基于粒子群算法-最小二乘支持向量机的日前光伏功率预测

准确预测光伏电站输出功率,是促进光伏并网发电,提高电网运行稳定性的主要途径之一。该文提出一种基于粒子群算法-最小二乘支持向量机(particle swarm optimization and least squares support vector machine,PSO-LSSVM)的日前光伏功率预测方法,该方法首先利用粒子群算法的全局搜索能力来获取最小二乘支持向量机的惩罚因子和核函数宽度,有效解决了最小二乘支持向量机难以快速精准寻找最优参数的问题;然后利用数值天气预报和光伏功率的历史数据对PSO-LSSVM模型进行训练,利用训练好的PSO-LSSVM模型对日前光伏功率进行预测。对比分析PSO-LSSVM模型与长短期记忆网络(long short-term memory,LSTM)模型、最小二乘支持向量机(least squares support vector machine,LSSVM)、PSO-BP模型的预测结果可知:PSO-LSSVM模型的预测精度高于LSTM模型、LSSVM模型和结合粒子群的BP神经网络(particle swarm optimization and back propagation,PSO-BP)模型,证明了所提PSO-LSSVM预测模型的优越性。

锅炉燃烧的调节

一、燃烧调节的目的和任务 锅炉燃烧工况的好坏无论是对锅炉机组或是整个发电厂运行的安全、经济都有着极大的影响。在安全方面，燃烧过程十分稳定直接关系到锅炉运行的可靠性。例如，燃烧过程不稳定将引起蒸汽参数发生波动；炉膛温度过低将影响燃料的着火和正常燃烧，容易引起水冷壁结渣或烧损设备，并可能增大过热器、再热器的热偏差，造成局部管壁超温或过热爆管事故。燃烧调节适当（燃料完全燃烧、炉膛温度场合热负荷分布均匀）则更是达到安全可靠运行的必要条件，只有锅炉运行工况稳定了，才能保持蒸汽的高参数运行。此外，锅炉燃烧工况的稳定、良好，是采用低氧燃烧的先决条件，采用低氧燃烧，对降低排烟热损失、提高锅炉热效率，减少NOx和SOx的生成都是极为有效的。在经济方面，锅炉燃烧的好坏直接影响锅炉运行的经济性，燃烧过程的经济性要求合理的风、粉配合，一、二次风配比和送、引风配合；此外，还要求保证适当高的炉膛温度。合理的风、粉配合就是要保持最佳的过剩空气系数；合理的送、引风配合就是要保证适当的炉膛负压。无论是在正常稳定工况或是在改变工况运行时，对燃烧调整得当，就可以减少锅炉各项热损失，提高锅炉效率。对于现代火力发电机组，锅炉效率每提高l％，整个机组效率将提高约0.3~0.4％，标准煤耗可下降3~4g/（kW·h）。

以留学者的视角浅析美国当代雕塑艺术教育

作为一个就读于美国艺术院校的留学生,我认为美国的当代学院雕塑艺术教育有一些值得我国高等美术教育借鉴之处。对他山之石的探讨,或许对我国的艺术人才培养有所启发。