基于CNN-BiGRU-Attention的短期电力负荷预测

针对目前电力负荷数据随机性强,影响因素复杂,传统单一预测模型精度低的问题,结合卷积神经网络(Convolutional neural network,CNN)、双向门控循环单元(Bi-directional gated recurrent unit,BiGRU)以及注意力机制(Attention)在短期电力负荷预测上的不同优点,提出一种基于CNN-BiGRU-Attention的混合预测模型。该方法首先通过CNN对历史负荷和气象数据进行初步特征提取,然后利用BiGRU进一步挖掘特征数据间时序关联,再引入注意力机制,对BiGRU输出状态给与不同权重,强化关键特征,最后完成负荷预测。试验结果表明,该模型的平均绝对百分比误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)、判定系数(R-square,R~2)分别为0.167%、0.057%、0.993,三项指标明显优于其他模型,具有更高的预测精度和稳定性,验证了模型在短期负荷预测中的优势。

综合能源系统中热电联产机组故障预警现状

热电联产机组作为综合能源系统的重要组成部分之一,不仅承担着电能和热能的生产与传输等环节,也为系统消纳可再生能源提供了基础。风机和磨煤机作为热电联产机组的重要辅机设备,对热电联产机组的正常运行发挥着重要作用。介绍了故障预警技术背景,并对风机和磨煤机的故障类型进行了总结,随后基于人工智能算法将故障预警技术分为机器学习、深度学习和组合模型3种技术路线展开叙述。分析总结了各个技术的发展趋势和核心问题。最后对当前故障预警技术在综合能源系统中的发展应用进行了展望。

基于卷积门控循环单元的波浪发电系统输出功率预测

为高效准确预测波浪输出功率,提出卷积神经网络和门控循环单元混合模型波浪预测算法。采用间接预测方法,搭建直驱式波浪发电系统模型,运用CORREL函数分析不同波浪特征的相关性,结合卷积神经网络提取特征与高维空间中的波高关系,构造特征向量,通过门控循环单元网络进行训练,将全连接层的输出值经反归一化后获得预测波高值,输入所搭建模型,获得波浪输出功率预测值。仿真结果表明,与其他网络模型相比,在多特征输入情况下,混合模型波浪预测算法预测效率更高、精度更准确。

基于CA-GRU的污水处理厂出水总氮浓度预测研究

为了精确预测污水处理厂出水总氮浓度,以呼玛县某污水处理厂公开监测的污水出水水质数据为样本进行了研究。提出了一种基于卷积注意-门控循环单元(CA-GRU)网络的混合模型。首先,使用时间滑动窗口,将数据转换成连续的特征图以作为输入,并从中提取抽象特征。然后,将这些特征映射到网络模型中。最后,通过门控循环单元(GRU)网络模型获得预测值。试验结果显示,CA-GRU模型的均方根误差(RMSE)为0.172,平均绝对百分比误差(MAPE)为0.010。该结果比GRU网络模型低0.108、0.016,比卷积神经网络(CNN)-GRU模型低0.027、0.005,比Attention-GRU模型低0.065、0.007。该结果表明,CA-GRU模型预测效果良好,利用CNN等模型有利于减少冗余信息的干扰。CA-GRU模型能够充分提取污水水质数据在时间和空间上的特征、更准确地预测出水水质总氮含量,具有较高的应用价值。

基于TVF-EMD-SVM-GRU混合模型的短期电网负荷预测

短期电网负荷表现出非规律的波动性和非稳定的周期性,对其进行准确预测是一项挑战。采用时变滤波的经验模态分解,对一维观测信号进行分解,得到具有不同尺度特征的固有模态函数。通过随机重构构造一个新的观测值,形成二维矩阵。引入支持向量机来替代门控循环单元最终输出层中的归一化指数函数,并将交叉熵函数替换为基于边缘的函数,从而进行基于混合模型的短期电网负荷预测。试验结果表明,与大间隔最近邻算法、卷积神经网络以及融合门控循环单元的支持向量机相比,混合模型的计算成本虽然稍高,但均方根误差和平均绝对误差都是最小的。因此,混合模型具有最好的预测性能,可用于短期电网负荷预测。

融合注意力机制的CNN-GRU-LSTM电力系统短期负荷混合预测模型

在电力系统运行过程中,准确预测短期电力负荷是确保电力系统安全经济运行的重要条件。传统单一负荷模型无法完全捕捉复杂系统的变化和非线性关系,预测精度较低。为此,提出一种融合注意力机制的卷积神经网络、门控循环单元和长短期记忆网络的CNN-GRU-LSTM-attention混合预测模型。利用CNN对多维数据特征进行提取,引入注意机制增强GRU和LSTM在序列数据处理中对长期依赖关系的建模能力,进一步提高模型预测精度。结合实际算例进行对比分析实验,结果表明:CNN-GRU-LSTM-attention混合预测模型较LSTM、CNN-LSTM和CNN-GRU-LSTM等模型的预测精度均有较大提升,验证了其有效性和优越性。

基于小波变换与BiGRU-NN模型的短期负荷预测方法

为更好地挖掘大量采集数据蕴含的有效信息,提高短期负荷预测精度,文中提出一种基于小波变换与双向门控循环单元(BiGRU)、全连接神经网络(NN)混合模型的短期负荷预测方法。文章利用小波变换将负荷特征数据分解为高频数据以及低频数据,再分别建立高频混合神经网络以及低频混合神经网络模型进行预测。在混合神经网络模型中,将负荷特征数据作为BiGRU-NN网络的输入,利用BiGRU-NN网络学习负荷非线性以及时序性特征,以此进行短期负荷预测。文中以丹麦东部地区的负荷数据作为算例,实验结果表明,该方法与GRU神经网络、DNN神经网络、CNN-LSTM神经网络相比,具有更高的预测精度。

基于SSA-GRU神经网络的超短期风电功率预测

针对风电数据的复杂和不确定性,为了进一步提高输出功率预测的精度和鲁棒性,采用深层神经网络技术,提出了一种基于参数寻优的麻雀搜索算法—门控循环单元(SSA-GRU)超短期混合风电功率预测模型。首先,对复杂的风电数据进行冗余变量清洗,通过多个单一神经网络在风电数据训练集上的预测性能比较,GRU神经网络实现了对输出功率较高精度的预测,同时相较其他预测模型提升了效率;然后,采用SSA对整个模型进行参数最优值搜索,将原有单一模型加入优化迭代组成混合算法模型,改进了模型参数设置不确定性带来的对预测精度的影响,SSA较快的收敛速度也适用于风电类大量样本的训练与预测;最后,基于国外某风电场数据集实例验证了本文所提模型的可行性和有效性。

用有限元法模拟液压支架强度试验

用有限元法模拟液压支架的强度试验较实物试验周期短、成本低,可用于指导液压支架的设计。由于液压支架的结构件属于钢板焊接件,为了更好地应用有限元法对液压支架刚度和强度进行分析,运用SHELL单元和SOLID单元分别划分钢板结构和其他复杂形状零件,运用绑定接触对单元进行连接,建立了混合单元类型的有限元模型,得到的模型规模小、单元质量好。再合理地施加载荷和位移边界条件,选择顶梁偏载和底座两端集中载荷、顶梁扭转和底座两端集中载荷工况进行分析,得到了较可靠的分析结果。

风电/制氢/燃料电池/超级电容器混合系统控制策略

风能的波动性及间歇性致使传统风力机出力不可控,即出力曲线与负荷调度曲线不一致。本文构造了一种风电/制氢/燃料电池/超级电容器耦合于直流母线的结构。针对风电/制氢/燃料电池/超级电容器混合系统10种运行模式,提出了一种能量管理策略,确保在各个控制单元的作用下,能量协调流动于混合系统各子单元之间。此能量管理策略不仅使混合系统出力可控,而且提高了风能利用率,平抑了直流母线电压波动,平滑了上网功率。PSCAD/EMTDC仿真结果验证了风电/制氢/燃料电池/超级电容器混合系统控制策略的有效性。

混合动力电动汽车综合能量流模型仿真

随着电动汽车技术的发展和综合性能要求的提高,辅助能量系统(Auxiliary power units,APUs,例如,空调系统、动力转向系统、制动系统、发动机冷却系统等)在混合动力汽车中发挥着愈来愈重要的作用。研究辅助能量系统在车辆行驶过程中的能量流变化,可进一步完善整车的综合能量流管理。分析APUs的工作特点,提出基于能耗map图的仿真思路,通过对ADVISOR软件的二次开发,设计APUs的仿真模型,分别建立传统公交车、串联混合动力和并联混合动力城市公交车的综合能量流模型,完善了传统汽车及HEV的仿真模型。在此基础上对APUs对整车经济性的影响进行仿真研究,仿真研究结果表明,电动汽车附件系统在整车能耗上占有相当的比重,在美国城市循环、ECE循环工况和武汉城市公交车循环工况下,公交车辅助能量附件系统能耗比例最大为10%、最小为6.1%。

带时间窗的物流配送区域划分模型及其算法

针对烟草行业存在客户点大规模、客户需求量不固定、配送车辆最大行驶距离限制以及客户点送货时间不固定等特点,综合考虑配送的多产品、多客户、时间限制等影响因素,通过聚类方法划分不同的配送单元,应用整数规划选择中转站不固定配送单元,以物流配送网络构建的总成本最小化为目标函数,建立了基于配送单元的固定成本和变动成本以及带时间窗的时滞成本的数学规划模型,并提出了一种改进粒子群-遗传混合算法进行直接求解.该算法在评价函数中隐含加入了距离和时间等约束条件,并设计了算法间选择性赋予方法,具有较高的全局和局部搜索能力.实例仿真表明,该混合算法的优化性能和效率优于PSO算法、GA算法、GA-PSO算法和M PSO算法,因此能够更有效地解决大规模配送点的物流配送区域划分问题.

基于MIC筛选规则和BP神经网络的变换装置建模及产品预测

在石化企业数字工厂建设中,装置的数字智能化建设十分重要。本文针对某石化企业变换装置数字化建设的需要,结合装置特点,建立了基于最大信息系数方法(MIC)的装置实时数据筛选规则和基于BP神经网络的装置产品质量预测模型。结果表明,利用实时数据筛选规则对采集到的44天共1041组装置实际运行数据进行分析,将161个变量参数删减到23个变量参数,有效降低了数据的维度,数据简化率达到85.63%;进一步采用Levenberg-Marquardt方法,用3层隐含层的网络结构建立装置的产品质量预测模型,模拟得到的装置出口变换气CO摩尔含量值与实际生产偏差很小(平均偏差1.193%),说明本文所建模型可以很好地预测装置产品组成。以上建立的模型可为装置生产优化提供支撑,并可集成到工厂信息物理系统(CPS)中,支撑装置数字化和智能化建设需要。本文所提出的建模方法同样可用于其他类似装置的建模参考。

含风储混合系统的多目标机组组合优化模型及求解

风储混合系统能改善风电出力的随机性,使得风电出力具有一定的可控性,因此将风储混合系统引入电力系统中,并添加系统总能源利用率目标函数,建立含风储混合系统的多目标机组组合优化模型。新模型约束条件计及了储能系统控制模式和风储系统约束条件,并采用模糊处理技术和改进组合粒子群优化算法进行求解,给出机组启停和出力计划。讨论目标函数变化、风储系统引入、控制模式不同以及预测误差对结果的影响。算例分析表明所提模型和算法正确可行。

混合发电系统热经济性分析的通用矩阵模型

生物质与太阳能辅助燃煤混合发电系统是缓解煤炭资源紧张、有效实现电厂节能减排的一种新型混合发电模式。以热平衡方程为基础,以矩阵方程为数学依据,建立了混合发电系统热经济性分析的通用矩阵模型。该通用模型全面反映了辅助系统的引入及各项辅助汽水对机组热经济性的影响,适用于混合发电系统及传统热力系统的热经济性分析计算,使系统整体及局部计算更加清晰简单,通用性强且易实现计算机程序化。以某引进600MW机组为例,利用所建通用矩阵模型计算和分析了机组采用混合发电模式时的热经济性和特点,当辅助系统分别作用于整个低压级和高压级控制单元时,混合发电系统的汽轮机装置效率可提高0.34%和1.45%。

基于CNN-BIGRU-ATTENTION的短期电力负荷预测

电价的实时波动,会对负荷预测精度产生一定影响,增加预测的复杂性。针对这一问题,本文构建基于注意力(ATTENTION)机制的卷积神经网络(CNN)和双向门控循环单元(BIGRU)混合模型对短期电力负荷进行预测。首先用CNN对负荷及电价数据特征进行抽取;其次,利用BIGRU对潜藏的时序规律进行提取;最后结合ATTENTION机制,突出关键特征。仿真结果表明,与BP网络、CNN-GRU、CNN-BIGRU和CNN-GRU-ATTENTION混合模型的预测结果相比,上述模型具有更高的预测精度,是一种有效的短期负荷预测方法。

基于V+v开发模型研制双轴并联混合动力客车整车控制器

使用基于模型和自动代码生成技术研究整车控制器(VCU)的控制策略和算法及其代码化,结合软件开发平台技术,按照V+v开发模型对双轴并联混合动力客车的VCU进行了开发。分析讨论了V+v模型中每个节点的关键技术,全新开发了VCU的控制策略和算法,基于相同模型利用多种仿真模式对自动生成的产品质量代码进行了测试。以符合OSEK标准的OS为核心构建了适用于32位微控制器的软件开发平台。最后,在半车试验台和整车上对VCU进行了功能测试和验证,结果表明采用V+v模型开发VCU可以提高开发质量、缩短开发周期、降低开发成本。

基于OS-ELM的游梁式抽油机系统电动机负载扭矩的在线混合建模

由于难以掌握电动机工作效率与复杂动态负载的准确关系,游梁式抽油机系统普遍存在"大马拉小车"的现象。针对这个问题,研究负载动态变化下电动机负载扭矩的建模新方法,将"驴头"悬点载荷看作系统的负载,提出了基于OS-ELM的在线混合模型。首先根据采油工作原理,建立系统各机构的机理模型;然后针对模型中的主要不确定参数——井下摩擦力,建立基于OS-ELM的在线软测量模型,首先由历史生产数据离线训练得到初始结构,其次采用滑动窗口方法指导模型的在线更新。通过研究,井下摩擦力不再是依赖主观经验给定的定值,而是跟随系统变化的动态值,这更加符合实际生产工况。由一口生产井进行实例验证,仿真结果表明本文所提出方法是合理有效的。

基于Matlab的工程机械混合动力逆变器应用研究

混合动力是一种新型的动力驱动形式,近几年广泛应用于汽车行业,并取得一定成绩。在能源紧缺的现状下,混合动力,特别是电电混合以及电油混合驱动形式已经走向工程机械。文章在分析工程机械混合动力驱动单元结构的基础上,根据实际要求对其中应用的逆变器的关键技术进行研究,在满足整体要求下,对所选逆变器根据其本身的电路原理建立了数学模型。最后,结合推土机混合动力驱动单元实例,建立了逆变器的Matlab/Simulink模型,并对其进行了仿真研究。

基于优化有限差分和混合吸收边界条件的三维VTI介质声波和弹性波数值模拟

传统有限差分系数是通过泰勒级数展开求取的,这样导致所计算的频散曲线在大波数区域会产生较强的数值误差.针对二阶空间偏导数的显式有限差分离散,本文发展了一种新的优化差分系数方法:首先将泰勒级数展开与多点采样方法结合应用于空间频散关系,基于最大范数建立直观有效的优化目标函数,采用Remez算法求解该目标函数,从而获得最优化差分系数.利用优化有限差分方法求解三维垂直对称轴横向各向同性(VTI)介质中的声波和弹性波方程.另外,本文将二维混合吸收边界条件推广到三维VTI介质中,用于吸收人工截断边界反射;基于各向异性特征,合理调整了边界区域的速度值来提高吸收效果.考虑到三维情况下计算效率的问题,本文波场外推过程中采用图形处理器(GPU)取代传统的中央处理器(CPU).数值精度分析表明,相比较于传统的泰勒级数展开方法,优化有限差分方法在大波数区域对频散误差的压制效果更明显.在三维均匀和修改的Hess VTI模型中的数值模拟实验证明了本文方法具有更高的精度与效率,混合吸收边界条件在三维VTI介质中具有良好的边界吸收效果.