加速煤炭价格机制市场化改革的基本思路

加速煤炭价格机制市场化改革应该排除目前存在的五个障碍,即电力垄断与煤炭竞争的矛盾,煤炭价格制度改革设计上的缺陷,煤炭运输能力不足,行政行为的煤电价格联动,宏观管理不顺等。改革的基本思路是:加快电力体制改革和提高煤炭集中度的步伐,促进煤电联合,不搞行政行为的煤电价格联动,改革管理体制等,这样可为煤炭电力行业创造公平的市场竞争环境。     

煤电联动机制及对策

煤电联动是指煤电价格联动，类似于面粉涨价．面包要跟着涨价；豆子涨价，豆油要跟着涨价一样。国家发改委在建立煤电联动机制的通知中说，我国经济运行中资源约束矛盾加剧，煤炭、电力供应紧张，价格矛盾突出。为理顺煤电价格关系，促进煤炭、电力行业全面、协调、可持续发展，经国务院批准，决定建立煤电价格联动机制。煤电价格联动机制是2004年12月开始建立的，这一机制建立后，绝大多数是赞同的．也有专家认为这是计划经济的办法，市场经济的办法应当是竞价上网。应当说煤电价格联动机制既适应于计划经济时期的煤炭和电力价格联动，也适用于电力垄断经营时期。而竞争上网定价适应于建立了竞争性发电市场的时候，     

基于VMD-SSA-LSTM的月径流预测模型及应用

为提高月径流预测精度,提出了变分模态分解(VMD)和麻雀搜索算法(SSA)与长短期记忆神经网络(LSTM)相耦合,建立了月径流预测模型(VMD-SSA-LSTM)。首先利用VMD对历史径流数据进行分解,然后依据SSA对LSTM的参数进行寻优,并将分解出的月径流分量输入到LSTM神经网络,最后将每个分量的预测值相加,得到月径流预测值,并以福建池潭水库1950～2019年的月径流数据对模型进行验证。结果表明,与LSTM、VMD-LSTM模型相比,VMD-SSA-LSTM模型的预测精度更高,为开展月径流预测工作提供了一种新的选择。     

基于布谷鸟搜索优化支持向量机的短期负荷预测

针对支持向量机(SVM)在短期负荷预测中,根据经验选取参数导致预测精度下降的问题,提出一种基于布谷鸟搜索算法(CSA)优化SVM的短期负荷预测新方法(CSA-SVM)。先以历史负荷、温度、湿度等属性构成训练样本集的输入向量作为SVM的输入,以负荷值作为输出,建立SVM预测模型;再根据训练误差,以CSA对SVM中惩罚因子和核参数进行寻优;最后,按照CSA寻优获得的最优参数建立基于CSA-SVM的预测模型并开展短期负荷预测。实际负荷数据试验显示,相较于SVM模型、粒子群(PSO)优化SVM模型、BP神经网络模型,CSA-SVM具有更高的预测精度,能够满足电力系统短期负荷预测精度需求。     

基于PSO-Soft attention双向LSTM算法的光伏发电量预测研究

为解决传统的光伏发电量预测中数据特征方程较为粗糙、预测精度不高等问题,提出一种基于PSO-Soft attention双向LSTM算法的光伏发电功率预测算法,在前向传播过程中通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,同时优化了双向LSTM网络的反向传播过程,加入了Soft attention机制使模型收敛性更强,重新构造该模型为八层网络结构且采用两层卷积层,同时解析了PSO-Soft attention双向LSTM算法的光伏发电功率预测过程。实验结果表明,相较于SVM模型以及LSTM模型,所提预测模型的预测精度提升了2%左右。     

火电机组成本-利润动态模型研究

在煤炭价格有较大波动情况下如何降低生产成本从而获取一定的利润是火电企业面临的一个现实问题.在分析影响火力发电厂成本、利润变化的主要因素的基础上,建立了火电机组成本-利润动态模型,计算了煤炭价格和电厂主要能耗指标对电厂成本-利润的影响程度.对于我国煤电联动机制的制订和实施以及火电厂采取相应措施从而降低生产成本具有一定的参考意义.     

基于SSAPSO LightGBM的火电厂引风机故障预警方法

为了解决国内对火电厂引风机故障预警方法相对缺乏的问题,本文提出了一种基于SSAPSO LightGBM的故障预警算法。通过建立LightGBM(Light gradient boosting machine)正常轴承温度预测模型,并创新性地引入融合麻雀搜索算法的改进粒子群优化算法（SSAPSO）优化模型超参数,最终获得引风机轴承温度预警阈值,实现引风机早期故障预警。实验证明,基于SSAPSO LightGBM的故障预警方法在预测精度、泛化能力等方面相比传统预算法效果更好;该方法能够提前2 h对风机进行故障预警,对火电厂运维具有一定的指导意义。     

双碳目标下基于分解-集成的月度煤电需求预测研究

月度煤电需求预测对于指导双碳目标下煤电发展及保障能源供应具有重要意义,但是月度煤电需求变化具有非平稳性、非线性的特点。为准确预测未来火电需求的变化,基于分解-集成思想,改进奇异谱分析（ISSA）将原始序列进行分解重构,得到多个不同频率的子序列,应用麻雀搜索算法（SSA）改进的极限学习机（ELM）模型预测各子序列,叠加后得到最终煤电需求预测值。以江苏省煤电需求为例,将所提方法与基于集合经验模态分解（EMD）的EMD-SSA-ELM模型和未经分解的SSA-ELM模型进行对比,结果表明所提方法能有效去除噪声分量的影响,误差值最小,平均绝对百分比误差相较于EMD-SSA-ELM与SSA-ELM分别降低8.0%和17.6%,预测精度更高,适用性更好。     

基于随机森林与长短期记忆网络的电力负荷预测方法

电力负荷具有非线性和时序性的特点,为了深入研究各特征变量对于电力负荷预测的重要性,进而获得更高的电力负荷预测精度,提出了基于随机森林(random forest,RF)算法及长短期记忆网络(long short-term memory,LSTM)的混合负荷预测模型。首先根据时间日期因素及气候因素建立高维特征数据集作为随机森林模型的输入,通过随机森林算法筛选出重要特征量,并使其与历史负荷结合作为LSTM模型的输入,经过粒子群算法对LSTM模型进行参数寻优后得到RF-LSTM混合模型及负荷预测结果。使用该方法对河北电网某台区的电力负荷进行预测,结果表明该混合模型的预测精度比未经特征变量筛选的传统单一的随机森林算法、LSTM模型以及BP神经网络更为理想。     

科学分析和处理煤与电的关系

煤与电既具有正相关性,也具有负相关性,煤电价格并轨对于煤炭和电力双方都是"双刃剑",并没有从根本上解决"煤电博弈"问题,推进电价市场化改革才是理顺煤炭与煤电企业关系的治本之策。电价市场化改革,短期需要完善煤电联动机制,长期应该形成真正由供需关系决定电价的机制。为此,煤炭和煤电企业应该认清波动规律,建立双赢理念,谋签长远合同,并通过互相参股,建立深层战略合作。     

基于LSTM神经网络与贝叶斯优化的电站风机故障预警

风机持续健康稳定运行是电站机组安全性与经济性的重要保障,故障预警技术对于提高风机运行可靠性和降低维护成本尤为重要。为此,本文提出一种基于长短期记忆(Long short-term memory,LSTM)神经网络与贝叶斯优化算法的早期故障预警方法,充分挖掘电站风机正常运行数据,采用LSTM网络挖掘多种参数的关联特性及历史数据的时序特性,建立风机运行状态预测模型。为了提高预测模型的精确度,利用贝叶斯优化算法优化并设定LSTM网络的最佳超参数组合。考虑模型预测偏离度的非平稳性和多极值特点,引入广义极值理论从正常运行工况中确定报警阈值,以实现设备的早期故障预警。最后,将所提出的算法应用于某燃煤电站引风机故障预警中。结果表明：贝叶斯优化算法优化后的LSTM神经网络不仅可以精确表征风机在正常状态下运行行为,同时能够准确地获取风机的故障信息,从而能够在故障发生前4 h发现异常,实现故障预警。     

基于改进灰狼算法优化长短期记忆网络的光伏功率预测

为提高光伏发电功率预测的准确性,提出一种基于改进自适应因子与精英反向学习策略的改进灰狼算法(IGWO),用以优化长短期记忆网络(LSTM)预测模型。利用IGWO优化LSTM全连接层参数,建立IGWO-LSTM组合模型预测光伏功率,具有较好的收敛速度与求解效率,也可有效避免局部最优解。最后基于常州某光伏发电站实时数据进行仿真,实验结果表明IGWO-LSTM相对于LSTM光伏功率预测更具准确性。     

基于IAOA-VMD-LSTM的超短期风电功率预测

为了对风电功率进行精确预测,提出一种基于改进算术优化算法（IAOA）、变分模态分解（VMD）和长短期记忆网络（LSTM）的超短期风电功率预测模型（IAOA-VMD-LSTM）。利用IAOA对VMD的关键分解参数k和α进行优化,得到的各固有模态函数（IMF）具有周期性,能够提升LSTM的预测精度,同时利用IAOA对LSTM网络参数进行优化。通过对风电功率数据进行预测分析,结果表明IAOA-VMD-LSTM预测模型相比于其他模型的预测精度更高。     

基于布谷鸟搜索算法优化BP模糊Petri网的水电机组故障诊断

针对水电机组故障诊断的复杂性和传统算法存在的缺点,提出采用布谷鸟搜索算法优化BP模糊Petri网进行故障诊断。首先利用布谷鸟搜索算法的全局搜索功能对网络参数寻优,将得出的全局最优解作为BP模糊Petri网的最优初始参数,再用选取的故障样本数据对模糊Petri网进行学习训练,建立故障特征集到故障类型集的映射关系以实现故障分类。仿真试验表明,该故障诊断方法收敛速度快、准确率高,可应用于实际水电机组故障诊断。     

基于CNN-LSTM的燃气轮机燃烧室故障预警

为了解决燃气轮机燃烧室中的故障问题,结合深度学习的优势,在长短期记忆网络(Long Short-term Memory, LSTM)的基础上,提出了一种基于卷积神经网络-长短期记忆网络的燃烧室故障预警方法。首先,根据正常的历史运行数据构建燃烧室的预警模型,再将特征参数输入到预警模型中得到预测值,预测值与实际值之间的偏离度可以反映燃烧室内部工作是否正常。考虑到模型预测结果的非平稳性和非线性等特点,引入滑动窗口法确定故障预警阈值,最后根据确定的预警阈值判断是否出现故障。采用某燃气-蒸汽联合循环发电机组仿真平台对上述模型进行验证。仿真结果表明：该模型相较于LSTM预测模型具有更高的精确度,可以及时发现故障征兆,并对燃烧室故障做出有效预警。     

基于TensorFlow的LSTM循环神经网络短期电力负荷预测

随着智能电网、坚强电网的建立及人工智能领域技术的高速发展,如何对电力领域的负荷进行更高精度的预测已成为电力从业者们特别关注与研究的问题。基于TensorFlow智能学习系统的深度学习LSTM循环神经网络算法的短期电力负荷预测算法,结合某地区发电厂负荷数据设计实验,通过多次数据迭代、参数更新,进行模型训练与预测,最终的实验证明:基于TensorFlow的LSTM循环神经网络算法预测效果明显好于传统机器学习算法。随着数据量的增大,模型更显示出其良好的鲁棒性。     

基于滑动窗口和LSTM神经网络的锂离子电池建模方法

为提高锂离子电池在复杂工况下的预测能力和建模精度,提出一种基于滑动窗口和长短时记忆(long short term memory,LSTM)神经网络的锂离子电池建模方法.首先建立了基于神经网络的锂离子电池模型,确定了神经网络的基本结构,通过LSTM层、向量拼接层和全连接层分别实现了时序特征提取、特征融合和回归预测.然后提出了滑动窗口的输入向量处理方法,滑动窗口每次向前推进一个时间点,通过限制时间窗口内所能处理的最大信元数对数据量进行限制,为多个LSTM层的并行计算和深隐层的拼接层和全连接层预留了计算量的裕度,实现了对模型中循环网络层深度的优化选择.为解决模型在多工况下运行的泛化问题,提出使用离线数据集的预训练和在线数据的参数修正的训练方法,通过大量离线数据集的反复训练,使模型学习电池的共性部分;再使用部分在线数据,对网络参数进行调整,将其应用于预测中.最后使用恒流/恒压、随机电流脉冲、大功率脉冲等多个工况的数据分别进行测试.结果表明,基于长短时记忆神经网络的建模方法能够准确预测电池输出电压和荷电状态.     

世界主要地区煤电市场情况

美国煤电比例：42%电力市场结构：三个主要电网以及一批区域电网构成了电力批发市场。各州的电力系统政策有所不同。电价构成：在受监管州,价格由全部成本和原料成本决定,在电力重组的州,价格取市场上的最低价。煤炭供应：所需煤炭全部自给。电价对煤炭的影响：煤炭价格数十年保持稳定,与电价之间的关联性很弱。在部分电力市场重组的州,由于燃气发电装机容量的增加,电价降低,拉低了煤炭价格。     

基于FCM-WOA-LSTM的大坝变形预测模型及其应用

随着大坝变形监测资料的持续积累和变形测点数量的不断增多,预测分析全部变形测点往往需耗费大量的时间,容易造成反馈不及时的问题。对此,引入模糊C-均值聚类算法(FCM),根据大坝变形规律的相似程度进行分区,将鲸鱼优化算法(WOA)用于长短期记忆神经网络(LSTM)模型的参数优化,建立基于FCM-WOA-LSTM的大坝变形预测模型,以某混凝土双曲拱坝的实测变形资料作为样本数据进行预测分析,并与LSTM模型和SVM模型的预测结果进行对比。结果表明,FCM-WOA-LSTM模型预测结果的平均绝对误差M_MAE、均方误差M_MSE、均方根误差R_RMSE均为3种模型中最小,且拟合段的3个评价指标值和预测段的3个评价指标值均接近,FCM-WOA-LSTM模型具有更高的预测精度和更好的适用性。     

火电厂设备运行参数监测预警研究与应用

火电是我国发电行业的主力,是国家经济发展的重要支柱。实际生产中,火力发电过程工艺机理复杂,工况较多,各个设备运行参数之间相关性强,火电机组设备异常频发^[1],基于神经网络LSTM模型使用设备在正常工况下的运行参数建立模型告警模型,模型识别设备运行时发生的异常,尽早发现设备的劣化趋势,提前给出预警信号。本文针对火电机组设备运行参数异常,提出了基于机器学习设备运行参数相关性分析运行参数监测预警方法,并将所提出的方法成功应用于实际火力发电过程中。