Predictive control of <scp>SCR</scp> denitrification system in thermal power plants based on <scp>GA‐BP</scp> and <scp>PSO</scp>
Notice bibliographique
Résumé
Abstract Aiming at the characteristics of strong non‐linearity and large inertia in the reaction process of a selective catalytic reduction (SCR) denitrification system, a predictive control algorithm based on a back propagation neural network optimized by genetic algorithm (GA‐BP) and particle swarm optimization (PSO) is proposed. First, the prediction model of a SCR denitrification system is established by GA‐BP. Second, output feedback and bias correction are used to reduce the prediction error. Third, the optimal inlet ammonia concentration is obtained by PSO. At the same time, in order to solve the problems of high dimension, large noise, and strong coupling in the original data of the SCR system in the process of establishing the prediction model, the least absolute shrinkage selection operator (LASSO) algorithm and the local outlier factor (LOF) detection algorithm are used to screen important variables and samples in the original data set of the SCR system to remove redundant variables and outliers. Finally, the simulation results show that the prediction model has good prediction accuracy and that the proposed predictive control method can achieve accurate control of ammonia injection concentration. This method improves the denitrification efficiency and reduces the NO x emission concentration, which can provide good guidance for on‐site production.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».