CN114139785A - 锅炉燃烧热效率预测方法及装置 - Google Patents
锅炉燃烧热效率预测方法及装置 Download PDFInfo
- Publication number
- CN114139785A CN114139785A CN202111393075.7A CN202111393075A CN114139785A CN 114139785 A CN114139785 A CN 114139785A CN 202111393075 A CN202111393075 A CN 202111393075A CN 114139785 A CN114139785 A CN 114139785A
- Authority
- CN
- China
- Prior art keywords
- real
- clustering
- boiler
- operation data
- boiler combustion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供一种锅炉燃烧热效率预测方法及装置。所述方法包括:采集锅炉的实时运行数据,并将所述实时运行数据进行预处理;将预处理后的实时运行数据划分为训练集和测试集;采用改进K‑means算法对训练集中的实时运行数据进行聚类,具体包括:先采用生物地理学优化算法优化K‑means初始聚类中心,之后采用K‑means算法对所述实时运行数据进行聚类;设置相关参数,使得网络符合锅炉燃烧模型;基于所述聚类后的实时运行数据,对预设的极限学习机网络进行训练,得到所述锅炉燃烧模型;利用所述锅炉燃烧模型对锅炉燃烧热效率进行预测。能有效地改善预测精度,显示出其有效性,能够有效提高预测精度和预测效率。
Description
技术领域
本公开属于锅炉燃烧技术领域,具体涉及一种锅炉燃烧热效率预测方法及装置。
背景技术
伴随着我国经济的飞速发展,人们对能源的使用越来越多,其中电能的使用量与日俱增,电能主要来源于火力发电、水力发电、风力发电、太阳能发电和核能发电,所有发电方式中,火力发电具有成本低、动力足、对环境要求小等优势,这些优势决定了我国的发电方式依然是以火力发电为主,火力发电量约占总发电量的百分之八十。在我国,对火力发电提出两大待解决的问题:一是提高机组运行效率、降低机组煤耗,二是在燃煤过程中有效降低有害气体的排放量。实现锅炉燃烧优化的首要任务是建立待优化参量的模型,对于锅炉建模过程中,人工神经网络建模能有效规避一些热工问题,人工神经网络技术可在不了解锅炉燃烧系统的相关知识下,仅基于锅炉燃烧过程中的历史数据便可建立待优化参量的模型特征。
发明内容
本公开旨在至少解决现有技术中存在的技术问题之一,提供一种锅炉燃烧热效率预测方法及装置。
本公开的一方面,提供一种锅炉燃烧热效率预测方法,所述方法包括:
采集锅炉的实时运行数据,并将所述实时运行数据进行预处理;
将预处理后的实时运行数据划分为训练集和测试集;
采用改进K-means算法对训练集中的实时运行数据进行聚类,具体包括:先采用生物地理学优化算法优化K-means初始聚类中心,之后采用K-means算法对所述实时运行数据进行聚类;
设置相关参数,使得网络符合锅炉燃烧模型;
基于所述聚类后的实时运行数据,对预设的极限学习机网络进行训练,得到所述锅炉燃烧模型;
利用所述锅炉燃烧模型对锅炉燃烧热效率进行预测。
在一些实施方式中,所述采用生物地理学优化算法优化K-means初始聚类中心,包括:
初始化生物地理学优化算法相关参数;
计算每个解极其适应度值,并计算其对应的物种数量以及迁入率和迁出率,同时保存适应度高的个体;
用迁入率选择需要进行迁入的个体变量,用迁出率选择需要迁出的个体变量,进行迁移操作;
根据突变概率进行突变操作;
是否满足迭代停止条件,如不满足,则继续执行上述步骤;
将得到的适应度高的个体作为初始中心点进行聚类。
在一些实施方式中,所述生物地理学优化算法中参数设定如下:
最大迭代次数Maxgen=200;最大种群数Popsize=120;种群大小Numvar=6;种群迁移概率Pmodify=1;变异概率Pmutate=0.01。
在一些实施方式中,在对极限学习机网络进行训练之前,所述方法还包括:
基于所述改进K-means算法,对所述极限学习机网络的网络结构及节点参数进行优化选取。
在一些实施方式中,所述网络结构优化包括对网络输入变量、网络隐含层节点的数目与激活函数的选取;
所述节点参数优化包括网络隐含层节点参数wi和bi的优化。
在一些实施方式中,所述将所述实时运行数据进行预处理,包括:
将所述实时运行数据预先经过非加权组平均法UPGMA处理,剔除掉噪声数据和边缘数据。
本公开的另一方面,提供一种锅炉燃烧热效率预测装置,所述装置包括:
采集模块,用于采集锅炉的实时运行数据,并将所述实时运行数据进行预处理;
划分模块,用于将预处理后的实时运行数据划分为训练集和测试集;
聚类模块,用于采用改进K-means算法对训练集中的实时运行数据进行聚类,具体包括:先采用生物地理学优化算法优化K-means初始聚类中心,之后采用K-means算法对所述实时运行数据进行聚类;
设置模块,用于设置相关参数,使得网络符合锅炉燃烧模型;
训练模块,用于基于所述聚类后的实时运行数据,对预设的极限学习机网络进行训练,得到所述锅炉燃烧模型;
预测模块,用于利用所述锅炉燃烧模型对锅炉燃烧热效率进行预测。
在一些实施方式中,所述聚类模块,具体还用于:
初始化生物地理学优化算法相关参数;
计算每个解极其适应度值,并计算其对应的物种数量以及迁入率和迁出率,同时保存适应度高的个体;
用迁入率选择需要进行迁入的个体变量,用迁出率选择需要迁出的个体变量,进行迁移操作;
根据突变概率进行突变操作;
是否满足迭代停止条件,如不满足,则继续执行上述步骤;
将得到的适应度高的个体作为初始中心点进行聚类。
本公开的另一方面,提供一种电子设备,包括:
一个或多个处理器;
存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现根据前文记载的所述的方法。
本公开的另一方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
本公开的锅炉燃烧热效率预测方法及装置,将生物地理学优化算法与K-means聚类算法相结合,旨在于对初始聚类中心的搜寻,使聚类算法具有良好的分类精度和全局搜寻能力。在ELM预测模型的基础上,将KBBO优化算法用于ELM的网络输入变量、隐含层节点的配置及参数、Tikhonov正则化参数的优化选取。该方法能有效地改善预测精度,显示出其有效性。能够有效提高预测精度和预测效率。
附图说明
图1为本公开一实施例的锅炉燃烧热效率预测方法的流程图;
图2为本公开另一实施例的循环流化床锅炉结构图;
图3为本公开另一实施例的训练误差收敛曲线;
图4为本公开另一实施例的锅炉燃烧热效率预测装置的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本公开的技术方案,下面结合附图和具体实施方式对本公开作进一步详细描述。
本实施例的一方面,如图1所示,涉及一种锅炉燃烧热效率预测方法S100,所述方法S100包括:
S110、采集锅炉的实时运行数据,并将所述实时运行数据进行预处理。
具体地,在本步骤中,从某热电厂采集到600组锅炉实时运行数据,包括50%、75%、100%负荷左右的数据各200组。一并结合图2,影响热效率的因素主要有锅炉负荷、床温、一、二次风量、空气中含氧量、一二次风温等20个参量。所有数据预先经过非加权组平均法UPGMA处理,剔除掉噪声数据和边缘数据,最大程度地减少计量误差,保证了实验数据的真实性。其中,热效率计算应用反平衡计算方法,将排烟物理热损失、固体未完全燃烧热损失、气体未完全燃烧热损失等计算在总热量损失中。
S120、将预处理后的实时运行数据划分为训练集和测试集。
具体地,在本步骤中,对上述步骤S110中的600组样本按7:3比例进行划分,420组作为训练样本,其余的180组作为测试样本。
S130、采用改进K-means算法对训练集中的实时运行数据进行聚类,具体包括:先采用生物地理学优化算法优化K-means初始聚类中心,之后采用K-means算法对所述实时运行数据进行聚类。
具体地,在本步骤中,采用生物地理学优化算法优化K-means初始聚类中心的步骤具体包括:
(1)初始化生物地理学优化算法相关参数;
(2)计算每个解极其适应度值,并计算其对应的物种数量以及迁入率和迁出率,同时保存适应度高的个体;
(3)用迁入率选择需要进行迁入的个体变量,用迁出率选择需要迁出的个体变量,进行迁移操作;
(4)根据突变概率进行突变操作;
(5)是否满足迭代停止条件,如不满足,则继续执行上述步骤(2);
(6)将得到的适应度高的个体作为初始中心点进行聚类。
分组完成后,对其进行聚类,找出每类中热效率最大的样本数据,之后将180组测试数据划分入相应的类中。接着使用数据处理方法,将每一类中的数据一一优化。其中,生物地理学优化算法(KBBO算法)中参数设定如下:最大迭代次数Maxgen=200;最大种群数Popsize=120;种群大小Numvar=6;种群迁移概率Pmodify=1;变异概率Pmutate=0.01。
S140、基于所述改进K-means算法,对所述极限学习机网络的网络结构及节点参数进行优化选取。
具体地,在本步骤中,在单输出的ELM中,由于网络输出权值向量θ基于随机给定的隐含层节点参数wi和bi计算得到,可能会存在一组非最优或不必要的隐含层节点的参数和偏置。而且,与一般的SLFN相比,ELM趋向于选取更多的隐含层节点以获得更好的学习能力,但对于未知的测试数据而言,有时会影响网络的性能。基于上述考虑。本公开应用KBBO算法对ELM的网络结构及节点参数进行优化选取,以进一步提高ELM的学习性能,称之为KBBO-ELM方法。KBBO-ELM模型的网络结构优化优化包括对网络输入变量、网络隐含层节点的数目与激活函数的选取。所述节点参数优化包括网络隐含层节点参数wi和bi的优化。
S150、设置相关参数,使得网络符合锅炉燃烧模型。
S160、基于所述聚类后的实时运行数据,对预设的极限学习机网络进行训练,得到所述锅炉燃烧模型。
S170、利用所述锅炉燃烧模型对锅炉燃烧热效率进行预测。
具体地,在本步骤中,利用所述锅炉燃烧模型在实际锅炉燃烧热效率预测中,训练误差收敛曲线如图3所示。
本实施例的锅炉燃烧热效率预测方法,将生物地理学优化算法与K-means聚类算法相结合,旨在于对初始聚类中心的搜寻,使聚类算法具有良好的分类精度和全局搜寻能力。在ELM预测模型的基础上,将KBBO优化算法用于ELM的网络输入变量、隐含层节点的配置及参数、Tikhonov正则化参数的优化选取。该方法能有效地改善预测精度,显示出其有效性。因此,本实施例的锅炉燃烧热效率预测方法,能够有效提高预测精度和预测效率。
本公开的另一方面,如图4所示,提供一种锅炉燃烧热效率预测装置100,该装置100可以适用于前文记载的方法,所述装置100包括:
采集模块110,用于采集锅炉的实时运行数据,并将所述实时运行数据进行预处理;
划分模块120,用于将预处理后的实时运行数据划分为训练集和测试集;
聚类模块130,用于采用改进K-means算法对训练集中的实时运行数据进行聚类,具体包括:先采用生物地理学优化算法优化K-means初始聚类中心,之后采用K-means算法对所述实时运行数据进行聚类;
设置模块140,用于设置相关参数,使得网络符合锅炉燃烧模型;
训练模块150,用于基于所述聚类后的实时运行数据,对预设的极限学习机网络进行训练,得到所述锅炉燃烧模型;
预测模块160,用于利用所述锅炉燃烧模型对锅炉燃烧热效率进行预测。
本实施例的锅炉燃烧热效率预测装置,将生物地理学优化算法与K-means聚类算法相结合,旨在于对初始聚类中心的搜寻,使聚类算法具有良好的分类精度和全局搜寻能力。在ELM预测模型的基础上,将KBBO优化算法用于ELM的网络输入变量、隐含层节点的配置及参数、Tikhonov正则化参数的优化选取。该方法能有效地改善预测精度,显示出其有效性。因此,本实施例的锅炉燃烧热效率预测装置,能够有效提高预测精度和预测效率。
在一些实施方式中,所述聚类模块130,具体还用于:
初始化生物地理学优化算法相关参数;
计算每个解极其适应度值,并计算其对应的物种数量以及迁入率和迁出率,同时保存适应度高的个体;
用迁入率选择需要进行迁入的个体变量,用迁出率选择需要迁出的个体变量,进行迁移操作;
根据突变概率进行突变操作;
是否满足迭代停止条件,如不满足,则继续执行上述步骤;
将得到的适应度高的个体作为初始中心点进行聚类。
本公开的另一方面,提供一种电子设备,包括:
一个或多个处理器;
存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现根据前文记载的所述的方法。
本公开的另一方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时能实现根据前文记载的所述的方法。
其中,计算机可读介质可以是本公开的装置、设备、系统中所包含的,也可以是单独存在。
其中,计算机可读存储介质可是任何包含或存储程序的有形介质,其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备,更具体的例子包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件,或它们任意合适的组合。
其中,计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码,其具体的例子包括但不限于电磁信号、光信号,或它们任意合适的组合。
可以理解的是,以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式,然而本公开并不局限于此。对于本领域内的普通技术人员而言,在不脱离本公开的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本公开的保护范围。
Claims (10)
1.一种锅炉燃烧热效率预测方法,其特征在于,所述方法包括:
采集锅炉的实时运行数据,并将所述实时运行数据进行预处理;
将预处理后的实时运行数据划分为训练集和测试集;
采用改进K-means算法对训练集中的实时运行数据进行聚类,具体包括:先采用生物地理学优化算法优化K-means初始聚类中心,之后采用K-means算法对所述实时运行数据进行聚类;
设置相关参数,使得网络符合锅炉燃烧模型;
基于所述聚类后的实时运行数据,对预设的极限学习机网络进行训练,得到所述锅炉燃烧模型;
利用所述锅炉燃烧模型对锅炉燃烧热效率进行预测。
2.根据权利要求1所述的方法,其特征在于,所述采用生物地理学优化算法优化K-means初始聚类中心,包括:
初始化生物地理学优化算法相关参数;
计算每个解极其适应度值,并计算其对应的物种数量以及迁入率和迁出率,同时保存适应度高的个体;
用迁入率选择需要进行迁入的个体变量,用迁出率选择需要迁出的个体变量,进行迁移操作;
根据突变概率进行突变操作;
是否满足迭代停止条件,如不满足,则继续执行上述步骤;
将得到的适应度高的个体作为初始中心点进行聚类。
3.根据权利要求2所述的方法,其特征在于,所述生物地理学优化算法中参数设定如下:
最大迭代次数Maxgen=200;最大种群数Popsize=120;种群大小Numvar=6;种群迁移概率Pmodify=1;变异概率Pmutate=0.01。
4.根据权利要求1至3任一项所述的方法,其特征在于,在对极限学习机网络进行训练之前,所述方法还包括:
基于所述改进K-means算法,对所述极限学习机网络的网络结构及节点参数进行优化选取。
5.根据权利要求4所述的方法,其特征在于,所述网络结构优化包括对网络输入变量、网络隐含层节点的数目与激活函数的选取;
所述节点参数优化包括网络隐含层节点参数wi和bi的优化。
6.根据权利要求1至3任一项所述的方法,其特征在于,所述将所述实时运行数据进行预处理,包括:
将所述实时运行数据预先经过非加权组平均法UPGMA处理,剔除掉噪声数据和边缘数据。
7.一种锅炉燃烧热效率预测装置,其特征在于,所述装置包括:
采集模块,用于采集锅炉的实时运行数据,并将所述实时运行数据进行预处理;
划分模块,用于将预处理后的实时运行数据划分为训练集和测试集;
聚类模块,用于采用改进K-means算法对训练集中的实时运行数据进行聚类,具体包括:先采用生物地理学优化算法优化K-means初始聚类中心,之后采用K-means算法对所述实时运行数据进行聚类;
设置模块,用于设置相关参数,使得网络符合锅炉燃烧模型;
训练模块,用于基于所述聚类后的实时运行数据,对预设的极限学习机网络进行训练,得到所述锅炉燃烧模型;
预测模块,用于利用所述锅炉燃烧模型对锅炉燃烧热效率进行预测。
8.根据权利要求7所述的装置,其特征在于,所述聚类模块,具体还用于:
初始化生物地理学优化算法相关参数;
计算每个解极其适应度值,并计算其对应的物种数量以及迁入率和迁出率,同时保存适应度高的个体;
用迁入率选择需要进行迁入的个体变量,用迁出率选择需要迁出的个体变量,进行迁移操作;
根据突变概率进行突变操作;
是否满足迭代停止条件,如不满足,则继续执行上述步骤;
将得到的适应度高的个体作为初始中心点进行聚类。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现根据权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时能实现根据权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111393075.7A CN114139785A (zh) | 2021-11-23 | 2021-11-23 | 锅炉燃烧热效率预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111393075.7A CN114139785A (zh) | 2021-11-23 | 2021-11-23 | 锅炉燃烧热效率预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114139785A true CN114139785A (zh) | 2022-03-04 |
Family
ID=80391058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111393075.7A Pending CN114139785A (zh) | 2021-11-23 | 2021-11-23 | 锅炉燃烧热效率预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139785A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462321A (zh) * | 2022-04-12 | 2022-05-10 | 武汉博赛环保能源科技有限公司 | 基于锅炉燃烧特性的神经网络预测方法 |
-
2021
- 2021-11-23 CN CN202111393075.7A patent/CN114139785A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462321A (zh) * | 2022-04-12 | 2022-05-10 | 武汉博赛环保能源科技有限公司 | 基于锅炉燃烧特性的神经网络预测方法 |
CN114462321B (zh) * | 2022-04-12 | 2022-06-21 | 武汉博赛环保能源科技有限公司 | 基于锅炉燃烧特性的神经网络预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635506B (zh) | 自适应混沌树和种子算法的光伏电池模型参数辨识方法 | |
CN110570030A (zh) | 基于深度学习的风电集群功率区间预测的方法及系统 | |
CN110764468A (zh) | 一种确定火电机组运行参数基准值的方法及装置 | |
CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
CN111144609A (zh) | 一种锅炉废气排放预测模型建立方法、预测方法及装置 | |
CN109922478B (zh) | 一种基于改进布谷鸟算法的水质传感器网络优化部署方法 | |
CN111612273A (zh) | 一种区域级综合能源系统分区设计方法及系统 | |
CN116644970A (zh) | 一种基于vmd分解和叠层深度学习的光伏功率预测方法 | |
CN110610209A (zh) | 一种基于数据挖掘的空气质量预测方法及系统 | |
CN114139785A (zh) | 锅炉燃烧热效率预测方法及装置 | |
CN116304669A (zh) | 一种短期校正的分布式光伏功率预测方法及系统 | |
CN111814399B (zh) | 太阳能光伏电池系统的模型参数优化提取方法和测量数据预测方法 | |
CN113177673A (zh) | 一种空调冷负荷预测优化方法、系统及设备 | |
CN113094899A (zh) | 一种随机潮流计算方法、装置、电子设备及存储介质 | |
CN117374941A (zh) | 一种基于神经网络的光伏发电功率预测方法 | |
CN113095534A (zh) | 一种ARIMA与改进Elman神经网络组合的风电功率预测方法 | |
CN115062537B (zh) | 基于醉汉漫步混沌狼群算法的光伏电池模型参数辨识方法 | |
CN114139619A (zh) | 基于改进K-means算法的锅炉燃烧优化控制方法及装置 | |
CN115526535A (zh) | 基于因子分析法的区域能源网关键因素提取方法 | |
CN116187512A (zh) | 一种基于bp神经网络的碳排放能力预测方法及装置 | |
CN113111588A (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
CN112084703A (zh) | 基于变种洗牌蛙跳算法对光伏电池系统模型参数辨识方法 | |
CN111651938B (zh) | 基于热力计算与大数据的变煤质机组出力预测方法 | |
CN116167669B (zh) | 一种基于电力消费回归的碳排放评估方法 | |
CN111860923A (zh) | 基于多模型聚类集成的锅炉烟气NOx排放量预测算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |