基于模型预测的多模式供热电厂机组间负荷优化分配调度研究

为解决热电厂机组间负荷分配不合理的问题,提出一种基于模型预测的多模式供热电厂多机组间负荷实时优化分配方法。基于模块化建模原理构建热电厂全厂范围的机理仿真模型,并运用运行数据对模型辨识校准,根据机组特性和电网调峰补贴政策,建立全厂的运行经济性收益评估模型,进而设计基于粒子群算法的负荷实时优化方法,借助性能预测模型预测评估各方案的经济性。以某包含高背压、切缸、抽汽、光轴4种供热模式机组的电厂为例,对不同电、热负荷组合工况下的厂内负荷进行优化分配研究。应用结果表明：该方法可根据热、电负荷的实时指令在线获得经济性优化的厂内机组间负荷分配方案。     

非线性时间序列的RBF神经网络预测方法及其应用

将一种基于自动增加隐节点数目训练算法的径向基函数（RBF）神经用于非线性时间序列预测。这种方法成功地解决了BP网络的局部极小、隐节点数目的选择和过拟合问题,并用于热电厂热负荷预测。预测结果表明,用本方法进行热负荷预测得到了十分满意的结果。     

基于BP神经网络的工业锅炉房负荷预测

针对工业锅炉房日负荷变化的特点,采用BP人工神经网络模型对热负荷进行预测。在建立模型时,考虑不同小时的热负荷差异,采用24个单输出的BP网络来分别预测每天24h负荷值;利用MATLAB神经网络工具箱NNT(Neural Network Toolbox)分别实现对24个BP网络预测模型的构建及算法改进;最后,应用一个实例对建立的预测模型和实现方法进行了仿真分析,结果证明,该负荷预测模型网络结构小、收敛速度快、预测精度高、具有较高的实用价值。     

基于AP-TS-SVR模型的热电厂工业热负荷预测

工业热负荷预测对保障工业生产过程安全和提高热电厂经济性具有重要意义,然而工业热负荷影响因素众多且有较强的随机性,因而采用常规单一负荷预测方法预测难度较大.建立了一种通过平均比例法将时间序列与支持向量机相结合的AP-TS-SVR混合模型,并对某热电厂工业热负荷进行了预测.结果表明,在预测的72h(3个预测日)中,只有6h...     

基于KNN-LSTM的区域热负荷短期预测及在机组热电可行域的应用研究

为了准确预测热电联产机组的热负荷进而确定机组的热电可行域,使用互信息法筛选预测模型的输入参数。搭建了基于粒子群(PSO)参数寻优的最邻近节点(KNN)模型和长短期记忆神经网络(LSTM)模型对电厂的单日供暖热负荷进行预测,并提出将两种预测方法相结合的KNN-LSTM模型,通过对比发现该混合预测模型在处理短期热负荷异常波动问题时提高了预测模型的鲁棒性。在搭建热电联产机组热力仿真模型的基础上,根据热负荷短期预测结果和机组深度调峰限制条件确定机组的最低运行电负荷,提高了机组预测最低运行电负荷的能力。     

热负荷预测的RBF神经网络预测方法研究

由于BP神经网络存在一些缺点，本文采用RBF神经网络方法用于热电厂热负荷预测。预测结果表明：用本文的方法进行热负荷预测得到了十分满意的结果。     

基于MAC-WD-CNN-MCNN模型的超短期负荷预测

为了充分挖掘电力负荷数据中的有效信息、提高超短期负荷预测精度,提出一种基于多重聚类分析(MAC)、小波分解(WD)、卷积神经网络(CNN)和多路卷积神经网络(MCNN)的超短期负荷预测模型MACWD-CNN-MCNN。通过MAC方法筛选训练集样本,并采用WD算法对负荷进行频段分解,提取负荷细节特征,然后提出了MCNN网络结构,采用CNN网络和MCNN网络分别预测高低频负荷信号,最后通过小波重构输出负荷预测值。试验仿真结果表明,与CNN-GRU模型和MAC-WD-CNN-GRU模型相比,所提超短期负荷预测模型的RRMSE、MMAE、ssMAPE均更小,具有更高的预测精度。     

基于特征排序与深度学习的母线负荷预测方法

负荷预测是指导电力系统规划和安全经济运行的重要依据。传统的负荷预测一般指区域负荷总量的预测,不能够体现底层母线负荷水平,无法满足电网精益化管理的要求,母线负荷预测是解决这一问题的关键途径。文章提出了基于特征排序与深度学习的母线负荷预测模型。首先,针对各区域母线负荷差异性较大的现状,使用随机森林算法对预测目标影响较大因素进行排序,选择特征贡献度较高的特征属性;其次,在模型训练阶段选择了深度置信网络,学习并跟踪母线负荷变化趋势;最后,采用北京电网某条110 kV母线负荷进行实例验证。结果表明,文章所建立的预测模型具有良好的预测精度和稳定度。     

基于机器自学习的供热系统热负荷预测

传统的集中供暖系统热负荷预测取决于操作人员的经验，与系统实际热负荷相差过大，容易造成热用户侧温度过高或过低，影响热用户体验，不利于系统节能。采用机器自学习的方法，对大连某供热系统2019年至2021年的系统数据进行处理，基于多元线性回归、多项式回归、岭回归、Lasso回归、神经网络算法建立供热系统热负荷预测模型，并对比预测效果。结果显示：采用BP神经网络模型的供热系统热负荷预测结果比经验预测结果高8.7%，随着模型不断地自学习与自优化，预测结果的精度可进一步提高。     

基于多目标优化算法的热电厂最佳负荷分配研究

热电厂热、电负荷的最优分配是在运行时间内满足用户要求及机组出力的限制条件下,合理分配运行机组间的热、电负荷,使整个热电厂的总煤耗最小.利用多目标优化算法对热电厂热、电负荷最佳分配进行研究.计算结果表明该方法简单方便,负荷分配比较理想,可以提高热电厂运行经济性.     

基于随机森林的SCR脱硝系统出口NOx浓度预测研究

基于集成学习中的随机森林(Random forest, RF)算法,利用某燃煤机组SCR脱硝系统历史运行数据,通过计算各特征变量重要性评分选取出最优输入变量集,建立脱硝系统出口NO_x浓度最优的RF预测模型。与常见建模方法进行对比,结果表明:基于RF算法的模型预测精度明显高于BP神经网络和SVM等建模方法,且经最优变量选择后,具有更好的泛化能力和更短的建模时间,能够有效应用于电厂烟气脱硝系统出口NO_x浓度预测中。     

基于PSO-BP神经网络的短期光伏系统发电预测

对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。     

基于动态RBF神经网络的锅炉短期负荷预测研究

由于锅炉的热惯性,造成整个热力系统调节相对滞后,影响系统调峰和优化运行。因此,根据系统参数对锅炉短期负荷进行预测变得尤为重要。在基本RBF神经网络的基础上,提出了一种动态RBF神经网络,并定义了样本差异和样本局部差异两个相关参数,对新样本进行有效性判别,同时,给出了输入层灵敏度系数,以实现大差异样本的负荷预测。为了验证所建模型的正确性,以某电厂实际运行数据为基础验证了这一模型,使用动态RBF神经网络对未来锅炉负荷加以预测,同时对预测结果与实验结果进行了比较。结果表明,这种网络具有很强的适应性,能够对锅炉进行准确的负荷预测,具有很好的应用前景。     

基于贝叶斯优化的LSTM火电机组一次调频能力辨识方法

提升火电机组的一次调频能力辨识有助于辅助电网的调度,保证电网的安全稳定运行。提出一种基于贝叶斯优化算法(Bayesian optimization, BO)的长短期记忆网络(long short term memory, LSTM)一次调频能力辨识方法,实现火电机组的一次调频能力精确建模。首先对机组机理及参数之间的相关性进行分析,确立模型的输入特征变量,再利用贝叶斯算法对LSTM网络结构进行优化,得到一次调频能力辨识模型。以某600 MW燃煤火电机组为研究对象,将该模型与传统BP神经网络模型、未优化LSTM网络模型进行对比。结果表明：所提出的网络模型均方根误差分别降低了66.51%和34.83%,具有更高的模型精度。     

小生境蚁群-BP神经网络在大坝变形监测中的应用

针对BP神经网络在大坝监测数据预测模型中后期预测精度不高的问题,基于小生境蚁群算法的智能搜索能力和强鲁棒性、BP神经网络对大量的输入-输出模式的非线性映射关系的学习存贮能力,将两种方法结合,用小生境蚁群算法优化BP神经网络的建模方法建立了水平位移观测数据的预测模型,并与ACA-BP神经网络和传统BP神经网络进行了对比分析。结果表明,本文方法可加快BP神经网络收敛速度、增强局部搜索能力,具有更高的预测精度。     

基于CM-AFSA-BP神经网络的土石坝渗流压力预测

针对经典BP神经网络训练效率低、易陷入局部极值等缺点,利用云模型对传统人工鱼群算法(AFSA)进行改进,并采用改进后的云人工鱼群算法(CM-AFSA)对BP神经网络的权值和阈值进行优化,构建基于CM-AFSA-BP神经网络的预测模型。以某土石坝测压管水位为指标,利用CM-AFSA-BP神经网络预测模型对其渗流压力进行预测,并与同结构的经典BP神经网络预测结果进行对比分析。结果表明,CM-AFSA-BP神经网络模型在训练速度和预测精度上明显更优,在土石坝渗流压力预测和分析方面具有较好的适应性。