基于SSA-LSTM模型的水电站能效综合评价方法

随着我国电力体制改革不断深化,水电已告别传统粗放型发展模式,亟需配套更为成熟、通用的能效评价体系指导水电运行调度工作。因此,提出一种基于深度学习的水电站能效综合评价方法,引入长短期记忆网络(LSTM)构建水电站理论发电量模型,对于给定的原始发电序列,利用奇异谱分析(SSA)提取出其趋势项、周期项及噪声,对前二者分别构建LSTM网络模拟后叠加得到理论发电量计算结果,在此基础上提出相对增发效益指标、能效相对提高率指标,利用熵权法得到水电站综合得分值,进而对南部某省12座电站进行能效评价。结果表明,该方法可以充分反映水电在调度运行中的能效特点,研究结果对优化水电站调度策略、提高水电调度水平具有借鉴意义。     

基于重要特征分析的水电站运营成本回归

近年来,我国能源发展环境发生重要变化。在能源转型的大背景下,水电发展重心也需从开发新水电转为对已建水电站的精细化运营管理。为此,以某地区65座水电站运营成本为研究对象,定义了水电站标准支出成本概念,利用皮尔逊相关系数、互信息等方法进行重要特征识别,在此基础上利用列文伯格-马夸尔特方法对成本进行回归。结果表明,上述方法对水电站成本具有较好的拟合效果,为水电站运营效率对标评价、水电企业寻优补差工作提供了新思路。     

基于SHAP-XGBoost混合模型的梯级水电站流量动态滞时研究

水流滞时是影响梯级电站短期优化调度的重要因素。如何构建流量动态滞时模型以精确描述梯级水电上下游水力联系,成为水电短期优化调度中亟需解决的问题。尝试引入极端梯度提升树算法(eXtreme gradient boosting, XGBoost)作为表现梯级水电站间流量动态滞时的工具。首先利用沙普利加性解释(Shapley addictive explanation, SHAP)评估各输入特征重要性,并从中选择最优特征集。其次建立了一种基于极端梯度提升树的动态滞时模型,利用网格搜索和交叉验证算法对模型参数进行选取。最后基于实际案例与人工神经网络、支持向量回归及固定滞时模型进行对比实验。结果表明,所构建的SHAP-XGBoost模型能更准确地模拟水电站间动态滞时关系,与传统模型相比平均预测精度至少提高了18%,且与实测序列的变化趋势匹配程度最佳。同时证明了输入特征筛选的加入能够使模型精度进一步提高。     

基于JMI-CNN-LSTM耦合模型的梯级水电站间流量动态滞时关系

【目的】梯级水电站间存在的水力联系导致下游电站的运营模式往往受制于上游电站，以往的梯级水电站优化调度中通常选择忽略流量滞时或认为其是常数，少有考虑流量滞时与上游水电站出库流量及区间降雨等因素的动态关系。为提高下游电站预判流量精确度，将神经网络应用到梯级电站间流量动态滞时研究中。【方法】首先采用联合互信息理论选取下游电站入库流量的主要影响因素作为模型输入因子，其次根据卷积神经网络和长短时记忆神经网络的互补特性，建立上游出库流量与下游入库流量的JMI-CNN-LSTM深度学习网络模型，最后结合实际算例，将所建立模型的拟合结果与随机森林回归模型、固定滞时模型进行对比。【结果】结果显示：本文所建立的模型较相同条件下其他方法各类误差均存在不同程度的减少，其中MAE至少减少了14.6%。【结论】结果表明：相较其他方法，JMI-CNN-LSTM耦合模型预测精度更佳，能够更准确的体现梯级电站间流量滞时的动态关系。     

炒制对青稞糌粑粉品质及贮藏稳定性的影响

为探究炒制对青稞全谷物品质的影响以及糌粑粉在贮藏期间的品质稳定性变化，该研究对不同炒制条件下青稞糌粑粉及炒制前后青稞粉原料与糌粑粉产品的品质进行检测，并测定糌粑粉在加速贮藏条件下氧化指标的变化。研究发现，炒制功率为1 300 W、炒制时间为6 min、水分含量为20%时，糌粑粉的综合评分最高；与青稞粉相比，经高温炒制后，糌粑粉的脂肪、淀粉、粗纤维及抗氧化物质含量均显著减少，脂肪酸值、过氧化值、酶活性均降低，丙二醛值增加；风味物质中醛类和杂环类化合物含量明显增加，酮类和烯烃类含量明显减少。加速贮藏期间，糌粑粉的脂肪含量下降，过氧化值上升，脂肪酸值、丙二醛值和酶活性均呈先上升后下降的趋势；糌粑粉在加速贮藏15 d(相当于常温贮藏120 d)后出现氧化劣变。该研究明确了糌粑粉在炒制及贮藏期间的品质变化情况，为实现糌粑粉的工业化生产提供了理论参考。