BP神经网络对煤着火特性的预测

采用BP神经网络,以大量的煤质分析数据和热天平试验数据为基础,分3种情况建立了煤质工业分析、发热量与着火特性（着火温度、着火稳定性指标）关系的BP神经网络模型.结果表明,用BP神经网络可以达到很高的预测精度,同时还可以比较输入和输出的相关性.所得预测结果既可为燃煤采购提供依据,又可为锅炉运行提供参考.     

锅炉热效率试验中的煤质元素分析计算模型

煤的元素分析数据是燃煤电厂锅炉热效率计算不可缺少的原始数据.通过总结前人对煤中各成分相互关系的研究,建立了煤质元素分析计算模型.利用此模型计算元素分析数据,只需知道相关煤质化验数据和试验测试数据,对锅炉效率的计算误差<1%,可完全满足锅炉效率试验的要求.     

基于小波神经网络的中长期电力负荷预测

电力系统负荷预测是1项复杂的系统工程,其不仅涉及的领域广泛,而且不确定性的因素较多。文中在传统BP神经网络算法、改进型BP神经网络算法基础上,将BP神经网络与小波分析相结合,构建了小波神经网络模型,然后分别应用BP神经网络、改进型BP神经网络和小波神经网络对宁夏石嘴山地区电力负荷进行了中长期预测。通过对比分析表明,采用小波神经网络获得的预测数据比前2种方法获得的预测数据误差均要小。这说明了小波神经网络的预测结果更加准确,即采用BP神经网络与小波分析相结合的方法比单纯地采用BP神经网络算法进行电网负荷预测的效果更佳     

基于元素分析的煤粉工业分析GA-SVM预测模型

运用遗传算法(genetic algorithm,GA)和支持向量机(support vector machine,SVM)方法,建立了基于元素分析的煤质工业分析快速预测模型。该模型基于以干燥基为基准的6 029组美国煤质数据,以煤质元素分析(C、H、O、N、S)为输入,工业分析(挥发分、固定碳)为输出。另外通过实验得到74组中国煤质数据,用于模型验证。结果表明:以美国煤质数据构建的模型,挥发分、固定碳预测平均相对误差分别为4.60%、3.22%;用中国煤质数据验证模型时,挥发分、固定碳预测平均相对误差分别为9.16%、3.55%。该模型预测误差较小,能较好地利用元素分析数据预测固定碳、挥发分。     

神经网络在锅炉燃烧调整分析中的应用

针对锅炉采用煤质与设计煤质不同时而引发的结焦问题,以旺隆电厂锅炉为工程典型实例,基于神经网络技术,分析了不同煤质对锅炉的影响。首先,采用径向神经网络对实际运行数据进行拟合,建立了锅炉的运行调整与控制模型;然后,利用该模型对锅炉调整参数进行分析,通过比较煤质、配风、配粉对锅炉燃烧的影响,总结出燃烧调整规律,从而有效地控制锅炉的运行参数,保证锅炉的安全稳定运行。     

BP神经网络在电厂优化配煤中预测性能的研究

详细分析了不同的BP神经网络模型对混煤煤质的预测效果,并发现学习样本的大小是影响其预测性能的关键。     

BP神经网络模型用于单芯电缆导体温度的动态计算

电力电缆导体温度动态计算方法一直是电缆设计、运行管理和电力调度所关注的问题,但用BP神经网络作此研究很少,为此,提出了以电缆运行电流和电缆实时表面温度为基本参量,考虑电缆敷设环境因素,并利用已有的110 kV XLPE单芯电缆运行试验数据作为训练学习数据的BP神经网络模型.研究分析结果表明:该BP神经网络模型具有较高的...     

基于极限学习机的燃煤热值预测研究

燃煤热值是评价燃煤品质的重要指标之一,快速准确地预测燃煤热值对燃煤锅炉的燃烧优化以及经济运行至关重要。本文提出一种基于极限学习机（ELM）的燃煤热值预测方法,选取煤的水分、灰分、挥发分和固定碳4种工业分析成分作为模型的输入,以煤质高位发热量作为模型输出,建立基于ELM的燃煤热值预测模型,并对107种不同煤进行预测分析。结果表明:ELM模型具有良好的预测能力,模型的拟合度R2在0.98以上,煤质高位发热量预测值的均方根误差为0.29 MJ/kg;与经典线性模型以及BP神经网络模型相比,ELM模型能更准确地预测燃煤热值,且其运算速度快,具有很好的现场应用价值。     

基于遗传算法优化BP神经网络的接触电阻预测

接触电阻是反应导体间电接触性能的重要参数,在实际的工程中往往采用经验公式对接触电阻进行计算,精度难以满足要求。为解决这一问题,将遗传算法(GA)与BP神经网络相结合对接触电阻进行预测。通过实验得到数据,分别利用遗传算法优化BP神经网络、BP神经网络以及回归分析模型进行训练和测试,并将各算法所得误差进行对比。误差对比结果表明：遗传算法优化BP神经网络的收敛效果优于其他两种算法,且遗传算法优化BP神经网络所得接触电阻模型的相对误差平均值比BP神经网络减少了4.01%,比回归分析减少了4.72%,且预测效果较稳定。利用遗传算法与BP神经网络相结合的接触电阻预测模型较单独使用BP神经网络预测模型具有更好的非线性拟合能力和更高的预测精度。     

基于静电法联合长短时记忆神经网络的入炉煤质辨识方法

燃煤机组每台磨煤机的实时入炉煤质对锅炉的燃烧优化调整具有重要意义,但传统煤质检测程序繁琐,且存在检测数据滞后的情况。因此,提出一种基于静电法联合长短时记忆（LSTM）神经网络的入炉煤质辨识方法。根据不同煤粉传输过程中存在静电变化的特性,安装静电传感器检测不同煤粉通过管道时的静电信号强度,结合风煤比、煤粉流速、磨煤机出口温度等影响参数,并结合现场数据分析参数相关性与迟延性,构建煤质辨识LSTM神经网络模型。以某600 MW机组锅炉实测数据为例,经参数寻优后采用LSTM神经网络模型辨识煤质准确率达到86.84%,对4种煤质分类结果的评估指标AUC值均在0.9以上,并与其他机器学习模型进行对比实验,结果表明LSTM神经网络模型具有更高的辨识精度,验证了该方法的可行性和准确性。     

基于小波神经网络的PM2.5浓度预测模型

为改善传统BP神经网络对PM2.5浓度预测存在训练时间长和过度拟合的问题。提出一种基于小波神经网络PM2.5浓度预测的方法,可更好地缩短训练时间,加快收敛速度且能够有效避免陷入局部最小值。对于数据处理,采用灰色关联分析法进行相关因子筛选,以提高数据挖掘质量。研究证明,引入灰色关联分析法与小波神经网络的预测手段能有效提高PM2.5浓度的预测精度,相比BP神经网络的预测模型预测效果更好,具有可行性。     

基于灰色BP神经网络的实验材料供应预测

针对单一BP神经网络对实验器材需求量预测准确度偏低的情况,提出了一种将灰关联分析与BP神经网络相结合的实验材料需求预测模型。先用灰关联分析法计算出影响需求量的各因子之间的关联度,然后选择关联度较大的3个优势因子作为BP神经网络的训练样本,建立了3层BP网络预测模型。以某实验材料的实际需求量为实例进行算法检验,对比分析了灰色BP网络模型和单一BP网络模型的预测准确性。实验结果表明：灰色BP网络模型将原有6 10 1的BP网络结构简化为3 6 1结构,灰色BP网络模型预测的最大相对误差仅为-1.36%,而单一BP网络模型的预测最大相对误差为-4.18%,灰色BP模型比单一BP模型的预测精度更高,结构更简单。     

基于主成分分析与神经网络复合模型的汽轮机排汽焓计算

以某300 MW汽轮机为例,建立了基于主成分分析与神经网络复合模型的汽轮机排汽焓计算模型。首先分析了主成分分析和人工神经网络计算原理,然后采集了影响汽轮机排汽焓的各个主要参数的历史数据,并对采集到的数据进行了数据预处理,对剔除坏点后的历史数据做主成分分析,得到了累计贡献值大于99.95%的4个主要成分,并以这4个主要成分作为BP神经网络的输入变量,汽轮机排汽焓作为输出变量,建立基于主成分分析与神经网络复合模型的汽轮机排汽焓计算模型,通过对模型的训练和验证,得到了汽轮机排汽焓计算模型,便于在线监测中进行实时调用。研究结果表明：主成分分析能够确定合理的BP神经网络输入变量个数,提高训练精度和训练速度;主成分分析与神经网络复合模型对排汽焓的计算精度符合工程要求;排汽焓在各个负荷工况下波动不大。     

基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测

针对短期负荷预测的精度问题,文中提出基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法。在传统的灰色关联分析方法基础上,引入以距离相似性和形状相近性相关联的综合灰色关联度选取更高相似度的相似日。为缩小训练样本的差异程度,提高预测精度,利用相似日集合中的样本来训练蝙蝠优化的反向传播(BP)神经网络预测模型。以中国南方某城市的历史数据作为实际算例,将文中提出的基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法与单纯的BP神经网络法、蝙蝠优化BP神经网络法、传统灰色关联与蝙蝠优化的BP神经网络组合法的预测结果相比,结果表明文中方法的预测精度较高。     

基于BP神经网络的短期负荷预测建模仿真

通过BP神经网络与Matlab相结合,建立起三层四功能单元的BP神经网络短期负荷预测模型,并采用某条线路1年的历史负荷波动数据对模型进行“学习”训练。预测一日24小时负荷数据的Matlab仿真及误差分析结果表明,所构筑的BP神经网络模型具有较高的可靠性和准确性,误差率可以有效地控制在2％以内。BP神经网络模型大大提高了短期负荷预测数据的处理效率与可信性,是研究电力系统经济调度的一种新的非线性建模仿真模型。     

基于卷积神经网络的变压器故障诊断方法

变压器是电力系统中的重要设备,其安全与稳定直接影响着国民经济的健康发展。油中溶解气体分析(Dissolved Gas Analysis,DGA)是分析变压器故障类别的重要手段。卷积神经网络是深度学习的一种模型,广泛应用于图像识别、语音处理等领域,具有非常好的分类能力。文章选取了变压器的五种油中溶解气体含量作为模型输入量,在借鉴传统浅层BP神经网络油中气体分析方法的基础上,针对BP神经网络表达能力不足以及容易过拟合的缺点,将卷积神经网络应用于变压器故障诊断,并与BP神经网络的分类效果进行了对比,通过算例研究证明了卷积神经网络的效果更优。文章也对卷积神经网络的卷积核个数、卷积核大小以及采样宽度对分类效果的影响进行了探讨。     

基于R/S分析法的电价预测模型

在自由竞争的电力市场中,准确的电价预测对于电力市场所有参与者具有重要意义。针对电价突变性的特征给电价预测结果带来误差的问题,本文提出了一种基于R/S分析法的BP神经网络电价预测模型。运用R/S分析法对电价序列之间的关联性和相似性进行修正,并采用BP神经网络模型对电价进行预测。通过实验,验证了用R/S分析法修正后的数据进行电价预测模型具有更高的精确性。