排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
针对脱硫系统运行优化过程中脱硫效率回归模型精度不够,及运行优化方案在实际运行中难以有效执行的问题。该文提出一种基于信息物理融合和XGBoost-MPGA的脱硫系统运行优化方法。通过构建XGBoost脱硫效率回归模型作为脱硫变动成本函数的变量,利用MPGA寻找脱硫变动成本最低时对应的脱硫效率,然后逆向求解出脱硫效率回归模型中液气比、吸收塔浆液pH值、吸收塔液位优化值。通过实例分析表明,XGBoost-MPGA相比BP神经网络、随机森林和GBRT回归模型具有更好的预测性能,且与XGBoost-SGA比较,在脱硫变动成本极值寻优过程具有更好的稳定性和收敛性。并通过信息物理融合方法消除了脱硫物理设备在运行优化操作后对脱硫变动成本信息的影响,提高了运行优化操作方案的可靠性和经济性。 相似文献
2.
供电煤耗是衡量火电机组运行经济性的重要指标。本文提出一种基于并行随机森林算法的火电机组供电煤耗计算模型,利用某600 MW机组分布式控制系统(DCS)的海量数据,在Spark大数据平台,采用阈值判定出稳定工况的数据,采用局部异常因子算法对局部异常值进行检测与处理,采用K-means聚类算法确定出不同工况,最后筛选出影响机组供电煤耗的38个热力参数及其10种工况下211 615组数据。随机抽取其中4/5的数据对并行随机森林算法供电煤耗计算模型进行训练建模,1/5的数据进行测试,测试得到该模型供电煤耗计算值与实际值较吻合,平均绝对误差为1.79 g/(kW·h),相对误差在–3%~3%内。表明基于并行随机森林算法的供电煤耗计算模型计算精度较高,模型泛化能力较强,适用于供电煤耗计算。 相似文献
3.
4.
5.
当前发电企业在数字化和智慧化建设过程中,需要一个统一规范,适应发电企业特性和需求的数据中台架构体系作为基础支撑。本文通过分析智慧型发电企业数据中台的建设思路,从数据的技术能力建设和数据资产管理两个方面,构建了数据中台功能架构、技术架构和数据架构,涵盖了数据开发、数据模型、数据治理、数据资产、数据服务等多个层次的体系化建设。基于此,针对发电企业数字化和智慧化建设场景,通过本文的数据中台建设思路、架构体系和平台功能,阐述了数据中台在企业生产经营驾驶舱、报表及报告自动生成、设备故障预警、企业智能搜索的诸多应用,表明通过数据中台,不仅可以打通发电企业生产、经营和管理之间的业务壁垒,沉淀企业数据资产和经验知识,而且还能有效提升数据挖掘的价值,助力智慧发电企业建设目标的实现。 相似文献
1