申请/专利权人:中国矿业大学
申请日:2023-12-31
公开(公告)日:2024-04-02
公开(公告)号:CN117808167A
主分类号:G06Q10/04
分类号:G06Q10/04;G06Q50/26;G06F18/20;G06F18/15;G06N3/0464;G06N3/048;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.19#实质审查的生效;2024.04.02#公开
摘要:本发明公开了一种通道选择卷积神经网络预测锅炉全负荷NOx排放的方法,属于燃煤锅炉NOx排放技术领域。根据需要选择存储的历史时间段中提取锅炉燃烧运行时的历史数据,然后对历史数据中的锅炉运行数据进行预处理;通过滑动窗口法将经过预处理的锅炉历史数据划为4‑D张量,然后将锅炉历史数据以张量的形式输入通道选择性卷积神经网络CS‑CNN模型中进行训练,CS‑CNN模型将根据输入锅炉的工况变化自动识别重要性排在前80%的通道,释放重要性低通道的超参数,实现CS‑CNN模型有限参数资源的最大化利用,达到提升CS‑CNN模型预测精度的目的。其方法简单,预测精度高,预测速度快。
主权项:1.一种通道选择卷积神经网络预测锅炉全负荷NOx排放的方法,其特征在于,由于锅炉实际运行中随工况变化,导致参与燃烧的控制变量类型实时变化,因此与NOx排放相关的变量类型也随即改变,选择利用CS-CNN模型对输入通道重要性进行选择,对不同工况下的NOx排放开展动态预测;步骤如下:持续通过发电锅炉的机组分布式控制系统使用传感器提取锅炉运行时的变量数据,包括锅炉负荷、总燃料量、磨煤机容量风流量、总风量、二次风门开度、蒸汽压力、流量、温度;将采集到的锅炉运行时的变量数据进行存储;根据需要选择存储的历史时间段中提取锅炉燃烧运行时的历史数据,然后对历史数据中的锅炉运行数据进行预处理;通过滑动窗口法将经过预处理的锅炉历史数据划为4-D张量,然后将锅炉历史数据以张量的形式输入通道选择性卷积神经网络CS-CNN模型中进行训练,CS-CNN模型将根据输入锅炉的工况变化自动识别重要性排在前80%的通道,释放重要性低通道的超参数,实现CS-CNN模型有限参数资源的最大化利用,达到提升CS-CNN模型预测精度的目的,所述工况包括磨煤机运行组合变化引起的锅炉燃烧器风门运行方式;CS-CNN模型在使用前需要使用完成预处理的锅炉历史数据进行训练和校验,训练完成后即可实现对该过滤的运行工况进行预测。
全文数据:
权利要求:
百度查询: 中国矿业大学 通道选择卷积神经网络预测锅炉全负荷NOx排放的方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。