基于广义回归神经网络的燃煤锅炉NOx排放预测

基于某电厂330 MW燃煤锅炉DCS历史数据,利用MATLAB软件分别采用BP神经网络、遗传算法优化神经网络(GABP)、广义回归神经网络(GRNN)对该锅炉NO_x排放量进行预测,并进行二次风及分离燃尽风喷口挡板开度优化。通过对比3种神经网络预测结果的相对误差、均方根误差(RMSE)和平均绝对百分误差(MAPE),结果表明GRNN神经网络误差最小,RMSE和MAPE分别为4.81 mg/m~3、0.91%,预测精度较高;利用GRNN神经网络优化后,NO_x排放由243 mg/m~3降至210.8 mg/m~3,可以达到降低NO_x排放的目的,为燃煤电站运行提供参考。     

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。     

基于神经网络的N Ox 燃煤锅炉排放预测及优化

应用Matlab神经网络工具箱对某燃煤电站锅炉NOx排放特性进行神经网络建模。仿真结果表明,该模型具有良好的准确性和泛化能力,模型平均相对误差为1.37%,具有较高的准确性。基于该NOx排放预测模型,结合遗传算法对燃煤锅炉的NOx排放进行优化,按照优化结果推荐的运行参数,在相同的运行负荷工况下,其NOx排放浓度由优化前的456.2mg/m3降为323.9mg/m3,下降幅度达到了29%,效果显著。     

基于遗传算法优化反向传播神经网络的锅炉NOx排放研究及应用

为了降低NO_x排放浓度,提高机组运行效率,建立了锅炉燃烧系统遗传算法一反向传播模型,并利用该模型通过反向传播神经网络对锅炉燃烧系统中NO_x排放浓度进行建模,利用遗传算法对限定范围内的对象输入进行参数全局寻优。以内蒙古某330 MW超临界机组为研究对象,利用该模型对运行参数进行实时优化,结果表明该模型能够有效降低NO_x排放浓度,具有一定的推广价值。     

基于数据驱动的燃煤锅炉NOx排放浓度动态修正预测模型

NO_x浓度实时预测对于燃煤电厂污染物排放控制和机组运行具有重要意义。为了克服燃烧过程大时延及强非线性特性,提出一种考虑时间延迟的动态修正预测模型。利用最大信息系数(maximum information coefficient MIC)计算相关参数与NO_x浓度的延迟时间,重构建模数据集;然后,构建基于Lasso和ReliefF的自适应特征选择算法,筛选与NO_x浓度相关程度高的参数;最后,建立结合误差校正的极限学习机(extreme learning machine,ELM)模型,达到动态预测氮氧化物浓度的目的。基于实际数据的实验结果表明:相同变量在升、降、平稳等负荷工况下的延迟时间不同;且不同负荷工况下模型特征变量存在差异;动态误差校正策略有效提升建模精度;所提出算法在不同工况下的预测误差均小于2%,能够准确预测燃烧出口的NO_x浓度,为NO_x排放监测和燃烧过程优化提供指导。     

基于BWOA-GAM-BiGRU的火电厂SCR系统出口NOx排放预测

提出了一种基于数据驱动结合全局注意力机制与双向门控循环单元深度神经网络的选择性催化还原系统出口NOx排放预测模型,并使用黑寡妇优化算法对网络超参数进行自动寻优。对某300MW电厂选择性催化还系统的历史运行数据进行深度挖掘,确定模型输入变量并校准各输入变量与NOx排放量之间的时延并重构样本序列。实验结果显示,所提出模型的预测结果比典型预测模型具有更高预测精度和更好的泛化能力。     

燃煤电站锅炉运行过程中NOx排放的预测方法

燃煤电站锅炉实际运行过程中,在煤质等变化时需对燃烧进行必要的调整以保持锅炉的运行性能和低的NOx排放浓度.运行人员可以根据机组的性能和运行经验对各因素变化及相应调整的影响进行评估,以确定较佳的调整方式和幅度.电厂运行过程中对锅炉NOx排放的预测控制的常用方法,主要包括基于燃烧调整试验的经验方法、基于优化控制的数学模型方...     

基于时序特征的图卷积协同过滤推荐算法

基于图卷积神经网络的协同过滤推荐算法框架是目前最先进的推荐算法框架,该框架在用户-项目交互嵌入向量的特征学习中并未关注交互发生的时序性,但实际情况中,用户-项目交互普遍具有明显的时序特征,且是影响推荐性能的重要因素。因此,本文提出一种基于时序特征的图卷积协同过滤推荐算法,重做多个数据集,保留数据集时序特征等原始信息,总结归纳数据集中用户-项目交互的历史时序信息,并对其进行参数化处理,作为重要特征输入到图卷积网络模型训练的高阶协同信号传递中。在三个公开的官方数据集Gowalla,Yelp和Amazon-book上设置多组消融性实验,采用公认的评价指标ndcg和recall对推荐算法性能进行评价,实验结果证明,在同样参数设置下,基于时序特征的图卷积协同过滤推荐算法性能超越了现有同类型图卷积协同过滤推荐算法,验证了时序特征对提升推荐效果的积极作用,提高了模型训练效率和预测命中率,更加高效地解决网络信息过载问题,满足了更高的应用需求。     

基于多模态和图卷积的飞机部段形变预测方法

近年来,随着人工智能技术的发展,深度神经网络在智能制造中得到了广泛应用。本文将深度神经网络与飞机部段的形变预测相结合,提出了一种基于图卷积和多模态的飞机部段形变预测方法。在对飞机部段的形变分析中,对飞机部段的结构数据与工况数据两种模态的数据进行特征提取并在特征级和决策级进行融合。飞机结构数据为点云数据,具有非欧几里得数据的特性,在对飞机部段结构数据进行特征提取时,引入了基于图卷积的特征提取网络。基于ModelNet40和飞机部段的结构和工况数据构建了包含4种飞机部段的形变数据集,并在该数据集上进行了实验。实验结果表明,该方法在各个部段中的平均预测均方误差为0.188,并在机头部段取得了最好的预测结果,可以有效的对飞机部段的形变状况进行预测。     

基于图卷积神经网络的机组组合问题加速求解方法

针对传统的精确优化算法求解规模较大的机组组合问题面临时间可行性的挑战,提出了一种基于图卷积神经网络的机组组合问题加速求解方法。将机组组合问题构建为一个混合整数线性规划模型,根据分支定界法的求解原理,将分支策略定义为从候选变量的特征到候选变量得分的映射关系;提出在离线阶段使用图卷积神经网络来模拟强分支策略的决策行为,并将学习到的映射关系应用到在线分支过程中,从而加速分支定界法求解机组组合问题。通过IEEE 39节点10机组和IEEE 118节点54机组系统的算例分析,验证了所提方法的有效性。     

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。     

大型电站燃煤锅炉NOx生成的数值模拟

在NOx生成的模拟过程中,采用β-pdf模型考虑湍流脉动对燃料NOx生成速率的影响.模拟预报的热力NOx及总NOx在炉膛内的分布是合理的,计算得到的NOx排放浓度与试验结果基本吻合.     

基于图卷积网络和风速差分拟合的中长期风功率预测

为充分利用数据特征间的先验关系,提高风电场中长期发电功率预测精度,提出一种基于图卷积神经网络（GCN）、风速差分拟合（DF）、粒子群优化算法（PSO）的中长期风功率预测模型。通过分析风力发电全过程,挖掘风功率影响因素及因素间的相互关联性,搭建GCN模型,分别拟合风速和功率利用效率,进一步结合基于DF的风速-功率计算模型计算风功率,模型的损失包含功率损失、风速损失和功率利用效率损失3个部分,采用粒子群优化算法为这3部分损失确定合适的权重。2个风电场的实际算例表明,该模型未来10天风功率预测的相对均方根误差分别为11.44%和13.09%,具有较高的预测精度。     

基于BP神经网络的燃煤机组NOx排放浓度预测模型

为了准确预测燃煤电厂NOx排放量,笔者利用BP神经网络对NOx排放浓度建立了预测模型,对某电厂660 MW机组实时的不同机组负荷、脱销进口烟温、进口NOx浓度、进口O2浓度、出口NOx浓度的样本进行训练,得出训练模型.实践证明,通过训练后的BP神经网络模型对未知的NOx排放浓度进行预测,预测精度达到93.48％以上,完全满足实际中的预测需求。     

基于滑动图卷积神经网络的输电线路点云分类模型

图卷积神经网络虽然可以对初始点云数据进行直接处理,但其只在局部尺度上独立提取点特征,未将局部点互相关联起来则会影响点云数据分类精度。因此,本文在考虑点云数据整体几何关系和拓扑信息的基础上,提出了一种基于滑动图卷积神经网络的输电线路点云分类模型。首先,通过最远点采样方法从原始点云中迭代子采样点集,有效地降低模型复杂度和时间消耗;其次,利用多尺度K近邻对子采样点集建立局部有向图;再次,采用边缘卷积滑动地提取局部图特征,计算点云上的每一个点与其相邻点之间的边缘特征;最后,利用全局最大池化层进行点云分类。所提模型首先在公用数据集上进行预训练,之后再用标注过的由激光雷达实地采集的输电线路点云数据进行验证。实验结果证明,本文所提模型在公用数据集和实际数据集上均取得较好的分类效果,分类准确率比通用的ECC、PointNet、PointNet++等方法高出至少1.5%。     

基于深度卷积神经网络和支持向量机的NOx浓度预测

NO_x浓度的准确预测对于燃烧优化控制至关重要,有利于提高能源利用效率和减少环境污染。提出了一种基于深度卷积神经网络(deep convolution neural network,DCNN)和支持向量机(support vector machine,SVM)的NO_x浓度预测方法。该方法首先利用DCNN对火焰图像的深层特征进行提取,然后采用支持向量机对所提取到的深层特征进行分析,从而实现NO_x浓度预测。通过采集4.2MW重油燃烧锅炉不同燃烧工况下的火焰图像与NO_x浓度,对所提出的预测方法的有效性进行测试。试验结果表明,在不同燃烧工况下,DCNN-SVM的均方根误差为1.58mg/m~3,低于基于静态物理特征的预测模型(7.96mg/m~3)。表明DCNN-SVM具有较高的预测精度,不仅克服了静态物理特征表达能力的不足,而且摆脱了繁琐的特征设计过程。     

基于图卷积神经网络和格拉姆角场的电能质量扰动分类

由于新能源系统的广泛加入,系统中的电能质量扰动数量和种类也相应增加,而传统电能质量扰动（PQD）分类方法存在准确率和效率不高的问题,难以适应现有包含高新能源渗透率的电力系统的电能质量管理。因此,提出了一种基于图卷积神经网络（GCNNs）和格拉姆角场（GAF）的电能质量扰动分类方法。首先,对原始的PQD信号进行归一化和极坐标转化处理;然后采用GAF对不同种类的PQD一维信号进行图形化转换,生成包含不同PQD特征的二维图片;最后,采用GCNNs对不同种类的PQD图片进行训练和分类,实现不同PQD的分类。实验部分采用IEEE-39节点系统仿真并模拟不同种类的PQD曲线,对所提方法进行验证。实验结果表明,所提方法可以自动地进行特征的提取和优化,满足PQD识别和分类的高效性和准确性。     

基于沙地猫群优化–最小二乘支持向量机的动态NOx排放预测

针对火电机组频繁调峰导致机组燃烧状态不稳,进而导致锅炉出口NOx浓度波动范围大的问题,提出一种基于沙地猫群优化(sand cat sarm optimization,SCSO)的最小二乘支持向量机(leastsquaressupportvectormachine,LSSVM) NO_x动态预测模型。首先利用k近邻互信息计算时间延迟的同时筛选辅助变量。然后,基于SCSO算法进行输入变量阶次的选择。使用包含辅助变量时间延迟和阶次的信息作为模型的输入,SCSO算法优化最小二乘支持向量机参数,建立动态NO_x排放最小二乘支持向量机预测模型(SCSO-LSSVM动态软测量模型)。最后将模型与未加入迟延的LSSVM模型,加入迟延的LSSVM模型和粒子群优化算法(particle swarm optimization,PSO)优化最小二乘支持向量机参数的动态软测量模型进行对比验证。结果表明,相较于其他模型,该文建立SCSO-LSSVM动态软测量模型均方根误差、平均绝对误差、平均绝对误差最小,预测精度最高,而且在NO_x浓度剧烈波动时也能够较...     

基于SDAE预测模型和改进SSA的NOx排放优化

为降低锅炉燃烧系统氮氧化物(nitrogen oxide,NO_x)的排放浓度,基于某1000MW火电机组采集的真实历史运行数据,采用堆叠降噪自编码器(stacked denoising auto-encoder,SDAE)建立了NO_x排放浓度的预测模型,进而提出一种基于改进麻雀搜索算法(sparrow search algorithm,SSA)的锅炉配风配粉优化策略。为提高SSA的寻优能力,提出一种引入萤火虫扰动的混沌优化麻雀搜索算法(chaotic optimized sparrow search algorithm with the introduction of firefly perturbation,FCOSSA),该算法采用Tent混沌映射使初始个体尽可能分布均匀,以增加初始种群的多样性,利用萤火虫扰动方式对所有麻雀位置进行更新。经典测试函数优化试验表明了FCOSSA的优越性。针对某给定负荷稳态运行工况,以降低NO_x排放为目标,利用方法对锅炉各磨煤机的给煤量及二次风门开度等进行寻优,结果表明优化后锅炉的NO<...     

基于图卷积神经网络的直流送端系统暂态过电压评估

随着新能源接入电力系统并通过直流送出,送端系统的暂态过电压问题逐渐突出。因此,为快速准确估计送端系统在直流闭锁、换相失败等预想扰动场景下各直流近区节点暂态过电压严重度,提出一种基于图卷积神经网络(graph convolutional network, GCN)的直流送端系统暂态过电压评估模型。该模型以电网发生直流故障前的潮流状态参数与网络拓扑作为输入特征,可以同时预估电网多个关键节点(如风电场汇集节点)的暂态过电压严重度。利用含跨区直流异步互联的两区域系统进行算例分析,验证该模型可以适应多种网架拓扑结构、不同新能源发电占比等差异化电网运行方式,具有较强的泛化能力。同时,所提模型揭示了对过电压严重度影响最大的关键因素,具有一定的可解释性,可为暂态过电压的预防控制提供有效指导。