供热负荷预测是指导供热系统调控的重要手段。提高供热负荷预测精度十分重要,针对机器学习中输出目标的分解预测,提出了一种基于季节和趋势分解(seasonal and trend decomposition using loess,STL)的供热负荷预测方法,构建了适用于供...供热负荷预测是指导供热系统调控的重要手段。提高供热负荷预测精度十分重要,针对机器学习中输出目标的分解预测,提出了一种基于季节和趋势分解(seasonal and trend decomposition using loess,STL)的供热负荷预测方法,构建了适用于供热负荷预测的输出目标。首先利用STL算法将供热负荷时间序列数据分解为趋势分量、周期分量和残差分量,分别训练Informer、BiLSTM和XGB模型,将构建好的3个分量预测模型的输出叠加作为初步预测结果,分析误差序列,以BiLSTM预测误差提高模型精度,构建出STL-Informer-BiLSTM-XGB预测模型。将上述模型与常用预测模型进行对比,结果表明所构建的STL-Informer-BiLSTM-XGB模型的MAPE、MAE和MSE分别为0.871%、96.18和13202.2,预测效果最优,验证了所提出的方法具有较高的供热负荷预测精度。展开更多
火力发电企业作为我国能源结构的重要组成部分,长期以来是我国碳排放的主要来源,在我国和全球加速推动低碳经济发展的宏观环境下,火电企业积极响应国家“能耗双控”向“碳排放双控”转变的战略部署。在此背景下,精确计量燃煤电厂的碳排...火力发电企业作为我国能源结构的重要组成部分,长期以来是我国碳排放的主要来源,在我国和全球加速推动低碳经济发展的宏观环境下,火电企业积极响应国家“能耗双控”向“碳排放双控”转变的战略部署。在此背景下,精确计量燃煤电厂的碳排放量变得至关重要。在燃煤电厂碳计量中,烟气流量影响燃煤发电中在线监测法的精度,而燃煤消耗量、燃煤元素碳含量以及飞灰碳含量共同决定核算法的可靠性。目前,大多数燃煤发电企业只对流量和燃煤消耗量进行实时监测,在现场恶劣的环境中对燃煤元素碳含量以及飞灰碳含量进行短周期、高频次的直接监测需要花费较大的人力以及物力,流量监测设备也易受烟道环境影响。而软测量技术以其高效和低成本的特点,可为传统碳排放计量过程中关键参数的监测提供一种替代方法。鉴于此,首先阐述了软测量模型的建立过程,包含数据预处理、辅助变量选择、软测量模型建立以及模型校正。数据预处理能够确保数据质量,提高建模效率;辅助变量选择是从大量潜在的变量中筛选出对目标变量的辅助变量,进一步提高建模效率;软测量模型建立主要是基于机理建模和数据驱动建模,是实现目标变量预测的核心;模型校正通过实际的离线或在线数据,对模型进行进一步优化,提高模型的预测精度。其次,针对碳计量相关参数,分析了烟气流量、燃煤消耗量、燃煤元素碳含量和飞灰碳含量监测存在的问题,论述了软测量技术在上述碳计量关键参数的国内外研究进展和应用,评估了机理建模和数据驱动建模技术的有效性、准确性和实用性。其中,机理分析建模主要基于电厂锅炉进出口的能量平衡以及烟风质量守恒等原理,有着确定的数学物理关系式,具有高度可解释性和稳定性,但是建模过程复杂,预测精度较低;数据驱动建模主要是利用各种机器学习方法,基于电厂分布式控制系统(Distributed control system,DCS)丰富的运行数据,对碳计量关键参数进行“黑箱建模”,克服了机理分析建模复杂的过程分析,精度相对较高,但是建模过程不明确,且模型对于不同机组的泛化能力较差。最后,对于软测量技术在碳排放计量领域的发展应用进行了总结与展望。对电厂各参数之间的时序结构、电厂自身计算能力的限制以及机理分析融合数据驱动方法的发展提出相关建议,并对国外二氧化碳预测性排放系统结合软测量技术在国内外燃煤电厂的应用进行展望。展开更多
文摘供热负荷预测是指导供热系统调控的重要手段。提高供热负荷预测精度十分重要,针对机器学习中输出目标的分解预测,提出了一种基于季节和趋势分解(seasonal and trend decomposition using loess,STL)的供热负荷预测方法,构建了适用于供热负荷预测的输出目标。首先利用STL算法将供热负荷时间序列数据分解为趋势分量、周期分量和残差分量,分别训练Informer、BiLSTM和XGB模型,将构建好的3个分量预测模型的输出叠加作为初步预测结果,分析误差序列,以BiLSTM预测误差提高模型精度,构建出STL-Informer-BiLSTM-XGB预测模型。将上述模型与常用预测模型进行对比,结果表明所构建的STL-Informer-BiLSTM-XGB模型的MAPE、MAE和MSE分别为0.871%、96.18和13202.2,预测效果最优,验证了所提出的方法具有较高的供热负荷预测精度。
文摘火力发电企业作为我国能源结构的重要组成部分,长期以来是我国碳排放的主要来源,在我国和全球加速推动低碳经济发展的宏观环境下,火电企业积极响应国家“能耗双控”向“碳排放双控”转变的战略部署。在此背景下,精确计量燃煤电厂的碳排放量变得至关重要。在燃煤电厂碳计量中,烟气流量影响燃煤发电中在线监测法的精度,而燃煤消耗量、燃煤元素碳含量以及飞灰碳含量共同决定核算法的可靠性。目前,大多数燃煤发电企业只对流量和燃煤消耗量进行实时监测,在现场恶劣的环境中对燃煤元素碳含量以及飞灰碳含量进行短周期、高频次的直接监测需要花费较大的人力以及物力,流量监测设备也易受烟道环境影响。而软测量技术以其高效和低成本的特点,可为传统碳排放计量过程中关键参数的监测提供一种替代方法。鉴于此,首先阐述了软测量模型的建立过程,包含数据预处理、辅助变量选择、软测量模型建立以及模型校正。数据预处理能够确保数据质量,提高建模效率;辅助变量选择是从大量潜在的变量中筛选出对目标变量的辅助变量,进一步提高建模效率;软测量模型建立主要是基于机理建模和数据驱动建模,是实现目标变量预测的核心;模型校正通过实际的离线或在线数据,对模型进行进一步优化,提高模型的预测精度。其次,针对碳计量相关参数,分析了烟气流量、燃煤消耗量、燃煤元素碳含量和飞灰碳含量监测存在的问题,论述了软测量技术在上述碳计量关键参数的国内外研究进展和应用,评估了机理建模和数据驱动建模技术的有效性、准确性和实用性。其中,机理分析建模主要基于电厂锅炉进出口的能量平衡以及烟风质量守恒等原理,有着确定的数学物理关系式,具有高度可解释性和稳定性,但是建模过程复杂,预测精度较低;数据驱动建模主要是利用各种机器学习方法,基于电厂分布式控制系统(Distributed control system,DCS)丰富的运行数据,对碳计量关键参数进行“黑箱建模”,克服了机理分析建模复杂的过程分析,精度相对较高,但是建模过程不明确,且模型对于不同机组的泛化能力较差。最后,对于软测量技术在碳排放计量领域的发展应用进行了总结与展望。对电厂各参数之间的时序结构、电厂自身计算能力的限制以及机理分析融合数据驱动方法的发展提出相关建议,并对国外二氧化碳预测性排放系统结合软测量技术在国内外燃煤电厂的应用进行展望。
