基于改进长短期记忆神经网络的钢铁企业电力负荷预测方法

钢铁企业的用电负荷受企业生产工况影响较大,区别于传统区域电网的电力负荷预测,其用电负荷不受季节气候的影响,具有用电负荷高、用电波动大、工序变化瞬时冲击性强、扰动强等特点。针对上述特点,将基于长短期记忆神经网络(long short-term memory, LSTM)的序列对序列(sequence to sequence, Seq2Seq)模型应用到电力负荷预测中,提出了LSTM-Seq2Seq负荷预测模型,以解决模型训练时LSTM模型产生的较为严重的过拟合现象。为了避免参数更新时的大幅震荡和更新速度过慢的问题,优化方法采用Adadelta方法。利用某钢铁企业实际负荷数据进行测试,LSTM-Seq2Seq模型准确率能达到97.94%。实验结果表明,本文提出的方法能够提高电力负荷预测精度,提高钢铁企业运行的安全性,降低生产运行成本。     

基于改进差分进化算法的钢铁企业氧气系统优化调度

针对制氧系统在平衡调度过程中由于氧气生产的连续性与用氧设备消耗的间歇性之间的矛盾所造成供需不平衡、氧气放散率高的问题,研究小时级的氧气系统供需协调优化方案。考虑氧气系统中的设备产能、管网平衡和机组变负荷等约束,建立了氧气系统优化调度模型,优化氧气系统的综合经济效益,设计了基于自适应变异、中间重组交叉的差分进化(differential evolution, DE)算法进行求解。试验结果表明,DE算法在有效时间内能够求解模型。对于小规模算例,在有限的时间内能够找到近优解;对于大规模算例,DE算法从解的质量和求解速度上都要优于求解器的解,能够满足实际生产的需求。