吸收塔内浆液的pH是影响燃煤电厂湿法脱硫系统效率的重要参数。燃煤电厂的湿法脱硫系统具有大滞后、非线性、强耦合等特征,因而其吸收塔浆液的pH很难实现精准控制。利用门控循环单元(gated recurrent unit,GRU)神经网络在处理时间序列...吸收塔内浆液的pH是影响燃煤电厂湿法脱硫系统效率的重要参数。燃煤电厂的湿法脱硫系统具有大滞后、非线性、强耦合等特征,因而其吸收塔浆液的pH很难实现精准控制。利用门控循环单元(gated recurrent unit,GRU)神经网络在处理时间序列数据的优越性,对吸收塔内的浆液pH进行预测建模,通过将燃煤电厂采集的影响浆液pH的变量数据作为模型的输入,对模型进行训练处理,获得吸收塔内浆液pH的预测模型。将预测模型应用于辽宁省华能营口电厂600 MW机组湿法脱硫智能控制系统中吸收塔内浆液pH的预测。结果表明相比于反向传播(back propagation,BP)神经网络模型、径向基函数(radial basis function,RBF)神经网络、循环神经网络(recurrent neural network,RNN)和长短期记忆(long and short term memory,LSTM)神经网络,该模型精确度更高,实用性更强。展开更多
准确预测锂电池组的荷电状态(state of charge,SOC)能够有效防止电池过度充电或者放电,是储能设备安全运行的重要保障。为了解决SOC无法通过测量直接获得的问题,提出了一种基于猎人猎物优化算法(hunter prey optimization,HPO)优化门控...准确预测锂电池组的荷电状态(state of charge,SOC)能够有效防止电池过度充电或者放电,是储能设备安全运行的重要保障。为了解决SOC无法通过测量直接获得的问题,提出了一种基于猎人猎物优化算法(hunter prey optimization,HPO)优化门控循环单元(gated recurrent unit,GRU)神经网络的预测模型。在GRU的基础上添加Dropout机制,来增强模型的泛化能力,并通过HPO算法优化GRU的超参数,使锂电池的数据特征与网络拓扑相匹配。为了验证HPO-GRU模型的有效性,以某储能公司现场采集的储能锂电池组历史数据进行仿真实验,并与反向传播神经网络(back propagation,BP)、长短期记忆网络(long short term memory,LSTM)和GRU 3种预测模型的预测结果进行对比分析。可得HPO-GRU模型预测值与真实值的误差最小,在5%以内。可见HPO-GRU模型的预测精度最高,具有良好的鲁棒性以及较强的泛化能力。展开更多
文摘吸收塔内浆液的pH是影响燃煤电厂湿法脱硫系统效率的重要参数。燃煤电厂的湿法脱硫系统具有大滞后、非线性、强耦合等特征,因而其吸收塔浆液的pH很难实现精准控制。利用门控循环单元(gated recurrent unit,GRU)神经网络在处理时间序列数据的优越性,对吸收塔内的浆液pH进行预测建模,通过将燃煤电厂采集的影响浆液pH的变量数据作为模型的输入,对模型进行训练处理,获得吸收塔内浆液pH的预测模型。将预测模型应用于辽宁省华能营口电厂600 MW机组湿法脱硫智能控制系统中吸收塔内浆液pH的预测。结果表明相比于反向传播(back propagation,BP)神经网络模型、径向基函数(radial basis function,RBF)神经网络、循环神经网络(recurrent neural network,RNN)和长短期记忆(long and short term memory,LSTM)神经网络,该模型精确度更高,实用性更强。
文摘准确预测锂电池组的荷电状态(state of charge,SOC)能够有效防止电池过度充电或者放电,是储能设备安全运行的重要保障。为了解决SOC无法通过测量直接获得的问题,提出了一种基于猎人猎物优化算法(hunter prey optimization,HPO)优化门控循环单元(gated recurrent unit,GRU)神经网络的预测模型。在GRU的基础上添加Dropout机制,来增强模型的泛化能力,并通过HPO算法优化GRU的超参数,使锂电池的数据特征与网络拓扑相匹配。为了验证HPO-GRU模型的有效性,以某储能公司现场采集的储能锂电池组历史数据进行仿真实验,并与反向传播神经网络(back propagation,BP)、长短期记忆网络(long short term memory,LSTM)和GRU 3种预测模型的预测结果进行对比分析。可得HPO-GRU模型预测值与真实值的误差最小,在5%以内。可见HPO-GRU模型的预测精度最高,具有良好的鲁棒性以及较强的泛化能力。