基于多源多维度用能数据的用户标签萃取方法研究

随着电力行业数字化、智能化水平稳步提升,电力公司利用大数据技术精准识别用户需求、掌握用户用能规律,进而满足用户多样化的用能需求成为营造良好用电体验的关键.为此提出一种基于多源多维度用能数据的用户标签萃取方法,旨在通过采用模糊C均值聚类算法进行标签聚类、用户智能画像,更好支撑用户用电行为掌握、精准营销策略执行,辅助制定电力需求侧响应策略,推动电力服务质效提升.     

电力系统测控装置中功率频域算法优化

无功功率根据定义的不同,有多种不同的算法,但适合测控装置的频域算法计算过程复杂,引入误差的环节也较多.对此提出一种优化的频域算法,以减少计算环节,简化频域算法.首先,分析了频域算法中某固定频次下,有功功率和无功功率的算法,分解了计算过程.然后,通过对频域算法计算过程的拆解及三角函数转换,得出了电压、电流的实部、虚部与功率间的关系,得到了频域算法的优化算法.最后,将优化频域算法放入测控装置中运行,从试验数据可看出优化后的频域算法明显地减少了运算环节,降低了运算量,运算时间较优化前减少了约一半,同时经优化后的频域算法计算得出的功率值也能满足测控装置行业标准5‰的精度要求.     

基于改进KNN算法的汽轮机通流故障诊断方法及应用

汽轮机的故障诊断对整个电厂的安全运行意义重大。根据热力参数建立计算模型可以及早地观测到性能退化趋势,预测设备故障类型。本文采用特征通流面积的方法建立汽轮机系统性能退化模型,模拟系统故障样本与测试样本,建立设备故障样本库。通过使用改进的KNN（K-nearest neighbor）算法,基于汽水系统热力参数变化规律,计算当前机组运行数据样本相对于设备故障样本的相似度,判定当前机组各设备已发生故障的概率。通过对某S109FA联合循环机组汽轮机研究结果表明,特征通流面积在不同工况下的计算误差均在5%以内,满足工程计算要求。相比于传统KNN算法,改进KNN算法通过样本评估近邻在决策过程中的权重,取得了比传统KNN算法更高的分类正确率。对测试样本故障诊断结果表明,改进KNN算法比传统KNN算法诊断准确率更高,对测试样本诊断准确率为100%,采用改进KNN算法汽轮机系统故障诊断具有可行性,与现场实际情况吻合。     

CO2驱油-埋存一体化评价方法

CO2驱油-埋存一体化工程项目缺乏能够同时评价CO2的驱油和埋存效果及综合评价项目的方法。为此,本文提出了CO2驱油-埋存一体化评价方法,构建了驱油-埋存综合效应因子,引入粒子群优化（PSO）算法来优化驱油-埋存过程前、中、后期的注入速度、生产流压和阶段时长。研究结果表明:在不考虑生产成本的情况下,注采时间越长,驱油-埋存效果越好。无论是以驱油还是以埋存为主,项目初期均要维持高压低速驱替。若注重埋存效果,项目中期需要降低注入速度,项目的后期则需要重新提高注入速度;若注重驱油效果,项目中、后期需要大幅降低注入速度,同时要酌情降低生产流压,提高产油量。     

基于Ziegler-Nichols优化算法的火电机组负荷频率PID控制研究

随着风电和光伏接入电网的规模不断扩大,电网负荷峰谷差逐渐增加,电网的频率控制出现超调量过大、调节速度过慢等一系列问题。本文针对互联电力系统的负荷分配以及频率控制问题,提出考虑发电机组分配系数的互联电力系统负荷频率控制方法。首先,建立单个区域包含多个火电机组的两区域电网自动发电控制（AGC）系统仿真模型,根据各发电机组的煤耗特性建立经济性目标函数,并且获得最优的出力分配系数;然后,基于联络线功率和频率偏差控制（TBC-TBC）的控制模式,采用经Ziegler-Nichols相关算法优化后的PID控制,并对优化后PID控制器的鲁棒性进行分析研究;最后,基于两区域系统仿真模型,在一定的负荷扰动工况下进行仿真验证。仿真结果表明:该分配方法能够有效节省煤耗,本文算法优化后的PID控制器在频率恢复速度方面具有一定的优势,并且鲁棒性良好。     

基于时空互补特性的多能源源荷协调优化调度

传统的能源利用方式已无法解决高比例可再生能源并网问题。对此,本文利用多种能源之间的时空互补特性,将风、光、水、火与抽水蓄能、高载能负荷协调优化调度,建立以系统运行成本最小、可再生能源消纳最大化和净负荷波动最小为目标的多能源电力系统源荷协调双层调度模型,并采用改进的蝗虫优化算法和粒子群优化算法分别对上、下2层优化调度模型进行求解。通过对比算例中4个调度情景的计算结果,得出所提调度策略能够减小系统净负荷的波动性,提高新能源消纳水平,实现系统的经济运行,验证了该模型和所改进的算法的有效性。     

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。     

基于CEEMD和MOMEDA的滚动轴承故障提取

当滚动轴承发生故障时,故障特征信号会夹杂在振动信号中,造成故障特征信号提取效果不理想.针对这一问题,提出了一种互补集成经验模态分解与多点最优最小熵(CEEMD-MOMEDA)的滚动轴承故障提取方法.首先通过CEEMD算法对采集到的振动信号进行处理,然后通过峭度准则对非故障冲击成分进行筛除,最后利用MOMEDA算法对重组后的信号进行处理从而抑制噪声的影响,从中提取出故障特征.并与单一的MOMEDA算法进行对比.结果 表明,提出的CEEMD-MOMEDA算法故障提取能力、抗干扰能力有较大提升.     

改进MASK匀光与K-means结合的桥梁裂缝提取

针对采集到的桥梁裂缝图像存在污渍、阴影、光照不均等现象,导致后期裂缝特征提取困难的问题,提出一种结合MASK匀光和K-means聚类算法的裂缝提取方法.该方法首先对MASK匀光算法进行改进,提高算法自适应能力,采用对比度拉伸增强图像反差,然后根据裂缝与背景像素灰度值的差异,利用K-means聚类算法进行图像分割,最后结合形态学方法和连通域检测实现裂缝的桥接和去噪.实验结果表明,相比于其他方法,该方法能够有效降低图像亮度不均干扰对裂缝提取结果的影响,裂缝提取准确率达到95％,保证后期裂缝尺寸测量和桥梁病害程度评估的准确性.     

基于改进GWO-ELM的热轧带钢卷取温度预测

卷取温度控制精度是影响带钢产品性能的主要因素之一,提高卷取温度控制精度和保证卷取命中率是热轧领域的重点问题.针对某钢厂现有的卷取温度设定模型中存在个别钢种命中率低的问题,结合数据挖掘及现场专家经验,提出了一种基于灰狼优化极限学习机的新建模思路,并引入Henon映射、小孔成像策略和权重因子策略来改进灰狼算法,建立了基于改进灰狼优化极限学习机(IGWO-ELM)的热轧带钢卷取温度预测模型,并与ELM模型、GA-ELM模型和GWO-ELM模型进行对比.模型结果表明:建立的IGWO-ELM模型,预测卷取温度在士3℃之内的命中率为91.1％,在士4℃之内的命中率为96.7％,均好于对比模型,具有广泛的实际应用前景.