基于神经网络的混合速度辨识方法研究

提出了将开环直接计算与模型参考自适应方法相结合的神经网络混合转速辨识模型。仿真结果表明，基于该速度估计器的矢量控制系统动、静态性能好，解决了瞬时无功模型参考自适应方法在转速给定为负阶跃时的转速不稳定问题，转速估计精度高。     

火电厂入炉煤煤质化验数据实时校正方法研究

针对入炉煤煤质化验数据不及时的问题,提出一种对火电厂入炉煤煤质化验数据进行实时校正计算的新方法。该方法根据制粉系统输入、输出热量平衡原理计算入炉煤收到基水分,基于锅炉系统的输入、输出能量平衡考虑基灰分变化对基低位热值的影响,通过反复迭代求取基灰分、基低位热值和锅炉效率,从而实现煤质指标的实时校正。所提新方法基于煤质化验数据和锅炉系统的实时运行数据即可进行煤质指标的校正,应用于直吹式制粉系统取得了较好的效果,提高了煤耗监测数据的准确性。     

基于长短时记忆神经网络的锅炉多参数协同预测模型

锅炉协同控制是提高其灵活运行下蒸汽温度平稳的有效手段。以某660 MW燃煤锅炉为研究对象,利用其历史运行数据,建立基于长短时记忆（LSTM）神经网络的主蒸汽温度、再热蒸汽温度、炉膛出口NOx质量浓度、炉膛出口CO质量浓度协同预测模型。模型预测结果表明,该协同预测模型4个输出的相关系数均大于0.94,模型综合预测效果良好,且有较好的泛化能力。该模型为锅炉蒸汽温度、NOx、炉效协同优化控制提供了依据。     

基于煤质辨识的AGC优化的应用

为克服煤质频繁变化对机组的干扰,在某厂2号机组进行了基于锅炉侧机理模型的入炉煤热值实时辨识及控制策略优化的研究。提出开发煤质在线辨识方法、基于煤质辨识结果下的最优协调控制决策,它对满足电网AGC功能要求并实现火电机组平稳生产和节能降耗有明显的促进作用。     

基于迁移学习的长短时记忆神经网络水文模型

针对无/缺水文资料地区水文建模的难题,提出了基于迁移学习的长短时记忆神经网络（LSTM）水文模型。以嘉陵江、乌江和岷江流域为例,基于实测水文气象数据,采用K-最近邻算法与土壤和水评价模型（SWAT）模拟生成气象和径流数据,并构建实测和模拟样本集;然后构建不同的网络迁移微调策略和网络学习情景,分析迁移网络的可能性和性能。结果表明,固定网络的细胞层并微调网络其他层时,迁移学习的效果较好;同流域和跨流域进行网络迁移时,迁移后的网络更稳定且精度更高;跨流域迁移时,源流域和目标流域的相似度越高,迁移网络的难度更小,精度更高。该模型为无/缺水文资料地区构建水文模型提供了新的思路。     

基于实时入炉煤质数据的在线掺烧优化系统在火电厂的应用

为解决传统配煤掺烧过程中煤质数据滞后、配煤结果不准、无法获取锅炉实时燃煤数据的难题,研究利用皮带式入炉煤煤流全元素实时分析设备,实时获取皮带煤流煤质数据,并与配煤设备、在线掺烧优化软件相结合,形成在线掺烧优化系统。该系统通过实时采集入炉皮带煤流煤质数据,反馈调整煤场配煤煤种及比例,实现精准配煤,计算实时锅炉运行经济指标,并可采集锅炉运行数据,实时优化锅炉运行氧量、风门开度等关键控制参数。通过本系统的应用,可帮助电厂燃用更多标煤单价较低的经济煤种,并通过实时燃烧优化调整使锅炉运转保持在最佳状态,从而使电厂获得可观的收益。     

基于神经网络的电力系统负荷特性辨识

负荷建模在电力系统分析中起着十分重要的作用。参数辨识是负荷建模的关键,好的辨识方法能够在最短的时间内找出最优的辨识结果,提高建模的效率。首先介绍了静态负荷模型和动态负荷模型,其次介绍了神经网络,最后基于神经网络对电力系统负荷特性辨识。应用线性BP（LBP）网络的参数辨识方法,分别对静态负荷模型（幂函数模型、多项式模型）和动态负荷模型（差分方程模型）的参数进行辨识。通过现场的实测数据辨识了模型的参数,并验证了模型的有效性。     

基于遗传神经网络的锅炉入炉煤质软测量研究

基于软测量的非机理建模原理,利用遗传算法结合人工神经网络建立了煤质在线软测量模型.确定了 BP 网络与遗传算法(GA)两者结合的建模方式.分析了原煤从进入制粉系统到完全燃烧及排出的整个过程,得到 BP 网络模型的输入和输出节点参数集;通过对权参数初值进行实数编码,设计了基于实数编码的GA-BP 算法流程,并在Visual Studio2005 开发平台上进行了 GA-BP 算法程序编制及其调试.使用山西某电厂的 200 MW 机组实时运行数据进行模型训练和检测,结果表明煤质软测量模型可以较为准确地预测煤质参数.     

多通道长短期记忆卷积网络的风速预测

为提高风速的预测性能,提出了多通道长短期记忆网络和卷积网络相结合的风速预测方法。预测模型由多个长短期记忆子网络及卷积网络组成。各子网络选择不同长度的历史数据作为输入,分别实现未来风速值的计算,避免了单一网络输入数据长度参数难以确定的问题。卷积网络将各子网络的计算结果进行卷积、最大池化操作,并通过全连接层计算风速序列的预测值。为避免预测误差累积及漂移,利用误差动态补偿方法对预测值进行校正,获得最终的预测结果。多通道长短期记忆卷积网络可用于风速的超短期预测中,仿真实验结果表明,与现有基于深度学习的预测网络相比,该网络能够更好地拟合实际风速序列的变化趋势,表现出更优的预测性能。     

基于长短期记忆网络的PMU不良数据检测方法

同步相量测量单元(Phasor Measurement Units, PMUs)因其同步性、快速性和准确性,已成为复杂电力系统状态感知的最有效工具之一。但是,现场的复杂环境导致PMU数据存在数据丢失、数据损坏、同步异常、噪声影响等质量问题,严重影响其在系统中的各类应用,甚至威胁电网安全稳定运行。提出了一种基于长短期记忆(Long Short-Term Memory,LSTM)网络的PMU不良数据检测方法。首先分析了LSTM在不良数据检测中的优势。然后基于LSTM网络对时间序列选择记忆的特性,构造了一种双层LSTM网络架构,提出了对原始数据的分解重构方法。在此基础上,定义了两种目标函数,以获得不同的误差特征。提出了一种基于决策树的不良数据阈值确定方法,实现了不良数据的有效检测。通过大量仿真与实测数据验证了该方法的可行性和准确性,可提高PMU数据质量,使其更好地应用于电力系统的各个方面。     

基于小波变换和长短期记忆神经网络的电力负荷预测

电力系统需要保持发电功率与用电负荷的即时平衡,而电力负荷具有非线性、时变性和不确定性等特点。针对此问题,考虑天气与日期类型的影响,构建小波变换（wavelet transform,WT）和长短期记忆（long short-term memory,LSTM）神经网络组合预测模型,对电力负荷进行短期电力负荷预测。首先,用小波变换对数据集进行特征提取、信号去噪,消除数据的波动性;其次,将预处理后的数据利用LSTM进行训练,将输出结果进行序列重构;最后,进行负荷预测,WT-LSTM组合预测模型分别与BP神经网络预测模型和LSTM预测模型进行对比数据。结果表明,WT-LSTM神经网络组合预测模型的预测效果最好,有效地提高了预测精度。     

基于聚类和长短期记忆神经网络的光热电站并网电力预测

光热电站发电量预测技术有助于电网提前制定调度计划,有效减轻光热发电间歇性和波动性在并网运行后带来的冲击。本文以美国加州光热发电系统并网电力预测问题为例,首先研究气象参数与发电量之间的相关性,进而利用近邻传播（AP）聚类算法对比不同发电模式下气象参数对发电的影响差异;然后,建立长短期记忆（LSTM）神经网络基准模型对光热系统发电量进行预测;最后,针对基准模型对0发电量情况预测精度低的问题,根据相应聚类结果建立增量特征预测模型。预测结果表明,该改进的基于AP聚类和LSTM神经网络模型预测效果良好,可达到91.41%的日发电量预测精度。     

基于长短期记忆神经网络的光伏阵列故障诊断

目前的故障诊断方法无法精确识别与定位光伏发电系统中光伏阵列的故障,导致光伏发电运维成本增加.为此,本文提出一种基于长短期记忆(LSTM)神经网络的光伏阵列故障诊断模型.在MATLAB/Simulink软件环境下,搭建光伏发电系统仿真模型,采用扰动观测的最大功率点跟踪(MPPT)算法和电网电压闭环控制策略,分析光伏组件断...     

基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法

为提升负荷监测中事件检测与负荷识别的准确性与适应性,提出一种基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法。基于低频数据,根据电器正常运行造成的功率波动与事件启停造成的功率跳变之间的特性差异,提出一种事件检测算法,该算法通过滑动窗内功率波动的差量特征排除波动干扰,实现事件准确定位并获取相关功率数据;建立一种双长短期记忆网络,对不同电器构建专一电器判别单元并进行训练;建立由各判别单元组成的事件识别网络,根据各判别单元输出的概率对事件进行综合判别,实现非侵入式负荷监测。基于测试数据集的仿真结果验证了所提方法的有效性与准确性。     

基于Adam优化算法和长短期记忆神经网络的锂离子电池荷电状态估计方法

锂离子电池是电动汽车、无人机及电力电子设备的储能系统组件,对其进行准确的荷电状态(SOC)估计对于正确决策、安全控制和维护具有重要意义.针对锂离子电池SOC估计问题,本文采用长短期记忆(LSTM)神经网络搭建锂离子电池SOC估计模型,将电池电压、电流、温度作为输入,建立多层LSTM预测模型,采用Adam优化算法与Dro...     

考虑温度模糊化的多层长短时记忆神经网络短期负荷预测

智能电表的普及为短期负荷预测提供了海量数据,使得负荷精细化预测成为可能,而温度是影响夏季负荷的重要因素。提出一种考虑温度模糊化的多层长短时记忆神经网络(ML-LSTM)短期负荷预测方法。利用隶属度函数将预测时刻的温度和当日的平均温度进行模糊化处理,减小夏季温度波动性对负荷预测的影响;建立含3层隐藏层的长短时记忆神经网络(LSTM)预测网络,并利用适应性矩估计(Adam)优化算法提高LSTM梯度参数的自适应性学习能力。利用西南某地区2018年6月至8月的实测温度和负荷数据进行验证,负荷预测结果表明,ML-LSTM模型比BP神经网络和支持向量机的负荷预测精度更高,且温度的模糊化处理提高了模型的泛化性。     

基于PSO-MLP神经网络的遥信插件质量识别方法研究

为了提高继电保护装置遥信插件的出厂质量,解决产品检验自动化的问题,提出了一种基于PSO优化多层感知器(Multi-LayerPerceptron,MLP)神经网络的遥信插件质量识别方法。首先,建立了继电保护装置遥信插件自动化硬件测试平台。然后,改进了PSO优化算法,调整了惯性权重?的滑动特性,使其根据粒子间距实时调整步进。最后,在SPSS中使用k-s检验对原始起动电压数据进行正态性检验,得到了具有正态性样本的频率分布及其拟合曲线,提取特征训练集,并对神经网络进行训练和测试。实验结果表明,该方法能够有效且准确地对遥信插件进行质量识别,实现了产品检验和质量识别的自动化及智能化。PSO-MLP神经网络训练时间短,收敛速度快,质量识别准确度高,约为97%,且泛化能力强。