提升火电机组的一次调频能力辨识有助于辅助电网的调度,保证电网的安全稳定运行。提出一种基于贝叶斯优化算法(Bayesian optimization, BO)的长短期记忆网络(long short term memory, LSTM)一次调频能力辨识方法,实现火电机组的一次调频能力精确建模。首先对机组机理及参数之间的相关性进行分析,确立模型的输入特征变量,再利用贝叶斯算法对LSTM网络结构进行优化,得到一次调频能力辨识模型。以某600 MW燃煤火电机组为研究对象,将该模型与传统BP神经网络模型、未优化LSTM网络模型进行对比。结果表明:所提出的网络模型均方根误差分别降低了66.51%和34.83%,具有更高的模型精度。
为了更精确地预测SO2排放质量浓度,解决非线性随机预测问题,提出了一种基于随机森林特征选择的GWO N BEATS算法。通过随机森林算法筛选输入参数的特征,使用灰狼优化算法对N BEATS算法的超参数进行优化;与长短期记忆网络(Long Short Term Memory, LSTM)、门控循环神经网络(Gated Recurrent Unit,GRU)以及N BEATS算法对比分析,验证了GWO N BEATS算法的有效性。将本算法应用于某大型电网公司大数据平台,探索了复杂智能算法在大数据平台上开展污染物排放预测的可行性。研究结果表明,相较于长短期记忆网络、门控循环神经网络和N BEATS方法,GWO N BEATS算法预测误差更小, 其中平均绝对百分比误差MAPE为1.50%,相对均方误差RMSE为0.42,平均绝对误差MAE为0.33,决定系数R2为0.97。
引用本文
曾庆华,冉 鹏,董 坤,刘 旭.基于大数据平台的SO2排放GWO N BEATS预测算法[J].热能动力工程,2024,39(3):125- 导出 BibTexEndNote