基于权参数优化的并行深度学习光伏功率预测

针对不同应用场景下光伏数据波动模式差异较大时,现有的光伏发电功率预测模型存在精度及适应性不足的问题,提出了一种具有权参数自适应性的并行深度学习光伏发电功率预测框架。该框架包含2种可以并行预测的深度学习算法单元(Attention-Seq2Seq单元、Transformer单元)以及一个权参数自适应优化单元。基于所提出的并行深度学习框架,对光伏发电功率进行预测,并分别与Attention-Seq2Seq、Transformer模型的预测结果进行了对比验证。结果表明:基于权参数优化的并行深度学习光伏功率预测框架弥补了不同数据波动模式下单一算法预测精度和适应性不足的问题,也可以有效解决时间序列预测中的长距离依赖问题,较单一算法预测精度更高,其平均绝对误差和均方根误差在夏季典型日最大降幅分别是41.18%和45.59%,在冬季典型日最大降幅分别是81.13%和82.86%。

基于碳敏感性通用矩阵模型的燃煤机组碳排放强度扰动分析

为从运行角度分析及评价燃煤机组碳排放强度,在矩阵分析法基础上,提出了碳敏感性通用矩阵模型,确定了其矩阵填写规则.采用常规热平衡法和等效焓降法验证了碳敏感性通用矩阵模型的准确性;利用碳敏感性通用矩阵模型分析了锅炉侧,汽轮机侧以及发电机侧可控运行参数在不同波动强度下的碳敏感性;定义了碳敏感性变化率,比较了可控运行参数与碳敏感性间的关系;定义了碳敏感性因子,比较了不同量纲可控参数在相同比例波动下的碳敏感性.结果表明:排烟温度、排烟氧量、排渣温度、飞灰含碳量、主蒸汽温度、再热蒸汽压力、再热蒸汽温度、厂用电率等可控运行参数与碳敏感性指标近似呈线性关系,主蒸汽压力、给水温度以及末级高加上端差与碳敏感性指标呈非线性关系;主蒸汽温度、再热蒸汽温度、给水温度、主蒸汽压力、厂用电率、排烟氧量以及排烟温度的碳敏感因子较大,其数值分别为:1.463, 0.5071, 0.3345, 0.2221, 0.08623, 0.08579, 0.07506.机组运行人员可以重点监控和调节碳敏感因子较大的可控运行参数,降低电厂的碳排放量,从而助力实现碳减排的目标.