基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究

在楼宇短期负荷预测中,针对单一预测模型难以充分学习负荷时间序列中的特性问题,提出了一种基于自回归差分移动平均-长短期记忆神经网络(ARIMA-LSTM)组合模型的楼宇负荷预测方法。首先,根据灰色关联度选取相似日时间序列数据为训练样本;然后,利用ARIMA模型预测负荷,并将原始数据和ARIM A预测数据之间的误差视为非线性分量;最后,通过LSTM神经网络对误差序列进行校正,得到楼宇短期负荷的最终预测值。通过对上海市某楼宇的预测效果分析,并将其与ARIMA模型、LSTM模型和ARIMASVM组合模型进行对比,验证了所提方法能够有效控制预测误差,提高楼宇负荷预测精度。     

基于深度强化学习的微电网储能调度策略研究

针对含光伏发电的微电网系统储能调度问题,文章提出了一种基于深度强化学习的微电网储能系统调度策略。为了分析不同场景组合模型对微电网储能调度策略的影响,以住宅用户微电网系统为例,构建了微电网调度问题环境模型。选取两种电价方式和3种场景进行理论分析,利用深度卷积神经网络(DCNN)提取微电网调度时间序列信息特征,以Q值强化学习机制实现微电网储能调度策略。研究结果表明,对于不同电价方式的场景,强化学习算法都能充分发挥模型的自主性,主动学习环境信息,获得最优调度策略。其中,实时电价方式下"光伏预测量+时间序列信息"的场景组合使微电网获得最大运行收益。与无干扰场景相比,在加入20%光伏发电量的随机干扰场景下,文章所建立的基于强化学习的场景组合模型使微电网获得的运行收益的偏差仅为2.5%。     

基于深度学习的LSTM光伏预测

随着对能源利用效率要求的提高及日益激增的光伏数据,传统的光伏预测方法已逐渐丧失优势。为了更加准确地进行光伏预测,采用深度学习的框架,并利用循环神经网络(RNN)中最重要的一个结构——长短时记忆网络(LSTM)对时间序列的强大处理能力进行了智能算法建模。由于LSTM具有"遗忘"与"更新"功能,很好地解决了长序依赖问题,从而使光伏预测在精度上有了质的变化,预测速度也得到显著提升。     

基于活跃约束条件辅助目标的进化算法求解油品调合问题

根据油品调合问题的特点,提出了一种基于活跃约束条件辅助目标的求解约束优化问题的新方法。该方法根据进化算法种群中的可行解和不可行解共同辨识约束优化问题的活跃约束条件。然后,通过增加活跃约束条件辅助目标的方法将单目标约束优化问题转换为多目标约束优化问题进行求解。通过该方法,相应的进化算法可以利用油品调合问题的活跃约束条件信息,从而达到提高进化算法求解油品调合问题的搜索效率和避免局部最优解的目的。最后,通过仿真研究证实了该方法的有效性。     

能源互联网储能技术应用研究

发展能源互联网是大势所趋,既需要优质的顶层设计,也需要成熟的底层技术。从能源互联网的重要技术支撑——储能出发,首先分析能源互联网中需要储能参与实现的目标及对储能系统的基本要求;然后从发电侧、系统侧、用户侧出发归纳储能系统的主要功能,主要功能除了削峰填谷、改善电能质量之外,还包括实现能源网络耦合、促进新的用能方式等;接着根据储能系统的功能分析储能在能源互联网中的作用方式;最后指明了能源互联网对储能的需求、储能的主要功能、储能的作用方式之间的对应关系。     

基于Faster R-CNN的齿轮箱铁谱磨粒识别

在利用铁谱技术对齿轮箱磨损状态进行评估时,存在磨粒特征提取困难且磨粒识别的数量有限的问题,基于铁谱磨粒图像特性,提出基于Faster R-CNN算法的铁谱磨粒识别。该算法采用ResNet-34网络完成铁谱磨粒特征自动提取,并采用RPN网络实现对图像中多个磨粒的识别。通过实验对Batch_Size和学习率超参数进行优化,使用超参数优化后的Faster R-CNN算法进行实验。结果表明:该方法克服了磨粒交叉引起的识别难点,能识别一副图像中的多个磨粒,能统计各类磨粒数量,且准确率较高;在磨粒背景颜色不同、存在噪声干扰等情况下,该方法仍能够准确判断磨粒类型,具有较好的稳定性。     

基于内部罚函数的进化算法求解约束优化问题

为解决现有约束处理方法可行解的适应度函数不包含约束条件的问题,提出了一种内部罚函数候选解筛选规则.该候选解筛选规则分别对可行解和不可行解采用内部罚函数和约束违反度进行筛选,从而达到平衡最小化目标函数和满足约束条件的目的.以进化策略算法为基础,给出了基于内部罚函数候选解筛选规则的进化算法的一个实现.进一步地,从理论和实验角度分别验证了内部罚函数候选解筛选规则的有效性:以(1+1)进化算法为例,从进化成功率方面验证了内部罚函数候选解筛选规则的理论有效性;通过13个测试问题的数值实验,从进化成功率、候选解后代是可行解的比例、进化步长和收敛速度方面验证了内部罚函数候选解筛选规则的实验有效性.     

基于FTA-BN模型的煤粉锅炉受热面故障风险研究

煤粉锅炉受热面在故障演化过程中具有不确定性,难以准确地评估故障风险。针对上述问题,采用了一种基于故障树分析(FTA)与贝叶斯网络(BN)的方法研究煤粉锅炉受热面故障风险。此方法结合了故障树易于梳理事件之间因果关系和贝叶斯网络不确定性分析的优势。首先,建立煤粉锅炉受热面4层故障树模型;然后,映射成BN模型并进行不确定性修正,通过与某电厂煤粉锅炉故障数据对比,验证所提方法可以提高故障风险评估的准确性;最后,根据BN的反向诊断推理,找出故障风险关键因素,提升锅炉受热面的安全性。     

基于深度强化学习的配电网多时间尺度在线无功优化

含分布式电源的配电网存在潮流建模不精确、通信条件差、各无功补偿设备难以协调等问题,给配电网在线无功优化带来了挑战.文中采用深度强化学习方法,提出了一种多时间尺度配电网在线无功优化运行方案.该方案将配电网在线无功优化问题转化为马尔可夫决策过程.鉴于不同无功补偿设备的调节速度不同,设计2个时间尺度分别对离散调节设备和连续调节设备进行优化配置.该方案能够实时追踪配电网状态,在线决策无功调节设备的优化方案,且不依赖精确的潮流模型,适用于复杂多变、通信条件差的部分可观测配电网.最后,通过算例验证了所提方法的有效性和鲁棒性.     

超临界火电机组主蒸汽温度控制算法研究

针对火电机组主蒸汽温度控制系统的大惯性和大时滞特性,将线性自抗扰控制、经典串级PID控制、微分先行控制策略、史密斯(Smith)预估控制等几种温度控制方案的控制效果进行仿真对比。仿真结果表明:经典串级PID控制策略的控制效果差;微分先行(D-PI)控制策略的响应速度快,但鲁棒性差;Smith预估算法能够小幅改善主控制器的控制效果,但效果不够好;线性自抗扰控制策略的控制效果较好、抗干扰能力较强、鲁棒性较强。在面对主蒸汽温度控制问题时,线性自抗扰控制是一种能够替代传统控制策略的合理、有效的选择。