基于CNN-LSTM混合神经网络模型的NOx排放预测

为了充分挖掘电站锅炉NO_(x)排放数据中时序性特征联系,提高NO_(x)排放预测精度,提出一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的NO_(x)排放预测方法。以某300 MW电站锅炉历史数据为样本,采用K-means聚类方法对NO_(x)排放训练样本集进行分组,再基于CNN网络的卷积层和池化层提取NO_(x)排放变量的高维映射关系,构造高维时序特征向量,将抽象化的特征集输入到LSTM网络,通过训练LSTM网络参数建立基于CNN-LSTM的NO_(x)排放预测模型。通过某电站锅炉实际数据验证,所提预测模型对训练和测试样本的平均相对百分比误差分别为1.76%和3.85%,远低于其他模型。结果表明所提模型在预测精度和泛化能力方面具有显著优势。     

基于动态时延分析和典型样本筛选的NO_(x)排放浓度预测EI北大核心CSCD

选择性催化还原(selectivecatalyticreduction,SCR)是一个变时间延迟的动态过程。为建立准确SCR出口NO_(x)排放浓度预测模型,提出一种基于动态时延分析和典型样本筛选的建模算法。首先,通过机理分析和实际生产数据Pearson相关性分析,确定模型输入变量。然后,采用时间滑动窗口策略,计算滑动时间窗口内变量互信息熵,根据互信息熵排序确定各变量对于NO_(x)排放浓度的动态延迟时间。其次,为了降低建模样本数量,采用K-Means聚类算法对时延分析后的样本集合进行筛选,筛选出具有代表性和多样性的典型运行数据样本。最后,设计极限学习机算法,构建SCR系统出口NO_(x)动态预测模型。基于1000MW超超临界锅炉运行数据的验证结果显示,所提算法的预测误差小于5%,能够对SCR系统出口NO_(x)浓度进行准确预测。     

基于改进生成对抗网络的谐波状态估计方法

传统的基于最小二乘法的谐波状态估计受到量测装置少、精确的谐波阻抗获取难、网络拓扑结构复杂以及电网运行方式变化等因素的限制,造成量测方程欠定、系统非全局可观以及节点间耦合关系难以准确提取等问题。文中提出了一种基于改进生成对抗网络的谐波状态估计方法。该方法基于pix2pix谐波状态估计网络拟合监测节点与目标节点间的耦合关系,利用采集的历史谐波数据,对模型进行批量训练,通过训练之后的生成网络估算目标节点谐波电流、谐波电压幅值,实现基于数据驱动的谐波状态估计。在加噪环境下对模型进行测试,仿真结果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。     

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。     

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。     

锅炉排烟对大气的污染及治理(续1981年第3期)

(四)氮氧化物NOx NOx的生成在炉内燃烧过程中,有90—95％生成NO,其余为NO_2,统称NOx。由于NO排到大气中进一步氧化生成NO_2,故一般均以NO_2来作为计量NOx的标准。按NOx在燃烧过程中生成的机理不同,可分为由燃烧空气中的N_2在高温火焰中与O_2生成的热力NOx,和燃料中的氮化合物在较低温度下转化生成的燃料NOx两种。 (1)热力NOx的生成高温火焰中的N_2与O_2的反应: O_2+M(?)O+O+M……(1) N_2+O(?)NO+N(温度>1538°C时为分支链锁反应)……(2) O_2+N(?)NO+O[温度>816°C即可加速进行]     

基于PCAGSVR的燃煤锅炉N Ox 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2000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N Ox 排放浓度与实际排放浓度相比平均误差在1％以内。     

基于化学反应器网络方法的燃气轮机燃烧室NOx排放研究EI北大核心CSCD

为准确预测某重型燃气轮机燃烧室NO_(x)排放浓度并确定其内部各燃烧区的“贡献”,探明此类低排放燃烧室的设计准则,该文基于化学反应器网络(chemical reactor network,CRN)方法,首先通过敏感性分析研究各反应器体积、初始温度、燃料/空气掺混不均匀度等参数对计算准确性的影响,并分析CRN的负荷适用范围。通过CRN方法研究燃烧室负荷、燃烧模式和掺混孔径对NO_(x)排放的影响。结果表明,该低排放燃烧室中心区是NO_(x)的主要贡献者,其设计准则为:将环形区喷嘴和中心喷嘴按照“等功率”设计;通过计算可得满负荷下的NO_(x)排放低于限值20ppm(@15%O_(2))的掺混孔径为44.45mm。结果可为改进CRN方法的应用、优化低污染燃烧室的设计提供一定依据。     

基于特征优化和改进长短期记忆神经网络的NOx质量浓度预测

针对燃煤机组选择性催化还原（SCR）烟气脱硝系统中入口NOx质量浓度难以准确测量的问题,提出一种基于特征优化和改进长短期记忆（LSTM）神经网络的预测模型。首先,通过机理分析确定与NOx排放有关的辅助变量,利用互信息计算各辅助变量与输出变量NOx质量浓度之间的延迟时间。通过最大相关最小冗余算法（mRMR）确定辅助变量最优特征子集,利用RBF神经网络对各个特征子集进行预测误差比较,确定模型输入变量。通过网格搜索和改进粒子群（MPSO）算法确定LSTM神经网络的超参数,建立NOx质量浓度预测模型。仿真结果表明,特征优化后的辅助变量提高了模型的泛化能力,采用具有记忆功能的LSTM神经网络提高了模型预测精度。     

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。     

基于随机森林变量选择的飞灰含碳量预测模型

针对目前几种飞灰含碳量软测量方法建模时未进行输入特征筛选以及建模方法较为单一的问题,提出花授粉算法优化随机森林的变量选择飞灰含碳量(FPA-RF)预测模型。采用影响飞灰含碳量的因素构成初始变量,利用基于随机森林的变量选择方法从中筛选最优变量。以最优变量为模型输入,训练随机森林并通过花授粉算法优化其参数。以某600 MW燃煤机组的分布式控制系统(DCS)数据为例,对本文FPA-RF预测模型和基于人工神经网络(ANN)和粒子群-支持向量机(PSO-SVM)的飞灰含碳量预测模型进行比较验证,结果表明:ANN预测模型的预测误差最大,泛化能力较弱;FPA-RF和PSO-SVM预测模型均取得较好的效果;但PSO-SVM预测模型平均训练时间为55 s,较FPA-RF长约30 s,说明本文FPA-RF预测模型具有更高的预测精度和更快的计算速度。     

基于IPSO-LSVM的短期负荷预测方法

传统基于支持向量机(SVM)的短期负荷预测模型存在着输入变量不易确定以及模型参数难以最优化的问题。针对这两个缺点,本文提出了一种基于IPSO-LSVM的短期负荷预测方法。首先引入LASSO回归筛选SVM预测模型中的滞后负荷,将筛选结果和其余影响因素作为SVM预测模型中的输入变量,建立LASSO与SVM的耦合模型(LSVM);然后采用IPSO算法对LSVM预测模型中的参数进行优化,提高预测结果的准确性和稳定性;最后采用优化后的模型进行预测。算例分析表明,IPSO优化LSVM的方法能够有效提高短期负荷预测的精度。     

最小资源分配网络及其在电站锅炉中的应用

燃煤电站锅炉内NOx的生成规律非常复杂,与锅炉的燃煤、送风方式、燃烧器等许多运行参数和结构有关.人工神经网络具有联想、记忆、自适应、自学习、适于处理非线性问题等优点.该文采用基于RBF网络的最小资源分配网络(MRAN)对某电站锅炉NOx的生成规律和效率进行建模,该模型不仅能自动调节隐节点数、学习速度快、学习精度高、适于在线运行,而且具有能同时预测NOx排放和锅炉效率等优点.该模型对电站锅炉的运行具有指导意义和参考价值.     

基于贝叶斯优化的VMD-GRU短期风电功率预测

为提高风电功率预测精度,提出了一种基于贝叶斯优化的变分模态分解(variationalmodedecomposition,VMD)和门控循环单元(gatedrecurrentunit, GRU)相结合的风电功率预测方法。首先使用VMD算法对风电功率序列进行分解,并根据排列熵(permutation entropy, PE)的大小来确定序列分解的最佳模态数。然后将分解后得到的子序列分量与关键气象变量数据结合构成模型输入特征。使用GRU网络对各个子序列分量分别进行预测,并将各个子序列分量的预测结果进行重构得到风电功率预测结果。最后采用贝叶斯优化方法对各个子序列预测模型的网络初始超参数进行优化。采用某风电场的风电数据对所提模型进行验证,并与其他6种模型进行性能对比。结果表明,基于贝叶斯优化的VMD-GRU预测模型明显优于其他模型,具有较好的泛化能力,能够有效提高风电功率预测精度。     

基于迁移学习的电力系统暂态稳定自适应预测EI北大核心CSCD

基于人工智能的电力系统暂态稳定预测,通常需要用离线生成的大量暂稳样本对预测模型进行训练,然后根据系统的实时响应进行在线预测。但当系统的运行方式和拓扑结构发生较大变化时,预测模型的精度会显著下降,亟需一种能跟踪系统变化的自适应暂稳预测方法。针对该问题,将迁移学习引入电力系统暂稳预测,基于卷积神经网络提出了一种自适应预测方法。首先利用离线生成的大量暂稳样本训练并得到基于卷积神经网络的预训练模型。当系统运行方式和拓扑结构发生较大变化时,保持预训练模型的网络结构不变,将其中的2个卷积层、2个池化层和全连接层的网络参数迁移至新模型;提出了一种最小均衡样本集的变步长生成方法,用新生成的最小均衡样本集训练分类层参数,从而快速得到新的预测模型。新英格兰10机39节点系统的测试结果表明:所提方法能自适应跟踪系统运行方式和拓扑结构的变化,有效更新预测模型且大幅减少新模型的训练时间,为基于人工智能的电力系统暂态稳定自适应预测提供了一条新思路。     

基于ICEEMDAN-SE-MSGJO-LSTM-EC的短期风电功率预测

为了提高风电功率短期预测精度,本文提出了一种基于ICEEMDAN-SE-MSGJO-LSTM-EC模型的短期风电功率预测模型。首先,通过ICEEMDAN对原始风功率信号进行分解并通过样本熵计算熵值相近的分量相加重构。其次,建立MSGJO-LSTM预测模型,通过改进金豺优化算法(MSGJO)优化LSTM网络参数,对各模态分量进行预测。最后,通过对各模态分量预测结果进行误差修正(EC)并将所有模态预测结果相加得到最终预测结果。以新疆某风电场为例,采用本文所提预测模型进行仿真分析,试验结果表明本文基于ICEEMDAN-SE-MSGJO-LSTM-EC的预测模型预测精度更高。     

基于迁移学习的电力系统暂态稳定自适应预测

基于人工智能的电力系统暂态稳定预测,通常需要用离线生成的大量暂稳样本对预测模型进行训练,然后根据系统的实时响应进行在线预测。但当系统的运行方式和拓扑结构发生较大变化时,预测模型的精度会显著下降,亟需一种能跟踪系统变化的自适应暂稳预测方法。针对该问题,将迁移学习引入电力系统暂稳预测,基于卷积神经网络提出了一种自适应预测方法。首先利用离线生成的大量暂稳样本训练并得到基于卷积神经网络的预训练模型。当系统运行方式和拓扑结构发生较大变化时,保持预训练模型的网络结构不变,将其中的2个卷积层、2个池化层和全连接层的网络参数迁移至新模型;提出了一种最小均衡样本集的变步长生成方法,用新生成的最小均衡样本集训练分类层参数,从而快速得到新的预测模型。新英格兰10机39节点系统的测试结果表明:所提方法能自适应跟踪系统运行方式和拓扑结构的变化,有效更新预测模型且大幅减少新模型的训练时间,为基于人工智能的电力系统暂态稳定自适应预测提供了一条新思路。     

基于径向基函数优化的短期负荷预测方法

为提高短期负荷预测模型的精确度,研究了一种基于径向基函数(radial basis function,RBF)神经网络参数优化的短期负荷预测方法。首先,对短期负荷影响因素进行分析,建立了计及温度累积效应的温度变量量化模型和计及负荷修正的日期类型变量量化模型;其次,建立基于RBF神经网络的短期负荷预测模型,分别基于近邻传播算法和遗传算法对RBF神经网络隐层节点的中心矢量和基宽参数进行优化;最后,基于某地区轻工业行业的夏季负荷数据进行了算例分析,结果表明,相比于未考虑参数优化的预测模型,可在一定程度上提高短期负荷的预测精度。     

基于SDAE-VPMCD的变压器故障诊断方法研究

为解决传统变压器故障诊断存在监测大数据、小样本分类效果差等问题,提出基于变量预测模型(VPMCD)和堆栈降噪自编码(SDAE)的故障诊断方法。首先,采集变压器油色谱数据,并进行归一化处理;其次,对堆栈降噪自编码网络进行逐层训练学习,获取数据的高层特征表示并确定网络结构参数;然后,训练变量预测模型中四种数学模型,获取故障类型的最佳模型及相关参数;最后,采用少量有标签数据对整个模型进行微调,确定最优网络参数完成故障诊断。实验结果表明,该混合模型识别精度较高,可扩展性和鲁棒性较强。