数据驱动下火电机组时延鉴别及主汽温度预测

针对传统的火电机组主汽温度建模时在海量特征和长机组延迟下的特征及对应时延的有效选择困难的问题，提出一种综合考虑特征选择和时延选择的融合模型的建模方法。针对火电机组特征的高维性，通过结合相关性系数和梯度提升机的特征选择以筛选出与主汽温度高相关的特征。针对时延鉴别，设计基于相关度的时延计算（TD-CORT）算法用以估计各参数与预测目标主汽温度之间的时延大小，并为预测目标和计算复杂度实现了滑动窗口大小的自动匹配。最后，采用深度神经网络（DNN）与长短期记忆（LSTM）的融合模型实现对火电机组主汽温度的预测。在国内某1 000 MW超超临界燃煤机组的部署结果表明，所提方法的预测平均绝对误差（MAE）值达到0.101 6，该方法相较未考虑时延的神经网络在预测准确度上提升了57.42%。     

基于PCA和神经网络的农残含量预测模型研究

为提高快速检测农残含量的精度,针对建模数据特征发生明显变化的实际情况,提出了一种结合主成分分析（PCA）和神经网络的分段多模型方法。提取建模数据的前2个主成分作为模型的输入,分别使用主成分回归（PCR）和BP/RBF神经网络建立单一及分段多模型。通过计算模型验证集的输出总误差和误差百分比,对比模型检测精度。试验表明：与单一模型相比,利用神经网络建立的分段多模型可以显著降低农药含量的预测误差,使用BP和RBF网络建立的低浓度段模型的输出误差百分比分别为0.8%和0.4%,RBF网络效果更好。该方法可以在待测农药的较大浓度范围内实现定量检测,具有较强的实用性。     

火电机组标煤耗率模型的变量选择方法

变量选择是神经网络建模的基础,在火电机组中,影响标煤耗率的因素很多,如果将各种影响因素都包含进输入变量中,将造成相关的输入变量过多,加重神经网络的训练负担,增加陷入局部极小点的可能,降低神经网络的预测精度。文章首先分析了影响火电机组标煤耗率的因素,提出了一种基于敏感度分析的变量选择方法,然后采用该方法计算各个因素对输出的贡献率,并根据各个贡献率从众多影响因素中选取贡献最大的6个因素作为神经网络模型的输入变量。仿真结果表明,该变量选择方法简化了神经网络结构,减少了神经网络的训练时间,提高了神经网络的预测精度。     

基于深度学习的火电厂机组负荷调度自动控制方法

传统火电厂机组负荷调度自动控制方法无法准确预测多用户目标负荷，导致负荷调度误差较大，提出基于深度学习的火电厂机组负荷调度自动控制方法。通过火电厂的历史运行数据构建火电厂机组负荷分配模型，采用深度学习中的长短期记忆网络（Long Short-Term Memory,LSTM）神经网络进行火电机组负荷预测，建立机组系统能耗与负荷频率的相关模型，输出负荷调度结果，引入比例、积分（Proportion Integral,PI）控制器实现火电厂机组负荷调度自动控制。实验结果表明，文章设计方法能够准确预测火电厂机组运行负荷，在升负荷过程及降负荷过程中的调度负荷和调度自动控制准确性均较好。     

工业大气污染物浓度的复合自回归网络预测

针对工业园区大气污染管理中预测能力较弱的问题,考虑工业大气污染物的多因素耦合及非线性时序特征,提出一种工业大气污染物浓度预测方法。根据预测指标数值特征,提出复合自回归神经网络（CNAR）。对目标预测指标及影响因素进行关联分析及时序建模,实现对工业大气污染物浓度的短期预测。选用河北省某市大气网格化监测数据进行模型训练与方法验证,实验结果表明CNAR预测模型可对工业大气污染物浓度进行有效预测,效果优于传统自回归神经网络,为工业大气污染防控提供参考依据。     

单元机组的小波神经网络广义预测控制

针对大型火电机组具有控制对象复杂、非线性、大滞后、模型难以建立等特点,设计协调控制系统的控制策略.小波神经网络具有良好的函数逼近能力和模式分类能力,广义预测控制对比较复杂的工业生产过程呈现良好的控制性能和鲁棒性.通过训练小波神经网对大型火电机组建模得到预测模型,然后利用了模型辨识过程中已获得的数据,计算广义预测控制率,避免了广义预测控制求解丢番图方程带来在线计算量较大的缺陷.仿真结果表明,该方法能保证功率、主蒸汽压力快速平稳地跟踪其设定值,具有较好的鲁棒性,为解决大型单元机组协调控制问题提供了一条有效的途径.     

神经网络预测控制算法及其应用

针对电站中具有大惯性和变参数等特性的主汽温系统，提出了一种神经网络预测控制算法。该方法是用神经网络来实现预测控制算法中的模型预测和优化计算。将这种算法用于主汽温控制的仿真研究表明，该控制方案表现出良好的控制品质并能适应被控对象参数的变化，具有较强的鲁棒性和自适应能力。它明显优于传统的PID控制。     

基于LSTNet网络的风电机组发电机主轴承温度预测研究

发电机主轴承温度的预测对风电机组的状态监测和故障预警具有重要的意义。为提高主轴承温度预测的准确性,提出一种基于LSTNet网络的预测方法。首先,针对观测向量选择缺乏理论依据和特征冗余的问题,采用灰色关联度分析筛选出与主轴承温度关联性较强的特征参数,然后结合MIV指标计算出每个参数的平均影响值,进一步比较特征参数对主轴承温度的影响程度,最终选择出4个特征参数参与模型预测,最后利用LSTNet多变量时间序列框架,融合GRU、RNN、LSTM网络的结构特点,建立LSTNet网络预测模型,并与SVR、RNN和LSTM预测方法作对比。结果表明：基于LSTNet模型的长期和短期时间序列多步预测方法,预测准确率达到99.3%,明显优于文中其他方法,有效提升了发电机主轴承温度的预测精度。     

液体空气汽液平衡计算模型

汽液平衡计算是精馏塔模拟计算中重要的组成部分。以液体空气汽液平衡计算为研究对象,利用神经网络技术,建立了总压（P）和各组分液相组成（X1、X2、X3）为输入节点,3种不同参数作为输出节点。（1）平衡温度（T）、各组分汽相组成（Y1、Y2、Y3）;(2)平衡温度（T）、各组分平衡常数（K1、K2、K3);（3）平衡温度（T）、汽相氮组成（Y1）及氩、氧平衡常数（K2、3））的BP神经网络模型。通过计算比较,第三种参数作为输出节点的液体空气汽液平衡计算模型,不仅具有良好的学习能力,而且预测结果也比较满意。对进一步研究并应用于空分塔模拟计算具有一定的指导意义。     

脑卒中多分类预后预测的深度集成优化方法

诊疗前预测急性缺血性脑卒中（AIS）的预后分级,有利于揭示预后转归水平并指导治疗策略,提升方法的预测性能是实现精准医疗的重要指导。利用临床和影像组学的融合特征实施脑卒中的多分类预测,并提出了一种基于融合特征的深度集成优化方法（IABC-DEL）模型,其特征选择方法为Embedded嵌入法和卡方检验,数据不平衡处理方式为Borderline-SMOTE算法,利用Stacking构建深度集成优化模型,基学习器包括深度神经网络（DNN）、长短期记忆网络（LSTM）和门控循环单元（GRU）,优化方法为改良人工蜂群算法（IABC）。研究结果表明,深度集成优化方法的预后预测性能优于经典方法和既往研究,Macro-F1 score为87.88%,Macro-AUC为96.27%,ACC为88.02%。因此,基于深度集成优化学习的急性缺血性脑卒中预后模型可对临床诊治和预后康复提供指导意义,并为研究预测提供新的建模思路。     

基于时空序列的Conv-LSTM航班延误预测模型

精准的航班延误预测结果可以为大面积航班延误的预防提供巨大的参考价值。航班延误预测是在特定空间下做时间序列预测,然而目前已有预测方法多为两种或多种算法的结合,存在算法间的融合问题。针对上述问题,提出了一种综合考虑时空序列的卷积长短时记忆（Conv-LSTM）网络航班延误预测模型。所提模型在长短时记忆（LSTM）网络提取时间特征的基础上,将网络的输入和权重矩阵进行卷积来提取空间特征,从而充分利用数据集包含的时间和空间信息。实验结果表明,与LSTM、仅考虑空间信息的卷积神经网络（CNN）模型相比,Conv-LSTM模型的准确率分别提高了0.65个百分点和2.36个百分点。由此可见,同时考虑时空特性可以在航班延误问题中获得更精确的预测结果。此外,基于所提模型设计并实现了基于浏览器/服务器（B/S）架构的航班延误分析系统,并且该系统也可以应用于空中交通管理局流量控制中心。     

基于权重因子自校正的主蒸汽温度外挂广义预测串级控制

针对电厂目前普遍采用PI-PI串级控制器调节锅炉主蒸汽温度系统, 不能有效克服惯性、时滞和参数时变等问题的影响, 本文提出了一种理想GPC (Generalized predictive control)-PI串级控制器. 首先, 该理想串级控制器不仅能抑制一次和二次扰动, 而且外环GPC通过对主蒸汽温度的多步预测, 并结合滚动优化技术能有效克服主蒸汽温度系统的惯性和时滞问题. 另外, 针对主蒸汽温度系统参数时变的特性, 该理想控制器采用了T-S (Takagi-Sugeno)型模糊神经网络(Fuzzy neural network, FNN)作为主蒸汽温度模型, 该模型能够通过反馈校正技术实时更新模型参数. 同时, 为了改善主蒸汽温度系统动态响应品质和稳定性, 对外环GPC中的权重因子进行了模糊自校正设计, 通过理论分析和对比仿真验证了该理想GPC-PI串级控制器优于权重因子固定的GPC-PI和PI-PI串级控制器. 最后, 考虑到直接将电厂集散控制系统(Distributed control system, DCS)中的PI-PI串级控制器升级为理想GPC-PI串级控制器存在安全以及风险责任等问题, 故将电厂的传统PI-PI串级控制器升级成外挂的GPC-PI-PI串级控制器, 既改善了锅炉主蒸汽温度的控制效果又规避了风险责任, 实际应用验证了该方法的有效性.     

高速铁路列车连带晚点的智能预测及特征识别

列车晚点预测及分析直接服务于高速铁路调度指挥, 是列车晚点研究的重点内容. 通过对列车晚点传播结构及传播规律的分析, 提出了一种高速铁路列车连带晚点的智能预测及特征识别方法. 首先利用列车晚点自身传播及相邻线列车晚点传播的关系, 构建基于小波神经网络的列车连带晚点递阶预测模型; 然后利用列车晚点波动的线性组合方程及其结构向量, 进行列车连带晚点影响值的量化; 最后综合连带晚点的实际值、预测值和影响值, 将晚点分为严重晚点、消散晚点、潜在晚点、一般晚点四种类型. 成渝高铁的实例数据表明, 小波神经网络的预测结果具有较高精度, 连带晚点的分类结果也比较符合实际, 能够为高速铁路列车连带晚点的运行调整提供数据支撑.     

200MW乏气送粉机组主蒸汽温度控制优化方案

本文在常规火电厂主蒸汽温度自动控制方案的基础上,对200MW乏气送粉机组的特性进行了分析,结合锅炉主要参数与主蒸汽温度自动控制的相互关系,以及相关的工艺要求,提出了一种新的优化方案。     

基于特征迁移学习的综合能源系统小样本日前电力负荷预测

基于历史数据和深度学习的负荷预测已广泛应用于以电能为中心的综合能源系统中以提高预测精度,然而,当区域中出现新用户时,其历史负荷数据往往极少,此时,深度学习难以适用.针对此,本文提出基于负荷特征提取和迁移学习的预测机制.首先,依据源域用户历史负荷数据,融合聚类算法和门控循环单元网络构建源域数据的特征提取和分类模型;然后,...     

基于LSTM的智能家庭用电预测模型研究

家庭用电是能源市场的一个重要组成部分,预测家庭用电需求能够实现智能供电,可以有效地提高供给率,但目前预测方法大多效果不佳.针对此,提出了一种基于LSTM的面向家庭智能用电预测算法,建立了端到端的智能家庭用电预测模型.其在Boruta特征筛选的基础上设计了特征选择方法,对多个特征进行重要性计算,选取其中重要性高的部分进行...     

基于专家特征的条件互信息多标记特征选择算法

特征选择对于分类器的分类精度和泛化性能起重要作用。目前的多标记特征选择算法主要利用最大相关性最小冗余性准则在全部特征集中进行特征选择,没有考虑专家特征,因此多标记特征选择算法的运行时间较长、复杂度较高。实际上,在现实生活中专家依据几个或者多个关键特征就能够直接决定整体的预测方向。如果提取关注这些信息,必将减少特征选择的计算时间,甚至提升分类器性能。基于此,提出一种基于专家特征的条件互信息多标记特征选择算法。首先将专家特征与剩余的特征相联合,再利用条件互信息得出一个与标记集合相关性由强到弱的特征序列,最后通过划分子空间去除冗余性较大的特征。该算法在7个多标记数据集上进行了实验对比,结果表明该算法较其他特征选择算法有一定优势,统计假设检验与稳定性分析进一步证明了所提出算法的有效性和合理性。     

火电厂过热汽温的优化控制算法研究

由于火电厂过热蒸汽温度控制具有大延迟、大惯性、非线性、强时变性的特性,传统PID控制算法难以实现良好的控制效果。为了优化火电厂过热汽温控制,提出了一种基于DMC的改进串级PID控制算法。该算法采用DMC改进主控制器输入参数,预测未来输出值,通过预测值与实际值的差值实现输入参数的校正。仿真结果分析表明,该算法与传统PID控制算法相比降低了过热蒸汽温度的超调量,缩短了汽温控制的过渡过程时间,提高了控制系统的抗扰动能力,使控制系统的动态性能和静态性能有了极大改善。     

考虑时延偏差的数字电路时延测试综述

先进集成电路工艺下,时延测试是数字电路测试的一项重要内容。各种时延偏差来源如小时延缺陷、工艺偏差、 串扰、电源噪声、老化效应等,影响着电路的额定时钟频率,是时延测试中需要考虑的因素。文章在介绍电路时延偏差 问题的各种来源的基础上,给出了针对不同的时延偏差问题所涉及的分析、建模、测试生成与电路设计等关键技术。进 一步介绍了中国科学院计算技术研究所近年来在考虑时延偏差的数字电路时延测试方面所做的研究工作,包括：考虑串 扰/电源噪声的时延测试、基于统计定时分析的测试通路选择、片上时延测量、超速测试、测试优化、在线时序检测等方 面。文章最后对数字电路时延测试技术的发展趋势进行了总结。