基于神经网络模型的锅炉主蒸汽温度预测控制

为解决传统控制方法在火力发电机组蒸汽温度控制过程中存在的强非线性、大迟延的难题,提出了一种基于长短期记忆(LSTM)神经网络在线估计和粒子群(PSO)滚动优化的预测控制算法。该方法将常规串级控制系统的主回路控制器用预测控制器替代,采用LSTM神经网络建立主蒸汽温度控制系统的过程模型,通过多步预测实现了对复杂非线性系统模型的精确预测。利用PSO算法在线求解主蒸汽温度控制系统的最优预测控制律,避免了传统递推方法无法直接求解非线性优化问题。仿真结果表明：与传统主蒸汽温度串级控制策略相比,该控制算法明显改善了控制系统的快速性,抗扰能力较强,对主蒸汽温度这类具有非线性及模型不精确的被控对象有一定的参考价值。     

基于EEMD-LSTM模型的集中供热系统热负荷预测方法研究

对热网进行负荷预测是保障供热系统按需供热和精准调控的前提和依据.针对供热系统中由于高延迟、大惯性特点造成的调控不灵和能源浪费问题,构建了基于EEMD-LSMD方法的区域热网负荷预测模型,先通过EEMD(集合经验模态分解)对某热网换热站历史运行数据进行分解,并对分解的分量进行选择和辨别,再结合LSTM(长短期记忆神经网络...     

基于EEMD-IWOA-TCN的电网短期负荷预测

为提高较少输入特征下对电网负荷的预测精度,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)、改进鲸鱼优化算法(improvewhaleoptimizationalgorithm,IWOA)和时域卷积网络(temporal convolutional network,TCN)相结合的电网负荷预测方法。首先,使用EEMD对原始序列进行分解,得到具有较高细粒度的负荷分量序列;其次,采取相关性分析对分量进行融合,对融合后的分量序列分别建立TCN预测模型;然后,使用IWOA对TCN内部的超参数进行优化,提升模型训练速度和预测性能;最后,将各分量序列的预测值进行累计,输出最终负荷预测值。实证分析表明：所提方法具有较高的预测精度和良好的鲁棒性。     

基于WOA-BiLSTM模型的短期光伏出力预测

针对光伏发电系统受环境因素影响较大、预测精度低等问题,提出了一种基于鲸鱼算法优化双向长短期记忆神经网络（WOA-BiLSTM）的光伏出力短期预测模型。利用鲸鱼算法（WOA）进行参数寻优,完成对双向长短期记忆神经网络（BiLSTM）模型最优超参数的选择,并以华东某光伏电站的历史光伏数据进行了验证。预测结果显示：相较于长短期记忆神经网络（LSTM）与BiLSTM预测模型,WOA-BiLSTM模型可以在一定程度上提高预测的精度。     

基于MEEMD-QUATRE-BILSTM的短期光伏出力区间预测

提出一种基于改进集成经验模态分解（MEEMD）和拟仿射变换（QUATRE）优化双向长短期记忆神经网络（BILSTM）的光伏出力区间预测模型。通过主成分分析法（PCA）对时间序列进行降维处理,利用K-均值算法将降维数据分成3种类型气象数据;然后采用MEEMD对每类光伏出力序列进行分解,将其输入QUATRE优化BILSTM神经网络和核密度估计算法（KDE）联合构建的短期光伏出力区间预测模型。最后基于宁夏光伏电站实例仿真评估模型区间预测性能,实验结果表明该模型可生成高水平光伏预测区间,能够为电力系统经济稳定运行提供可靠的决策保障。     

基于EEMD和LSTM的水电机组劣化度预测方法研究

针对水电机组作为低速旋转设备具有复杂的运行机理,在目前缺乏先验知识、故障样本较少的情况下,运用传统故障诊断方法很难对水电机组的运行状况做出正确判断的问题,提出一种基于集合经验模态分解法和长短期记忆神经网络相结合的水电机组劣化度预测方法.利用水电机组非故障运行期间的数据计算不同工况下的特征参数健康值标准,使用劣化度描述机...     

基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测

针对光伏发电功率时间序列随机性和波动性强的特点,提出一种基于Kmeans和完备总体经验模态分解(CEEMD)、排列熵(PE)、长短期记忆(LSTM)神经网络结合的短期光伏功率预测模型.先通过Kmeans算法选出预测日的相似日;然后采用CEEMD将发电功率和影响因素数据的原始序列分解为多个固有模态分量,并用排列熵算法对模...     

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EMD和长短期记忆网络的短期电力负荷预测研究

针对电力负荷非线性、非平稳性、时序性等特点,提出了一种基于EMD-LN-LSTM的短期电力负荷预测模型。利用经验模态分解(EMD)将经数据预处理之后的原始电力负荷数据分解为有限个内涵模态分量(IMF)和一个残差分量,以降低负荷序列的非平稳性和复杂度。将分解后的各分量分别输入到长短期记忆网络(LSTM)中进行预测,同时利用层标准化(LN)对LSTM进行规范化处理,优化网络模型。对各分量预测值进行重组,求出最终的负荷预测结果。以多伦多真实数据为算例,分别使用EMD-LN-LSTM模型和其他模型进行预测,结果表明:EMD-LN-LSTM模型24 h平均绝对百分比误差相较于RNN模型、LSTM模型分别降低了3.600%、1.864%,而拟合优度均高于RNN模型、LSTM模型,表明该模型能够更好地拟合负荷曲线,具有较高的预测精度。     

基于变分模态分解和改进鲸鱼算法优化的模糊神经网络风速预测模型

风速预测在风电场安全并网和智能化管理中起着决定性作用,针对风速的非线性和不稳定等特点,提出了一种基于变分模态分解(VMD)和改进鲸鱼算法优化的模糊神经网络(VMD-CGWOA-ANFIS)的混合预测模型。该模型首先使用变分模态分解技术将原始风速序列分解为一系列子序列,而后对各子序列分别采用模糊神经网络(ANFIS)建立预测模型。为进一步提高预测精度,同时克服鲸鱼(WOA)算法容易陷入局部最优和收敛过早的缺点,引入共轭梯度算法(CG)对WOA进行改进,利用改进的CGWOA算法对ANFIS参数进行优化。使用优化后的ANFIS分别对变分模态分解后的各子序列进行预测,最后将预测后的各子序列叠加得到最终预测结果。为测试模型的有效性,选择宁夏地区3组实际风电数据进行模拟试验,将ANFIS,VMD-ANFIS,VMD-WOA-ANFIS与提出模型进行对比,结果表明所提出的混合模型预测精度明显高于其他对比模型。     

基于贝叶斯优化的LSTM火电机组一次调频能力辨识方法

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。     

基于遗传算法—优化长短期记忆神经网络的柴油机瞬态NOx排放预测模型研究

为实现选择性催化还原系统（selective catalytic reduction,SCR）尿素喷射量的精确控制,构建并评估了一套利用遗传算法（genetic algorithm,GA）优化长短期记忆（long short term memory,LSTM）神经网络的柴油机瞬态NO_x排放预测模型。针对柴油机瞬态运行特点,选择柴油机NO_x排放的主要影响因素进行相关性分析,确定模型的输入变量;为避免人为选取参数对神经网络预测性能的不良影响,采用遗传算法优化LSTM神经网络的参数,建立预测柴油机瞬态NO_x排放的GA-LSTM模型;最后对预测模型进行了性能测试。结果表明,该模型具有较好的预测能力。     

基于LSTM神经网络的燃气轮机排温预测方法

针对燃气轮机气路性能退化的周期性与非线性特点,提出一种基于长短期记忆(Long-Short Term Memory,LSTM)神经网络的燃气轮机排气温度趋势预测方法.利用标准化与归一化数据预处理方法提取排气温度数据中的退化特征,减小了环境和工况变化对退化特征的影响;通过滑窗法提取一定长度的历史数据,增强LSTM模型的泛...     

基于深度学习与支持向量机的滚动轴承故障诊断研究

针对滚动轴承运行环境复杂,传统故障诊断方法难以从强非线性信号中提取有效故障特征,且无法充分利用信号自身特征的问题,提出CNN-LSTM-SVM故障诊断方法。以滚动轴承加速度寿命实验数据为研究对象,基于卷积神经网络(Convolutional Neural Network, CNN)与长短期记忆网络(Long Short Term Memory, LSTM)技术提取信号特征并结合支持向量机(Support Vector Machine, SVM)完成故障分类。结果显示：该方法具有良好外推性能,在变演变阶段下的平均准确率达到95.92%,与现有方法相比,至少高出11.34%,且在噪声环境下的诊断准确率均高于现有方法,稳定性更佳,体现良好的鲁棒性与泛化性。     

超临界机组锅炉水冷壁温度计算方法研究与应用

主要针对超临界锅炉各种辐射受热面壁温的计算方法进行讨论,归纳出各种不同工况下的壁温计算方法,并以一实例计算得到超临界机组炉膛水冷壁的各段温度分布。根据超临界机组炉膛辐射受热面各段温度的变化规律找到可能的温度危险点,从而对现场运行有一定的指导意义。     

Calculation on Water Wall Temperature in the Furnace of a 1000 MW Ultra-supercritical Tower Boiler

以某电厂1 000 MW超超临界塔式锅炉为研究对象,在一维分区的计算基础上,对炉内主燃烧区域进行分区,在满足工程需要的基础上简化了辐射传热模型和管内换热模型,对炉内主燃烧区进行变工况研究得出水冷壁壁温分布,并且与实测数据进行比较验证.结果表明：水冷壁壁温沿炉膛高度方向呈现双峰,沿炉膛宽度方向则呈中间高两边低的趋势;随着负荷降低,水冷壁壁温降低;模型计算数据与实测数据相比,均方根误差最大为5.38%;该模型可以预测水冷壁壁温分布,为锅炉设计和实际运行提拱技术支持.     

600MW锅炉机组膜式水冷壁壁温的试验研究及理论分析

在６００ＭＷ锅炉机组水冷壁热力试验的基础上,为找到使壁温发生波动的根本原因,利用有限元分析的方法对低倍率锅炉膜式水冷壁管壁温度分布随传热工况的动态变化进行了分析。分析表明：导致水冷壁管壁温度波动最根本的原因是管内传热恶化;单面受热水冷壁在管内发生传热恶化时其向火这内外壁温差随时间的波动较小,而水冷壁周向温差则随向炎侧外壁的壁温波动而剧烈波动。     

基于CEEMDAN-KELM的锅炉对流受热面状态预测研究

为了解决表征锅炉受热面表面健康状态的清洁因子在未来时间段内预测时呈现非平稳问题,以省煤器受热面为例,提出一种结合核极限学习机(Kernel Extreme Learning Machine,KELM)和自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)的清洁因子预测方法。首先,通过CEEMDAN分解算法对省煤器表面清洁因子序列进行分解和降低复杂程度,获得各固有模态函数(Intrinsic Mode Function,IMF);其次,利用皮尔逊相关性分析确定主蒸汽流量、进出口烟温等9个参数为输入,建立核极限学习机模型对清洁因子的各IMF进行预测;最后,将各IMF预测结果相加获得最终预测结果。结果表明：与基本核极限学习机、支持向量机等预测模型相比,本文模型具有较高的预测精度和较优预测时间,可为基于受热面状态开展的锅炉智慧吹灰应用提供参考。     

基于EEMD和卷积神经网络的电站NOx排放预测

精准的NOx排放预测模型能够提高SCR系统的脱硝效率,为此本文分析了一维卷积神经网络在NOx预测领域的应用,并提出了一种结合集成经验模态分解和卷积神经网络的NOx排放预测方法。首先,对原始数据进行预处理,并采用互信息法确定输入变量。然后,采用集成经验模态分解算法对NOx数据进行分解处理,降低NOx数据的预测难度。最后,基于一维卷积神经网络构建各分量的预测模型并进行重构,得到最终的NOx预测结果。基于某电厂的实际运行数据进行实验,实验结果表明,所提出模型预测结果的平均绝对百分比误差为3.34%。一维卷积神经网络的超参数实验说明了Adam优化方法和合适的输入步长有利于模型的训练,但是dropout正则化不利于模型的性能提升     

1000MW塔式直流锅炉炉膛水冷壁管壁温度和热负荷分布的试验研究

对2台1 000MW超超临界压力塔式直流锅炉炉膛水冷壁管壁温度和热负荷分布进行了测量和计算,并对不同负荷工况、不同磨煤机投运方式下的热负荷和管壁温度分布规律以及炉膛上部垂直水冷壁的热负荷分布进行了分析.结果表明:1 000MW塔式直流锅炉炉膛热负荷的分布规律与其他四角切圆燃烧锅炉炉膛热负荷的分布规律基本一致.由于在最上层的燃烧器上方布置了燃尽风,对炉内烟气的扰动加强,导致沿管长方向的热负荷在54m标高处波动较大;在燃尽风喷嘴中心线以上,因受到燃尽风进入炉膛的影响,水冷壁热负荷大幅度下降.为了避免炉膛大比热区传热恶化,可以将处于拟临界点附近的水冷壁布置在低热负荷区域.