共查询到16条相似文献,搜索用时 109 毫秒
1.
为解决热电厂机组间负荷分配不合理的问题,提出一种基于模型预测的多模式供热电厂多机组间负荷实时优化分配方法。基于模块化建模原理构建热电厂全厂范围的机理仿真模型,并运用运行数据对模型辨识校准,根据机组特性和电网调峰补贴政策,建立全厂的运行经济性收益评估模型,进而设计基于粒子群算法的负荷实时优化方法,借助性能预测模型预测评估各方案的经济性。以某包含高背压、切缸、抽汽、光轴4种供热模式机组的电厂为例,对不同电、热负荷组合工况下的厂内负荷进行优化分配研究。应用结果表明:该方法可根据热、电负荷的实时指令在线获得经济性优化的厂内机组间负荷分配方案。 相似文献
2.
3.
4.
5.
为了准确预测热电联产机组的热负荷进而确定机组的热电可行域,使用互信息法筛选预测模型的输入参数。搭建了基于粒子群(PSO)参数寻优的最邻近节点(KNN)模型和长短期记忆神经网络(LSTM)模型对电厂的单日供暖热负荷进行预测,并提出将两种预测方法相结合的KNN-LSTM模型,通过对比发现该混合预测模型在处理短期热负荷异常波动问题时提高了预测模型的鲁棒性。在搭建热电联产机组热力仿真模型的基础上,根据热负荷短期预测结果和机组深度调峰限制条件确定机组的最低运行电负荷,提高了机组预测最低运行电负荷的能力。 相似文献
6.
由于BP神经网络存在一些缺点,本文采用RBF神经网络方法用于热电厂热负荷预测。预测结果表明:用本文的方法进行热负荷预测得到了十分满意的结果。 相似文献
7.
《水电能源科学》2021,39(9):205-209
为了充分挖掘电力负荷数据中的有效信息、提高超短期负荷预测精度,提出一种基于多重聚类分析(MAC)、小波分解(WD)、卷积神经网络(CNN)和多路卷积神经网络(MCNN)的超短期负荷预测模型MACWD-CNN-MCNN。通过MAC方法筛选训练集样本,并采用WD算法对负荷进行频段分解,提取负荷细节特征,然后提出了MCNN网络结构,采用CNN网络和MCNN网络分别预测高低频负荷信号,最后通过小波重构输出负荷预测值。试验仿真结果表明,与CNN-GRU模型和MAC-WD-CNN-GRU模型相比,所提超短期负荷预测模型的RRMSE、MMAE、ssMAPE均更小,具有更高的预测精度。 相似文献
8.
负荷预测是指导电力系统规划和安全经济运行的重要依据。传统的负荷预测一般指区域负荷总量的预测,不能够体现底层母线负荷水平,无法满足电网精益化管理的要求,母线负荷预测是解决这一问题的关键途径。文章提出了基于特征排序与深度学习的母线负荷预测模型。首先,针对各区域母线负荷差异性较大的现状,使用随机森林算法对预测目标影响较大因素进行排序,选择特征贡献度较高的特征属性;其次,在模型训练阶段选择了深度置信网络,学习并跟踪母线负荷变化趋势;最后,采用北京电网某条110 kV母线负荷进行实例验证。结果表明,文章所建立的预测模型具有良好的预测精度和稳定度。 相似文献
9.
为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合(TCN-LSTM)和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。 相似文献
10.
热电厂热、电负荷的最优分配是在运行时间内满足用户要求及机组出力的限制条件下,合理分配运行机组间的热、电负荷,使整个热电厂的总煤耗最小.利用多目标优化算法对热电厂热、电负荷最佳分配进行研究.计算结果表明该方法简单方便,负荷分配比较理想,可以提高热电厂运行经济性. 相似文献
11.
12.
基于PSO-BP神经网络的短期光伏系统发电预测 总被引:1,自引:0,他引:1
对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。 相似文献
13.
由于锅炉的热惯性,造成整个热力系统调节相对滞后,影响系统调峰和优化运行。因此,根据系统参数对锅炉短期负荷进行预测变得尤为重要。在基本RBF神经网络的基础上,提出了一种动态RBF神经网络,并定义了样本差异和样本局部差异两个相关参数,对新样本进行有效性判别,同时,给出了输入层灵敏度系数,以实现大差异样本的负荷预测。为了验证所建模型的正确性,以某电厂实际运行数据为基础验证了这一模型,使用动态RBF神经网络对未来锅炉负荷加以预测,同时对预测结果与实验结果进行了比较。结果表明,这种网络具有很强的适应性,能够对锅炉进行准确的负荷预测,具有很好的应用前景。 相似文献
14.
提升火电机组的一次调频能力辨识有助于辅助电网的调度,保证电网的安全稳定运行。提出一种基于贝叶斯优化算法(Bayesian optimization, BO)的长短期记忆网络(long short term memory, LSTM)一次调频能力辨识方法,实现火电机组的一次调频能力精确建模。首先对机组机理及参数之间的相关性进行分析,确立模型的输入特征变量,再利用贝叶斯算法对LSTM网络结构进行优化,得到一次调频能力辨识模型。以某600 MW燃煤火电机组为研究对象,将该模型与传统BP神经网络模型、未优化LSTM网络模型进行对比。结果表明:所提出的网络模型均方根误差分别降低了66.51%和34.83%,具有更高的模型精度。 相似文献
15.
16.
针对经典BP神经网络训练效率低、易陷入局部极值等缺点,利用云模型对传统人工鱼群算法(AFSA)进行改进,并采用改进后的云人工鱼群算法(CM-AFSA)对BP神经网络的权值和阈值进行优化,构建基于CM-AFSA-BP神经网络的预测模型。以某土石坝测压管水位为指标,利用CM-AFSA-BP神经网络预测模型对其渗流压力进行预测,并与同结构的经典BP神经网络预测结果进行对比分析。结果表明,CM-AFSA-BP神经网络模型在训练速度和预测精度上明显更优,在土石坝渗流压力预测和分析方面具有较好的适应性。 相似文献