支持向量机在锅炉飞灰含碳量软测量中的应用

针对目前锅炉飞灰含碳量测量方法存在时间滞后和精度不高等问题,在分析锅炉飞灰含碳量影响因素和做锅炉燃烧特性实验的基础上,利用最小二乘支持向量机这种新的机器学习工具,建立了飞灰含碳量的软测量模型。应用该模型对燃煤电站锅炉的飞灰含碳量进行研究,理论分析和仿真计算表明,该方法学习速度快、泛化能力强、对样本的依赖程度低,比BP神经网络的软测量建模更具有推广力。     

基于MEEMD与排列熵的风电功率超短期预测研究

针对EMD方法存在模态混叠和IMF分量过多等问题,文章提出了一种基于MEEMD与排列熵的风电功率超短期预测方法。首先,利用MEEMD将原始时间序列分解得到各IMF分量,避免模态混叠。然后,计算各IMF分量的排列熵值,将熵值相近的分量合并,有效降低计算量。最后,用模糊树方法分别建立各分量预测子模型,通过叠加得到风电功率预测值。基于某风电场实际运行数据的预测结果表明,该方法的预测精度较高且运算速度较快,适用于风电功率的超短期预测。     

燃烧室辐射传热分区仿真模型的建立和应用

针对大坝电厂300 MW机组,本文在网路分析法的基础上,建立了炉内辐射传热分区仿真模型。它的特点是仿真精度高,实时性好,能准确地反映运行中各种因素对炉内传热的影响。     

基于状态曲线的风电机组运行工况异常检测

为了提高风电机组的利用率和发电量,减少风电机组维修和更换费用,需要对其运行工况进行监测。本文首先对机组的风速-功率、风速-转速、风速-桨距角、转速-功率、转速-桨距角5种状态曲线进行理论介绍,然后结合实际运行数据对其进行了分析。结果表明:由于风速的随机性和风电机组的惯性,前3种曲线不能很好地区分机组的正常运行状态和故障状态,而转速-功率、转速-桨距角能够对机组的异常情况进行准确的监测;以转速-功率、转速-桨距角状态曲线为基础,分析了机组不同运行工况在状态曲线上的分布,对各个不同工况分别建立相应的评价体系,通过故障实例分析,表明本文方法能提前感知异常情况,有效提高系统的状态监测精度。     

基于模糊C均值软聚类工况辨识的风电功率短期区间预测

针对常规风电功率区间预测方法中以实发功率划分子区间有效性差的问题,提出了一种基于模糊C均值软聚类工况辨识的风电功率短期区间预测方法。模糊C均值软聚类可以将过渡工况的样本点划分到多个工况区间中,从而提高子区间划分的有效性。首先采用LSSVM建立风电功率确定性预测模型,然后基于聚类有效性,确定聚类数目,再利用模糊C均值软聚类对历史运行数据进行工况辨识从而划分为多个子区间,最后利用核密度估计计算各工况下功率预测值与真实值误差的概率密度函数,进而确定各工况的功率置信区间,完成区间预测。算例结果表明,基于模糊C均值软聚类工况辨识的风电功率区间预测方法在覆盖率和平均带宽等评价指标上优于常规方法,适合应用在风电功率短期区间预测中。     

基于时间差分的SCR脱硝系统动态建模

为建立精确的选择性催化还原(selective catalytic reduction,SCR)脱硝系统动态模型,提出了一种基于时间差分(time difference,TD)的动态建模方法。常规动态建模方法一般是在模型输入端增加历史输入和输出信息,会增加模型的维数并影响其训练速度和泛化能力。TD方法通过求解输入、输出的一阶差分并建立变化量间的数据驱动模型,能在不增加维数的前提下实现动态建模。使用某燃煤电站的变负荷运行数据,针对正常运行以及测量仪表反吹两种工作状态,基于TD方法和最小二乘支持向量机建立了SCR脱硝系统的动态模型并与静态及常规动态建模方法进行了对比。结果表明,基于TD方法的动态模型维数低、训练速度快、建模精度高,且在测量仪表反吹时仍能保持较高的精度。     

基于改进型TOPSIS法的水电机组运行可靠性分析

为保证电力系统的安全可靠运行,结合马氏距离对传统TOPSIS法中的距离计算进行改进,对全国3类不同装机容量的水电机组运行可靠性进行了综合评价。以中电联公布的2013年40 MW及以上各容量水电机组运行数据为基础,与用信息熵法确定指标权重的TOPSIS评价方法进行对比分析,改进后的基于马氏距离的TOPSIS法不仅简化了计算步骤,而且不受属性指标量纲以及属性指标间相关性的影响,不需要决策人对指标进行主观或客观赋权。评价结果表明,基于马氏距离的改进型TOPSIS法是一种评价水电机组运行可靠性的科学实用方法。     

基于时空自编码网络的风电齿轮箱状态监测

在风电机组状态监测问题中,常规自编码网络通常仅使用截面SCADA(supervisory control and data acquisition)数据,使得网络对数据时间特征的学习不足。因此,提出一种基于时空自编码网络的风电齿轮箱状态监测方法：使用1维卷积网络(1DCNN)级联双向长短时记忆网络(Bi-LSTM)作为编码层,序贯提取面板数据的空间及时间特征,以输入的重构误差作为预警指标实现在线状态监测。使用河北省某风电场实际数据验证,结果表明：相比故障记录时刻,时空自编码网络能提前20 d发出报警信号,且故障检出率和误报警次数均优于常规方法;通过分析重构误差各分量的贡献率,可知该齿轮箱故障中主要异常参数为油路压力和油池温度。     

汽车用稀土永磁发电机电枢反应电抗的研究

根据汽车用稀土永磁发电机的结构特点,在建立电枢反应电抗参数分析模型的基础上,推导出一种新的计算电枢反应电抗的方法,使用该方法设计出汽车用稀土永磁发电机,其理论值与实测值相吻合,提高了永磁发电机设计计算的准确度。     

人工神经网络在系统辨识中的研究与应用

主要研究了单层神经网络、Ａｄａｌｉｎｅ网络及Ｂ－Ｐ网络用于系统辨识中的工作原理,提出了把Ｂ－Ｐ网络权值转换为传递函数的方法。使用 ＶｉｓｕａｌＣ＋＋语言构造这 ３种神经网络,以火力发电厂中常见的大惯性、大迟延系统为对象进行了辨识试验。仿真结果表明：在不人为加入特殊激励信号,只利用生产过程自然存在的随机扰动的情况下,Ｂ－Ｐ网络辨识器可得到较为准确的对象数学模型,对于解决电厂中常见热工系统的建模问题,具有重要的实用价值。