基于主成分分析和正则化神经网络的电力负荷预测方法

为提高用电负荷预测的准确率,提出一种基于主成分分析(PCA)和正则化人工神经网络负荷预测方法.通过分析多个影响负荷变化的变量和因子,利用主成分分析法对变量进行线性降维,减少各变量之间的关联性,用得到的主成分作为BP神经网络的输入变量,同时增加正则化约束项优化神经网络训练过程,提高网络模型泛化能力.最后利用某售电公司所代...     

基于PCA-SVR的燃煤锅炉NO_x排放预测

以某超超临界700 MW机组锅炉为对象,建立了基于主成分分析(PCA)和支持向量回归(SVR)的氮氧化物(NOx)排放预测模型(PCA-SVR模型)。运用PCA方法对包含有2 000条锅炉运行记录的数据集进行分析,降低数据集维数,提取有效信息(主成分);以得到的主成分为输入变量,锅炉NOx排放值为输出变量,利用SVR建立NOx预测模型。与传统SVR模型相比,PCA-SVR模型的计算时间更短,并且能获得较高的NOx排放预测精度,其预测NOx排放浓度与实际排放浓度相比平均误差在1%以内。     

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。     

基于CEEMDAN-PCA-BiGRU 的NOx 排放量预测

NOx 排放量预测是优化NOx 减排的重要手段.设计了一种采用自适应噪声完全集合经验模态分解(CEEMＧ DAN)与主成分分析(PCA)优化双向门控循环单元(BiGRU)输入的NOx 排放量预测模型.针对NOx 排放急剧变 化和波动大的特点,采用CEEMDAN将出口NOx 含量分解为若干本征模态分量,再通过PCA 方法对这些分量与其 他电厂运行历史数据进行数据降维,最后将降维后的数据输入BiGRU 进行训练,得到NOx 排放量的预测值.以国内 某火电厂的真实数据进行的仿真实验表明,所提出的方法具有较高的预测性能.     

基于独立成分分析预测电站锅炉NOx排放量

为了解决燃煤电站锅炉低NO_x燃烧特性建模输入值高维数据众多,以及大样本处理造成模型运行速度慢、精度低的问题,将独立成分分析（ICA）应用到建模数据预处理领域,提出一种基于快速独立成分分析（FastICA）的BP（back propagation）神经网络建模方法,并用该方法对某220 MW热电机组NO_x排放浓度进行预测。研究结果表明：经FastICA降维预处理后所建的神经网络模型（ICA-BP）性能优于直接构建的神经网络（BP）模型;ICA-BP模型计算结果与实测结果相对误差仅约2.5%,说明ICA方法有助于实现降低维数的同时保留更多原始数据特性的目的,是系统建模数据前处理的有效工具。     

基于主成分分析和遗传优化BP神经网络的光伏输出功率短期预测

针对光伏系统输出功率的波动性和间歇性特点,提出一种基于主成分分析(PCA)和遗传算法(GA)优化的BP神经网络功率短期预测方法。通过历史功率数据和实时气象因素对输出功率进行直接预测,利用主成分分析法将多个原始变量降维成少数彼此独立的变量,作为神经网络的输入。同时利用遗传算法的全局搜索特性在解空间中定位一个较好的空间,优化BP的初始权值阈值,克服了传统BP神经网络易陷入局部极小点、学习收敛速度慢的问题。通过建立不同预测模型进行对比,验证了所提算法和模型的有效性。     

基于主成分分析与前向反馈传播神经网络的风电场输出功率预测

为了解决单一的传统预测方法在风电场输出功率预测中存在的问题,提出了基于主成分前向反馈神经网络的预测方法。首先采用K-S方法对样本进行选取;然后用主成分分析法提取样本有效信息,求解出主成分,构建神经网络模型进行输出功率预测。结果表明,主成分分析后的神经网络模型消除了输入因子的相关性并简化了网络结构,使网络加速收敛。实例验证,与单一的神经网络模型相比,预测精度有所提高,为风电场输出功率预测提供了一种有效的方法。     

基于混沌优化支持向量机的火电厂NO_x排放量预测

在传统支持向量机的基础上,建立了基于混沌优化算法优化的支持向量机预测模型,提高了支持向量机的预测精度。根据1995~2009年的NOx统计数据,对2010年的NOx排放量进行了预测,验证了预测模型的合理性。     

基于主成分分析与遗传优化BP神经网络的风电场短期功率预测研究

为降低风电场弃风率及对电网稳定性影响,对风电场短期功率进行准确预测显得十分重要。针对传统BP神经网络泛化能力差、网络收敛速度慢等问题,建立了一种基于主成分分析与遗传优化BP神经网络相结合的风电场短期功率预测模型。首先,利用主成分分析法对风电场原始气象数据进行分析,将得到的独立变量作为BP神经网络的输入;然后利用遗传算法确定了神经网络的最优初始权值和阈值的大致范围,并用L-M算法对BP网络权值和阈值进行细化训练;最后,利用中国北方某风电场实际运行数据进行验证,结果表明,所建立的预测模型合理有效,不仅可以加快BP神经网络收敛速度,减少预测误差,还可以提高风电场短期输出功率的预测精度,具有一定的工程应用价值。     

基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法

传统的深度信念网络规模大、难度大、训练时间长,导致其故障诊断的时间较长。针对该问题,提出了一种基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法。采用贝叶斯正则化算法改进传统深度信念网络的训练性能函数,在保证网络精度的同时快速提高计算速度,从而提高网络的收敛速度。实验结果表明,经过贝叶斯正则化改进后,深度信念网络训练的泛化能力得到了提高,同时故障诊断的准确率也得到了保证。     

基于PSO优化锅炉氮氧化物的排放

以某超临界600 MW机组锅炉为例,采用BP-adaboost算法建立氮氧化物预测模型,通过粒子群优化算法(PSO)优化锅炉运行参数进而在减少氮氧化物排放的同时保持较高的锅炉效率.结果表明,所建模型预测氮氧化物排放量的误差可控制在3％以内,且具有较强的泛化能力;在机组满负荷运行工况下,优化后锅炉实际燃烧效率为92.04％,NOx排放量为520.93 mg/m3,相比优化前锅炉效率略有降低,但NOx排放量降低明显.     

模糊层次分析法在燃煤锅炉NO_x排放影响因素定量分析中的应用

对NOx排放影响因素之间的模糊性和不确定性采用模糊层次分析法(FAHP)进行分析。通过对各影响因素两两间隶属度的判别并结合现场试验,构造了反映人的思维判断和客观事实一致性的模糊矩阵,定量计算出某电厂215 MW机组锅炉NOx排放影响因素的权重指标,找出NOx排放最强影响因素。据此,对锅炉进行了针对性的燃烧调整,使NOx排放降低了10%~15%,效果显著。     

基于BFA和OFA的燃煤锅炉降低NO_x排放数值模拟研究

结合BFA和OFA技术,并采用计算流体软件FLUENT 6.3,选择合理的数学模型,对420t/h切圆燃烧锅炉炉内的流动、传热及燃烧进行了数值模拟。数值模拟采用三维稳态计算,SIMPLEC算法,湍流模型采用可实现k-ε双方程模型,NOx的生成采用后处理方法计算。计算结果表明,改造后炉膛中心温度降低,炉膛出口NOx排放量降低了约30%,炉膛出口的CO浓度接近零。但是,由于底部BFA二次风的直接扰动,使切圆直径增大,会造成锅炉结渣。因此,在改造过程中应适当减小下一次风截面的设计切圆直径。     

300 MW CFB锅炉水冷壁受热面爆管的处理及预防

介绍了300 MW机组循环流化床(CFB)锅炉水冷壁爆管的情况。分析认为1号炉左侧冷渣器锥形阀压缩空气吹扫手动门不严,2号炉水冷壁延伸墙鳍片漏焊、未清除临时焊件,以及热风与物料的长期冲刷是爆管的主要原因。对此,提出了相应的处理和预防措施。     

现役各类W火焰锅炉NOx排放对比分析研究

介绍我国现役各类W火焰锅炉燃烧器、配风方式及结构特点。从燃烧器设计角度来看,美国B＆W的EI-XCL型燃烧器在降低NOx生成方面具有较强优势;从炉膛结构与配风方式来看,美国B＆W与法国阿尔斯通STEIN的W火焰锅炉更为合理。通过对现有设备进行必要的调整和改造,可以大幅度降低NOx排放量。     

结合主分量分析法的神经网络在变压器故障诊断中的应用

全文分析了根据油中溶解气体,采用人工神经网络进行变压器的故障诊断时,不同的输入短量构成方式对诊断结果的影响,介绍了主分量分析法原理和步骤,由此构成的新矢量,降低了输入矢量的维数,提高了变量间的不相关性,实例检验结果表明,该方法是有效的。     

燃烧优化系统在600MW机组锅炉控制中的应用

利用锅炉运行数据和机组DCS,通过建模及优化实现了锅炉燃烧优化的闭环控制。在通辽发电总厂600MW机组上的应用结果表明,在600 MW负荷下,锅炉燃烧优化控制系统可使锅炉热效率提高0.58%,氮氧化物排放浓度降低10%以上。     

循环流化床锅炉的吹管特点及运行方式研究

分析了蓄能降压联合一段吹管方式的技术要求,总结了某300 MW机组DG1089/17.4-Ⅱ1型循环流化床(CFB)锅炉吹管特点,包括:(1)吹管过程中燃油使用量大,投煤量小;(2)风烟系统阻力较大,系统压力梯度增加;(3)汽温受床温影响较大;(4)单次吹管持续时间较长。同时,给出了锅炉吹管过程中风烟系统、燃烧系统、给水系统的控制要点。     

基于主成分分析的径向基函数神经网络在电力系统负荷预测中的应用

径向基函数(RBF)神经网络应用于电力系统负荷预测时,如果输入空间严重自相关及网络维数较高时,RBF神经网络的预测精度会下降.针对这一问题,文中提出了一种应用于电力负荷预测的改进RBF神经网络新方法.具体是利用主成分分析(PCA)方法对原输入空间进行重构,并根据各主成分的贡献率来确定网络结构,从而有效地解决了预测精度下降的问题.最后通过某省的实际算例验证了该方法的有效性.     

600 MW 机组超临界锅炉燃烧调整试验

介绍了北京巴威公司首台600 MW机组超临界锅炉的燃烧调整试验。根据整个燃烧调整试验结果,推荐在机组600 MW负荷下的锅炉氧量设定值为3.2%左右。锅炉满负荷运行时,省煤器出口氧量不宜超过3.6%。OFA风箱挡板最好全开,同时应尽可能选择投运下层燃烧器,以减少NOx的排放。