基于小波深度置信网络的风电爬坡预测方法

为了提高风电爬坡事件预测的准确性,提出一种基于深度学习的具有特征自适应选择的小波深度置信网络(WDBNAFS)算法。首先,分析风电功率混沌特性。然后,对时间序列数据进行小波分解,设计特征自适应选择算法选取建模数据作为预测模型的输入变量。最后,采用深度置信网络构建风电爬坡事件预测模型,设计基于实际生产数据的实验验证所提出算法的有效性。仿真结果表明,所提出算法预测准确率可达90%以上。     

变负荷工况下NOx排放量预测控制

NO_x是火电厂排放的主要污染物之一,降低NO_x的排放是火电厂面临的主要问题。针对火电厂变负荷工况下的NO_x排放量最小化问题,本文提出了一种基于最小二乘支持向量机（LSSVM）的非线性模型预测控制算法。根据电站锅炉实际历史数据建立锅炉负荷预测模型和NO_x排放预测模型,并以交叉验证的方法优化模型参数,从而获得高精度模型。在此基础上以NO_x的排放量最小为优化目标,考虑锅炉负荷约束,构建锅炉燃烧优化模型。采用差分进化算法求解优化模型得到控制参数的最优设定值。为了验证本文提出算法的有效性,采用实际生产数据进行实验。实验结果表明本方法能够在变负荷工况下有效降低NO_x排放量,在不增加电厂改造成本上,为电厂提供了有效的控制手段,具有一定应用前景。     

一种基于卷积特征的NOx排放浓度深度预测模型

为提高燃煤锅炉出口NO_x排放浓度的预测精度,该文提出一种基于卷积特征提取的NO_x排放浓度深度学习预测模型。首先,分析锅炉燃烧产生NO_x的机理,确定模型初选变量;然后,计算不同初选变量与NO_x排放浓度之间的最大相关系数,确定变量延迟时间;其次,为挖掘输入变量深层交互信息,设计二维卷积网络进行特征提取,获得高维预测模型输入候选集合;同时,通过偏最小二乘法计算候选集变量与NO_x排放浓度之间相关性,降低输入变量维数,确定最终模型的输入变量;最后,设计深度神经网络建立NO_x排放预测模型,预测NO_x排放浓度。基于1000MW锅炉实际运行数据的实验结果表明,所提出卷积深度神经网络预测算法的平均相对百分比误差小于4%,预测精度能够满足实际生产的需求。     

基于数据驱动的燃煤锅炉NOx排放浓度动态修正预测模型

NO_x浓度实时预测对于燃煤电厂污染物排放控制和机组运行具有重要意义。为了克服燃烧过程大时延及强非线性特性,提出一种考虑时间延迟的动态修正预测模型。利用最大信息系数(maximum information coefficient MIC)计算相关参数与NO_x浓度的延迟时间,重构建模数据集;然后,构建基于Lasso和ReliefF的自适应特征选择算法,筛选与NO_x浓度相关程度高的参数;最后,建立结合误差校正的极限学习机(extreme learning machine,ELM)模型,达到动态预测氮氧化物浓度的目的。基于实际数据的实验结果表明:相同变量在升、降、平稳等负荷工况下的延迟时间不同;且不同负荷工况下模型特征变量存在差异;动态误差校正策略有效提升建模精度;所提出算法在不同工况下的预测误差均小于2%,能够准确预测燃烧出口的NO_x浓度,为NO_x排放监测和燃烧过程优化提供指导。     

基于多模型智能组合算法的锅炉炉膛温度建模

炉膛温度是表征锅炉燃烧状态的重要参数,但是影响炉膛温度的参数多、机理复杂,导致难以建立准确的预测模型。针对这一问题,提出一种多模型智能组合算法(multi-model intelligent combination algorithm, MICA)实现对炉膛温度的建模预测。首先,对实际运行生产数据进行小波降噪,并结合机理分析和分类回归树（classification and regression tree,CART）算法选取预测模型输入参数。然后,通过多种数据驱动方法构建锅炉炉膛温度预测模型。最后,采用决策树C4.5算法建立多模型智能组合预测模型。基于实际生产数据的实验结果表明,所提出算法能够建立准确的炉膛温度预测模型。     

基于混合数据驱动算法的SCR氮氧化物排放量动态预测模型

针对火电厂选择性催化还原(selective catalytic reduction,SCR)系统建模中存在的时延难确定、模型精度不高等问题,提出一种基于多数据驱动算法混合的动态建模方案。首先,对原始生产数据进行数据预处理,并采用最大信息系数(maximal information coefficient,MIC)估算各变量的延迟时间,对数据重构;然后,采用组合特征选择方法确定输入变量,并对输入时间序列进行变分模态分解;最后,结合极限学习机(extreme learning machine,ELM)和误差修正(error correction,EC)模型等数据驱动算法设计SCR出口NO_x混合动态预测模型。基于实际历史运行数据的实验结果表明,所建立模型预测结果的平均百分比误差(mean absolute percentage error,MAPE)为2.61%。模型敏感性分析表明,除喷氨量外,入口氧气浓度及烟气温度对NO_x排放量存在显著影响,在SCR过程优化控制中应重点考虑。     

基于CEEMDAN与回声状态网络的风速预测方法

为了对风速进行准确预测,结合分类与回归树(Classification and Regression Tree, CART)、自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)、回声状态网络与非线性误差修正策略,提出了一种基于回声状态网络(Echo Sate Network, ESN)的混合期风速预测方法。其中,CART用于对原始数据进行重构,得到建模数据集。CEEMDAN用于提取输入特征信息。ESN根据输入特征建立风速预测建模。最后,利用误差修正策略对所得到的模型进行修正。基于国内某风电场的数据实验表明,所提出方法能够准确预测风速,可以指导风场生产,提高生产自动化水平。