CN117574780A - 一种智能火电厂负荷在线建模方法及系统 - Google Patents
一种智能火电厂负荷在线建模方法及系统 Download PDFInfo
- Publication number
- CN117574780A CN117574780A CN202410050699.6A CN202410050699A CN117574780A CN 117574780 A CN117574780 A CN 117574780A CN 202410050699 A CN202410050699 A CN 202410050699A CN 117574780 A CN117574780 A CN 117574780A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- value
- deviation
- coefficient
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 210000002569 neuron Anatomy 0.000 claims abstract description 49
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 238000010248 power generation Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 18
- 239000003245 coal Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 239000010117 shenhua Substances 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种智能火电厂负荷在线建模方法及系统,所述方法步骤为:通过采集火电厂的发电机组运行指标,计算各项发电机组运行指标与发电负荷指标的斯皮尔曼相关系数,以构建负荷承载模型,通过回声状态网络算法进行训练,引入泄漏积分神经元进行优化,并利用正则化方法计算回声状态网络的修正输出值,按时间序列计算回声状态网络模型输出值与发电机组实时负荷值的偏差,根据预设的偏差阈值,运用LOF算法提取异常离群点数据,计算异常离群点数据的分布程度,并进行信号分类,并根据不同信号生成不同的处理介入策略,本发明能够赋予回声状态网络短期记忆力,优化训练效果,提高预测准确性。
Description
技术领域
本发明涉及工业自动化领域,更具体地说,本发明是一种智能火电厂负荷在线建模方法及系统。
背景技术
火电厂发电负荷建模能够对火电厂的电力负荷进行分析和预测,发电负荷是指电厂在一定时间内所需的电力,建模发电负荷的目的是为了更好地了解和预测电力需求,以便有效地管理发电厂的运营。
现有的发电负荷建模分析方法以力求尽可能的贴近发电厂实际发电负荷测量值为标准,传统的典型回声状态网络虽然利于处理时间序列任务,但发电厂的生产运行指标是一个长期持续又频繁波动的数据,传统的典型回声状态网络中前后相邻两个时刻的时间点状态不具备相关性,数据处理的过程中难以根据发电厂生产运行指标变化的前后逻辑进行反馈更新。
为解决上述缺陷,现提出一种技术方案。
发明内容
本发明的目的是提供一种智能火电厂负荷在线建模方法及系统,以解决背景技术中的不足。
为实现上述目的,本发明提供如下技术方案,一种智能火电厂负荷在线建模方法,所述方法具体步骤如下:
分别计算各项发电机组运行指标与发电负荷指标的斯皮尔曼相关系数,根据各项发电机组运行指标与发电负荷指标的斯皮尔曼相关系数构建负荷承载模型;
将负荷承载模型通过回声状态网络算法初始化后,对回声状态网络的输出层权重进行训练,同时引入泄漏积分神经元,对回声状态网络的储备池进行实时更新,并利用正则化方法对回声状态网络的输出值进行参数缩减,计算回声状态网络的修正输出值,通过建立置信度模型对修正输出值进行验证,对修正输出值进行信任等级分级;
将可信任等级的回声状态网络模型输出值与实际的发电机组实时负荷值进行比对,按时间序列计算回声状态网络模型输出值与发电机组实时负荷值的偏差,根据预设的偏差阈值,并运用LOF算法提取异常离群点数据,计算异常离群点数据的分布程度;
将计算所得的异常离群点数据分布程度与预设的异常离群点数据分布程度限值进行比对,根据比对结果进行信号分类,并根据不同信号生成不同的处理介入策略。
在一个优选的实施方式中,对发电机组运行指标的斯皮尔曼相关系数进行预处理的方法:
发电机组运行指标包括神华煤、高热低灰煤、经济煤的比例信息、锅炉主蒸汽压力、锅炉再热蒸汽压力、主蒸汽流量、最终给水温度、低加下端差、高加下端差、给水流量、凝汽器端差、各引风机出口压力、锅炉总风量和总二次风量,剔除计算所得的发电机组运行指标与发电负荷的斯皮尔曼相关系数中小于等于0的数据,保留计算所得的发电机组运行指标与发电负荷的斯皮尔曼相关系数中大于0的数据,并运用PCA算法对保留数据进行降维处理。
在一个优选的实施方式中,将负荷承载模型通过回声状态网络进行训练并计算回声状态网络的修正输出值的逻辑:
标定回声状态网络的输入层包含有K个神经元,储备池包含N个神经元,输出层包含L个神经元,将双曲正切函数作为激活函数,输入回声状态网络,将泄漏积分神经元引入回声状态网络,引入泄漏积分神经元后的储备池内部神经元更新方式为,式中,/>为储备池神经元在/>时刻的状态,/>为储备池神经元在/>时刻的状态,/>为i时刻的输入数据,/>为输入层到储备池的连接权重,/>为储备池神经元之间的自连接矩阵,/>为泄漏衰减率;
对回声状态网络输出值运用岭回归算法进行正则化处理,正则化处理后的输出值为,式中,/>为修正输出值,/>为储备池状态向量的集合,/>为输出向量数据的集合,其中,l为训练数据的长度,E表示单位矩阵,/>为正则化参数。
在一个优选的实施方式中,通过置信度模型对修正输出值进行验证的逻辑:
标定输出向量的迭代波动系数Fi、发电机组的负荷峰谷偏差系数Pv和输入参数监测周期更新系数Ut,建立输出置信度模型,计算输出置信度为,式中迭代波动系数Fi、发电机组的负荷峰谷偏差系数Pv和输入参数监测周期更新系数Ut的比例系数,且/>均大于0;
其中迭代波动系数通过回声状态网络模型的累计迭代次数进行计算,设最终迭代次数限制为Di,生成输出向量时的迭代次数为Ri,则迭代波动系数为;
负荷峰谷偏差系数通过发电机组输出负荷的极端最高值Pmax与极端最低值Pmin的偏差获取,计算周期时间内的负荷峰谷偏差,按时间序列对间隔周期时间的负荷峰谷偏差进行编组为数据集合,以c为编号,则/>,其中x为正整数;
计算数据集合的标准差,计算表达式为,其中/>为负荷峰谷偏差的均值,计算峰谷负荷偏差系数/>;
输入参数监测周期更新系数通过输入模型所选取数据输入的监测更新频率获取,其计算方法为:获取输入参数的数据采集周期数据,并将输入参数的数据采集周期数据进行标定为Tf,将数据采集周期数据与预设的数据采集周期数据阈值Td进行比对,当时,则输入参数监测周期更新系数取值为1,否则输入参数监测周期更新系数取值为0;
当计算所得的输出置信度大于等于预设的置信度阈值时,标记修正输出值为可信任等级,当计算所得的输出置信度小于预设的置信度阈值时,标记修正输出值为不可信等级,对于可信任等级的修正输出值,将其与实际发电机组负荷值进行比对处理,以获取其预测偏差系数;
对于不可信等级的修正输出值,则由工作人员对循环网络模型及发电机组的数据监测和输入方向进行检验,防止不可信数据干扰模型的预测精度及运行效率。
在一个优选的实施方式中,按时间序列计算回声状态网络模型修正输出值与发电机组实时负荷值的偏差的逻辑:
按时间序列对回声状态网络模型输出的修正输出值进行编组,并标记为Me,其中,e为按时间序列对回声状态网络模型输出的修正输出值的序号,且,其中r为正整数;
按同一时间序列对发电机组的实时发电负荷值进行编组,并标记为Gl,其中,l为按同一时间序列的发电机组实时发电负荷值的序号,且,其中h为正整数;
计算修正输出值和实时发电负荷值在同一时间点的反馈负荷偏差值,对同一序号的两组数据进行作差,生成偏差值数据集合,并对反馈负荷偏差值标记为Fb,其中b为反馈负荷偏差值的序号,且,其中g为正整数。
在一个优选的实施方式中,根据反馈负荷偏差值计算预测偏差系数的方法:
运用LOF算法,基于时间序列上数据点密度检测异常离群数据点,计算各数据点的局部离群因子,按照预设的局部离群因子阈值对反馈负荷偏差值数据进行分类,当计算所得局部离群因子大于预设的局部离群因子阈值时,标记该数据点为异常离群点;当计算所得局部离群因子小于等于预设的局部离群因子阈值时,标记该数据点为浮动密集点;
将标记出的异常离群点整合为数据集合,并标记异常离群点数据为As,其中,s为异常离群点数据的序号,且,其中f为正整数;
计算异常离群点数据的标准差为,式中/>为异常离群点数据的平均值;
根据异常离群点数据的标准差计算预测偏差系数Pv,预测偏差系数Pv的计算表达式为。
在一个优选的实施方式中,根据预测偏差系数进行信号分类的逻辑:
将计算所得预测偏差系数与预先设定的预测偏差系数限值进行比对,当计算所得预测偏差系数大于等于预先设定的预测偏差系数限值,则对发电机组发送波动信号;当计算所得预测偏差系数小于等于预先设定的预测偏差系数限值,则对发电机组发送稳定信号。
在一个优选的实施方式中,根据信号类型进行处理介入的逻辑:
当发电厂工作人员接收到发电机组的波动信号时,对发电机组的运行状态进行维护检验,以避免出现发电机组运行不稳定导致的检测失灵故障出现;
当发电厂工作人员接收到发电机组的稳定信号时,则保持对发电机组工作状态的实时检测。
本发明还提供一种智能火电厂负荷在线建模系统,所述系统包括信息采集模块、建模分析模块、比对检验模块、介入处理模块:
信息采集模块用于采集火电厂的发电机运行指标,分别计算各项发电机组运行指标与发电负荷指标的斯皮尔曼相关系数,根据各项发电机组运行指标与发电负荷指标的斯皮尔曼相关系数构建负荷承载模型;
建模分析模块用于将负荷承载模型通过回声状态网络算法初始化后,对回声状态网络的输出层权重进行训练,同时引入泄漏积分神经元,对回声状态网络的储备池进行实时更新,并利用正则化方法对回声状态网络的输出值进行参数缩减,计算回声状态网络的修正输出值,通过建立置信度模型对修正输出值进行验证,对修正输出值进行信任等级分级;
比对检验模块用于将回声状态网络模型输出值与实际的发电机组实时负荷值进行比对,按时间序列计算回声状态网络模型输出值与发电机组实时负荷值的偏差,根据预设的偏差阈值,并运用LOF算法提取异常离群点数据,计算异常离群点数据的分布程度;
介入处理模块用于将计算所得的异常离群点数据分布程度与预设的异常离群点数据分布程度限值进行比对,根据比对结果进行信号分类,并根据不同信号生成不同的处理介入策略。
在上述技术方案中,本发明提供的技术效果和优点:
本发明通过计算各项发电机组运行指标与发电负荷指标的斯皮尔曼相关系数,建立负荷承载模型,通过回声状态网络对时间维度上的输入数据进行预测处理,引入泄漏积分神经元以提高回声状态网络的短时记忆性,并运用正则化方法解决过拟合问题,计算负荷承载模型的输出的修正输出值,并计算同一时间序列上修正输出值和实时发电负荷值的偏差,利用LOF算法标记异常离群点数据,计算异常离群点数据的分布程度,根据分布程度对发电机组的运行状态进行风险分类,以提醒发电厂工作人员及时对发电机组的运行状态进行检测维护,确保发电机组的实时负荷测量值的准确性,避免因设备故障失灵导致的生产安全风险。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
图2为本发明的经典回声状态网络拓扑图。
图3为本发明的发电机组各项运行指标与发电负荷的斯皮尔曼相关系数表。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1所示,本发明是一种智能火电厂负荷在线建模方法及系统,所述方法的具体步骤为:
分别计算各项发电机组运行指标与发电负荷指标的斯皮尔曼相关系数,根据各项发电机组运行指标与发电负荷指标的斯皮尔曼相关系数构建负荷承载模型;
如图3所示,发电机组运行指标包括神华煤、高热低灰煤、经济煤的比例信息、锅炉主蒸汽压力、锅炉再热蒸汽压力、主蒸汽流量、最终给水温度、低加下端差、高加下端差、给水流量、凝汽器端差、各引风机出口压力、锅炉总风量和总二次风量;
将负荷承载模型通过回声状态网络算法初始化后,对回声状态网络的输出层权重进行训练,同时引入泄漏积分神经元,对回声状态网络的储备池进行实时更新,并利用正则化项方法对回声状态网络的输出值进行参数缩减,计算回声状态网络的输出值;
将回声状态网络模型输出值与预设的回声状态网络输出阈值进行比对,对发电厂的发电负荷风险状态进行评估,根据评估结果生成不同的发电负荷风险等级,并根据不同的发电负荷风险等级生成不同的风险介入策略。
回声状态网络是一种递归神经网络的变体,回声状态网络的权重矩阵在训练过程中只有一小部分是可学习的,其余是随机初始化的,这个随机初始化的部分通常被称为“回声状态”,因而回声状态网络在处理时间序列任务时能够捕捉到长期的依赖关系。
回声状态网络的结构包括三个主要部分:
输入层:接受输入信号的神经元层,用于接收外部输入;
储备池:包括一个大规模的随机生成的神经元网络,这部分网络的权重在训练过程中保持不变,以保持记忆状态;
输出层:通过学习得到的权重将输入和储备池的信息整合,产生最终的输出。
回声状态网络的训练过程相对简单,通常只涉及到输出层的权重学习,而储备池的权重则保持固定,这简化了训练过程,并且有助于防止梯度消失或爆炸等问题,使得回声状态网络更容易训练,适用于处理时间序列数据。
泄漏积分型的回声状态网络在标准回声状态网络中加入泄漏积分神经元,通过调节泄漏率,使回声状态网络能够记忆上一时刻的状态,并逐渐失去所收集信息,能够提高回声状态网络的短期记忆能力,适用于描述连续变化的动态环境,实现对慢特性和连续动态系统的学习,是一种学习能力更强的动态递归神经网络。
正则化是机器学习中一种用来防止模型过度拟合的技术,过度拟合指的是模型在训练数据上表现很好,但在新的未运行过的测试数据上表现较差,即模型过分地适应了训练数据中的噪声和细节。
正则化的基本思想是在模型的损失函数中引入额外的惩罚项,以限制模型参数的大小或复杂度,从而使模型在学习过程中不仅要最小化训练数据上的误差,还要考虑附加项,避免学习过于复杂的模式,这有助于提高模型在新数据上的泛化能力。
实施例2
本实施例以典型火力发电厂的生产流程为实例,对数据处理逻辑进行说明,通过火力发电厂的发电机组运行指标包括神华煤、高热低灰煤、经济煤的比例信息、锅炉主蒸汽压力、锅炉再热蒸汽压力、主蒸汽流量、最终给水温度、低加下端差、高加下端差、给水流量、凝汽器端差、各引风机出口压力、锅炉总风量和总二次风量数据对火力发电厂的生产数据进行分类标注。
计算燃煤输入结构指标与发电机组实时负荷的斯皮尔曼相关系数,对于整数等级数据,具体计算步骤为:
对各个燃煤输入结构指标由小到大进行排列,若出现相同数值则取其平均排名;
由对应排名的两组数据得到一组配对的等级;
计算该组等级对的差异并标记为d;
计算差异的平方和并标记为;
计算斯皮尔曼相关系数的表达式为,式中,/>为斯皮尔曼相关系数,n为进行配对的指标数量;
斯皮尔曼相关系数的取值范围在-1到1之间取值为1时表示完全正相关,取值为-1时表示完全负相关,取值为0表示不具备相关性。
对于非整数等级数据,运用以下公式计算两组指标数据之间的斯皮尔曼相关系数,即/>,式中,/>为等级变量的协方差,/>和/>为等级变量的标准差,等级变量的协方差的计算表达式为/>,其中/>为指标X的期望值,/>为指标Y的期望值。
按照同样的方法计算蒸汽运行波动、压力转移偏差与发电机组实时负荷的斯皮尔曼相关系数,需要说明的是,本实施例所述发电厂生产流程各参数包括未详细说明的涉及到发电机组发电负荷的其他参数,在此不作赘述。
根据计算所得各指标数据与发电机组实时负荷的相关性数据,剔除相关性系数小于等于0的数据,并将相关性系数大于0的保留数据进行整合编组。
由于火力发电机的生产数据是通过一定时间进行收集,数据具有一定的维度,可能隐藏部分数据特征,在对数据进行分析之前,对数据进行降维操作,运用PCA算法将高维数据进行降维,具体步骤如下:
输入数据集;
确定用于降维的超平面,以保证数据投影于超平面时,保留最大的差异性;
去中心化,对每个维度的数据,减去其平均值;
计算协方差矩阵;
利用特征值分解方法,计算协方差矩阵的特征值及特征向量;
将特征值由大到小排列,选择其中最大的k个值,将最大k个特征值对应的特征向量组成新的向量矩阵P;
将数据转换到k个特征向量组成的新空间中,即;
输出降维数据集。
需要指出的是,降维所达到的维度,通过保留信息进行确定,降维数据中,每个维度的信息量不同,k值的选取通过所选维度的特征值之和与所有特征值之和之间的比率进行确定,以本领域技术人员对所选取数据的具体情况进行自行设定。
实施例3
如图2所示,回声状态网络是循环神经网络的一种变体分支,共包含三个神经网络层,分别为输入层、储备池、输出层,储备池在结构上类似于神经网络结构中的隐含层,与循环神经网络相比,回声状态网络模型进行训练时,仅对输出层权重进行训练,因而大大减少了计算负载和训练时间,提高了训练速度,储备池结构不完全等同于循环神经网络中的隐含层,储备池是由一定量的稀疏的自链接神经元组成,储备池结构能对输入的动态非线性信号进行编码,将原始低维信息映射到高维空间。
回声状态网络的输入层包含有K个神经元,储备池包含N个神经元,输出层包含L个神经元,储备池内部神经元的状态更新方式为,式中为i时刻的输入数据,/>为储备池神经元在i时刻的状态,/>为回声状态网络输入层到储备池的连接权重,/>为储备池神经元之间的自连接矩阵,由于储备池中神经元是稀疏自连接结构,因而/>是一个稀疏矩阵,/>为激活函数,回声状态网络常用的激活函数包括双曲正切函数和sigmoid函数,由于双曲正切函数和sigmoid函数平滑可导的特性,在递归网络中的表现更稳定有效,本实施例所举实例的激活函数为双曲正切函数/>,由于其输出范围为/>,可维持网络状态的波动范围,有利于进一步分析。
需要说明的是,本发明并不限制激活函数的具体形式,激活函数的主要作用是对神经网络引入非线性,激活函数的具体形式根据本领域专业技术人员根据实际问题的具体特征进行选取应用。
本实施例所用的双曲正切激活函数神经元没有记忆能力,因此,储备池神经元在i时刻的状态与/>时刻的状态/>没有直接关系,即典型的回声状态网络适合处理离散数据,而非连续变化的动态数据,本实施例通过将泄漏积分神经元引入回声状态网络,赋予回声状态网络短期记忆能力,使其能够处理连续变化的时间数据,引入泄漏积分神经元后的储备池内部神经元更新方式为/>,式中,/>为储备池神经元在/>时刻的状态,/>为泄漏衰减率,当泄漏衰减率减小时,储备池神经元变化速率放缓,即回声状态网络训练的更新频率降低。
泄漏积分神经元的引入在数学模型上可视为作用于储备池神经元上的低通滤波器,每个状态神经元具有低通滤波或是指数光滑特性,泄漏参数控制前一时刻神经元状态的保持程度,即其截止频率由泄漏参数进行决定,泄漏参数能够影响回声状态网络内部神经元状态的变化程度,从而增强回声状态网络的短时记忆能力。
当储备池状态更新后,其在i时刻输出值的计算方法为,式中为储备池到输出层的连接矩阵。
运用正则化方法解决回声状态网络的过拟合问题,机器学习中常用的正则化方法包括L1正则化和L2正则化,本实施例以L2正则岭回归算法对回声状态网络进行正则化,岭回归算法的计算方法为,式中,/>为修正输出值,/>为储备池状态向量的集合,/>为输出向量数据的集合,其中,l为训练数据的长度,E表示单位矩阵,/>为正则化参数,正则化参数的选取以获取无过拟合现象的输出向量数据为准则。
实施例4
将回声状态网络模型获取的修正输出值进行置信度验证,获取输出向量的迭代波动系数、发电机组的负荷峰谷偏差系数和输入参数监测周期更新系数,并分别标定输出向量的迭代波动系数Fi、发电机组的负荷峰谷偏差系数Pv和输入参数监测周期更新系数Ut,建立输出置信度模型,计算输出置信度为,式中/>迭代波动系数Fi、发电机组的负荷峰谷偏差系数Pv和输入参数监测周期更新系数Ut的比例系数,且均大于0;
其中迭代波动系数通过回声状态网络模型的累计迭代次数进行计算,设最终迭代次数限制为Di,生成输出向量时的迭代次数为Ri,则迭代波动系数为;
负荷峰谷偏差系数通过发电机组输出负荷的极端最高值Pmax与极端最低值Pmin的偏差获取,计算周期时间内的负荷峰谷偏差,按时间序列对间隔周期时间的负荷峰谷偏差进行编组为数据集合,以c为编号,则/>,其中x为正整数;
计算数据集合的标准差,计算表达式为,其中/>为负荷峰谷偏差的均值,计算峰谷负荷偏差系数/>;
输入参数监测周期更新系数通过输入模型所选取数据输入的监测更新频率获取,其计算方法为:获取输入参数的数据采集周期数据,并将输入参数的数据采集周期数据进行标定为Tf,将数据采集周期数据与预设的数据采集周期数据阈值Td进行比对,当时,则输入参数监测周期更新系数取值为1,否则输入参数监测周期更新系数取值为0。
当计算所得的输出置信度大于等于预设的置信度阈值时,标记修正输出值为可信任等级,当计算所得的输出置信度小于预设的置信度阈值时,标记修正输出值为不可信等级,对于可信任等级的修正输出值,将其与实际发电机组负荷值进行比对处理,以获取其预测偏差系数;
对于不可信等级的修正输出值,则由工作人员对循环网络模型及发电机组的数据监测和输入方向进行检验,防止不可信数据干扰模型的预测精度及运行效率。
本实施例通过从输出向量的迭代波动系数、发电机组的负荷峰谷偏差系数和输入参数监测周期更新系数三个维度对模型修正输出值进行置信度检验,当所得为不可信等级的修正输出值时,阻止异常数据继续流转,防止网络模型的预测精度及系统稳定性的降低,减轻工作人员的工作负担。
实施例5
根据获取的回声状态网络模型输出的修正输出值,按发电机组时间序列与实时发电负荷测量值进行比对,计算修正输出值与实时发电负荷测量值的预测偏差系数,具体计算方法如下:
按时间序列对回声状态网络模型输出的修正输出值进行编组,并标记为Me,其中,e为按时间序列对回声状态网络模型输出的修正输出值的序号,且,其中r为正整数;
按同一时间序列对发电机组的实时发电负荷值进行编组,并标记为Gl,其中,l为按同一时间序列的发电机组实时发电负荷值的序号,且,其中h为正整数;
计算修正输出值和实时发电负荷值在同一时间点的反馈负荷偏差值,对同一序号的两组数据进行作差,生成偏差值数据集合,并对反馈负荷偏差值标记为Fb,其中b为反馈负荷偏差值的序号,且,其中g为正整数;
运用LOF算法,基于时间序列上数据点密度检测异常离群数据点,计算各数据点的局部离群因子,按照预设的局部离群因子阈值对反馈负荷偏差值数据进行分类,当计算所得局部离群因子大于预设的局部离群因子阈值时,标记该数据点为异常离群点;当计算所得局部离群因子小于等于预设的局部离群因子阈值时,标记该数据点为浮动密集点;
将标记出的异常离群点整合为数据集合,并标记异常离群点数据为As,其中,s为异常离群点数据的序号,且,其中f为正整数;
计算异常离群点数据的标准差为,式中/>为异常离群点数据的平均值;
根据异常离群点数据的标准差计算预测偏差系数Pv,预测偏差系数Pv的计算表达式为。
由预测偏差系数的表达式可知,根据回声状态网络模型输出的修正输出值与发电机组的实时发电负荷测量值的差距越小,则各反馈负荷偏差值数据点的局部离群因子越小,即各反馈负荷偏差值数据点越密集,异常离群点数据的预测偏差系数越小。
将计算所得预测偏差系数与预先设定的预测偏差系数限值进行比对,当计算所得预测偏差系数大于等于预先设定的预测偏差系数限值,则对发电机组发送波动信号;当计算所得预测偏差系数小于等于预先设定的预测偏差系数限值,则对发电机组发送稳定信号。
当发电厂工作人员接收到发电机组的波动信号时,对发电机组的运行状态进行维护检验,以避免出现发电机组运行不稳定导致的检测失灵故障出现;
当发电厂工作人员接收到发电机组的稳定信号时,则保持对发电机组工作状态的实时检测。
本发明通过计算各项发电机组运行指标与发电负荷指标的斯皮尔曼相关系数,建立负荷承载模型,通过回声状态网络对时间维度上的输入数据进行预测处理,引入泄漏积分神经元以提高回声状态网络的短时记忆性,并运用正则化方法解决过拟合问题,计算负荷承载模型的输出的修正输出值,并计算同一时间序列上修正输出值和实时发电负荷值的偏差,利用LOF算法标记异常离群点数据,计算异常离群点数据的分布程度,根据分布程度对发电机组的运行状态进行风险分类,以提醒发电厂工作人员及时对发电机组的运行状态进行检测维护,确保发电机组的实时负荷测量值的准确性,避免因设备故障失灵导致的生产安全风险。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序货物的形式实现。所述计算机程序货物包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络,或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD),或者半导体介质。半导体介质可以是固态硬盘。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件,或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的货物销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术作出贡献的部分或者该技术方案的部分可以以软件货物的形式体现出来,该计算机软件货物存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种智能火电厂负荷在线建模方法,其特征在于,所述方法具体步骤如下:
分别计算各项发电机组运行指标与发电负荷指标的斯皮尔曼相关系数,根据各项发电机组运行指标与发电负荷指标的斯皮尔曼相关系数构建负荷承载模型;
将负荷承载模型通过回声状态网络算法初始化后,对回声状态网络的输出层权重进行训练,同时引入泄漏积分神经元,对回声状态网络的储备池进行实时更新,并利用正则化方法对回声状态网络的输出值进行参数缩减,计算回声状态网络的修正输出值,通过建立置信度模型对修正输出值进行验证,对修正输出值进行信任等级分级;
将可信任等级的回声状态网络模型输出值与实际的发电机组实时负荷值进行比对,按时间序列计算回声状态网络模型输出值与发电机组实时负荷值的偏差,根据预设的偏差阈值,并运用LOF算法提取异常离群点数据,计算异常离群点数据的分布程度;
将计算所得的异常离群点数据分布程度与预设的异常离群点数据分布程度限值进行比对,根据比对结果进行信号分类,并根据不同信号生成不同的处理介入策略。
2.根据权利要求1所述的一种智能火电厂负荷在线建模方法,其特征在于,对发电机组运行指标的斯皮尔曼相关系数进行预处理的方法:
发电机组运行指标包括神华煤、高热低灰煤、经济煤的比例信息、锅炉主蒸汽压力、锅炉再热蒸汽压力、主蒸汽流量、最终给水温度、低加下端差、高加下端差、给水流量、凝汽器端差、各引风机出口压力、锅炉总风量和总二次风量,剔除计算所得的发电机组运行指标与发电负荷的斯皮尔曼相关系数中小于等于0的数据,保留计算所得的发电机组运行指标与发电负荷的斯皮尔曼相关系数中大于0的数据,并运用PCA算法对保留数据进行降维处理。
3.根据权利要求1所述的一种智能火电厂负荷在线建模方法,其特征在于,将负荷承载模型通过回声状态网络进行训练并计算回声状态网络的修正输出值的逻辑:
标定回声状态网络的输入层包含有K个神经元,储备池包含N个神经元,输出层包含L个神经元,将双曲正切函数作为激活函数,输入回声状态网络,将泄漏积分神经元引入回声状态网络,引入泄漏积分神经元后的储备池内部神经元更新方式为,式中,/>为储备池神经元在/>时刻的状态,/>为储备池神经元在/>时刻的状态,/>为i时刻的输入数据,/>为输入层到储备池的连接权重,/>为储备池神经元之间的自连接矩阵,/>为泄漏衰减率;
对回声状态网络输出值运用岭回归算法进行正则化处理,正则化处理后的输出值为,式中,/>为修正输出值,/>为储备池状态向量的集合,/>为输出向量数据的集合,其中,l为训练数据的长度,E表示单位矩阵,/>为正则化参数。
4.根据权利要求3所述的一种智能火电厂负荷在线建模方法,其特征在于,通过置信度模型对修正输出值进行验证的逻辑:
标定输出向量的迭代波动系数Fi、发电机组的负荷峰谷偏差系数Pv和输入参数监测周期更新系数Ut,建立输出置信度模型,计算输出置信度为,式中迭代波动系数Fi、发电机组的负荷峰谷偏差系数Pv和输入参数监测周期更新系数Ut的比例系数,且/>均大于0;
其中迭代波动系数通过回声状态网络模型的累计迭代次数进行计算,设最终迭代次数限制为Di,生成输出向量时的迭代次数为Ri,则迭代波动系数为;
负荷峰谷偏差系数通过发电机组输出负荷的极端最高值Pmax与极端最低值Pmin的偏差获取,计算周期时间内的负荷峰谷偏差,按时间序列对间隔周期时间的负荷峰谷偏差进行编组为数据集合,以c为编号,则/>,其中x为正整数;
计算数据集合的标准差,计算表达式为,其中/>为负荷峰谷偏差的均值,计算峰谷负荷偏差系数/>;
输入参数监测周期更新系数通过输入模型所选取数据输入的监测更新频率获取,其计算方法为:获取输入参数的数据采集周期数据,并将输入参数的数据采集周期数据进行标定为Tf,将数据采集周期数据与预设的数据采集周期数据阈值Td进行比对,当时,则输入参数监测周期更新系数取值为1,否则输入参数监测周期更新系数取值为0;
当计算所得的输出置信度大于等于预设的置信度阈值时,标记修正输出值为可信任等级,当计算所得的输出置信度小于预设的置信度阈值时,标记修正输出值为不可信等级,对于可信任等级的修正输出值,将其与实际发电机组负荷值进行比对处理,以获取其预测偏差系数;
对于不可信等级的修正输出值,则由工作人员对循环网络模型及发电机组的数据监测和输入方向进行检验,防止不可信数据干扰模型的预测精度及运行效率。
5.根据权利要求4所述的一种智能火电厂负荷在线建模方法,其特征在于,按时间序列计算回声状态网络模型修正输出值与发电机组实时负荷值的偏差的逻辑:
按时间序列对回声状态网络模型输出的修正输出值进行编组,并标记为Me,其中,e为按时间序列对回声状态网络模型输出的修正输出值的序号,且,其中r为正整数;
按同一时间序列对发电机组的实时发电负荷值进行编组,并标记为Gl,其中,l为按同一时间序列的发电机组实时发电负荷值的序号,且,其中h为正整数;
计算修正输出值和实时发电负荷值在同一时间点的反馈负荷偏差值,对同一序号的两组数据进行作差,生成偏差值数据集合,并对反馈负荷偏差值标记为Fb,其中b为反馈负荷偏差值的序号,且,其中g为正整数。
6.根据权利要求5所述的一种智能火电厂负荷在线建模方法,其特征在于,根据反馈负荷偏差值计算预测偏差系数的方法:
运用LOF算法,基于时间序列上数据点密度检测异常离群数据点,计算各数据点的局部离群因子,按照预设的局部离群因子阈值对反馈负荷偏差值数据进行分类,当计算所得局部离群因子大于预设的局部离群因子阈值时,标记该数据点为异常离群点;当计算所得局部离群因子小于等于预设的局部离群因子阈值时,标记该数据点为浮动密集点;
将标记出的异常离群点整合为数据集合,并标记异常离群点数据为As,其中,s为异常离群点数据的序号,且,其中f为正整数;
计算异常离群点数据的标准差为,式中/>为异常离群点数据的平均值;
根据异常离群点数据的标准差计算预测偏差系数Pv,预测偏差系数Pv的计算表达式为。
7.根据权利要求6所述的一种智能火电厂负荷在线建模方法,其特征在于,根据预测偏差系数进行信号分类的逻辑:
将计算所得预测偏差系数与预先设定的预测偏差系数限值进行比对,当计算所得预测偏差系数大于等于预先设定的预测偏差系数限值,则对发电机组发送波动信号;当计算所得预测偏差系数小于等于预先设定的预测偏差系数限值,则对发电机组发送稳定信号。
8.根据权利要求7所述的一种智能火电厂负荷在线建模方法,其特征在于,根据信号类型进行处理介入的逻辑:
当发电厂工作人员接收到发电机组的波动信号时,对发电机组的运行状态进行维护检验,以避免出现发电机组运行不稳定导致的检测失灵故障出现;
当发电厂工作人员接收到发电机组的稳定信号时,则保持对发电机组工作状态的实时检测。
9.一种智能火电厂负荷在线建模系统,其特征在于,所述系统包括信息采集模块、建模分析模块、比对检验模块、介入处理模块:
信息采集模块用于采集火电厂的发电机运行指标,分别计算各项发电机组运行指标与发电负荷指标的斯皮尔曼相关系数,根据各项发电机组运行指标与发电负荷指标的斯皮尔曼相关系数构建负荷承载模型;
建模分析模块用于将负荷承载模型通过回声状态网络算法初始化后,对回声状态网络的输出层权重进行训练,同时引入泄漏积分神经元,对回声状态网络的储备池进行实时更新,并利用正则化方法对回声状态网络的输出值进行参数缩减,计算回声状态网络的修正输出值,通过建立置信度模型对修正输出值进行验证,对修正输出值进行信任等级分级;
比对检验模块用于将回声状态网络模型输出值与实际的发电机组实时负荷值进行比对,按时间序列计算回声状态网络模型输出值与发电机组实时负荷值的偏差,根据预设的偏差阈值,并运用LOF算法提取异常离群点数据,计算异常离群点数据的分布程度;
介入处理模块用于将计算所得的异常离群点数据分布程度与预设的异常离群点数据分布程度限值进行比对,根据比对结果进行信号分类,并根据不同信号生成不同的处理介入策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410050699.6A CN117574780B (zh) | 2024-01-15 | 2024-01-15 | 一种智能火电厂负荷在线建模方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410050699.6A CN117574780B (zh) | 2024-01-15 | 2024-01-15 | 一种智能火电厂负荷在线建模方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117574780A true CN117574780A (zh) | 2024-02-20 |
CN117574780B CN117574780B (zh) | 2024-03-29 |
Family
ID=89890370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410050699.6A Active CN117574780B (zh) | 2024-01-15 | 2024-01-15 | 一种智能火电厂负荷在线建模方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117574780B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117992895A (zh) * | 2024-04-03 | 2024-05-07 | 西安寰宇管道工程技术有限公司 | 一种基于大数据的油气管道区域风险监测方法及系统 |
CN117992895B (zh) * | 2024-04-03 | 2024-06-07 | 西安寰宇管道工程技术有限公司 | 一种基于大数据的油气管道区域风险监测方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295075A (zh) * | 2013-04-01 | 2013-09-11 | 沈阳航空航天大学 | 一种超短期电力负荷预测与预警方法 |
CN107766986A (zh) * | 2017-10-31 | 2018-03-06 | 天津大学 | 泄漏积分型回声状态网络在线学习光伏功率预测方法 |
US20190081476A1 (en) * | 2017-09-12 | 2019-03-14 | Sas Institute Inc. | Electric power grid supply and load prediction |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN113241762A (zh) * | 2021-05-31 | 2021-08-10 | 东北大学 | 基于事件触发的回声状态网络自适应负荷频率控制方法 |
CN113725913A (zh) * | 2021-07-31 | 2021-11-30 | 国家电网公司华北分部 | 一种适应源网荷储多类型资源协同的自动功率控制方法 |
CN113779893A (zh) * | 2021-09-29 | 2021-12-10 | 北京航空航天大学 | 基于回声状态网络的保障性仿真输出结果可信性评价方法 |
CN115481815A (zh) * | 2022-10-11 | 2022-12-16 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 基于神经网络的火电厂负荷分配系统及方法 |
CN116488147A (zh) * | 2023-04-04 | 2023-07-25 | 内蒙古丰电能源发电有限责任公司 | 一种火电厂负荷的预测方法及系统 |
-
2024
- 2024-01-15 CN CN202410050699.6A patent/CN117574780B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295075A (zh) * | 2013-04-01 | 2013-09-11 | 沈阳航空航天大学 | 一种超短期电力负荷预测与预警方法 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
US20190081476A1 (en) * | 2017-09-12 | 2019-03-14 | Sas Institute Inc. | Electric power grid supply and load prediction |
CN107766986A (zh) * | 2017-10-31 | 2018-03-06 | 天津大学 | 泄漏积分型回声状态网络在线学习光伏功率预测方法 |
CN113241762A (zh) * | 2021-05-31 | 2021-08-10 | 东北大学 | 基于事件触发的回声状态网络自适应负荷频率控制方法 |
CN113725913A (zh) * | 2021-07-31 | 2021-11-30 | 国家电网公司华北分部 | 一种适应源网荷储多类型资源协同的自动功率控制方法 |
CN113779893A (zh) * | 2021-09-29 | 2021-12-10 | 北京航空航天大学 | 基于回声状态网络的保障性仿真输出结果可信性评价方法 |
CN115481815A (zh) * | 2022-10-11 | 2022-12-16 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 基于神经网络的火电厂负荷分配系统及方法 |
CN116488147A (zh) * | 2023-04-04 | 2023-07-25 | 内蒙古丰电能源发电有限责任公司 | 一种火电厂负荷的预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
张庆新;崔展博;马睿;陈磊;: "基于k-means聚类与径向基神经(RBF)网络的电力系统日负荷预测", 科学技术与工程, no. 34, 8 December 2013 (2013-12-08) * |
朱乔木;李弘毅;王子琪;陈金富;王博;: "基于长短期记忆网络的风电场发电功率超短期预测", 电网技术, no. 12, 5 December 2017 (2017-12-05) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117992895A (zh) * | 2024-04-03 | 2024-05-07 | 西安寰宇管道工程技术有限公司 | 一种基于大数据的油气管道区域风险监测方法及系统 |
CN117992895B (zh) * | 2024-04-03 | 2024-06-07 | 西安寰宇管道工程技术有限公司 | 一种基于大数据的油气管道区域风险监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117574780B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Approaches to wind power curve modeling: A review and discussion | |
CN110414788B (zh) | 一种基于相似日和改进lstm的电能质量预测方法 | |
CN110007652B (zh) | 一种水电机组劣化趋势区间预测方法与系统 | |
Baraldi et al. | Reconstruction of missing data in multidimensional time series by fuzzy similarity | |
Wang et al. | A hybrid optimization-based recurrent neural network for real-time data prediction | |
US11860608B2 (en) | Industrial equipment operation, maintenance and optimization method and system based on complex network model | |
CN115510904B (zh) | 基于时序预测的锅炉受热面积灰监测方法 | |
Tang et al. | A deep learning model for measuring oxygen content of boiler flue gas | |
Lv et al. | Non-iterative T–S fuzzy modeling with random hidden-layer structure for BFG pipeline pressure prediction | |
Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
Liu et al. | Long–short-term memory encoder–decoder with regularized hidden dynamics for fault detection in industrial processes | |
Pranolo et al. | Optimized Three Deep Learning Models Based-PSO Hyperparameters for Beijing PM2. 5 Prediction | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
Cheng et al. | A novel planetary gearbox fault diagnosis method for nuclear circulating water pump with class imbalance and data distribution shift | |
Wu et al. | Temporal convolution network‐based time frequency domain integrated model of multiple arch dam deformation and quantification of the load impact | |
Ge et al. | Remaining useful life prediction of machinery based on KS distance and LSTM neural network | |
CN117648643A (zh) | 基于人工智能的索具预测性诊断方法及装置 | |
Jiang et al. | Multistep degradation tendency prediction for aircraft engines based on CEEMDAN permutation entropy and improved Grey–Markov model | |
CN117574780B (zh) | 一种智能火电厂负荷在线建模方法及系统 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
Li et al. | Gated recurrent unit networks for remaining useful life prediction | |
CN114637620B (zh) | 一种基于svm算法的数据库系统异常分类预测方法 | |
CN114896895A (zh) | 基于门控循环神经网络的脱硝系统入口氮氧化物排放预测方法及系统 | |
CN115290218A (zh) | 一种火力发电机组锅炉水冷壁壁温的软测量方法与系统 | |
Peck et al. | Genetic algorithm based input selection for a neural network function approximator with applications to SSME health monitoring |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |