基于受热面健康状态预测的电站锅炉吹灰优化

锅炉受热面的灰污沉积仍然是我国燃煤电站所面临的重要问题,对锅炉受热面沉积的灰污进行及时、准确的清扫是解决这一问题的途径。采用受热面的健康状态表示受热面的积灰厚度,采用热阻来评估锅炉受热面的健康状态,并对受热面健康状态进行预测,以锅炉受热面热阻监测的为基础,采用更新过程理论,结合工况等约束,建立了以监测时间间隔、预防性吹灰阈值为优化变量和燃煤锅炉平均运行费用率最低为目标函数的优化模型。最后以某300 MW燃煤电站为例,采用微粒群算法进行优化求解,求解结果证明了所提优化模型的可行性。     

基于数据驱动的超临界锅炉受热面壁温预测方法

锅炉受热面管壁超温严重影响电厂的安全运行,对锅炉受热面壁温进行预测,提前做出针对性的运行调整,避免管壁超温,对锅炉的安全运行具有重要意义。提出一种基于数据驱动的锅炉受热面壁温预测模型。首先,采用灰色关联分析选取影响受热面壁温的关键特征变量,构建基于长短时记忆（LSTM）神经网络的壁温预测模型;然后,定义历史相似工况下的关联特征系数,对由LSTM神经网络得到的预测壁温进行修正,提高模型预测精度;最后,以某在役超临界600 MW直流锅炉为研究对象进行分析,结果表明,所提出的锅炉受热面壁温预测模型的相对误差在（-2.5%, 2.5%）,平均相对误差为0.40%,平均壁温预测误差2.24℃。可见该预测模型可实现复杂工况下锅炉受热面壁温的准确预测。     

基于BLSTM-随机森林的短期光伏发电输出功率预测

光伏发电功率具有不确定性和波动性,准确预测光伏发电功率对提高光伏并网效率和保持电网安全运行具有重要作用.对江苏某地区光伏发电站的功率特性进行分析,使用小波降噪处理历史功率曲线,并对各气象条件使用灰色关联分析筛选出强相关影响因素,减少输出功率噪声和无关气象条件对功率预测的影响.将小波降噪处理后的历史输出功率及强相关特性构...     

基于RF-GBDT的燃煤锅炉NO_x排放预测

针对某超超临界660 MW机组锅炉,建立了基于随机森林(RF)和梯度提升决策树(GBDT)算法的氮氧化物(NO_x)排放预测模型。从电厂SIS系统筛选得到历史运行数据中的稳态工况点,利用RF模型对数据特征进行筛选,并以选中特征作为输入变量建立基于GBDT的NO_x排放预测模型。与支持向量机(SVM)、RF等模型的对比表明基于RF的特征选择能提升模型性能;较于其他模型,RF-GBDT具有最高的NO_x排放预测精度。     

基于灰关联分段优选组合模型的短期电力负荷预测研究

针对已有GM(1,1)灰色预测模型在数据波动、突变和转折等不确定情况下预测精度较低的问题,提出一种基于灰关联分段优选组合模型的短期电力负荷预测模型。基于GM(1,1)模型在平滑上升和下降区段预测效果好、而一天的用电负荷可划分为几个峰谷区段的特点,对预测日进行灰关联分段和优选组合,避免出现由于初始条件选择不当而将误差引入模型并被逐步放大的风险;同时,通过组合不同角度GM(1,1)模型,解决负荷的多因素影响。经广西贵港市实际工程验证,本模型预测平均误差在3%左右,预测精度有明显提高,完全可满足该地区短期电力负荷预测的实际要求。     

基于灰色Verhulst和灰色马尔科夫的电力负荷预测组合模型

本文提出了电力系统中长期负荷预测的线性组合模型,即基于灰色Verhulst和灰色马尔科夫的组合模型。针对中长期负荷日趋饱和的特点,采用具有S型预测曲线的灰色Verhulst模型进行预测;针对灰色模型预测随机波动较大的负荷时拟合性较差的缺点,采用马尔科夫理论对灰色模型进行修正,弥补了灰色模型固有缺陷,提高其预测精度。通过线性组合法将灰色Verhulst模型与灰色马尔科夫模型相结合,规避了单一算法模型产生较大误差的风险,进一步提高了预测准确性。算例表明,该组合模型精度较高,具有实用性与可行性。     

变负荷下超（超）临界机组过热器壁温预测

对超（超）临界机组过热器管壁温度的影响因素进行了分析,利用电厂现场DCS系统采集到的变负荷条件下的运行数据,与对应时刻管壁的温度实测数据进行了关联比较,确定了预测模型的输入变量。分析结果显示：一级、二级过热器出口汽温、主蒸汽温度、二次风E层风箱开度、有功功率等因素对过热器管壁温度的影响较为显著。采用BP神经网络算法,选取关联结果阈值超过0.70的14种主要因素进行升负荷、稳定负荷和降负荷3种条件下的管壁温度预测,预测结果与实测结果整体趋势保持一致,最大相对误差为1.42%,能够对过热器超温预警起到良好的指导作用。     

基于优选组合预测技术的中长期负荷预测

中长期电力负荷预测是电力系统规划的基础和重要前提。该文提出优选组合预测技术分为模型筛选和组合模型筛选两大部分。单个模型的筛选方法选择改进的灰色关联度指标和冗余校验方法,改进的灰色关联度指标更加注重预测发展趋势预测的精准度,冗余校验是对已经筛选出来的模型进行冗余检查。选择5种组合预测方法,较大程度兼容组合预测的实用性和准确性。改进的预测误差指标体系验证了优选组合预测技术在中长期负荷预测中的合理性。     

基于灰关联加权组合模型的电力负荷预测研究

针对灰色系统理论中的预测模型(简称GM(1,1)模型)不太适于中长期负荷预测的不足,以及由历史负荷数据的不同时段建模形成预测灰区间的特点,提出了灰关联加权组合修正方法。从历史负荷与其拟合数值的灰关联度挖掘出负荷发展的“远、近”趋势,对灰区间值进行加权组合,大大提高了GM(1,1)模型的预测精度。使用该方法对某一地区未来几年的负荷预测得到了较为理想的结果,说明该方法对中长期负荷预测非常有效,弥补了GM(1,1)模型在该领域内使用的缺陷,具有一定的理论价值和实际应用价值。     

基于灰色神经网络组合模型的动态数据序列预测

为了提高动态数据序列的预测精度,分析了现有BP神经网络和灰色预测方法各自的优缺点,并在此基础上建立了灰色神经网络组合模型.组合模型兼有BP神经网络和灰色预测的优点,弥补了单个模型的不足,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性.本方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,并利用神经网络的函数逼近特性,实现对原始数据的预测.仿真结果表明:组合模型的预测精度高于单独的GM(1,1)模型,适用于具有复杂成分的动态数据序列的建模.     

基于灰色模型和神经网络组合的短期负荷预测方法

提出了一种基于灰色模型和神经网络组合的短期负荷预测方法.首先利用频域分解消除负荷序列的周期性,然后利用灰色模型计算负荷序列的历史拟合值和未来预测值,将其作为神经网络的输入.在历史数据中选择一天作为基准日,以该基准日的量为参照,以负荷的灰色模型拟合值相对基准日的变化量,以及温度变化量为BP神经网络的输入,实际负荷变化量为输出,训练神经网络并预测待预测日负荷的变化量,加上基准日负荷后得到预测负荷.该方法综合了灰色模型方法和神经网络方法的优点,仿真结果验证了方法的有效性.     

基于小波分析的月度负荷组合预测

针对电力系统月负荷数据同时具有趋势增长性和季节波动性的非线性特征，提出了一种基于小波变换的月负荷预测方法。通过小波变换把月负荷序列分解为多个频率成分的叠加，针对不同频率成分的不同特点采用不同的预测方法，最后将各频率成分的预测结果重构进而得到预测数据。该方法避免了考虑气候、政策等因素，仅利用电力负荷历史数据进行预测。实例结果表明采用该方法进行月负荷预测可以达到较高的精度。     

基于联合数据挖掘技术的神经网络负荷预测模型研究

认为提高日负荷预测精点,即基于联合数据挖掘技术的电力负荷神经网络预测新方法.也就是通过多种挖掘技术寻找与预测日同等气象类型的多个历史日负荷,由此进一步提取数据,组成规律强化、干扰弱化、具有高度相似气象特征的数据序列,对此,再构建人工神经网络预测模型,从而有效地提高了预测的精度,简化了模型的输入和计算,更加便于应用.     

基于随机森林回归算法的锅炉沾污因数预测方法

锅炉沾污因数用于定量表征锅炉的积灰程度,在积灰机理尚不明确的前提下,计算锅炉沾污因数存在一定困难。通过对锅炉历史监测数据进行特征重构,研究锅炉状态数据和锅炉沾污因数之间的潜在关系,基于随机森林回归算法实现对锅炉沾污因数进行预测。案例表明,基于重构特征建立随机森林回归模型,可以有效预测锅炉沾污因数,并且能够实时反映锅炉特定受热面的积灰程度。     

基于组合模型的短期风速预测研究

风速具有较大的随机波动性,影响了电网的稳定性,风速预测对于风电并网问题至关重要。本研究采用灰色-马尔可夫链（GM-Markov）与最小二乘支持向量机（LSSVM）预测模型分别对风速进行预测,比较了各单一预测模型的精度;在此基础上研究了动态权重组合模型与0-1法组合预测模型。然后以国内某风电场的实测风速数据为例进行分析,结果表明,单一预测方法时好时坏,稳定性较差,组合预测模型总体效果较好,具有较大的实用价值。     

基于灰色和神经网络的最优组合预测分析

针对进出口总额数据的非线性,并为了更充分挖掘时间序列所隐含的数据规律,建立了基于灰色预测模型、神经网络算法以及最小方差准则的最优组合预测模型.仿真分析结果显示,最优组合方法能更有效提高非线性时间序列的预测精度.     

基于小波变换的随机森林模型风力发电预测方法

针对风力发电因随机性、复杂性和易受外界因素干扰的特点而很难做出准确的分析和预测,提出了一种基于小波变换的随机森林模型风力发电预测方法.该方法利用国外某风电场的历史发电数据和气象历史数据作为输入参数,建立WT-RF模型,并与单一的随机森林模型作对比.试验结果证明,该预测模型能有效减小误差,具有一定的参考价值.     

基于神经网络的锅炉过热器和再热器管壁温度预测研究

提出了采用BP神经网络和RBF神经网络对锅炉过热器和再热器壁温进行预测的方法,经过网络训练和测试,使预测的管壁温度有一定的准确度。RBF神经网络较BP神经网络误差更小,更稳定,更适合于预测锅炉过热器和再热器的管壁温度。     

基于灰色关联分析及BP算法的用电量预测

用电量是电力系统规划及地区资源配置的重要影响因素,为了提高用电量预测的精度,提出将灰色关联分析法与BP神经网络相结合进行用电量预测。利用灰色关联分析法对影响用电量的主要因素进行分析,确定了3个影响因素并将其作为 BP 网络的输入参数,建立了用电量BP神经网络预测模型;在MATLAB环境下对模型进行训练测试,结果表明该系统收敛速度快、预测精度高,可为用电量的预测提供参考方法。     

基于灰色关联分析和GeoMAN模型的光伏发电功率短期预测

准确预测光伏发电功率对电网调度具有十分重要的意义.该文提出一种基于灰色关联分析和GeoMAN模型的光伏发电功率短期预测方法.首先,利用灰色关联分析对某地区多光伏电站进行空间相关性分析,选取与待预测光伏电站高度相关的周边电站;然后,基于GeoMAN模型动态提取待预测光伏电站的时空特征和外部气象因素,GeoMAN模型采用编...