CN113065765A - 一种垃圾焚烧炉烟气中co排放量预测模型构建方法及应用 - Google Patents
一种垃圾焚烧炉烟气中co排放量预测模型构建方法及应用 Download PDFInfo
- Publication number
- CN113065765A CN113065765A CN202110356937.2A CN202110356937A CN113065765A CN 113065765 A CN113065765 A CN 113065765A CN 202110356937 A CN202110356937 A CN 202110356937A CN 113065765 A CN113065765 A CN 113065765A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- prediction
- flue gas
- emission
- 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
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 title claims abstract description 175
- 239000003546 flue gas Substances 0.000 title claims abstract description 74
- 239000002699 waste material Substances 0.000 title claims abstract description 29
- 238000010276 construction Methods 0.000 title description 4
- 238000000034 method Methods 0.000 claims abstract description 55
- 239000000779 smoke Substances 0.000 claims abstract description 45
- 230000000694 effects Effects 0.000 claims abstract description 42
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 66
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 53
- 229910052760 oxygen Inorganic materials 0.000 claims description 53
- 239000001301 oxygen Substances 0.000 claims description 53
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010219 correlation analysis Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000001788 irregular Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 101
- 238000002485 combustion reaction Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 10
- 239000003245 coal Substances 0.000 description 9
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 5
- 238000004056 waste incineration Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 239000005416 organic matter Substances 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 238000006722 reduction reaction Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- HGUFODBRKLSHSI-UHFFFAOYSA-N 2,3,7,8-tetrachloro-dibenzo-p-dioxin Chemical compound O1C2=CC(Cl)=C(Cl)C=C2OC2=C1C=C(Cl)C(Cl)=C2 HGUFODBRKLSHSI-UHFFFAOYSA-N 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 101001072091 Homo sapiens ProSAAS Proteins 0.000 description 2
- 102100036366 ProSAAS Human genes 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000036461 convulsion Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 239000002440 industrial waste Substances 0.000 description 2
- 239000013067 intermediate product Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012668 chain scission Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010791 domestic waste Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000002309 gasification Methods 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000009125 negative feedback regulation Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000011403 purification operation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Incineration Of Waste (AREA)
Abstract
本发明公开了一种垃圾焚烧炉烟气中CO排放量预测模型构建方法及应用，一种垃圾焚烧炉烟气中CO排放量预测模型构建方法，包括以下步骤：步骤S1，数据获取和处理：选取数据区间，获取垃圾焚烧炉设备测点的历史数据，对所获取的历史数据进行预处理，得到样本数据；步骤S2，选取特征变量，所述特征变量包括原始特征变量和重构特征变量，具体包括以下步骤：步骤S21，原始特征变量的确定：根据CO的生成机理和对历史数据的分析，确定影响CO排放量的影响因素。所述垃圾焚烧炉烟气中CO排放量预测模型构建方法，构建得到的预测模型能够对垃圾焚烧炉烟气中CO的排放量进行实时预测。所述的垃圾焚烧炉烟气中CO排放量预测模型的应用，预测效果的显示直观方便。
Description
技术领域
本发明涉及烟气排放预测技术领域，尤其涉及一种垃圾焚烧炉烟气中CO排放量预测模型构建方法及应用。
背景技术
在垃圾焚烧产生的烟气必须要经过烟气净化处理，在满足《生活垃圾焚烧污染控制标准》的前题下向大气排放。垃圾焚烧产生的烟气污染物主要有CO、NOx、SO2、HCl、二噁英和粉尘等，因此烟气净化工艺主要由脱酸、脱硝、除尘、除二噁英和重金属等各独立单元组成。目前针对垃圾焚烧炉烟气中的CO的排放，仅能通过调整燃烧方式的手段如对进料、风量等进行干预控制，以达到降低或消除后续CO瞬时超标值及超标时间的目的，主要通过人工手动操作进行控制，而由于通过人工手动操作控制属于负反馈调节机制，无法解决烟气净化操作中的滞后性问题，如发生突发性的CO排放超标时，由于人工操作是被动的滞后操作，对于焚烧变化带来的短期CO排放超标，需要通过手工调节，在对应期间内会造成CO排放超标，如果总体超标次数过多，容易造成小时值均值超标，从而不符合环保排放要求。
发明内容
针对背景技术提出的问题，本发明的目的在于提出一种垃圾焚烧炉烟气中CO排放量预测模型构建方法，构建得到的预测模型能够对垃圾焚烧炉烟气中CO的排放量进行实时预测，并对预测排放超标或者超低的现象进行提示预警，解决了目前对烟气中CO排放量的控制存在滞后性、调节效果差的问题；
本发明的另一目的在于提出所述的垃圾焚烧炉烟气中CO排放量预测模型的应用，预测效果的显示直观方便，且预测模型的应用操作方便，有效提高烟气控制的操作效率。
为达此目的，本发明采用以下技术方案：
一种垃圾焚烧炉烟气中CO排放量预测模型构建方法，包括以下步骤：
步骤S1，数据获取和处理：选取数据区间，获取垃圾焚烧炉设备测点的历史数据，对所获取的历史数据进行预处理，得到样本数据；
步骤S2，选取特征变量，所述特征变量包括原始特征变量和重构特征变量，具体包括以下步骤：
步骤S21，原始特征变量的确定：根据CO的生成机理和对历史数据的分析，确定影响CO排放量的影响因素，根据影响因素确定原始特征变量包括第一辐射通道烟温、一次风量、二次风量、省煤器出口烟气含氧量、炉排下漏斗风压、蒸汽流量和引风机出口烟气流量；
步骤S22，根据CO的生成机理和对历史数据的分析，对所述原始特征变量进行特征重构，确定重构特征变量；
步骤S3，预测模型建立：用所述样本数据计算重构特征变量的数据值，与原始特征变量对应的历史数据一起形成预测训练样本，采用预测训练引擎进行数据建模训练，生成预测模型；
步骤S4，模型效果验证：对训练生成的预测模型进行效果验证，依据预测模型报警次数的正确性来评估模型应用于实际的效果。
更进一步说明，所述步骤S21中，所述第一辐射通道烟温具体包括第一辐射通道左侧烟温、第一辐射通道右侧烟温和第一辐射通道出口右侧烟温，所述省煤器出口烟气含氧量具体包括省煤器出口左侧烟气含氧量和省煤器出口右侧烟气含氧量，所述炉排下漏斗风压具体包括炉排下漏斗左侧风压和炉排下漏斗右侧风压。
更进一步说明，所述步骤S22中，所述重构特征变量具体包括：一次风量/省煤器出口左侧烟气含氧量、一次风量/省煤器出口右侧烟气含氧量、(一次风量+二次风量)/省煤器出口左侧烟气含氧量和(一次风量+二次风量)/省煤器出口右侧烟气含氧量。
更进一步说明，所述步骤S22确定重构特征变量之后，还包括步骤S23，用所述样本数据对各特征变量进行相关性分析以及重要性计算；
其中，具体采用皮尔森相关系数对各特征变量进行相关性分析，以及采用集成决策树的方式对各特征变量进行重要性计算。
更进一步说明，所述步骤S1中，对所获取的历史数据进行预处理具体指对所获取的历史数据中的不合理数据进行清洗，所述不合理数据包括错误数据、异常数据和时间间隔不规范数据。
更进一步说明，所述步骤S3中，采用预测训练引擎进行数据建模训练之前还包括对数据进行对时间的一阶、二阶和三阶导数的高维变换。
更进一步说明，所述步骤S3中，采用预测训练引擎进行数据建模训练后，确定的训练特征参数具体为特征数据时长300s、预测时长120s、测试数据占比10％、模型深度10层和预测执行周期10s。
更进一步说明，所述步骤S4中，对训练生成的预测模型进行验证的具体方法为：
确定CO的报警临界浓度值T；
预测模型在达到报警临界浓度值T的时刻做出报警判断，预测是否会超过环保报警值，将预测模型发出报警判断的正确次数记为D，对预测模型未发出报警判断但实际发生的CO浓度超过环保报警值的次数记为F；
以预测精度P作为模型验证的评估效果指标，其中预测精度P＝D/(D+F)*100％。
更进一步说明，还包括根据步骤S4得到的预测模型的效果，对重构特征变量以及对数据建模训练的训练特征参数进行优化调整。
所述的垃圾焚烧炉烟气中CO排放量预测模型的应用，包括以下步骤：
在线算法加载离线训练好的预测模型，同时将实时计算的原始特征变量数据值和重构特征变量的实时计算数据值接入模型进行计算，实时产生预测结果；
通过API接口将预测值发送到客户端显示界面，前端运行人员根据显示的预测结果进行提前调整。
与现有技术相比，本发明具有以下有益效果：
1、本发明通过根据CO的生成机理和对样本数据的分析，确定影响CO排放量的影响因素，根据影响因素(如氧量、温度及风量)确定原始特征变量包括第一辐射通道烟温、一次风量、二次风量、省煤器出口烟气含氧量、炉排下漏斗风压、蒸汽流量和引风机出口烟气流量，此外，通过结合CO的生成机理对重要的所述原始特征变量之间进行相互运算，确定重构特征变量，然后利用预测训练引擎进行数据建模训练，得到的预测模型能够对垃圾焚烧炉烟气中CO的排放量进行实时预测，并对预测排放超标或者超低的现象进行提示预警，对CO排放量预测的预测结果可以有效解决目前对烟气中CO排放量的控制存在滞后性、调节效果差的问题，方便操作运行人员从前端进行进料、风量的提前干预调整，降低或消除后续CO瞬时超标值及超标事件，维持燃烧过程的稳定性；
2、通过根据焚烧炉设备中不同的位置将所述原始特征变量精确到如左侧或者右侧的特征，或者通道中以及通道出口的特征，避免不同位置的特征变量会出现偏差、从而使得特征变量的结果发生偏移的情况，保证了采用预测训练引擎进行数据建模训练的训练效果；
3、通过结合CO的生成机理对重要的所述原始特征变量之间进行相互运算，确定重构特征变量，能够挖掘更多潜在数据特征信息，采用风量与烟气含氧量的比值辅助表征燃烧过程的剧烈程度，重构四个变量：一次风量/省煤器出口左侧烟气含氧量、一次风量/省煤器出口右侧烟气含氧量、(一次风量+二次风量)/省煤器出口左侧烟气含氧量和(一次风量+二次风量)/省煤器出口右侧烟气含氧量，进一步体现了垃圾焚烧过程中的燃烧状况，提高预测模型对CO排放量预测的效果。
附图说明
附图对本发明做进一步说明，但附图中的内容不构成对本发明的任何限制。
图1是本发明一个实施例的垃圾焚烧炉烟气中CO排放量预测模型构建方法的流程图；
图2是本发明一个实施例的采用皮尔森相关系数进行相关性分析的矩阵图；
图3是本发明一个实施例的采用集成决策树进行重要性计算的重要性分布图；
图4是本发明一个实施例的垃圾焚烧炉烟气中CO排放量预测模型进行实时预测的效果曲线图。
具体实施方式
一种垃圾焚烧炉烟气中CO排放量预测模型构建方法，包括以下步骤：
步骤S1，数据获取和处理：选取数据区间，获取垃圾焚烧炉设备测点的历史数据，对所获取的历史数据进行预处理，得到样本数据；
步骤S2，选取特征变量，所述特征变量包括原始特征变量和重构特征变量，具体包括以下步骤：
步骤S21，原始特征变量的确定：根据CO的生成机理和对历史数据的分析，确定影响CO排放量的影响因素，根据影响因素确定原始特征变量包括第一辐射通道烟温、一次风量、二次风量、省煤器出口烟气含氧量、炉排下漏斗风压、蒸汽流量和引风机出口烟气流量；
步骤S22，根据CO的生成机理和对历史数据的分析，对所述原始特征变量进行特征重构，确定重构特征变量；
步骤S3，预测模型建立：用所述样本数据计算重构特征变量的数据值，与原始特征变量对应的历史数据一起形成预测训练样本，采用预测训练引擎进行数据建模训练，生成预测模型；
步骤S4，模型效果验证：对训练生成的预测模型进行效果验证，依据预测模型报警次数的正确性来评估模型应用于实际的效果。
需要说明的是，所述预测训练引擎采用阿里云预测训练引擎。
在垃圾焚烧时产生的烟气必须要经过烟气净化处理，其中一氧化碳(CO)是垃圾焚烧产生的主要烟气污染物，目前对CO的排放仅能通过调整燃烧方式的手段来进行控制，CO是由于生活垃圾中的可燃物不完全燃烧产生的,它是碳氢燃料和氧发生的化学反应的中间产物。可燃物中的碳元素的大部分被氧化成CO2，但由于垃圾在燃烧气化过程中炉膛局部供氧不足或温度较低，就会产生CO排放到周围环境中。垃圾焚烧过程中CO的产生主要有三个方面的生成途径：(1)有机物的不完全燃烧；(2)固定碳缺氧燃烧；(3)缺氧条件下CO2的还原反应。三个途径的生成过程如下：
(1)有机物的不完全燃烧：垃圾经吸热脱水后形成有机物大分子碳氢化合物，经吸热断链及氧化放热生成CO，在缺氧条件下燃烧反应没有完全进行，造成有机物生成CO；
(2)固定碳缺氧燃烧：在缺氧条件下，固定碳会不完全燃烧生成CO，同时也会与水蒸汽发生煤炭气化反应生成CO；
(3)缺氧条件下CO2的还原反应：在缺氧条件下，CO2会与碳发生还原反应生成CO。
从CO的生成机理上看，CO的生成主要与燃烧不充分，大量中间产物直接排放导致，即与燃烧过程的关联度很高，其中最为明显的是过量空气系数与炉膛温度。过量空气系数越小，CO排放浓度越大，炉膛温度越低CO排放浓度越大。另外，从现场运行情况看，氧量、温度及风量的快速变化也是造成CO快速变化的原因。
本发明通过根据CO的生成机理和对样本数据的分析，确定影响CO排放量的影响因素，根据影响因素(如氧量、温度及风量)确定原始特征变量包括第一辐射通道烟温、一次风量、二次风量、省煤器出口烟气含氧量、炉排下漏斗风压、蒸汽流量和引风机出口烟气流量，此外，通过结合CO的生成机理对重要的所述原始特征变量之间进行相互运算，确定重构特征变量，然后利用预测训练引擎进行数据建模训练，生成的预测模型能够对垃圾焚烧炉烟气中CO的排放量进行实时预测，并对预测排放超标或者超低的现象进行提示预警，对CO排放量预测的预测结果可以有效解决目前对烟气中CO排放量的控制存在滞后性、调节效果差的问题，方便操作运行人员从前端进行进料、风量的提前干预调整，降低或消除后续CO瞬时超标值及超标事件，维持燃烧过程的稳定性。
具体地，所述步骤S21中，所述第一辐射通道烟温具体包括第一辐射通道左侧烟温、第一辐射通道右侧烟温和第一辐射通道出口右侧烟温，所述省煤器出口烟气含氧量具体包括省煤器出口左侧烟气含氧量和省煤器出口右侧烟气含氧量，所述炉排下漏斗风压具体包括炉排下漏斗左侧风压和炉排下漏斗右侧风压。
通过根据焚烧炉设备中不同的位置将所述原始特征变量精确到如左侧或者右侧的特征，或者通道中以及通道出口的特征，避免不同位置的特征变量会出现偏差、从而使得特征变量的结果发生偏移的情况，保证了采用预测训练引擎进行数据建模训练的训练效果。
具体地，所述步骤S22中，所述重构特征变量具体包括：一次风量/省煤器出口左侧烟气含氧量、一次风量/省煤器出口右侧烟气含氧量、(一次风量+二次风量)/省煤器出口左侧烟气含氧量和(一次风量+二次风量)/省煤器出口右侧烟气含氧量。
通过结合CO的生成机理对重要的所述原始特征变量之间进行相互运算，确定重构特征变量，能够挖掘更多潜在数据特征信息，采用风量与烟气含氧量的比值辅助表征燃烧过程的剧烈程度，重构四个变量：一次风量/省煤器出口左侧烟气含氧量、一次风量/省煤器出口右侧烟气含氧量、(一次风量+二次风量)/省煤器出口左侧烟气含氧量和(一次风量+二次风量)/省煤器出口右侧烟气含氧量，进一步体现了垃圾焚烧过程中的燃烧状况，提高预测模型对CO排放量预测的效果。
优选的，所述步骤S22确定重构特征变量之后，还包括步骤S23，用所述样本数据对各特征变量进行相关性分析以及重要性计算；
其中，具体采用皮尔森相关系数对各特征变量进行相关性分析，以及采用集成决策树的方式对各特征变量进行重要性计算。
通过对各特征变量进行特征与预测目标间的特性相关性分析，确定特征重要性分布，进行相关性分析可以验证数据与预测排放参数的相关性，此外，通过利用集成决策树的方式对各特征变量进行重要性度量，使得各特征变量在预测模型建立中有权重体现，提高构建的预测模型的预测准确性；其中，决策树是一种基本的分类与回归方法，模型呈树形结构。它可以认为是if-then规则的集合，优势在于构造过程不需要任何领域知识或参数设置。集成决策树就是把多棵决策树进行加权使用，共同给出最后的输出结果。
更进一步说明，所述步骤S1中，对所获取的历史数据进行预处理具体指对所获取的历史数据中的不合理数据进行清洗，所述不合理数据包括错误数据、异常数据和时间间隔不规范数据。
具体地，所述错误数据包括原始文件中填写不规范的数据，具体采用正则匹配的方法对所述错误数据进行纠正；所述异常数据包括nan空值数据和明显偏离数据范围的数据，具体采用差值的方法对数据值进行平滑替换；所述时间间隔不规范数据为时间间隔异常的数据，具体采用重采样的方法对数据进行均匀采样操作。
通过对所获取的历史数据进行预处理，可以避免在模型构建时受到错误数据的影响，有效提高数据的质量，避免受到错误数据的影响使得预测模型的效果差的情况，保证了生成的预测模型的预测效果，且有效提高了预测模型的建模效率。
更进一步说明，所述步骤S3中，采用预测训练引擎进行数据建模训练之前还包括对数据进行对时间的一阶、二阶和三阶导数的高维变换。
预测引擎首先对数据进行对时间的一阶、二阶和三阶导数的高维变换，能够提取更多潜在信息(指数据直观无法体现深层变化信息)，以保证生成的预测模型的预测效果，变换完后采用预测训练引擎进行数据建模训练，具体地，对时间的一阶、二阶和三阶导数的高维变换分别体现为数据的变化速度、加速度、急动度(也称加加速度)。
具体地，所述步骤S3中，采用预测训练引擎进行数据建模训练后，确定的训练特征参数具体为特征数据时长300s、预测时长120s、测试数据占比10％、模型深度10层和预测执行周期10s。
采用预测训练引擎进行数据建模训练主要是指大数据分析过程，通过对大量历史数据的深度解析，经过多次测试数据对比，确定了训练特征参数，确保模型得到最优解，比如预测时长为120s，通过所述预测模型能够提醒运行人员未来120s左右CO超标的可能性。
更进一步说明，所述步骤S4中，对训练生成的预测模型进行验证的具体方法为：
确定CO的报警临界浓度值T；
预测模型在达到报警临界浓度值T的时刻做出报警判断，预测是否会超过环保报警值，将预测模型发出报警判断的正确次数记为D，对预测模型未发出报警判断但实际发生的CO浓度超过环保报警值的次数记为F；
以预测精度P作为模型验证的评估效果指标，其中预测精度P＝D/(D+F)*100％。
由于垃圾焚烧炉烟气中CO含量在燃烧正常时波动较小，约在20mg/Nm3以内，燃烧状况突然异常后，CO值会在短时间内瞬间突变造成瞬时超标，且由于CO仅能通过前端控制，即仅能通过调整燃烧方式的手段进行控制，后端无处理手段，因此只能保证超标的及时预警。从运行需求角度考虑，CO烟气预测的目的在于能够提前提醒运行人员未来120s左右CO超标的可能性，方便运行人员进行进料、风量的干预调整，降低或消除后续CO瞬时超标值及超标时间，维持燃烧过程的稳定。因此本CO预测过程主要依据预测模型发出报警判断的次数的正确性来评估CO预测效果，具体地，以浓度50mg/Nm3作为报警临界浓度值T，预测模型在达到报警临界浓度值T的时刻做出报警判断，预测此后120s内是否会超过环保报警值，将预测模型发出报警判断的正确次数记为D，对预测模型未发出报警判断但实际发生的CO浓度超过环保报警值的次数记为F，以预测精度P＝D/(D+F)*100％作为效果评价指标，能够有效评估预测数据与真实数据的拟合度。
更进一步说明，还包括根据步骤S4得到的预测模型的效果，对重构特征变量以及对数据建模训练的训练特征参数进行优化调整。
通过根据对训练生成的预测模型进行效果验证得到的效果，即采用预测训练引擎进行数据建模训练的训练结果，对重构特征变量以及对进行数据建模训练的训练特征参数进行适当调整，以使预测模型的预测效果达到最优，提高预测模型的预测精度。
所述的垃圾焚烧炉烟气中CO排放量预测模型的应用，包括以下步骤：
在线算法加载离线训练好的预测模型，同时将实时计算的原始特征变量数据值和重构特征变量的实时计算数据值接入模型进行计算，实时产生预测结果；
通过API接口将预测值发送到客户端显示界面，前端运行人员根据显示的预测结果进行提前调整。
烟气排放预测算法通过API的方式发布预测和报警结果，支持由第三方系统调取数据，在垃圾焚烧厂的生产场景中，污染物预测结果实时展示在部署于中控室平板电脑中的焚烧工艺算法页面上，以辅助工人现场进行生产。在线算法首先加载离线训练好的预测模型，同时将实时计算的原始特征变量的数据值和重构特征变量的实时值接入模型进行计算，实时产生预测结果；
具体地，通过API接口，将预测值发送到客户侧前端SAAS显示界面，前端运行人员根据SAAS显示的预测值进行相应的提前干预调整，达到提前调节的目的，预测效果的显示直观方便，且预测模型的应用操作方便，有效提高烟气控制的操作效率。
更进一步说明，在垃圾焚烧炉设备中应用数据上云的方法，采集来自DCS系统的设备测点数据，含历史数据及实时测点数据两部分。历史数据存储在DCS系统数据库中，通过调用SIS服务接口导出格式化的文本数据文件，然后通过Maxcompute提供的官方Tunnel数据上传工具进行一次性上传。数据上传至Maxcompute后以数据表的形式长期存储，从源数据库同步上云后的数据表，存储在数据仓库数据源层，用于后续的数据分析。
对于实时测点数据，由DCS数据服务软件提供DCS实时测点数据查询接口，由部署在现场的数采客户端软件调用获取测点数据后，发送至公有云端环境，实时同步设备数据至云上Datahub。实时数据同步至云上Datahub后，数据流向工业大脑进行算法建模和应用的同时，通过DataConnector，约每5分钟会将Datahub中的实时测点数据备份至Maxcompute，实现长期存储。
下面详细描述本发明的实施方式，实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
一种垃圾焚烧炉烟气中CO排放量预测模型构建方法，包括以下步骤：
步骤S1，数据获取和处理：选取SIS上对应的历史数据，数据区间为：2020.8.10-2020.10.18，获取垃圾焚烧炉设备测点的历史数据，对所获取的历史数据进行中的不合理数据进行清洗，具体地，所述错误数据包括原始文件中填写不规范的数据，具体采用正则匹配的方法对所述错误数据进行纠正；所述异常数据包括nan空值数据和明显偏离数据范围的数据，具体采用差值的方法对数据值进行平滑替换；所述时间间隔不规范数据为时间间隔异常的数据，具体采用重采样的方法对数据进行均匀采样操作，得到样本数据；
步骤S2，选取特征变量，所述特征变量包括原始特征变量和重构特征变量，具体包括以下步骤：
步骤S21，原始特征变量的确定：根据CO的生成机理和对历史数据的分析，确定影响CO排放量的影响因素，根据影响因素确定原始特征变量，确定初步的原始特征变量的特征数据点如下表所示：
步骤S22，根据CO的生成机理和对历史数据的分析，对所述原始特征变量进行特征重构，采用风量与烟气含氧量的比值辅助表征燃烧过程的剧烈程度，确定重构特征变量如下表所示：
| 序号 | 点名 |
| 1 | #4炉一次风量/烟气含氧量左侧信号 |
| 2 | #4炉一次风量/烟气含氧量右侧信号 |
| 3 | #4炉(一次风量+二次风量)/烟气含氧量左侧信号 |
| 4 | #4炉(一次风量+二次风量)/烟气含氧量右侧信号 |
步骤S23，用所述样本数据对各特征变量进行相关性分析以及重要性计算，具体采用皮尔森相关系数对各特征变量进行相关性分析，以及采用集成决策树的方式对各特征变量进行重要性计算；
其中，采用皮尔森相关系数对各特征变量进行相关性分析得到的各特征变量与CO的相关性矩阵如图2所示，可以看到，CO含量与炉一次风量/烟气含氧量左侧信号，炉一次风量/烟气含氧量右侧信号，炉(一次风量+二次风量)/烟气含氧量左侧信号，炉(一次风量+二次风量)/烟气含氧量右侧信号均有一定的负相关性；
其中，采用集成决策树的方式对各特征变量进行重要性计算得到的各个特征变量的重要性分布情况如图3所示，可以看到，B4HLA10CF101XJ01测点对应的特征(#4炉一次风量信号)、炉一次风量/烟气含氧量左侧信号，炉一次风量/烟气含氧量右侧信号这三个特征对预测CO的重要度最高。也间接印证了CO与风量、氧量等相关参数的影响。
步骤S3，预测模型建立：用所述样本数据计算重构特征变量的数据值，数据采样周期为10s，与原始特征变量对应的历史数据一起形成预测训练样本，预测训练引擎对数据进行对时间的一阶、二阶和三阶导数的高维变换：
变换完后采用预测训练引擎进行数据建模训练，生成预测模型，经过多次测试数据对比，确定了训练特征参数如下表所示：
| 序号 | 参数 | 值 |
| 1 | 特征数据时长(s) | 300 |
| 2 | 预测时长(s) | 120s |
| 3 | 测试数据占比(％) | 10％ |
| 4 | 模型深度(层) | 10 |
| 5 | 预测执行周期(s) | 10 |
步骤S4，模型效果验证：对训练生成的预测模型进行效果验证，评估模型应用于实际的效果，对训练生成的预测模型进行验证的具体方法为：
确定CO的报警临界浓度值T；
预测模型在达到报警临界浓度值T的时刻做出报警判断，预测是否会超过环保报警值，将预测模型发出报警判断的正确次数记为D，对预测模型未发出报警判断但实际发生的CO浓度超过环保报警值的次数记为F；
以预测精度P作为模型验证的评估效果指标，其中预测精度P＝D/(D+F)*100％。
由于垃圾焚烧炉烟气中CO含量在燃烧正常时波动较小，约在20mg/Nm3以内，燃烧状况突然异常后，CO值会在短时间内瞬间突变造成瞬时超标，且由于CO仅能通过前端控制，即仅能通过调整燃烧方式的手段进行控制，后端无处理手段，因此只能保证超标的及时预警。从运行需求角度考虑，CO烟气预测的目的在于能够提前提醒运行人员未来120s左右CO超标的可能性，方便运行人员进行进料、风量的干预调整，降低或消除后续CO瞬时超标值及超标时间，维持燃烧过程的稳定。因此本CO预测过程主要依据预测模型发出报警判断的次数的正确性来评估CO预测效果，具体地，以浓度50mg/Nm3作为报警临界浓度值T。
实时预测效果曲线如图4所示，从图中实时预测数据运行结果看，在CO瞬时超标值之前CO预测值能够较好的提前感知，并反馈给运行人员进行报警干预。
另外，现场运行人员通过两次大比例(30％)掺烧工业垃圾,以此测试CO预测效果，2次掺烧工业垃圾验证CO预测情况如下：
| 试验 | 发生次数 | 正确次数 | 漏报次数 | 误报次数 | 准确率 |
| 第一次 | 72 | 70 | 2 | 0 | 97％ |
| 第二次 | 51 | 51 | 0 | 0 | 100％ |
通过两次数据来看，垃圾焚烧炉烟气中CO排放量预测模型的预测效果比较理想，符合预期且报警及时，可以提醒人员及时采取措施进行燃烧调整，有效避免CO指标超标情况。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种垃圾焚烧炉烟气中CO排放量预测模型构建方法，其特征在于，包括以下步骤：
步骤S1，数据获取和处理：选取数据区间，获取垃圾焚烧炉设备测点的历史数据，对所获取的历史数据进行预处理，得到样本数据；
步骤S2，选取特征变量，所述特征变量包括原始特征变量和重构特征变量，具体包括以下步骤：
步骤S21，原始特征变量的确定：根据CO的生成机理和对历史数据的分析，确定影响CO排放量的影响因素，根据影响因素确定原始特征变量包括第一辐射通道烟温、一次风量、二次风量、省煤器出口烟气含氧量、炉排下漏斗风压、蒸汽流量和引风机出口烟气流量；
步骤S22，根据CO的生成机理和对历史数据的分析，对所述原始特征变量进行特征重构，确定重构特征变量；
步骤S3，预测模型建立：用所述样本数据计算重构特征变量的数据值，与原始特征变量对应的历史数据一起形成预测训练样本，采用预测训练引擎进行数据建模训练，生成预测模型；
步骤S4，模型效果验证：对训练生成的预测模型进行效果验证，依据预测模型报警次数的正确性来评估模型应用于实际的效果。
2.根据权利要求1所述的垃圾焚烧炉烟气中CO排放量预测模型构建方法，其特征在于，所述步骤S21中，所述第一辐射通道烟温具体包括第一辐射通道左侧烟温、第一辐射通道右侧烟温和第一辐射通道出口右侧烟温，所述省煤器出口烟气含氧量具体包括省煤器出口左侧烟气含氧量和省煤器出口右侧烟气含氧量，所述炉排下漏斗风压具体包括炉排下漏斗左侧风压和炉排下漏斗右侧风压。
3.根据权利要求2所述的垃圾焚烧炉烟气中CO排放量预测模型构建方法，其特征在于，所述步骤S22中，所述重构特征变量具体包括：一次风量/省煤器出口左侧烟气含氧量、一次风量/省煤器出口右侧烟气含氧量、(一次风量+二次风量)/省煤器出口左侧烟气含氧量和(一次风量+二次风量)/省煤器出口右侧烟气含氧量。
4.根据权利要求1所述的垃圾焚烧炉烟气中CO排放量预测模型构建方法，其特征在于，所述步骤S22确定重构特征变量之后，还包括步骤S23，用所述样本数据对各特征变量进行相关性分析以及重要性计算；
其中，具体采用皮尔森相关系数对各特征变量进行相关性分析，以及采用集成决策树的方式对各特征变量进行重要性计算。
5.根据权利要求1所述的垃圾焚烧炉烟气中CO排放量预测模型构建方法，其特征在于，所述步骤S1中，对所获取的历史数据进行预处理具体指对所获取的历史数据中的不合理数据进行清洗，所述不合理数据包括错误数据、异常数据和时间间隔不规范数据。
6.根据权利要求1所述的垃圾焚烧炉烟气中CO排放量预测模型构建方法，其特征在于，所述步骤S3中，采用预测训练引擎进行数据建模训练之前还包括对数据进行对时间的一阶、二阶和三阶导数的高维变换。
7.根据权利要求1所述的垃圾焚烧炉烟气中CO排放量预测模型构建方法，其特征在于，所述步骤S3中，采用预测训练引擎进行数据建模训练后，确定的训练特征参数具体为特征数据时长300s、预测时长120s、测试数据占比10％、模型深度10层和预测执行周期10s。
8.根据权利要求1所述的垃圾焚烧炉烟气中CO排放量预测模型构建方法，其特征在于，所述步骤S4中，对训练生成的预测模型进行验证的具体方法为：
确定CO的报警临界浓度值T；
预测模型在达到报警临界浓度值T的时刻做出报警判断，预测是否会超过环保报警值，将预测模型发出报警判断的正确次数记为D，对预测模型未发出报警判断但实际发生的CO浓度超过环保报警值的次数记为F；
以预测精度P作为模型验证的评估效果指标，其中预测精度P＝D/(D+F)*100％。
9.根据权利要求1所述的垃圾焚烧炉烟气中CO排放量预测模型构建方法，其特征在于，还包括根据步骤S4得到的预测模型的效果，对重构特征变量以及对数据建模训练的训练特征参数进行优化调整。
10.根据权利要求1～9任意一项所述的垃圾焚烧炉烟气中CO排放量预测模型的应用，其特征在于，包括以下步骤：
在线算法加载离线训练好的预测模型，同时将实时计算的原始特征变量数据值和重构特征变量的实时计算数据值接入模型进行计算，实时产生预测结果；
通过API接口将预测值发送到客户端显示界面，前端运行人员根据显示的预测结果进行提前调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110356937.2A CN113065765A (zh) | 2021-04-01 | 2021-04-01 | 一种垃圾焚烧炉烟气中co排放量预测模型构建方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110356937.2A CN113065765A (zh) | 2021-04-01 | 2021-04-01 | 一种垃圾焚烧炉烟气中co排放量预测模型构建方法及应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113065765A true CN113065765A (zh) | 2021-07-02 |
Family
ID=76565432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110356937.2A Pending CN113065765A (zh) | 2021-04-01 | 2021-04-01 | 一种垃圾焚烧炉烟气中co排放量预测模型构建方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113065765A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118542A (zh) * | 2021-11-11 | 2022-03-01 | 新智我来网络科技有限公司 | 烟气含氧量负荷预测模型的选择方法及装置 |
| CN114562720A (zh) * | 2022-02-28 | 2022-05-31 | 扬州星辰环境工程有限公司 | 生物质高效焚化用催化燃烧调控锅炉 |
| CN115167321A (zh) * | 2022-08-09 | 2022-10-11 | 绿能碳投(北京)科技有限公司 | 一种电厂静电除尘优化控制方法及系统 |
| CN116433440A (zh) * | 2023-04-11 | 2023-07-14 | 北京西清能源科技有限公司 | 一种数据自回归增强的碳排放测算方法、系统及电子设备 |
| CN116757506A (zh) * | 2023-08-14 | 2023-09-15 | 中科三清科技有限公司 | 秸秆焚烧指导方法、装置、存储介质及电子设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101322504B1 (ko) * | 2012-04-30 | 2013-10-28 | 연세대학교 산학협력단 | 시공단계에서의 건설 공사비용 및 이산화탄소 배출량 예측 시스템 및 방법 |
| CN107038334A (zh) * | 2017-02-27 | 2017-08-11 | 浙江大学 | 循环流化床生活垃圾焚烧锅炉co排放预测系统及方法 |
| CN108985381A (zh) * | 2018-07-25 | 2018-12-11 | 广东工业大学 | 氮氧化物排放量预测模型的确定方法、装置及设备 |
| CN110264038A (zh) * | 2019-05-22 | 2019-09-20 | 深圳壹账通智能科技有限公司 | 一种产品测评模型的生成方法及设备 |
| CN110608444A (zh) * | 2019-08-26 | 2019-12-24 | 光大环保技术研究院（南京）有限公司 | 一种基于模型的垃圾焚烧控制系统 |
| CN112464544A (zh) * | 2020-11-17 | 2021-03-09 | 北京工业大学 | 一种城市固废焚烧过程二噁英排放浓度预测模型构建方法 |
-
2021
- 2021-04-01 CN CN202110356937.2A patent/CN113065765A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101322504B1 (ko) * | 2012-04-30 | 2013-10-28 | 연세대학교 산학협력단 | 시공단계에서의 건설 공사비용 및 이산화탄소 배출량 예측 시스템 및 방법 |
| CN107038334A (zh) * | 2017-02-27 | 2017-08-11 | 浙江大学 | 循环流化床生活垃圾焚烧锅炉co排放预测系统及方法 |
| CN108985381A (zh) * | 2018-07-25 | 2018-12-11 | 广东工业大学 | 氮氧化物排放量预测模型的确定方法、装置及设备 |
| CN110264038A (zh) * | 2019-05-22 | 2019-09-20 | 深圳壹账通智能科技有限公司 | 一种产品测评模型的生成方法及设备 |
| CN110608444A (zh) * | 2019-08-26 | 2019-12-24 | 光大环保技术研究院（南京）有限公司 | 一种基于模型的垃圾焚烧控制系统 |
| CN112464544A (zh) * | 2020-11-17 | 2021-03-09 | 北京工业大学 | 一种城市固废焚烧过程二噁英排放浓度预测模型构建方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118542A (zh) * | 2021-11-11 | 2022-03-01 | 新智我来网络科技有限公司 | 烟气含氧量负荷预测模型的选择方法及装置 |
| CN114562720A (zh) * | 2022-02-28 | 2022-05-31 | 扬州星辰环境工程有限公司 | 生物质高效焚化用催化燃烧调控锅炉 |
| CN115167321A (zh) * | 2022-08-09 | 2022-10-11 | 绿能碳投(北京)科技有限公司 | 一种电厂静电除尘优化控制方法及系统 |
| CN115167321B (zh) * | 2022-08-09 | 2023-11-21 | 绿能碳投(北京)科技有限公司 | 一种电厂静电除尘优化控制方法及系统 |
| CN116433440A (zh) * | 2023-04-11 | 2023-07-14 | 北京西清能源科技有限公司 | 一种数据自回归增强的碳排放测算方法、系统及电子设备 |
| CN116757506A (zh) * | 2023-08-14 | 2023-09-15 | 中科三清科技有限公司 | 秸秆焚烧指导方法、装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113065765A (zh) | 一种垃圾焚烧炉烟气中co排放量预测模型构建方法及应用 | |
| US11976817B2 (en) | Method for detecting a dioxin emission concentration of a municipal solid waste incineration process based on multi-level feature selection | |
| CN103064289B (zh) | 一种垃圾发电厂多目标运行优化及协调的控制方法及装置 | |
| CN108549792B (zh) | 一种基于潜结构映射算法的固废焚烧过程二噁英排放浓度软测量方法 | |
| CN113094986B (zh) | 垃圾焚烧炉烟气中污染物排放量预测模型构建方法及应用 | |
| CN111077869A (zh) | 一种大数据智能控制布袋除尘器优化控制方法及系统 | |
| CN110991756B (zh) | 基于ts模糊神经网络的mswi炉膛温度预测方法 | |
| US8768664B2 (en) | Predictive emissions monitoring using a statistical hybrid model | |
| 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 | |
| CN110081440B (zh) | 生活垃圾焚烧中二噁英的在线预测方法及预警和控制系统 | |
| CN112859780B (zh) | 一种基于云数据、云计算的火电厂智慧燃烧控制方法 | |
| CN115111594B (zh) | 一种蓄热式热力氧化炉智能调控系统及方法 | |
| CN111457392B (zh) | 城市生活垃圾焚烧过程风量智能设定方法 | |
| CN115685743A (zh) | 一种智能控制燃煤锅炉及其智能预测调控烟气排放方法 | |
| CN111462835B (zh) | 一种基于深度森林回归算法的二噁英排放浓度软测量方法 | |
| CN118409574B (zh) | 一种用于生物航煤生产质量监控系统 | |
| US20040249578A1 (en) | Nox software sensor | |
| CN115755599A (zh) | 垃圾焚烧炉防腐蚀自动控制方法、系统、设备及介质 | |
| CN115113519A (zh) | 一种煤-煤气混烧锅炉脱硝系统出口NOx浓度预警方法 | |
| CN115198047B (zh) | 基于大数据分析的热风炉燃烧监测系统及方法 | |
| CN112241800A (zh) | 一种焦炉VOCs污染物排放量的计算方法 | |
| CN116906910A (zh) | 一种基于深度卷积神经网络的高效燃烧控制方法及系统 | |
| CN115657466A (zh) | 一种智能控制氨气输入量的锅炉系统 | |
| CN113551231B (zh) | 垃圾焚烧炉控制方法、系统、电子设备及存储介质 | |
| CN114418791A (zh) | 一种火电厂小时级碳排放在线监测方法 |
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 |