Multi‐model predictive control of<scp>SCR</scp>flue gas denitrification system in coal‐fired power plant based on kernel fuzzy c‐means clustering and integrated model
Notice bibliographique
Résumé
Abstract A multi‐model predictive control strategy based on kernel fuzzy c‐means (KFCM) clustering and integrated model is proposed for the complex problem of rapid and accurate control of ammonia injection in selective catalytic reduction (SCR) denitrification systems of coal‐fired power plants under a wide range of variable load conditions. First, the SCR data samples are clustered using the KFCM clustering algorithm, and the number of clusters is determined by introducing the Xie‐Beni index. Second, the prediction model of the SCR denitrification system is established by an integrated modelling approach, and the sub‐learners of the integrated model are the genetic algorithm optimized back propagation (GA‐BP) neural network model and the least squares support vector machine (LSSVM) model. Third, a multi‐model prediction controller based on the particle swarm optimization (PSO) algorithm and the integrated model is designed and developed. To ensure the stability of the system, a model‐switching strategy based on the minimum Euclidean distance is proposed. Finally, simulation verification and industrial field application verification are fulfilled by comparing with proportion integral differential (PID) control and single model predictive control (MPC). The results show that the multi‐model predictive control method proposed in this paper can obtain higher control accuracy and better control stability and meet the control requirements for the long‐term operation of the SCR denitrification system.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».