基于LSTM的发电机组污染物排放预测研究

为了利用电力公司积累的海量历史污染物排放数据,形成可以减少污染物排放的调度框架。采用递归神经网络,结合发电机组输出功率与污染物排放量之间的关系,并使用批规范化等深度学习技术,对数据和模型进行学习和训练。实验结果表明,可以有效预测发电机组污染物排放量,解决传统回归分析方法无法适用的难以提取有效特征的问题。

基于递归神经网络的火电机组污染物排放研究

该文通过研究海量的发电机组历史污染物排放数据,提出一种基于LSTM-RNN深度学习的改进型发电机组排放预测算法ALSTM-RNN(A-R)。A-R算法可以有效地提取出模型特征量,结合数据的归一化对模型的结果进行优化调整,以降低模型训练时间,提高预测精度。通过在不同的发电机组测试试验,A-R算法较最小二乘法(LSM),支持向量机回归(SVR)具有较小的均方误差值,较LSTM-RNN模型预测方差更小,更加稳定,具有较好的鲁棒性。

基于递归神经网络和蚁群优化算法的发电环保调度

基于对电力公司历史发电及排放数据(二氧化硫、氮氧化物和烟尘)的分析,文中首先采用递归神经网络(RNN)拟合出发电功率与排放数据回归模型,然后在该回归模型与蚁群算法(ACO)的基础上设计实时发电调度算法,在满足实时发电任务的前提下使机组总污染物排放量降低,达到节能减排的目的.文章最后通过安徽省电力的真实数据构建仿真实验验证回归模型和调度方案的有效性.