集中供热热力站短期热负荷预测模型对比研究

以湖北省十堰市一个集中供热热力站为对象,基于实测运行数据和气象数据进行供热负荷预测研究。分别采用随机森林(Random Forest,RF)、极度梯度提升(eXtreme Gradient Boosting,XGBoost)、BP神经网络、支持向量回归(Support Vector Regression,SVR)、长短期记忆(Long Short Term Memory,LSTM)神经网络5种方法进行预测模型训练及测试,基于粒子群优化算法(Particle Swarm Optimization,PSO)优化各模型参数,获得最优模型,在此基础上针对不同模型在不同短期负荷预测情景下的表现进行对比研究。研究结果表明:在未来24h预测情景下,随机森林、XGBoost模型的预测精度最高,二者的平均绝对误差(MAE)分别为0.84 W/m^(2)及1.00 W/m^(2)。在未来1h预测情景下,SVR模型的预测精度最高,其MAE为0.18 W/m^(2)。

基于大数据分析的城市热网负荷综合预测研究

随着智慧城市与行业改革的推进,城市供热需要新一轮技术革新。针对国家节能减排号召,实现信息化、高效化供热,需要建立智慧供热平台,以实时监测热网运行,并预测未来热网负荷。采用LSTM(长短期记忆神经网络)深度学习算法,对湖北某地级市气象、热网负荷等数据进行大数据分析,建立预测模型并进行一系列调参优化。利用Python计算机语言编写程序,实现对未来热网负荷预测,并按重要性对数据各项特征进行分析并排名。综上建立智慧供热平台界面,以显示实时数据以及预测数据。

面向电网调峰需求的燃煤机组快速启停控制技术及应用项目

随着新型电力系统的快速发展,不断增大的电网波动性要求常规燃煤机组不仅要提供足够深度的调峰容量,还应具有快速启停机的能力.目前,发电厂自启停控制系统(APS)功能在煤电机组已得到广泛应用,但仍存在以下3个方面的问题:一是常规APS技术未引入数据分析建模机器学习技术.