方便,成本较低,而且操作相对简单,可以用于现场的快速检测和计算,但不能考虑燃烧过程中的不确定性因素等。
考虑到软计算法能够处理非线性关系、适用于复杂系统的建模且其不依赖于理论模型,能够利用现有数据进行预测,不需要昂贵的实验设备,以其进行燃烧效率预测是具有较好前景的。
发明内容
针对现有技术中存在的问题,本发明提出一种生物质热电联产系统燃烧效率的预测方法,利用模糊关联规则建立锅炉燃烧系统性能变量与变量之间的密切关系,对锅炉效率进行预测。
本发明解决其技术问题所采用的技术方案是,一种生物质热电联产系统燃烧效率的预测方法,所述方法获取生物质热电联产系统的历史数据,将历史数据聚类,提取不同工况下的燃烧规则;自适应调整预测模型的模糊区域,以粒子群算法对系统的燃烧规则进行优化;
基于模糊系统生成预测模型;获取生物质热电联产系统的待测参数数据来训练预测模型;以训练后的预测模型预测燃烧效率。
优选地,提取不同工况下的燃烧规则包括以下步骤:
步骤1.1:给定历史数据D={X,y},其中X为输入变量,y为目标变量,X∈RM*n,y∈RM *1,M为历史数据总数,n为输入变量属性总数;
步骤1.2:以模糊均值算法将系统燃烧状态根据性能变量划分为不同的工况;
步骤1.3:对每个工况k,采用软计算方法,通过数据集dk用模糊关联规则建立系统性能变量与变量之间的关系,确定映射关系fk:(X)→y,生成预测模型及对应的燃烧规则,D=∑dk。
优选地,步骤1.3中,对不同工况的数据集dk,均匀地将工况内每个变量的域区间划分为ci个模糊区域/>将每个变量的模糊区域标记为i为任一工况变量的序号;将目标变量yk划分为c0个模糊区域,标记为/>
以高斯隶属度函数对每个输入输出变量模糊区域进行隶属函数分配,实现数据的模糊化处理,据此确认输入的真实数据所在的区域,基于训练集生成模糊规则库,每条数据对应生成一条模糊规则。
优选地,输入变量模糊区域的高斯隶属度函数分配满足
输出变量模糊区域的隶属度分配满足
在li时隶属度取得最大值,则此处是对数据的模糊化处理,将记录中变量的具体数值转化为预测模型中变量对应的模糊区域,隶属度函数即为该条模糊记录的属性,模糊规则是不同变量模糊分区(工况)的组合。
优选地,以和/>分别表示k工况第p条规则对应的输入和输出变量隶属度函数,工况模糊系统(预测模型)为,
其中,为模糊系统预测值;对k工况第p条规则隶属度/>取得最大值时,输出值取/>N为规则总数,i为任一工况变量的序号。
优选地,基于最大允许误差与均方根误差的值自适应调整模糊系统的燃烧规则。
优选地,令k工况的训练集的数量为Nk,目标误差函数其中y为真实值,以α为最大可允许误差,当E>α时,增加ci的值,直到满足E≤α。
优选地,以粒子群算法初始化一群随机粒子,通过迭代找到最优解;将系统输出的预测值改写为其中,/>
每次迭代粒子通过以下公式来更新参数θ,
w(t)=(wini-wend)(t-tmax)/tmax+wend
其中,θ是粒子的位置,V是粒子的速度,tmax为最大迭代次数,w(t)为惯性因子,d1为个体学习因子,d2为全局学习因子,r1,r2为零到一之间的随机数,为第t次迭代时粒子个体历史最优值,/>为第t次迭代时为粒子群全局历史最优值;
粒子群算法调整了模糊规则即的取值,使得预测输出变得精确。
本发明提出一种生物质热电联产系统燃烧效率的预测方法,所述方法获取生物质热电联产系统的历史数据,将历史数据聚类,提取不同工况下的燃烧规则;自适应调整预测模型的模糊区域,以粒子群算法对系统的燃烧规则进行优化;基于模糊系统及优化后的参数训练预测模型;获取生物质热电联产系统的待测参数数据,以训练后的预测模型预测燃烧效率。
本发明的有益效果主要表现在:
(1)定量定性分析了生物质热电联产系统多工况情况;
(2)在多工况下,能自适应调整模型静态参数;
(3)与传统算法相比,能在保证运行速度的前提下,提高预测精度,具有极强的解释性。
附图说明
图1为本发明的流程图;
图2为本发明的模型优化流程图;
图3为本发明的算法仿真结果图。
具体实施方式
下面结合实施例对本发明做进一步的详细描述,但本发明的保护范围并不限于此。
本发明涉及一种生物质热电联产系统燃烧效率的预测方法,建立生物质热电联产系统燃烧效率的预测模型;对预测模型及参数优化算法的参数进行初始化,离线训练预测模型,获取生物质热电联产系统的参数数据,训练后的预测模型获得生物质热电联产系统燃烧效率的预测值;方法应用于生物质热电联产系统,通过输入变量数据,由预测模型输出预测的系统燃烧效率值。
具体来说,针对生物质热电联产系统的时变性,将历史数据聚类分为不同工况,在不同工况下提取燃烧规则;根据最大允许误差与均方根误差的值,自适应调整模糊系统静态参数;最后以粒子群算法对模糊系统的模糊规则进行深度优化,提高模糊模型的逼近精度,从而完成对于燃烧效率的预测;对预测模型及参数优化算法的参数进行初始化后,离线训练预测模型,获取生物质热电联产系统的参数数据,训练后的预测模型获得生物质热电联产系统燃烧效率的预测值。
本发明的主要执行部分在预测生物质热电联产系统污染物浓度的过程控制计算机上运行实施。
本发明的应用过程分为三个阶段:
(1)参数初始化:针对所提方法中的模糊系统划分的模糊区域数设定合适的初始值,将有关生物质热电联产系统的变量数据,以及相对应的锅炉效率导入到模型中;
(2)离线训练:如图1所示。
首先,给定历史数据D={X,y},X∈RM*n,y∈RM*1,其中X为输入变量,y为目标变量,M为历史数据总数,n为输入变量属性总数。
采用的生物质循环流化床锅炉装置主要组成包括:炉膛、分离器、过热器、省料器、返料器和除尘器等,其燃烧过程可简述为:生物质燃料如秸秆等经过粉碎后和脱硫剂进行混合后被送入炉膛,在流化状加热物料的加热作用下燃烧,同时一、二次风机分别向炉膛鼓入一次风和二次风供给燃料燃烧;在高速上升气流的作用,燃料向炉膛上部运动,粗燃料颗粒被带入炉膛密相区燃烧,细颗粒随烟气在稀相区悬浮燃烧;部分被夹带出的细颗粒在分离器作用下进入返料器,然后被送回炉膛循环进行二次燃烧利用;烟气通过过热器与尾部的受热面完成热交换后经除尘器净化处理排出;整个燃烧过程产生的热量被热交换器捕获用于发电和供热等。采集到的数据共23个输入变量属性,发电机有功功率、主蒸汽流量瞬时值、锅炉主蒸汽母管出口温度、一次风总管流量、一次热风出口温度、二次风总管流量、二次热风出口温度、排烟温度(左)、排烟温度(右)、燃烧室沸下温度(前)、燃烧室沸下温度(后)、燃烧室沸中温度(左)、燃烧室中部温度(右)、燃烧室中部温度(左)、燃烧室中部温度(右)、炉膛出口温度(左)、炉膛出口温度(右)、低温过热器出口氧量(左)、低温过热器出口氧量(右)、旋风筒出口温度(左)、旋风筒出口温度(右)、空预器出口烟气氧含量(左)、空预器出口烟气氧含量(右)。
锅炉的不同工况直接导致锅炉燃烧过程的不同运行特性,在相同的建模和优化方法下直接产生不同的优化策略。由此,有必要对整体进行划分。采用模糊均值(FCM)算法对锅炉工况划分为不同的分区。该方案直接减小了建模数据集的规模,对减少建模过程中的计算时间具有有益的影响。
举例来说,将单位负荷作为约束变量,将数据集分成分别由 的三个分区,/>表示约束变量,单位负荷uc的第k个模糊分区;将不同性能变量分区后的数据集dk={X,y},X∈RN*n,y∈RN*1,D=∑dk,N为分区内数据总数。对每个分区采用数据驱动方法,通过数据集dk确定映射关系fk:(X)→y,从而建模生成模糊逻辑系统及对应的燃烧规则。
把其中的发电机有功功率性能变量作为外部约束变量,此处性能变量是由专家先验知识确定,一般由燃烧物性质、锅炉性能这些外部变量组成,性能变量不同取值代表锅炉的不同工况。用模糊均值(FCM)算法对原始数据集D进行聚类,本实施例将原始数据划分为3个模糊分区,包括低、中、高三个部分,其中1≤k≤3。分区后的数据集dk={X,y},X∈RN*n,y∈RN*1,其中D=∑dk。对每个分区我们可以通过数据集dk确定映射关系fk:(X)→y,从而为模糊系统生成燃烧规则。
将历史数据划分为不同分区后,对不同分区的数据集dk,均匀地将分区内每个变量的域区间划分为ci个模糊区域/>不同的变量/>可以具有不同的模糊区域数ci,将每个变量的模糊区域标记为/>将目标变量yk划分为c0个模糊区域,标记为/>
用高斯隶属度函数对每个输入输出变量模糊区域进行隶属函数分配,式(1)为输入变量模糊区域的高斯隶属度函数分配,式(2)为输出变量模糊区域的隶属度分配,若在li时隶属度取得最大值,则
根据训练集生成模糊规则库,每条数据对应生成一条模糊规则,第k个分区的规则第p条模糊规则定义为:若/>为/>且/>为/>…,且/>为/>则yk为/>p=1,2,...,N。
从数据挖掘技术的角度,支持度反映了模糊规则对现实数据的支持程度,只有模糊规则具有较高的支持度时,才具有实际意义;此处支持度的值可用来作为删除冗余规则的依据,且支持度在编程过程中可作为该条模糊规则的权重,影响预测模型精度,可通过粒子群等算法进行优化。因此,从数值数据中提取模糊规则的过程中,通过将支持度作为特定模糊采样空间的标准来改进,支持度可定义为式(3),其中,和/>分别表示k分区第p条规则对应的输入输出变量隶属度函数。
上式可简写为:
分区模糊系统形式如式(5),其中,为模糊系统预测值;对于k分区第p条规则隶属度/>取得最大值时,输出值取/>
式(5)可改写为:
如图2所示,将提取的燃烧规则先进行初步优化:判断误差损失函数E是否小于最大可允许误差α,如果没有通过,则增加模糊分区数ci,重新提取模糊规则;如果通过,用粒子群算法对静态参数进行深度优化,初始化最大迭代次数tmax,更新粒子群每个粒子的函数适应值、历史最优位置和群体的全局最优位置。
假设k分区的训练集的数量为R,目标误差函数E定义为公式(10),其中y为真实值:
模型的参数优化流程如图2所示,由于模糊系统是泛逼进器,通过增加新的输入输出空间的模糊区域Ci来提高性能总是可能的。因此,引入最大可允许误差α,当E>α时,增加Ci的值,直到满足条件。在本实施例中最终得ci值为8,c0值为50。
用粒子群优化算法进一步深度优化模糊系统的静态参数。设定初始粒子数为100,最大迭代次数为100。粒子群算法初始化一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次的迭代中,粒子通过以下公式来更新参数θ。
w(t)=(wini-wend)(t-tmax)/tmax+wend (12)
θ是粒子的位置,V是粒子的速度,tmax为最大迭代次数;w(t)为惯性因子,动态数值往往能比固定值更好的寻优结果,其值越大,全局寻优能力越强,局部寻优能力越弱,常用线性递减权值策略,如公式(13);c1为个体学习因子,c2为全局学习因子,d1,d2为零到一之间的随机数;为第t次迭代时粒子个体历史最优值,/>为第t次迭代时为粒子群全局历史最优值。
(3)在线预测:通过在线预测生物质热电联产系统的变量数据,即可实时预测出相应的锅炉效率值。仿真预测图如图3所示。
由于不同的工况直接导致生物质热电联产系统的不同特性。因此,有必要对整体进行划分。
本发明涉及的计算机可读存储介质,其上存储有生物质热电联产系统燃烧效率的预测程序,该程序被处理器执行时实现上述生物质热电联产系统燃烧效率的预测方法;还涉及计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现上述生物质热电联产系统燃烧效率的预测方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种生物质热电联产系统燃烧效率的预测方法,其特征在于:所述方法获取生物质热电联产系统的历史数据,将历史数据聚类,提取不同工况下的燃烧规则;自适应调整预测模型的模糊区域,以粒子群算法对系统的燃烧规则进行优化;
基于模糊系统生成预测模型;获取生物质热电联产系统的待测参数数据来训练预测模型;以训练后的预测模型预测燃烧效率。
2.根据权利要求1所述的一种生物质热电联产系统燃烧效率的预测方法,其特征在于:提取不同工况下的燃烧规则包括以下步骤:
步骤1.1:给定历史数据D={X,y},其中X为输入变量,y为目标变量,X∈RM*n,y∈RM*1,M为历史数据总数,n为输入变量属性总数;
步骤1.2:以模糊均值算法将系统燃烧状态根据性能变量划分为不同的工况;
步骤1.3:对每个工况k,采用软计算方法,通过数据集dk用模糊关联规则建立系统性能变量与变量之间的关系,确定映射关系fk:(X)→y,生成预测模型及对应的燃烧规则,D=∑dk。
3.根据权利要求2所述的一种生物质热电联产系统燃烧效率的预测方法,其特征在于:步骤1.3中,对不同工况的数据集dk,均匀地将工况内每个变量的域区间划分为ci个模糊区域/>将每个变量的模糊区域标记为/>i为任一工况变量的序号;将目标变量yk划分为c0个模糊区域,标记为
以高斯隶属度函数对每个输入输出变量模糊区域进行隶属函数分配,基于训练集生成模糊规则库,每条数据对应生成一条模糊规则。
4.根据权利要求3所述的一种生物质热电联产系统燃烧效率的预测方法,其特征在于:输入变量模糊区域的高斯隶属度函数分配满足
输出变量模糊区域的隶属度分配满足
在li时隶属度取得最大值,则
5.根据权利要求4所述的一种生物质热电联产系统燃烧效率的预测方法,其特征在于:以和/>分别表示k工况第p条规则对应的输入和输出变量隶属度函数,工况模糊系统为,
其中,为模糊系统预测值;对k工况第p条规则隶属度/>取得最大值时,输出值取N为规则总数,i为任一工况变量的序号。
6.根据权利要求1所述的一种生物质热电联产系统燃烧效率的预测方法,其特征在于:基于最大允许误差与均方根误差的值自适应调整模糊系统的燃烧规则。
7.根据权利要求6所述的一种生物质热电联产系统燃烧效率的预测方法,其特征在于:令k工况的训练集的数量为Nk目标误差函数其中y为真实值,以α为最大可允许误差,当E>α时,增加ci的值,直到满足E≤α。
8.根据权利要求1所述的一种生物质热电联产系统燃烧效率的预测方法,其特征在于:以粒子群算法初始化一群随机粒子,通过迭代找到最优解;
每次迭代粒子通过以下公式来更新参数θ,
w(t)=(wini-wend)(t-tmax)/tmax+wend
其中,θ是粒子的位置,V是粒子的速度,tmax为最大迭代次数,w(t)为惯性因子,d1为个体学习因子,d2为全局学习因子,r1,r2为零到一之间的随机数,为第t次迭代时粒子个体历史最优值,/>为第t次迭代时为粒子群全局历史最优值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310689275.XA CN116959595A (zh) | 2023-06-11 | 2023-06-11 | 一种生物质热电联产系统燃烧效率的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310689275.XA CN116959595A (zh) | 2023-06-11 | 2023-06-11 | 一种生物质热电联产系统燃烧效率的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116959595A true CN116959595A (zh) | 2023-10-27 |
Family
ID=88459318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310689275.XA Pending CN116959595A (zh) | 2023-06-11 | 2023-06-11 | 一种生物质热电联产系统燃烧效率的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116959595A (zh) |
-
2023
- 2023-06-11 CN CN202310689275.XA patent/CN116959595A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kusiak et al. | Combustion efficiency optimization and virtual testing: A data-mining approach | |
CN105864797B (zh) | 循环流化床生活垃圾焚烧锅炉入炉热值实时预测系统及方法 | |
CN106224939B (zh) | 循环流化床生活垃圾焚烧锅炉床温预测方法及系统 | |
CN112085277B (zh) | 一种基于机器学习的scr脱硝系统预测模型优化方法 | |
CN107038334B (zh) | 循环流化床生活垃圾焚烧锅炉co排放预测系统及方法 | |
CN107016455B (zh) | 循环流化床生活垃圾焚烧锅炉炉膛出口烟气含氧量的预测系统及方法 | |
CN107203687B (zh) | 吸收塔脱硫过程多目标协同智能优化控制方法 | |
CN111144609A (zh) | 一种锅炉废气排放预测模型建立方法、预测方法及装置 | |
CN111260107A (zh) | 锅炉燃烧优化系统及方法 | |
CN111222685B (zh) | 基于模型迁移的锅炉宽负荷NOx排放浓度预测方法 | |
CN103676822A (zh) | 火力发电厂的控制装置以及控制方法 | |
CN112528569A (zh) | 基于数字孪生的工业加热炉温度场预测方法 | |
CN115983438A (zh) | 数据中心末端空调系统运行策略确定方法及装置 | |
Xu et al. | A new online optimization method for boiler combustion system based on the data-driven technique and the case-based reasoning principle | |
Thota et al. | Analysis of feature selection techniques for prediction of boiler efficiency in case of coal based power plant using real time data | |
Wang et al. | Investigation of RBFNN Based on Improved PSO Optimization Algorithm for Performance and Emissions Prediction of a High‐Pressure Common‐Rail Diesel Engine | |
CN110888401B (zh) | 火力发电机组燃烧控制优化方法、装置及可读存储介质 | |
CN116959595A (zh) | 一种生物质热电联产系统燃烧效率的预测方法 | |
CN115758824A (zh) | 基于数据驱动的锅炉炉膛NOx浓度三维分布软测量方法 | |
CN116085823A (zh) | 锅炉燃烧控制方法及系统 | |
Rudnik et al. | Probabilistic-fuzzy knowledge-based system for managerial applications | |
CN115290218A (zh) | 一种火力发电机组锅炉水冷壁壁温的软测量方法与系统 | |
CN112884214A (zh) | 基于神经网络的飞灰含碳量预测方法、系统和可读介质 | |
Kusiak et al. | Optimizing combustion efficiency of a circulating fluidized boiler: A data mining approach | |
CN109506248B (zh) | 一种基于可在线寻优的案例推理锅炉燃烧优化方法 |
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 |