负荷预测的变权重灰色模型及其应用

针对传统灰色预测模型GM(1,1)在电力负荷预测中存在的局限性,提出了电力系统中期负荷预测的变权重灰色模型.以河北承德为例进行负荷预测,并与指教平滑法、动平均法、二项式预测模型和GM(1,1)模型四种方法的预测结果及实际用电量进行分析比较.结果表明,该模型预测精度较高、简捷、合理、实用,可作为中期电力负荷预测的工具之一.     

基于灰色预测的汽温模糊免疫PID控制

火电厂汽温具有大惯性、大迟延和时变等特性,采用常规的PID串级控制方法难以取得满意的控制效果.借鉴生物免疫反馈响应过程的调节作用和模糊推理逻辑可逼近非线性函数的特性,结合灰色预测的优点,提出采用灰色预测的模糊免疫PID控制策略.火电厂汽温控制系统的仿真研究表明:该方法的控制品质良好,能适应对象参数的变化,具有较强的鲁棒性和自适应能力.     

负荷电量的灰色预测

针对负荷电量随机性大、影响因素多、各因素间的相互关系定量表达困难之特点,作者依据灰色系统理论原理与基本方法,从已知信息(原始数据)中挖掘出有用信息,建立灰色模型,从而得到精度较高的预测值.     

灰色预测反馈控制在汽轮机调节系统中的仿真研究

应用基于灰色系统思想的灰色系统理论，通过GM(1，1)建模原理，采用MATLAB环境下Simulink提供的sfunction编写了基于灰色预测的图形化功能模块，并以该模块为控制器对汽轮机调节系统进行了仿真试验，取得了令人满意的动态响应效果。     

对灰色预测模型的分析与评价

分析了GM（1．1）模型的基本特性分析,结合电力系统负荷预报实例,对该模型作出了客观地评价．     

改进灰色模型在电力负荷预测中的应用

灰色GM（1,1）模型是一种较有效的负荷预测模型,然而由于电力负荷具有多样性,导致对某些变化规律的负荷预测误差较大,精度不能满足要求,在实际应用中具有一定的局限陛。对灰色GM（1,1）模型进行必要的改进,利用等维新信息递推模型进行负荷预测,通过实例分析表明,可提高预测的精度。     

基于最小二乘组合灰色模型的中长期电力负荷预测

电力负荷预测是实现电力系统管理现代化的重要内容,有效的中长期电力负荷预测可为电网运行方式、电源建设规划等提供可靠的决策依据。针对中长期电力负荷预测,综合考虑负荷的历史数据和未来可能走势,在对三种灰色预测模型分析的基础上,以其预测值为解释变量,实际负荷值为被解释变量,通过最小二乘法建立多元回归方程,并通过计量经济检验,以此构造了负荷预测组合模型。将该模型应用于北京市年用电量预测中,结果表明所构造模型具有较高的预测精度,有效可行。     

钢球磨煤机制粉系统的优化控制

针对燃煤电站钢球磨煤机制粉系统多变量强耦合的特点，提出了基于模糊控制和预测控制的复合优化控制策略。该方案是大偏差时采用模糊控制，小偏差时采用解耦预测控制,并在稳态时进行监控优化。对某DTM－287／470型球磨机系统的仿真研究表明：提出的方法有较强的鲁棒性和抗干扰能力，稳态监控策略的实施有利于提高制粉系统的出力，达到优化运行的目的，具有重要的理论价值和实际意义。图2参5     

基于自适应神经网络模糊PID的磨煤机控制研究

以衡丰发电厂钢球磨煤机辨识结果为研究对象,基于MATLAB/Simulink平台搭建自适应神经网络模糊PID的磨煤机控制系统仿真模型,通过自适应神经网络对模糊规则进行训练和学习,改进磨煤机出口温度控制、入口负压控制以及负荷控制策略.仿真结果表明:自适应神经网络模糊PID控制优化效果明显,在磨煤机50％工况下,相比传统P...     

年最大负荷的包络灰预测模型研究

根据北京地区年最大负荷发生的特点，以1997～2002年年最大负荷数据为基础，采用包络灰预测的方法，建立了北京市年最大负荷的包络灰预测模型。通过与其他预测模型的比较，发现所建包络灰预测模型更具合理性和可行性，可以满足现场的实际需要。     

基于预测模型的模糊_PID控制试验研究

针对电加热锅炉夹套温度控制的大滞后、时变性等特点,设计了基于预测模型的模糊-PID(Fuzzy-PID)控制器.建立了预测模型,利用模糊规则调整预测模型系数K值,使加入预测模型的Fuzzy-PID控制器的动态性能和稳态精度都得到了很大的提高.在Matlab中实现了Fuzzy-PID控制的仿真,进行了试验测试,通过仿真和试验可看到加入了模糊控制规则的控制器比常规PID控制器响应更迅速,超调小、且抗扰动能力增强.试验结果表明.该控制方案下的控制效果较好.     

短期电力负荷预测的GM(1,1)模型群方法及应用

针对灰色GM（1，1）模型用于电力短期负荷预测不能有效反映负荷周期性变化及精度不高的问题，提出了GM（1，1）模型群方法。该方法通过分时段（时、天）单独建模，利用一群GM（1，1）模型进行预测，有效提高了预测精度并很好地反映了负荷的周期性变化。该方法克服了使用GM（1，1）模型不能很好体现实际负荷过程的局限，具有较高的实用价值，拓宽了GM（1，1）模型用于电力负荷预测的范围。     

钢球磨煤机制粉系统的递阶模糊控制

针对火电厂球磨机制粉系统特性，提出了一种新的递阶模糊控制算法，该算法可显著地减少模糊控制规则数，使模糊控制算法能够方便地用于实际生产，文中给出的磨入口负压，出口温度，磨负荷的模糊控制查询表及协调级的模糊控制查询表，已在实际生产中得到验证，可有效地解决球磨机制粉系统存在的大时滞、强耦合问题。     

基于对角递归神经网络整定的PID解耦单元机组负荷控制系统

针对火电厂单元机组具有多变量强耦合、非线性及参数时变的受控对象，提出了基于对角递归神经网络整定的PID解耦控制方法，其主要特点是能够提供一个对角递归神经网络来辩识系统模型，进而对PID控制器参数进行整定，实现多变量解耦控制。通过对火电机组负荷控制系统的设计和仿真研究，表明系统达到了动态近似解耦、静态完全解耦和无静差跟踪，并具有响应速度快，鲁棒性好等特点。图5参6     

基于遗传算法的PID参数整定在高温多相流风洞中的应用

高温多相流风洞可以模拟锅炉运行过程中的气固两相流流动工况,方便研究流动特性及测试方法。为了更好地控制风洞的技术参数,风洞主要的控制回路中采用了PID控制,并对PID参数进行基于遗传算法的参数整定。重点介绍了遗传算法目标函数的选取以及遗传算法的具体操作,并在选择操作中结合最优保存策略。借助Matlab软件对温度控制对象进行基于遗传算法的PID参数整定的仿真。将整定的PID参数代入现场调试,稍加修正后得到kp=0.2173,ki=0.4505,kd=0.0758,实验中温度的最大动态偏差为1℃,具有良好的控制品质。     

火电站多目标负荷调度及其算法的研究

对传统意义下负荷调度模型进行修正,同时考虑最小化燃料费用和污染排放量,提出了火电站多目标负荷调度模型;并将强度Pareto进化算法(SPEA2)与并行遗传算法(PGA)相结合对其求解.结果表明:该算法求得的Pareto最优解分布均匀、收敛速度快、寻优能力强,决策者可根据不同的侧重点在Pareto解集中选择最终的满意解.应用该算法对某电厂进行多目标负荷调度,验证了其可行性和有效性.     

模糊PID控制在电厂过热气温控制系统中的应用

针对发电厂的过热汽温控制系统中锅炉过热器出口温度的非线性、时变性、滞后性等特点,文中提出了一种模糊PID控制在过热汽温控制系统中的应用。该控制系统能够很好地克服非线性和时变性,使过热汽温控制系统具有较强的鲁棒性,从而提高了控制系统的控制品质,提高了过热器的生产效率。     

Time series models (Grey-Markov,Grey Model with rolling mechanism and singular spectrum analysis) to forecast energy consumption in India

The present study applies three time series models, namely, Grey-Markov model, Grey-Model with rolling mechanism, and singular spectrum analysis (SSA) to forecast the consumption of conventional energy in India. Grey-Markov model has been employed to forecast crude-petroleum consumption while Grey-Model with rolling mechanism to forecast coal, electricity (in utilities) consumption and SSA to predict natural gas consumption. The models for each time series has been selected by carefully examining the structure of the individual time series. The mean absolute percentage errors (MAPE) for two out of sample forecasts have been obtained as follows: 1.6% for crude-petroleum, 3.5% for coal, 3.4% for electricity and 3.4% for natural gas consumption. For two out of sample forecasts, the prediction accuracy for coal consumption was 97.9%, 95.4% while for electricity consumption the prediction accuracy was 96.9%, 95.1%. Similarly, the prediction accuracy for crude-petroleum consumption was found to be 99.2%, 97.6% while for natural gas consumption these values were 98.6%, 94.5%. The results obtained have also been compared with those of Planning Commission of India's projection. The comparison clearly points to the enormous potential that these time series models possess in energy consumption forecasting and can be considered as a viable alternative.