共查询到20条相似文献,搜索用时 265 毫秒
1.
以某电厂燃煤锅炉燃烧调整试验数据为基础,运用BP神经网络建立锅炉效率与NOx排放浓度的双目标锅炉燃烧系统模型,并用遗传算法优化BP神经网络的权值和阈值产生优化型GA-BP神经网络模型.通过对2种模型预测误差的比较表明,GA-BP神经网络模型的锅炉效率平均预测误差由6%降至3.4%,NOx排放浓度平均预测误差由0.1%降至0.04%,泛化能力相对于BP神经网络模型大大增强,可适用于建立锅炉燃烧优化系统. 相似文献
2.
以某电厂燃煤锅炉燃烧调整试验数据为基础,运用BP神经网络建立锅炉效率与NOx排放浓度的双目标锅炉燃烧系统模型,并用遗传算法优化BP神经网络的权值和阈值产生优化型GA-BP神经网络模型。通过对2种模型预测误差的比较表明,GA-BP神经网络模型的锅炉效率平均预测误差由6%降至3.4%,NOx排放浓度平均预测误差由0.1%降至0.04%,泛化能力相对于BP神经网络模型大大增强,可适用于建立锅炉燃烧优化系统。 相似文献
3.
针对燃煤电厂NOx排放的预测问题,提出了基于粒子群优化算法和双向门控循环(PSO-Bi- GRU)神经网络的NOx排放预测模型。通过主成分分析对影响NOx排放的运行参数进行降维,消除变量间的耦合;基于双向门控循环神经网络学习NOx排放的非线性特性和前后时序信息,提高特征提取能力;采用粒子群算法对Bi-GRU神经网络模型进行超参数寻优,使网络结构最大程度匹配影响NOx排放的变量特征,克服依靠经验选取或手动调节参数而导致预测精度低的问题。最后基于某电厂660 MW机组燃煤锅炉运行参数,建立NOx排放预测模型,并与单向门控循环神经网络、传统Bi-GRU神经网络预测模型进行对比。仿真结果表明,PSO-Bi-GRU神经网络模型预测效果最好,其平均绝对误差、平均绝对百分误差、均方根误差均最小,验证了本文所提PSO-Bi-GRU神经网络NOx排放预测模型的有效性。 相似文献
4.
为了控制燃煤电厂NOx排放,应用支持向量回归建立了大型四角切圆燃烧电站锅炉NOx 排放特性模型。利用大样本量的热态实炉NOx 排放试验数据对模型进行了训练和验证,结合NOx排放模型采用一种变尺度混沌蚁群算法对锅炉运行参数进行优化, 定量分析优化算法参数对优化结果的影响。计算结果表明,相对于BP神经网络,支持向量回归模型能更好地预测锅炉NOx排放;变尺度混沌蚁群算法能明显降低NOx排放,且具有较高的稳定性与鲁棒性,1.8 min的优化时间也便于在线应用;支持向量回归与变尺度蚁群混合算法能有效降低燃煤锅炉NOx排放,是锅炉NOx排放控制的有效工具。 相似文献
5.
6.
基于在线运行参数预测锅炉NO_x排放浓度 总被引:1,自引:0,他引:1
为获得通用性较好的预测锅炉NOx排放浓度的经验关系式,以某电厂1台330 MW机组锅炉为研究对象,基于锅炉在线运行参数和NOx排放浓度测量值,采用多元线性回归方法,对锅炉NOx排放浓度与主要运行参数之间的相关性进行分析。研究结果表明,机组负荷、锅炉运行氧量、各层燃烧器热负荷对NOx排放浓度的作用均非常显著,它们是NOx排放浓度的主要影响因素。根据研究结果建立了预测锅炉NOx排放浓度的经验关系式,NOx排放浓度预测值与实测值的偏差大多在10%范围内,结果良好,表明基于在线运行参数预测锅炉NOx排放浓度的经验关系式具有工程应用价值。 相似文献
7.
火电机组广泛参与调峰导致运行工况频繁变动,使得锅炉出口NOx排放的控制难度增大。 基于对燃烧状态的影响将锅炉运行参数分为可调参数和不可调参数,并利用不可调参数分布将运行数据样本进行模糊均值聚类划分,以此实现锅炉出口NOx排放特性的多模型预测。同时,利用粒子群算法对各工况所属子模型的可调参数进行寻优来实现NOx排放的优化。对某1 000 MW燃煤机组数据仿真表明,提出的NOx排放多模型预测方法比单一模型具有更好的精度,且模型训练时间更短,经过粒子群算法参数优化后NOx排放质量浓度降低了9.98%。 相似文献
8.
9.
为了有效预测电厂机组出力情况,不仅要采用先进的预测方法,还要对机组出力数据进行合理的预处理.提出了电厂机组出力数据分析的一整套流程,包括数据集成、异常值预处理、数据可视化和电厂机组出力预测.以某省2018年机组出力数据为研究对象,选取一个燃煤电厂为例.经过数据集成、数据预处理和可视化展示,并用长短期记忆(LSTM)神经网络对电厂出力进行预测,LSTM预测得到的平均绝对百分比误差(MAPE)为10.90%,预测结果优于误差反向传播(BP)神经网络,BP神经网络预测得到的MAPE为11.61%.说明经过预处理的机组出力数据再用LSTM模型预测能达到良好的预测准确度. 相似文献
10.
11.
12.
13.
14.
15.
基于PSO训练BP神经网络的短期电价预测 总被引:1,自引:1,他引:0
以美国PJM电力市场为背景,利用历史负荷、系统剩余容量百分比和清算电价对未来时段电价的影响来进行短期电价预测,给出了一个发电侧竞价模型中利用PSO训练BP神经网络进行市场出清电价预测的实例。与使用传统BP神经网络预测的方法进行比较,结果表明,该方法具有更高的预测精度,并能收敛于全局最优解。 相似文献
16.
针对短期电力负荷预测问题,提出一种基于串行式遗传算法-反向传播神经网络模型的预测方法。首先,由关联分析法确定负荷主要影响因素。然后,确定反向传播神经网络1的输入量为负荷主要影响因素,输出量为相应负荷值,实现多因素回归预测。最后,将反向传播神经网络2串行式融入,并确定其训练数据集为反向传播神经网络1的预测值集,继而实现时间序列预测。两个反向传播神经网络在训练前均采用遗传算法进行初始权值阈值的优化,该方法实现了多因素回归预测与时间序列预测的融合。仿真结果表明,本文所提方法较其他同类型负荷预测方法具有更高的预测精度,可较好地应用于负荷预测工作。 相似文献
17.
通过BP神经网络与Matlab相结合,建立起三层四功能单元的BP神经网络短期负荷预测模型,并采用某条线路1年的历史负荷波动数据对模型进行“学习”训练。预测一日24小时负荷数据的Matlab仿真及误差分析结果表明,所构筑的BP神经网络模型具有较高的可靠性和准确性,误差率可以有效地控制在2%以内。BP神经网络模型大大提高了短期负荷预测数据的处理效率与可信性,是研究电力系统经济调度的一种新的非线性建模仿真模型。 相似文献
18.
光伏电站输出功率对电网调度有很大影响,但受到太阳辐射强度和气象因素的影响,光伏电站输出功率具有随机性和不可控性。为合理利用光伏发电系统,建立一种基于气象预测信息以及BP神经网络的光伏电站输出功率预测模型。通过相关性分析确定影响光伏出力的影响因子,结合历史数据和气象因素进行模型训练和功率预测。文中主要提出一种新的预测模型-双层BP神经网络模型,通过对某光伏电站预测结果与实测值对比,结果表明该方法能有效提高光伏电站输出功率预测精度,对发电计划的制定有较好的参考价值和实用价值。 相似文献
19.
20.
灰色神经网络模型GNNM(1,1)在城市年用电量预测中的应用 总被引:4,自引:0,他引:4
针对城市电力系统年用电量增长的特点,将灰色神经网络模型GNNM(1,1)引入城市年用电量预测。GNNM(1,1)模型是把灰色方法与神经网络有机结合起来,对复杂的不确定性问题进行求解所建立的模型。该模型通过建立一个BP网络,来映射GM(1,1)模型的灰色微分方程的解。GNNM(1,1)模型采用BP学习算法,网络经训练收敛后就可进行城市年用电量预测。算例计算表明,与灰色预测方法相比,GNNM(1,1)模型具有更强的适应性和更高的预测精度,适用于城市年用电量预测。 相似文献