基于CNN-aGRU融合模型的尾矿坝浸润线预测方法

为预防尾矿库溃坝安全事故,关联分析在线监测数据的深度,提出将卷积神经网络(CNN)与门控循环单元(GRU)融合的尾矿库浸润线安全态势预测方法,以掌握坝体的稳定性状况与安全发展态势。该方法综合考虑尾矿库监测数据复杂非线性和时序关联性等特点,利用一维卷积神经网络(1D CNN)模型获取多源数据的局部关联特征和空间特征,并利用GRU模型获取浸润线数据的时序特征,采用自适应矩估计权重衰减优化算法(AdamW)优化模型梯度的自适应性,提高预测模型泛化能力和预测精度,并以河南洛阳某金属露天钼矿尾矿坝进行试验验证。试验结果表明:对比传统BP神经网络、长短期记忆网络(LSTM)、GRU等预测模型,该预测模型在平均绝对百分比误差(MAPE)、平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)、R 2几项关键指标上,分别达到0.01391562、0.005432、0.000045、0.006702、0.998334,实现对浸润线变化态势快速精准预测。

间歇性能源优先调度评价模型研究

针对目前出现的新能源消纳问题,本文以风电为代表,从预测-调度联合运行角度出发,由风电参与短期调度的流程,锁定消纳风电的瓶颈,通过建立风电并网调度顺序评价模型,辅以矩估计优化算法分配权重,实现对各电站并网性能排忧,并以此为基础合理分配各新能源电站的限电容量份额。在促进电网安全稳定运行的同时,保证了对新能源电站的公平调度,对于提升间歇性能源电站运行技术水平有着积极的引导作用。

基于“资源-项目-需求”链的分布式可再生能源项目适应度研究

对分布式可再生能源规划建设项目在资源与需求要素间适应水平实施评价,可为项目科学决策、规划优化、实施效果改进提供依据.针对分布式可再生能源项目对上下游双侧响应适应性问题,定义了 R-P-D链适应度和适应指数概念,基于可再生能源项目开发利用特征,在考虑广义资源条件和用户需求下将民意、规划、土地碳承载、电力系统、战略等指标纳入,拓展基于R-P-D链视角的可再生能源项目适应度体系,建立主客观结合的矩估计理论最优组合赋权底层指标分值计算方法,构建以项目与资源侧、项目与需求侧协调度为权重,以R-P和D-P匹配评分为数值的适应度综合模型.将分布式可再生能源项目R-P-D链适应度模型应用于分布式光伏发电项目验证了所提模型的优越性和适用性,提出R-P-D链三维适应度坐标轴和匹配评价量表,划分R-P-D链适应指数区间,定量确定项目适应度、匹配类别和适应指数,为项目决策、优化、效果评定提供新方法.