随着“双碳”目标的深入推进,近年来我国风电行业迅速发展,如何精准有效地预测风电功率对实现风机安全并网和维持系统稳定运行至关重要。针对现有风电功率预测方法存在输入特征冗余、泛化能力不足和未能充分捕捉风电出力内在特性等问题...随着“双碳”目标的深入推进,近年来我国风电行业迅速发展,如何精准有效地预测风电功率对实现风机安全并网和维持系统稳定运行至关重要。针对现有风电功率预测方法存在输入特征冗余、泛化能力不足和未能充分捕捉风电出力内在特性等问题,提出了一种基于特征优选与相似相本融合的长短期记忆网络与注意力机制(long short term memory-long short term memory,LSTM-AM)短期风电功率预测模型。首先,利用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,Lasso)回归进行输入特征优选,减少冗余;然后,采用长短期记忆网络与注意力机制建立LSTM-AM融合网络模型;最后,通过欧氏距离计算提取相似历史样本,与模型输出加权作为最终预测值。实验结果表明,所提出的方法相比传统方法预测性能更优,在风电功率预测中表现出更高的准确性,能够为电力系统规划运行和可再生能源的深入应用提供支撑。展开更多
针对传统煤质化验效率低、人工干预多、数据可靠性不足及设备趋势预警缺失等问题,笔者设计并研究了一套集成深度学习技术的机器人智能化验系统,以补全燃煤电厂燃料管控“最后一公里”。该系统可实现发热量、全硫、内水分、灰分、挥发分...针对传统煤质化验效率低、人工干预多、数据可靠性不足及设备趋势预警缺失等问题,笔者设计并研究了一套集成深度学习技术的机器人智能化验系统,以补全燃煤电厂燃料管控“最后一公里”。该系统可实现发热量、全硫、内水分、灰分、挥发分及碳氢氮元素等核心煤质指标的全自动检测,通过“常温区-高温区”物理隔离、独立机器人管控及“试验前-试验中-试验后”三级标煤验证机制,保障检测精度与数据真实性,同时实现检测数据不落地实时传输,规避廉政风险。为突破传统系统标煤插样固定化、趋势判断人工化的瓶颈,创新性引入深度学习技术:基于LSTM(Long Short Term Memory,长短期记忆网络)构建标煤智能插样模型,融合设备历史数据、实时运行参数与环境信息实现“按需插样”;基于CNN-LSTM(Convolutional Neural Network-Long Short Term Memory,卷积神经网络-长短期记忆网络)融合模型设计趋势预警模块,捕捉设备性能长期退化趋势。实验结果表明,与传统固定周期插样相比,智能插样模式日均标煤消耗量减少28.7%,设备漂移超差率从8.3%降至1.7%;趋势预警模块对全硫、发热量等指标的预警提前量达6~8 d,准确率超88%;经深度学习校正后,全硫、发热量检测偏差分别缩小至±0.018%、±0.03 MJ/kg。该系统实现了煤质检测从“自动化”到“智能化”的跨越,为燃煤电厂燃料高效管控提供可靠技术支撑。展开更多
文摘随着“双碳”目标的深入推进,近年来我国风电行业迅速发展,如何精准有效地预测风电功率对实现风机安全并网和维持系统稳定运行至关重要。针对现有风电功率预测方法存在输入特征冗余、泛化能力不足和未能充分捕捉风电出力内在特性等问题,提出了一种基于特征优选与相似相本融合的长短期记忆网络与注意力机制(long short term memory-long short term memory,LSTM-AM)短期风电功率预测模型。首先,利用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,Lasso)回归进行输入特征优选,减少冗余;然后,采用长短期记忆网络与注意力机制建立LSTM-AM融合网络模型;最后,通过欧氏距离计算提取相似历史样本,与模型输出加权作为最终预测值。实验结果表明,所提出的方法相比传统方法预测性能更优,在风电功率预测中表现出更高的准确性,能够为电力系统规划运行和可再生能源的深入应用提供支撑。
文摘针对传统煤质化验效率低、人工干预多、数据可靠性不足及设备趋势预警缺失等问题,笔者设计并研究了一套集成深度学习技术的机器人智能化验系统,以补全燃煤电厂燃料管控“最后一公里”。该系统可实现发热量、全硫、内水分、灰分、挥发分及碳氢氮元素等核心煤质指标的全自动检测,通过“常温区-高温区”物理隔离、独立机器人管控及“试验前-试验中-试验后”三级标煤验证机制,保障检测精度与数据真实性,同时实现检测数据不落地实时传输,规避廉政风险。为突破传统系统标煤插样固定化、趋势判断人工化的瓶颈,创新性引入深度学习技术:基于LSTM(Long Short Term Memory,长短期记忆网络)构建标煤智能插样模型,融合设备历史数据、实时运行参数与环境信息实现“按需插样”;基于CNN-LSTM(Convolutional Neural Network-Long Short Term Memory,卷积神经网络-长短期记忆网络)融合模型设计趋势预警模块,捕捉设备性能长期退化趋势。实验结果表明,与传统固定周期插样相比,智能插样模式日均标煤消耗量减少28.7%,设备漂移超差率从8.3%降至1.7%;趋势预警模块对全硫、发热量等指标的预警提前量达6~8 d,准确率超88%;经深度学习校正后,全硫、发热量检测偏差分别缩小至±0.018%、±0.03 MJ/kg。该系统实现了煤质检测从“自动化”到“智能化”的跨越,为燃煤电厂燃料高效管控提供可靠技术支撑。
