为准确预测火电机组响应自动发电控制(Automatic Generation Control, AGC)调控的能力,提出一种基于特征提取和多级深度学习的火电机组响应AGC调控效果的mRMR-mLSTM预测模型:首先,采用最大相关最小冗余算法(Minimum Redundancy Maximum ...为准确预测火电机组响应自动发电控制(Automatic Generation Control, AGC)调控的能力,提出一种基于特征提取和多级深度学习的火电机组响应AGC调控效果的mRMR-mLSTM预测模型:首先,采用最大相关最小冗余算法(Minimum Redundancy Maximum Relevance, mRMR)对机组运行数据进行特征提取,获得影响AGC调控效果的相关变量集以提高建模效率;其次,采用多级长短期记忆神经网络模型(Multi-stage Long Short Term Memory, mLSTM)对实发功率进行预测,得到未来一段时间的功率曲线图,结合功率指令曲线计算AGC调节能力指标;最后,使用某600 MW机组实际运行数据进行验证,预测偏差在10 MW以内。结果表明:本文所提模型的预测精度相较于未进行特征提取的模型和单一LSTM模型分别提高了21%和40%,证明该模型可精确评估深度调峰下火电机组响应AGC调控的能力。展开更多
文摘为准确预测火电机组响应自动发电控制(Automatic Generation Control, AGC)调控的能力,提出一种基于特征提取和多级深度学习的火电机组响应AGC调控效果的mRMR-mLSTM预测模型:首先,采用最大相关最小冗余算法(Minimum Redundancy Maximum Relevance, mRMR)对机组运行数据进行特征提取,获得影响AGC调控效果的相关变量集以提高建模效率;其次,采用多级长短期记忆神经网络模型(Multi-stage Long Short Term Memory, mLSTM)对实发功率进行预测,得到未来一段时间的功率曲线图,结合功率指令曲线计算AGC调节能力指标;最后,使用某600 MW机组实际运行数据进行验证,预测偏差在10 MW以内。结果表明:本文所提模型的预测精度相较于未进行特征提取的模型和单一LSTM模型分别提高了21%和40%,证明该模型可精确评估深度调峰下火电机组响应AGC调控的能力。
