WO2020078008A1 - 一种智慧化电除尘节能方法 - Google Patents

一种智慧化电除尘节能方法 Download PDF

Info

Publication number
WO2020078008A1
WO2020078008A1 PCT/CN2019/089475 CN2019089475W WO2020078008A1 WO 2020078008 A1 WO2020078008 A1 WO 2020078008A1 CN 2019089475 W CN2019089475 W CN 2019089475W WO 2020078008 A1 WO2020078008 A1 WO 2020078008A1
Authority
WO
WIPO (PCT)
Prior art keywords
machine learning
current
saving method
electric dust
dust removal
Prior art date
Application number
PCT/CN2019/089475
Other languages
English (en)
French (fr)
Inventor
刘煜
孙再连
梅瑜
Original Assignee
厦门邑通软件科技有限公司
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 厦门邑通软件科技有限公司 filed Critical 厦门邑通软件科技有限公司
Publication of WO2020078008A1 publication Critical patent/WO2020078008A1/zh

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B03—SEPARATION OF SOLID MATERIALS USING LIQUIDS OR USING PNEUMATIC TABLES OR JIGS; MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
    • B03C—MAGNETIC OR ELECTROSTATIC SEPARATION OF SOLID MATERIALS FROM SOLID MATERIALS OR FLUIDS; SEPARATION BY HIGH-VOLTAGE ELECTRIC FIELDS
    • B03C3/00—Separating dispersed particles from gases or vapour, e.g. air, by electrostatic effect
    • B03C3/34—Constructional details or accessories or operation thereof
    • B03C3/66—Applications of electricity supply techniques
    • B03C3/68—Control systems therefor

Definitions

  • the invention relates to the field of energy saving and consumption reduction, in particular to a smart energy-saving method of electric dust removal.
  • Electric dust collector is a necessary supporting equipment for thermal power plants. Its function is to remove the particulate smoke in the flue gas discharged from coal or oil-fired boilers, thereby greatly reducing the amount of smoke discharged into the atmosphere, which is to improve environmental pollution. , Important environmental protection equipment to improve air quality.
  • Thermal power plants are usually installed with dry electric dust collectors and wet electric dust collectors at the same time. Due to the forward-looking performance of environmental protection equipment and the improvement of national requirements for coal quality, the current total power of dust collectors far exceeds the practical needs, but the on-site workers lack effective guidance. It is easy to cause waste of electrical energy and increase operating costs.
  • the invention provides a smart energy-saving method for electric dust removal.
  • the steps of the method include:
  • S10 Collect basic working condition information through the data flow trajectory tracking module in the system
  • S40 Collect the changes of the influencing factors of the real-time dust emission through the data flow tracing module in the system, and the influencing factors include the power supply mode, current limit and voltage limit of each electric field of the dust collector;
  • the machine learning module in the system is triggered to perform machine learning to obtain a target result, which includes the current dust collector operation scheme and the corresponding current total energy consumption And the corresponding current dust emission concentration; and transmit the target results to the online knowledge network.
  • a target result which includes the current dust collector operation scheme and the corresponding current total energy consumption And the corresponding current dust emission concentration; and transmit the target results to the online knowledge network.
  • different target results are sorted according to the current total energy consumption level, which can be set by the system. The name is reserved and the best operation plan is obtained, otherwise skip.
  • existing algorithms such as quick sorting algorithm and random deep forest algorithm can be used.
  • S60 Query the online knowledge network to obtain the historical operation plan with the same model instance and the lowest total energy consumption under the emission standard, recommend the optimization plan to the site staff, and guide the site workers to operate the dust collector reasonably.
  • algorithms such as the random deep forest algorithm can be used. .
  • step S30 the monitoring of the real-time emission of dust can be carried out at full time or at intervals, and the sequence of steps in S30 can be adjusted arbitrarily.
  • the basic working condition information includes boiler load information and chemical sub-information, and the boiler load information and chemical sub-information are divided into several levels, for example, the boiler load is divided into below 40%, 40% -60%, 60 % -80%, 80% and above.
  • the chemical information includes received base ash, received base carbon, received base hydrogen, received base moisture, received base nitrogen, received base oxygen, received base low calorific value, received One or more combinations of base sulfur divide the received bases into 16 equal parts, and each equal part corresponds to a model instance.
  • the dust collector includes a dry electric dust collector and a wet electric dust collector.
  • the learning time is equal to the sum of the current learning time and the delayed learning time, that is, during the learning process, the system learns the current operation and also learns to further adjust the current operation on site.
  • the machine learning module when the machine learning module performs machine learning, it detects that an electric spark occurs in the electric field, the voltage is zero, and the dust removal capacity is zero. The voltage needs to be reduced to prevent the generation of electric sparks, and the learning is terminated at this time.
  • the target result is processed using a weighted average method, and historical knowledge points of the same working condition are merged. The closer the time is to the current time, the higher the experience weight.
  • the S50 includes S51: the dust collector is operated by an experienced technician for a period of time, and the system can only guide the on-site workers to operate after the system performs machine learning.
  • the S60 includes S61: a small-step iterative test, that is, the on-site worker operates with a small amplitude, and the system judges whether the operation direction is reasonable.
  • the intelligent electric dust removal energy-saving method proposed by the present invention has the following advantages:
  • on-site workers can iterate in small steps to fine-tune the best plan to further optimize the operation plan.
  • FIG. 1 is a flow chart of a method for intelligent energy saving of electric dust removal according to the present invention.
  • Embodiment 1 A smart energy-saving method for electric dust removal, the steps of the method include:
  • S10 Collect basic working condition information through the data flow trajectory tracking module in the system
  • the basic working condition information is graded, and each basic working condition corresponds to a model instance.
  • the basic working condition information includes boiler load information and chemical sub-information, and the boiler load information and The chemical information is divided into several levels. If the boiler load is divided into four grades below 40%, 40% -60%, 60% -80%, and above 80%, each grade corresponds to a model instance.
  • the chemical information includes received base ash, received base carbon, received base hydrogen, received base moisture, received base nitrogen, received base oxygen, received base low calorific value, received base sulfur A combination of one or more types divides each received base into 16 equal parts, and each equal part corresponds to a model instance.
  • the influencing factors of the real-time dust emission change include the power supply mode, current limit and voltage limit of each electric field of the dry electric dust collector and wet electric dust collector;
  • the machine learning module in the system is triggered to perform machine learning, generate a learning plan, execute the learning plan and obtain a target result, the target result includes the current dust collector operation plan, Corresponding current total energy consumption and corresponding current dust emission concentration; upload the target results to the online knowledge network.
  • different target results are sorted according to the current total energy consumption, which can be set by the system , If the top n are reserved, and get the best operation plan, otherwise skip.
  • experienced technicians operate the dust collector for a period of time. After the system performs machine learning, the system can guide the on-site workers to operate.
  • the learning time is equal to the sum of the current learning time and the delayed learning time, that is, during the learning process, the system learns the current operation, and also learns to further adjust the current operation on the spot.
  • the system conducts regular inspections such as zero spark, and detects electric sparks in the electric field. At this time, the voltage is zero and the dust removal capacity is zero. The voltage needs to be reduced to prevent the generation of electric sparks. At this time, the learning is terminated.
  • S60 Query the online knowledge network to obtain the historical operation plan with the same model instance and the lowest total energy consumption under the emission standard, recommend the optimization plan to the field staff, and guide the field workers to operate the dust collector reasonably.
  • On-site workers can perform small-step iterative testing on the basis of the best operation plan when they are operating, that is, on-site workers pass a small-scale operation, and the system determines whether the operation direction is reasonable.
  • Embodiment 2 Considering that the aging of the electric field device and the device update will cause different power consumption and dust emission results under the same working conditions and influencing factors, the machine learning module uses the weighted average method for the target result when performing machine learning Processing, merging historical knowledge points of the same working condition, the closer the time is to the current time, the higher the experience weight. This method makes the knowledge obtained by the online knowledge network have a time series nature.
  • the present invention has the following advantages:
  • on-site workers can iterate in small steps to fine-tune the best plan to further optimize the operation plan

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Electrostatic Separation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种智慧化电除尘节能方法，其步骤包括：采集基础工况信息；划分等级，创建模型实例；采集粉尘实时排放量，并对比排放标准；采集粉尘实时排放量的影响因素变化，影响因素包括除尘器的各电场的供电方式、电流极限和电压极限；在同一种模型实例中，当影响因素发生变化时，触发系统中的机器学习模块进行机器学习，获取目标结果，目标结果包括当前除尘器操作方案、对应的当前总能耗和对应的当前粉尘排放浓度；并将目标结果传送到在线知识网中，同种模型实例中，不同的目标结果根据当前总能耗的高低进行排序，并得到最佳操作方案；查询在线知识网，获取同种模型实例且达到排放标准条件下的当前总能耗最低的历史操作方案，指导现场工人合理操作除尘器。

Description

一种智慧化电除尘节能方法 技术领域
本发明涉及节能降耗领域，尤其涉及一种智慧化电除尘节能方法。
背景技术
近些年来，随着电力事业的飞速发展，严格控制燃煤产生的污染物的排放成为电力事业发展的重要组成部分。火力发电厂锅炉尾部烟气中的二氧化硫排放量和粉尘排放量控制是治理大气污染物的重要一环。
电除尘器是火力发电厂必备的配套设备，它的功能是将燃煤或燃油锅炉排放烟气中的颗粒烟尘加以清除，从而大幅度降低排入大气层中的烟尘量，这是改善环境污染，提高空气质量的重要环保设备。
火电厂通常同时安装了干电除尘器和湿电除尘器，由于环保设备性能的前瞻性和国家对煤质的要求提升，目前除尘器的总功率远超现实需要，但现场工人缺乏有效指导，易造成电能浪费，提高运营成本。
因此，需要智能指导现场工人，合理配置电除尘各电场的电流、电压，以达到保证粉尘排放达标条件下的降低能耗目标。
发明内容
本发明提供了一种智慧化电除尘节能方法，所述方法的步骤包括：
S10：通过系统中的数据流轨迹跟踪模块采集基础工况信息；
S20：将所述基础工况信息划分等级，每一种基础工况对应一种模型实例；
S30：采集粉尘实时排放量，并对比排放标准；
S40：通过系统中的数据流轨迹跟踪模块采集粉尘实时排放量的影响因素变化，所述影响因素包括除尘器的各电场的供电方式、电流极限和电压极限；
S50：在同一种模型实例中，当所述影响因素发生变化时，触发系统中的机器学习模块进行机器学习，获取目标结果，所述目标结果包括当前除尘器操作方案、对应的当前总能耗和对应的当前粉尘排放浓度；并将目标结果传送到在线知识网中，同种模型实例中，不同的目标结果根据当前总能耗的高低进行排序，可以通过系统设定，如果排入前n名保留，并得到最佳操作方案，否则略过。排序过程中，可以采用现有的算法如快速排序算法和随机深林算法。
S60：查询在线知识网，将获取同种模型实例且达到排放标准条件下的当前总能耗最低的历史操作方案，给现场工作人员推荐优化方案，指导现场工人合理操作除尘器。在进行优化方案 的推荐时，可以采用的算法如随机深林算法。。
所述方法的步骤顺序不是完全固定的，如S30步骤，对粉尘实时排放量的监控，可以采用全时监控，也可以采用间隔时间段监控，S30步骤的顺序可以任意调节。
可选的，所述基础工况信息包括锅炉负荷信息和化学分信息，并将锅炉负荷信息和化学分信息划分为若干个等级，比如将锅炉负荷分成40％以下、40％-60％、60％-80％、80％以上四个等级。
可选的，所述化学分信息包括收到基灰份、收到基碳、收到基氢、收到基水分、收到基氮、收到基氧、收到基低位发热量、收到基硫中的一种或多种的组合，将各种收到基做16等分，每一个等分对应一种模型实例。
可选的，所述除尘器包括干电除尘器和湿电除尘器。
可选的，所述机器学习模块进行机器学习时，学习时间等于当前学习时间和延迟学习时间之和，即学习过程中，系统学习当前操作，也会学习现场对当前操作的进一步调整。
可选的，所述机器学习模块进行机器学习时，检测到电场出现电火花，此时电压为零，除尘能力为零，需要降低电压，阻止电火花产生，此时终止学习。
可选的，所述机器学习模块进行机器学习时，对目标结果使用加权求平均法处理，合并相同工况的历史知识点，时间距离当前时间越近的，经验权重越高。
可选的，所述S50包括S51：由有经验的技术人员操作除尘器一段时间，系统进行机器学习后，系统才能够指导现场工人操作。
可选的，所述S60包括S61：小步迭代测试，即现场工人通过小幅度操作，由系统判操作方向是否合理。
由上述对本发明的描述可知，和现有技术相比，本发明提出的一种智慧化电除尘节能方法具有如下优点：
1、推荐最佳操作方案，对除尘器的操作具有指导作用；
2、通过指导操作，克服除尘过程中，除尘器的操作单一，电场、电流和电压配置不合理的情况，具有节能减排的优点；
3、记录历史操作方案，便于查看和对比操作方案。
4、在系统指导下，现场工人能够小步迭代，对最佳方案进行微调整，进一步优化操作方案。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
其中：
图1是本发明一种智慧化电除尘节能方法的流程图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例一：一种智慧化电除尘节能方法，所述方法的步骤包括：
S10：通过系统中的数据流轨迹跟踪模块采集基础工况信息；
S20：将所述基础工况信息划分等级，每一种基础工况对应一种模型实例，本实施例中，所述基础工况信息包括锅炉负荷信息和化学分信息，并将锅炉负荷信息和化学分信息划分为若干个等级。如将锅炉负荷分成40％以下、40％-60％、60％-80％、80％以上四个等级，每一个等级对应一种模型实例。所述化学分信息包括收到基灰份、收到基碳、收到基氢、收到基水分、收到基氮、收到基氧、收到基低位发热量、收到基硫中的一种或多种的组合，将各种收到基做16等分，每一个等分对应一种模型实例。
S30：采集粉尘实时排放量，并对比排放标准；
S40：通过系统中的数据流轨迹跟踪模块发现粉尘实时排放量的影响因素变化，所述影响因素包括干电除尘器和湿电除尘器的各电场的供电方式、电流极限和电压极限；
S50：在同一种模型实例中，当发现影响因素变化时，触发系统中的机器学习模块进行机器学习，生成学习计划，执行学习计划并获取目标结果，所述目标结果包括当前除尘器操作方案、对应的当前总能耗和对应的当前粉尘排放浓度；并将目标结果上传到在线知识网中，同种模型实例中，不同的目标结果根据当前总能耗的高低进行排序，可以通过系统设定，如果排入前n名保留，并得到最佳操作方案，否则略过。为了保证系统能够对现场操作进行有效的工作指导，在系统使用初期，由有经验的技术人员操作除尘器一段时间，系统进行机器学习后，系统才能够指导现场工人操作。
所述机器学习模块进行机器学习时，学习时间等于当前学习时间和延迟学习时间之和，即学习过程中，系统学习当前操作，也会学习现场对当前操作的进一步调整，同时，在学习过程中，系统进行零火花等规则检查，检测到电场出现电火花，此时电压为零，除尘能力为零，需要降低电压，阻止电火花产生，此时终止学习。
S60：查询在线知识网，将获取同种模型实例且达到排放标准条件下的当前总能耗最低的历史操作方案，，给现场工作人员推荐优化方案，指导现场工人合理操作除尘器。现场工人在操作时，可以在最佳操作方案的基础上，进行小步迭代测试，即现场工人通过小幅度操作，由系统判断操作方向是否合理。
实施例二：考虑到电场器件老化、器件更新都会引起在相同工况和影响因素下产生不同 的电耗和粉尘排放结果，所述机器学习模块进行机器学习时，对目标结果使用加权求平均法处理，合并相同工况的历史知识点，时间距离当前时间越近的，经验权重越高，这种方法使得在线知识网获得的知识具备时序性质。
综上所述，本发明和现有技术相比，具有如下优点：
1、推荐最佳操作方案，对除尘器的操作具有指导作用；
2、通过指导操作，克服除尘过程中，除尘器的操作单一，电场、电流和电压配置不合理的情况，具有节能减排的优点；
3、记录历史操作方案，便于查看和对比操作方案。
4、在系统指导下，现场工人能够小步迭代，对最佳方案进行微调整，进一步优化操作方案
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (9)

  1. 一种智慧化电除尘节能方法，其特征在于，所述方法的步骤包括：
    S10：通过系统中的数据流轨迹跟踪模块采集基础工况信息；
    S20：将所述基础工况信息划分等级，每一种基础工况对应一种模型实例；
    S30：采集粉尘实时排放量，并对比排放标准；
    S40：通过系统中的数据流轨迹跟踪模块采集粉尘实时排放量的影响因素变化，所述影响因素包括除尘器的各电场的供电方式、电流极限和电压极限；
    S50：在同一种模型实例中，当所述影响因素发生变化时，触发系统中的机器学习模块进行机器学习，获取目标结果，所述目标结果包括当前除尘器操作方案、对应的当前总能耗和对应的当前粉尘排放浓度；并将目标结果传送到在线知识网中，同种模型实例中，不同的目标结果根据当前总能耗的高低进行排序，并得到最佳操作方案；
    S60：查询在线知识网，将获取同种模型实例且达到排放标准条件下的当前总能耗最低的历史操作方案，，指导现场工人合理操作除尘器。
  2. 根据权利要求1所述的一种智慧化电除尘节能方法，其特征在于，所述基础工况信息包括锅炉负荷信息和化学分信息，并将锅炉负荷信息和化学分信息划分为若干个等级。
  3. 根据权利要求2所述的一种智慧化电除尘节能方法，其特征在于，所述化学分信息包括收到基灰份、收到基碳、收到基氢、收到基水分、收到基氮、收到基氧、收到基低位发热量、收到基硫中的一种或多种的组合，将各种收到基做16等分，每一个等分对应一种模型实例。
  4. 根据权利要求1所述的一种智慧化电除尘节能方法，其特征在于，所述除尘器包括干电除尘器和湿电除尘器。
  5. 根据权利要求1所述的一种智慧化电除尘节能方法，其特征在于，所述机器学习模块进行机器学习时，学习时间等于当前学习时间和延迟学习时间之和。
  6. 根据权利要求1所述的一种智慧化电除尘节能方法，其特征在于，所述机器学习模块进行机器学习时，检测到电场出现电火花，则终止学习。
  7. 根据权利要求1所述的一种智慧化电除尘节能方法，其特征在于，所述机器学习模块进行机器学习时，对目标结果使用加权求平均法处理，合并相同工况的历史知识点，时间距离当前时间越近的，经验权重越高。
  8. 根据权利要求1所述的一种智慧化电除尘节能方法，其特征在于，所述S50包括S51：
    由有经验的技术人员操作除尘器，系统进行机器学习。
  9. 根据权利要求1所述的一种智慧化电除尘节能方法，其特征在于，所述S60包括S61：小步迭代测试，即现场工人通过小幅度操作，由系统判断操作方向是否合理。
PCT/CN2019/089475 2018-10-15 2019-05-31 一种智慧化电除尘节能方法 WO2020078008A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811199073.2A CN109225640A (zh) 2018-10-15 2018-10-15 一种智慧化电除尘节能方法
CN201811199073.2 2018-10-15

Publications (1)

Publication Number Publication Date
WO2020078008A1 true WO2020078008A1 (zh) 2020-04-23

Family

ID=65052793

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/089475 WO2020078008A1 (zh) 2018-10-15 2019-05-31 一种智慧化电除尘节能方法

Country Status (2)

Country Link
CN (2) CN109225640A (zh)
WO (1) WO2020078008A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109225640A (zh) * 2018-10-15 2019-01-18 厦门邑通软件科技有限公司 一种智慧化电除尘节能方法
CN113426264A (zh) * 2021-07-15 2021-09-24 国电环境保护研究院有限公司 一种烟气净化岛智慧运行管控方法及管控平台
CN114114921A (zh) * 2021-11-26 2022-03-01 华能平凉发电有限责任公司 一种除尘电源的控制方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008046306A1 (fr) * 2006-10-16 2008-04-24 Akos Advanced Technology Ltd. Purificateur d'air
US8192523B1 (en) * 2008-02-22 2012-06-05 Tsi Incorporated Device and method for separating and increasing the concentration of charged particles in a sampled aerosol
CN104941801A (zh) * 2015-06-26 2015-09-30 上海纳米技术及应用国家工程研究中心有限公司 一种评价静电除尘器除尘效率的检测装置
CN106885884A (zh) * 2017-03-29 2017-06-23 中州大学 一种智能城市空气实时评价装置及其控制方法
CN107213990A (zh) * 2017-05-08 2017-09-29 浙江大学 电除尘系统性能评估及运行优化系统
CN107797456A (zh) * 2017-11-09 2018-03-13 江苏方天电力技术有限公司 基于渐消记忆在线极限学习机的电厂除尘器优化控制方法
CN109225640A (zh) * 2018-10-15 2019-01-18 厦门邑通软件科技有限公司 一种智慧化电除尘节能方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1698970A (zh) * 2005-05-27 2005-11-23 石家庄市自动化研究所 粉尘浓度自动控制方法及配套电源装置
EP2687691A4 (en) * 2011-03-16 2014-01-22 Toyota Motor Co Ltd DEVICE FOR PROCESSING WOVEN FABRICS
KR101382507B1 (ko) * 2012-10-19 2014-04-10 사단법인대기환경모델링센터 대기질 예측 및 관리 시스템
CN104965409B (zh) * 2015-06-19 2017-06-09 北京甘为科技发展有限公司 一种工业循环水系统能耗自学习优化控制方法
CN105170333B (zh) * 2015-09-06 2018-01-30 江苏科技大学 静电除尘用电源的模糊预测控制系统及方法
CN107024861B (zh) * 2016-02-01 2020-10-23 上海梅山钢铁股份有限公司 一种转炉干法除尘系统的在线建模方法
CN106405044B (zh) * 2016-09-09 2019-04-12 南京工程学院 一种火电厂磨煤机煤质成分智能监测方法
CN106842925B (zh) * 2017-01-20 2019-10-11 清华大学 一种基于深度强化学习的机车智能操纵方法与系统
CN107292523A (zh) * 2017-06-27 2017-10-24 广州供电局有限公司 火电机组环保性能的评价方法和系统
CN107748955B (zh) * 2017-10-16 2020-09-08 浙江大学 一种燃煤电厂超低排放环保岛能效评估方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008046306A1 (fr) * 2006-10-16 2008-04-24 Akos Advanced Technology Ltd. Purificateur d'air
US8192523B1 (en) * 2008-02-22 2012-06-05 Tsi Incorporated Device and method for separating and increasing the concentration of charged particles in a sampled aerosol
CN104941801A (zh) * 2015-06-26 2015-09-30 上海纳米技术及应用国家工程研究中心有限公司 一种评价静电除尘器除尘效率的检测装置
CN106885884A (zh) * 2017-03-29 2017-06-23 中州大学 一种智能城市空气实时评价装置及其控制方法
CN107213990A (zh) * 2017-05-08 2017-09-29 浙江大学 电除尘系统性能评估及运行优化系统
CN107797456A (zh) * 2017-11-09 2018-03-13 江苏方天电力技术有限公司 基于渐消记忆在线极限学习机的电厂除尘器优化控制方法
CN109225640A (zh) * 2018-10-15 2019-01-18 厦门邑通软件科技有限公司 一种智慧化电除尘节能方法

Also Published As

Publication number Publication date
CN110624696A (zh) 2019-12-31
CN110624696B (zh) 2021-05-28
CN109225640A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
WO2020078008A1 (zh) 一种智慧化电除尘节能方法
CN107748955B (zh) 一种燃煤电厂超低排放环保岛能效评估方法
CN108280047A (zh) 一种基于现场监测数据的火电机组碳排放核算方法
CN104504498A (zh) 一种燃煤发电机组超低排放环保电价监控方法
CN110263452B (zh) 一种烟道内烟气时间分布特性分析方法、系统及脱硝系统
CN113050559B (zh) 燃煤电厂脱硫系统与电除尘系统协同控制方法及系统
WO2022237011A1 (zh) 除尘、脱硫系统协同节能运行优化方法、系统、设备及存储介质
CN110935567A (zh) 一种火电机组干式电除尘器优化控制方法及系统
TWI697748B (zh) 廠房機器監視控制系統及廠房機器監視控制方法
CN103728947A (zh) 污染物排放的监控方法
CN113976323A (zh) 一种多信号优化节能电除尘控制方法
CN111522323A (zh) 一种基于物联网技术的锅炉能效在线诊断及智能控制方法
CN107741945A (zh) 一种基于密度的离群点检测的cems系统故障分析方法
CN213435054U (zh) 一种嵌入式电除尘运行优化系统
US6230495B1 (en) Method for optimizing fossil-fueled power stations
CN103629690B (zh) 锅炉燃烧器的分散控制系统
CN103712195B (zh) 一种烟气温度调节方法、装置及系统
CN115796773A (zh) 基于数据分析的高脱除尘项目分析管理系统
CN112835950B (zh) 一种dcs数据挖掘的湿法脱硫系统达标排放运行曲线的获取系统及方法
CN101995531A (zh) 电除尘器高压直流输出回路的故障检测方法
CN105528515A (zh) 燃煤电站锅炉烟气污染物排放的环保经济性评价分析方法
CN113031552B (zh) 炉后环保设备协同控制方法及系统
CN104699941A (zh) 基于机组经济性的锅炉nox排放评价指标的分析方法
CN112326520A (zh) 烟气自动连续监测系统
CN114632624B (zh) 一种电除尘运行优化系统及优化方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19874456

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19874456

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 09/06/2021)

122 Ep: pct application non-entry in european phase

Ref document number: 19874456

Country of ref document: EP

Kind code of ref document: A1