基于长短期记忆神经网络的火电厂NO_x排放预测模型

火电厂燃煤锅炉产生的NO_x是大气污染物的重要来源之一,建立有效的NO_x排放预测模型是降低NO_x排放的基础。针对火电厂控制系统数据的海量化和高维化及燃煤锅炉多参数多变量相互耦合的特点,首先利用主成分分析法对火电厂分布式控制系统(DCS)数据进行特征提取,消除各特征变量间的耦合性;然后将提取的特征作为长短期记忆(LSTM)神经网络的输入,得到火电厂NO_x排放预测模型。将该模型与传统循环神经网络(RNN)模型、最小二乘支持向量机(LSSVM)模型应用于某超超临界660 MW机组燃煤锅炉对NO_x排放质量浓度进行预测。结果表明:LSTM神经网络和RNN模型预测效果均优于LSSVM模型;本文提出的LSTM神经网络模型预测准确率达到79%,均方根误差为0.398,优于其他2种模型;LSTM神经网络模型数据跟踪效果明显优于RNN模型,预测结果波动较小,模型稳定性和准确率较高。     

基于 GBDT 算法的锂电池剩余使用寿命预测

针对现有方法对锂电池剩余使用寿命(RUL)预测精度不高,模型训练时间较长的问题,提出一种基于梯度提升决策树 算法(GBDT)结合网格搜索法(GS)的预测模型。 首先,分析锂电池的充放电循环过程,确定电压、电流、温度为可用健康因子 (HI);其次,处理历史数据中的异常值,并均值化可用健康因子数据为特征输入;最后,通过 GBDT 算法建立锂电池剩余使用寿 命预测模型,并采用 GS 优化模型参数。 基于 NASA 锂电池容量衰减数据,实验结果表明,模型在 RMSE、MAE、MAPE 评价指标 上相对其他方法均提升了约 10 倍,并且可将锂电池剩余使用寿命预测误差率控制在 0. 05 以内,训练时间缩减至 4. 5 s。     

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。     

基于多LS-SVM集成模型的锅炉NOx排放量建模

为了提高电站锅炉氮氧化物(NO_x)排放量预测模型的精度,提出了一种基于多最小二乘支持向量机(LS-SVM)集成模型的NO_x排放量建模方法。首先按照NO_x排放量由低到高将数据空间初步划分为低、中、高3个子空间,然后依据输入变量与NO_x相关性分析来确定输入变量的权重,通过筛选得到主要的特征变量。在此基础之上,采用有监督的遗传算法-软模糊聚类(GA-SFCM)方法,获得各数据子空间的聚类中心及其相应的样本隶属度,通过融合隶属度的最小二乘法对各子空间LS-SVM模型进行集成。仿真结果表明,通过筛选参与聚类的变量提高了聚类性能和模型精度,采用有监督的GA-SFCM算法进行聚类,降低了聚类复杂度,建立的多LS-SVM集成模型比单一LS-SVM模型有更好的泛化能力。     

混合SPSS-PSO-SVM模型在电厂NO_x排放预测中的应用

针对电厂NO_x排放进行预测,在满足当前NO_x排放限额的条件下,致力于优化脱销系统的喷氨量,防止其过多或过少。为提升电厂排放NO_x的预测精度,提出SPSS-PSO-SVM预测模型。电厂采集数据类型繁多,变量之间较多存在相关性和耦合性,而统计软件SPSS的引入能较为直观地观测和分析变量间的关联,并通过因子分析计算主成分矩阵,以降低输入变量的维数和消除相关性。基于某780 MW热力电厂的实时数据,通过SPSS特征提取和MATLAB仿真模拟,并将此模型性能与PSO-SVM模型进行比较,结果表明该模型在电厂NO_x排放预测中应用具有一定的有效性。     

台风灾害下配网用户停电数量预测最优数据驱动模型选择

严重的台风灾害可能导致配网用户停电,有效的配网用户停电数量预测可为电网应急抢修提供辅助指导。综合考虑气象因素、电网因素及地理因素,提出了基于机器学习回归算法的配网用户停电数量预测方法。分析比较了线性回归、支持向量回归(SupportVectorRegression,SVR)、分类回归树(ClassificationandRegressionTree,CART)、梯度提升树(Gradient Boosting Decision Tree, GBDT)及随机森林(Random Forest, RF)等5种机器学习回归算法对配网用户停电数量预测的应用效果。对比结果表明,LR在进行配网用户停电数量预测时表现较差,SVR及CART模型效果次之,RF及GBDT效果相对较好,其中GBDT算法与RF算法误差较为接近。但考虑到GBDT算法为串行计算,而RF算法为并行计算,使用时RF算法效率更高。因此最终选取了RF进行停电数量预测效果的进一步分析。结果表明其误差在±30%以内的准确率可达70%以上,可为配网用户停电抢修提供有力指导。     

XGBoost算法在风机主轴承故障预测中的应用

针对传统机器学习算法处理海量风机数据采集与监视控制(SCADA)监测数据效率低和准确度差的问题,提出利用极端梯度提升(XGBoost)算法预测风机主轴承故障。首先,对风机主轴承SCADA数据开展特征分析,挖掘和发现特征与故障之间的关联关系,并评估各特征的重要性;然后利用XGBoost算法构建主轴承故障预测模型,进行模型评估;最后,依据SCADA系统收集的实测数据对模型进行训练和测试,并调整XGBoost模型的主要参数,提高预测准确率。通过与经典梯度提升决策树(GBDT)算法诊断结果相对比,结果表明XGBoost在风机主轴承故障预测的效率和准确度方面均优于GBDT算法,是处理SCADA大规模数据集的有效工具。     

基于MIV-GA-BP神经网络的铅酸蓄电池SOC预测

建立了铅酸蓄电池充电过程中SOC的神经网络预测模型,采用平均影响值(M1V)算法对预测模型的输入变量进行了分析和筛选.在MIV算法的基础上,比较了基于遗传算法优化的BP神经网络(MIV-GA-BP)与传统MIV-BP神经网络对蓄电池充电过程中SOC的预测误差.测试样本的验证结果表明,MIV-GA-BP神经网络模型对蓄电池充电过程的SOC预测精度更优.     

基于油中溶解气体特征量筛选的变压器故障诊断方法

油中溶解气体分析对变压器故障预警及诊断具有重要意义。针对油中溶解气体特征量种类众多、故障关联特征分析不足等问题,文中以油浸式变压器为研究对象,提出了基于油中溶解气体特征量筛选的变压器故障诊断方法。首先,对油中溶解气体的原始特征量进行特征衍生,通过随机森林(random forest, RF)计算特征量对故障诊断的重要度,筛选得到最佳特征组合。其次,采用树结构概率密度估计(tree-structured parzen estimator, TPE)实现RF模型的参数寻优,并形成TPE-RF诊断模型。同时,结合多种评价指标,证明所提方法能够对变压器作出准确的故障诊断。最后,提出TreeSAHP模型分析特征量对各故障的重要度,优选出各故障关联的主要特征量,并根据变压器运行案例,探讨了该方法在电力行业现场应用中的适用性,验证了该方法的有效性。     

变量选择与支持向量机相结合的SO_2排放特性建模

燃煤电站锅炉SO_2排放是大气污染的主要来源之一,建立有效的SO_2排放预测模型有利于解决循环流化床(CFB)锅炉因炉内脱硫不稳定导致脱硫塔脱硫不及时而引起的SO_2排放超标的问题。SO_2的排放特性受众多热工参数影响,且各参数间存在相关性与耦合性,对此本文提出一种基于变量选择与支持向量机(SVM)的SO_2排放预测模型。基于某300 MW CFB锅炉现场运行数据,采用BP神经网络降低输入变量的维度与复杂度,将筛选后的输入变量作为BP-SVM模型的输入,采用K-折交叉验证的方法通过网格搜索确定最优模型参数,建立SO_2排放BP-SVM模型。将BP-SVM模型与未经变量选择的SVM模型对比分析,结果表明经过变量选择后的BP-SVM模型可以有效降低模型复杂度,提高模型泛化能力。