采用燃烧系统模型预测锅炉效率和NOx排放浓度

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.     

采用燃烧系统模型预测锅炉效率和NO_x排放浓度

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。     

基于粒子群优化的双向门控循环神经网络燃煤电厂NOx排放预测

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。     

变尺度混沌蚁群算法在NOx排放优化中的应用

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。     

大型燃煤锅炉氮氧化物排放预测模型

随着环保要求的不断提高,大型燃煤电厂锅炉的NOx排放特性日益受到关注。借助某600MW锅炉燃烧调整试验数据,采用BP-adaboost算法建立了NOx排放特性的预测模型。研究结构表明,与BP神经网络建立的NOx特性排放模型相比,该模型能根据燃煤特性及各种操作参数更加准确预测锅炉在不同工况下NOx排放特性。     

基于在线运行参数预测锅炉NO_x排放浓度

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。     

基于模糊聚类的NOx排放多模型预测优化

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%。     

改进BP神经网络在低氮燃烧优化中的应用

基于燃煤锅炉低氮燃烧优化试验数据,建立了预测NOx排放浓度和锅炉效率的改进BP神经网络模型,通过样本学习,该网络可以精确描述锅炉运行参数与NOx排放浓度和锅炉效率之间的非线性映射关系。仿真结果表明,网络的NOx排放浓度和锅炉效率预测值的相对误差分别小于3.92%和7.6%,能够描述NOx排放浓度和锅炉效率随SOFA风门开度和运行氧量变化的规律,而且预测精度高、泛化能力强,可为燃煤锅炉低氮燃烧优化提供指导。     

大数据技术在电网数据上的应用

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.     

基于L-M算法的火电厂实时数据神经网络预测模型研究

提出了一种建立在BP神经网络上的基于Levenberg-Marquardt(简称L-M)算法的火电厂实时数据神经网络预测模型,以减少训练次数和提高训练精度.通过对某电厂300MW机组高压加热器进口温度进行训练和校核,分析了数据预处理的重要性.仿真结果表明,该模型能够获得未来时刻合理的预测结果,可用于缺失数据补充和实时数据校核,提高数据可靠性,适用于在线对未来状态的评价,为状态检修提供参考依据.     

流化床垃圾焚烧NOx排放的神经网络预测

首次阐述人工神经网络在流化床垃圾焚烧NOx排放预测的建模过程。通过对NOx排放影响因素的典型相关性分析以及动态构造法确定了网络输入层与隐层节点数,得出模型最佳拓扑结构为12×5×1。将234组试验数据随机分成训练样本和检验样本,以训练样本对网络进行学习,以检验样本评价网络。预测结果的相关性分析以及预测实例表明,模型预测精度较高,容错性和泛化能力较好。     

基于IOWA组合模型的火电行业NO_x排放量预测研究

区域火电行业NOx排放量预测问题属于小样本、贫信息的灰色系统,同时NOx排放量受到多个影响因素的叠加性影响,导致NOx排放量呈现非线性变化趋势,单一的预测模型难以准确反映NOx排放量的复杂变化趋势。基于此,在灰色预测模型和BP神经网络模型的基础上,利用诱导有序加权平均(IOWA)算子,建立了基于IOWA的组合预测模型,并对我国2009～2011年以及2020年的火电行业NOx排放量进行了预测研究。     

短期电力负荷预测的自适应混合遗传优化BP算法

基于遗传算法具有很强的全局搜索能力和BP神经网络具有精确的局部搜索能力的特点,提出对电力短期负荷预测的自适应的混合算法。将训练样本随机地分为训练集和测试集。应用该算法对澳大利亚悉尼的短期电力负荷进行了预测。仿真计算表明,该算法达到了提高预测精度和改善网络性能的要求。     

锅炉燃烧系统神经网络建模及多目标优化研究

电站锅炉面临降低运行成本与降低污染物排放的双重要求。依据采集到的燃烧数据,采用神经网络训练得到了锅炉燃烧模型,用于预测锅炉在不同燃烧参数的NOx排放和燃烧效率。并采用多目标优化算法,通过调整锅炉运行参数,在锅炉高效燃烧与NOx低排放之间找到合理的平衡点。     

基于PSO训练BP神经网络的短期电价预测

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。     

基于串行式GA-BP的短期负荷预测方法

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。     

基于BP神经网络的短期负荷预测建模仿真

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。     

基于双层BP神经网络的光伏电站输出功率预测

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。     

风电场输出功率的组合预测模型

风电场输出功率预测对于接入大量风电的电力系统运行具有重要意义。作者利用BP神经网络、径向基函数神经网络和支持向量机进行风电功率预测,提出了风电场输出功率的组合预测模型。采用3种方法确定权重,即等权重平均法、协方差优选组合预测法和时变权系数组合预测法。研究结果表明,不同方法的预测精度不同,整体预测精度高的方法在个别预测点也可能误差较大,组合预测模型能有效减少各预测点较大误差的出现,有利于提高预测精度。     

灰色神经网络模型GNNM(1,1)在城市年用电量预测中的应用

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。