基于改进BP神经网络的火电厂实时数据预测模型研究_陆王琳
基于BP和SOM神经网络相结合的电力负荷预测研究
2020年28期创新前沿科技创新与应用Technology Innovation and Application基于BP 和SOM 神经网络相结合的电力负荷预测研究易礼秋（新疆财经大学统计与数据科学学院，新疆乌鲁木齐830012）1概述随着时代的快速发展，科学技术与经济技术的不断更新，电力能源在当代社会里扮演着一个十分重要的角色，是生活中不可缺少的一部分。
电力系统的正常运行保障了各行各业的用电需求，它的供应与国家经济和人们生活有着密切关联。
电力负荷预测尤其是短期电力负荷预测，有益于系统维持可用发电容量与电力需求之间的平衡，准确的短期电力负荷预测，电力系统的作用是对各个行业的用户提供尽可能高质量和可靠性强的电能。
电力系统的准确预测与电力系统的控制以及运行有着密切的相互作用，也是电网规划的重要依据，准确可靠的电力负荷预测能够确保系统的稳定运营，为我们的生活增添了多彩多样的色彩。
电力负荷预测是电力系统稳定运作的至关重要的部分，以电力负荷为对象进行的一系列预测工作，通常负荷预测可根据应用目的和预测时间长短的不同，可以分为短期、中期、长期这几类，其中，短期负荷预测对于电力系统的经济稳定运行以及人们生活质量有着重要作用，从预测对象来看，电力负荷预测包括对未来电力需求量（功率）的预测和对未来用电量（能量）的预测以及对负荷曲线的预测，其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行提供可靠的决策依据，在发电这一过程中，精确测量负荷大小有利于节能减排、降低经济成本、改进提升电能性能，还起到保护环境的作用，这更体现出短期电力负荷预测的重要性，为了精准及时地预测电能的消耗具体情况，对电力负荷预测来说能够建立预测模型是十分必要的因素。
近年来，国内外对短期电力负荷预测模型进行研究是非常广泛的，针对其预测方法也是在不断创新，经典预测方法包括时间序列法、指数平滑法、回归分析法等等；现代主要预测方法有灰色预测法、支持向量机法、随机森林预测法、人工神经网络方法、小波分析法等等。
BP神经网络在电力系统负荷预报中的应用研究
附 录 .......................................................................................................................................3..1.. 参考文献 ...................................................................................................................................3..3.. 后 记 .......................................................................................................................................3..4..
5.2 基于 BP 网络电力负荷预测的 MATLAB 仿真 ...........................................................2..6 5.2.1 BP 网络设计 ..............................................................................................................2..6. 5.2.2 网络训练 ....................................................................................................................2..7.
bp网预报模型的建模方法及应用
bp网预报模型的建模方法及应用
随着现代社会的发展和进步，人们对技术的要求越来越高，各种预测技术也受到了广泛的应用。
BP网络预报模型是一种新兴的人工智能技术，它能够精确地预测未来的变化趋势，因此受到了社会的广泛关注。
本文就BP网络预报模型的建模方法及应用作一介绍，以期对此新技术的发展有所了解。
第一部分，主要介绍BP网络预报模型的建模方法。
BP网络模型是一种基于多层前馈神经网络的技术，它可以将复杂的函数映射到一个任意非线性结构。
首先，确定输入输出数据，然后利用梯度下降算法对输入和输出进行建模。
完成这一步之后，再通过反向传播算法调整权重，以达到最佳的模型精度。
第二部分，主要介绍BP网络预报模型的应用。
BP网络预报模型可应用于各种预测场景，如气象预测、股票市场预测以及经济发展趋势预测等。
在气象预测中，BP网络模型可以基于复杂的气象数据，准确预测天气状况；在股票市场预测中，可以基于历史股票数据，准确预测股票的变化趋势；在经济发展趋势预测中，可以基于经济数据，准确预测经济的发展趋势。
第三部分，主要介绍BP网络预报模型的局限性。
虽然BP网络预报模型具有极高的准确率，但存在一定的局限性：首先，它忽略了复杂度曲线，这可能会影响到模型的准确性；其次，它无法处理中断观测、局部极值问题，这也会降低预测的准确性；最后，它对数据量的要求较高，如果数据量不足，就无法达到较高的准确度。
最后，作为一种新兴的人工智能技术，BP网络预测模型取得了较大的成功。
它可以准确预测气象、股票市场和经济的发展趋势，为社会的发展和进步提供了帮助。
但是，它也有一定的局限性，因此在选择和使用时，也要根据实际情况进行合理的评估。
《电力大数据》2020年1-12期总目录
２０２０年１２月第２３卷第１２期电力大数据２０２０年总目录 Ｄｅｃ ２０２０，Ｖｏｌ ２３，Ｎｏ １２ＰＯＷＥＲＳＹＳＴＥＭＳＡＮＤＢＩＧＤＡＴＡＧｅｎｅｒａｌｃｏｎｔｅｎｔｓｉｎ２０２０《电力大数据》２０２０年１～１２期总目录第１期□大数据专题基于集中器ＳＩＭ卡状态分析的异常检测 董重重，王 吁，夏水斌，孙秉宇，何 欢，王先培（１）…………基于Ｑ－Ｌｅａｒｎｉｎｇ算法用户最优充电站运营研究 刘 燕，贾肇伟，高 虹（８）………………………………………基于倾角传感器及不同杆塔类型的输电线路覆冰监测研究 殷蔚翎，黄 良（１４）………………………………………………基于人工智能的风机塔筒倾覆智能预警系统建设与开发 陈万勋，刘春波，赵坚强（２１）……………………………………基于蛛状网拓扑智能变电站“三层一网”通信系统研究 单梦琦（２８）………………………………………………………基于数据可视化的隔离开关运检辅助决策 门业堃，于 钊，宋 威，侯宇程，钱梦迪，滕景竹（３７）…………基于大数据挖掘的电网监控信息智能监控研究 孙云岭，徐建建，李 飞，李少博，苏玉京，李 芸（４５）…………智能变电站集中式站域测控装置设计与实现 辛明勇，杨 婧，高吉普，王 宇，张 历，汪明媚（５１）…………基于大数据的电力环保数据平台建设 雒 军，唐 坚，赵 喆，王 佩，闫 强，陈 星（５８）…………新能源综合服务平台及在配电网中的应用研究 王建平，李 莎，罗子昀，王永琦（６４）……………………………节能灯谐波指纹的测试研究与分析于 洋，李成升（７０）…………气象模拟仿真技术在电力安全应急培训中的应用与研究 陈肖龙，刘 航，李卓晖，张宝星，潘岐深，张荣鑫（７８）…………基于负荷曲线的配网支线负荷电流计算研究与应用 林 元（８４）………………………………………………………第２期□大数据专题基于ＦＡＨＰ的电网企业配电变压器供应商分级管理评价模型 代 洲，尹 华，李桧禹，毛 磊（１）……………………………贵州省近６０年气温变化特征分析及对输电线路运维的影响 刘发勇，犹珀玉（９）………………………………………………基于大数据平台的点负荷近中期负荷预测及行业负荷增长 特征分析李 健，王琛，林韶生，杜佩仁（１７）……………………智慧能源区块链平台及典型应用分析与设计 裴求根（２６）………………………………………………………大数据技术在火电厂ＳＣＲ脱硝系统中的应用 唐 坚，尹二新，路光杰，陈 鸥，张 军，刘永岩（３２）…………基于电力物联网和ＧＩＳ融合的变电智能运检系统研究 李 飞，赵大兴（３８）………………………………………………电力领域科技查新系统的设计与实现 韦嵘晖，王庆红，孙辛博，王洪俊（４６）……………………………基于ＲｅｔｉｎａＮｅｔ模型的鸟巢智能检测 时 磊，杨 恒，周振峰，杨刘贵，张 辉，杜 浩（５３）…………电网转型背景下地市级智能电网示范区规划研究 唐小璐，赵伟然，古 含，何 鑫（５９）……………………………基于高层气象大数据的风电场中长期风功率预测研究 李 飞，纪 元（６６）………………………………………………基于决策流程的电网强降雨及地质灾害应急信息系统研究 苏华英，唐延婧，夏晓玲，田连杰（７３）……………………………无人机载多载荷输电线路巡检方法研究 陈科羽，王 萍，，石书山，周筑博，杨鹤猛（８０）…………………面向电力物联网的电力大数据应用 王海洋，赵忠强，唐建华（８７）……………………………………第３期□大数据专题基于大数据的台区行业聚合分类方法及分类特征分析 李 健，林韶生，陈 芳，杜佩仁（１）……………………………实时电价下用户侧电力需求响应模型优化策略及数字仿真 谈竹奎，汪元芹，赵 菁，刘 斌，刘 敏（１０）…………………设备监控信息大数据与设备模型的互校验及实用化事件分析 高 志，樊锐轶，米 超，王大海，胡庆博，冯 超（１９）…………利用大数据实现电能计量装置运行状态质量评估 妙红英，李 蒙，王艳芹，王 松，洪 虹，康 强（２７）…………基于稳态波形分解与神经网络的负荷识别方法 陈伟伟，洪彬倬（３４）………………………………………………基于大数据的导线悬垂面脱冰跳跃高速摄影测量方法研究 马晓红，吕乾勇，毛先胤，徐舒蓉，王建国，唐 敏（４０）…………基于ＢＰ神经网络的输电线路隐患预放电识别研究 杨 旗，曾华荣，黄 欢，马晓红，毛先胤，张露松（４７）…………大数据理念下的供应商分析及应用研究 方茂欢，贺绍鹏，陈金猛，李 屹，郝嘉诚（５５）…………………基于Ｈａｄｏｏｐ和ＨＢａｓｅ的输变电设备数据聚合平台 陈 锐，吴应双，曹 杰，刘明顺（６２）……………………………基于用户行为的分时电价时段划分和价格制定 陈巨龙，黄剑平，张 裕，代 江（６９）……………………………智能变电站二次系统组网结构与信息传输优化研究 唐孝舟，刘青红，孙长兰，章叶青，葛立青（７７）…………………电力大数据第２３卷考虑多场景新能源预测的月度机组组合研究 赵 倩，赵翔宇，苏华英，汪明清，游成彬，黄红伟（８５）…………第４期□大数据专题基于故障概率的配电设备排查路径规划 马天佚，朱建明，杨 霖，张 驰（１）……………………………多源信息融合的微服务化电网事故追忆 韦洪波，曹 伟，叶桂南，韦昌福，何伊妮（８）……………………基于人工智能的电网调度操作智能防误系统建设及实践 蔡新雷，齐 颖（１６）………………………………………………电力物联网中５Ｇ边缘计算技术的研究 王 亮，鲜 柯（２４）………………………………………………基于ＬｏＲａ技术的低压集抄系统运行可靠性分析 孙 航，梁丹丹，郝凤柱，何 毅，张 鸷（３１）…………………基于规则和机器学习的核电文件分发系统研究 刘帝勇，杨 强，岳振兴（３９）……………………………………基于大数据模式识别机器学习算法的热力站动态能耗指标 预测模型王 炎，张海增，胡新华，赵 隽，李 添（４７）………基于ＸＧｂｏｏｓｔ的线路覆冰测量中激光测距的误差研究 曾华荣，谢百明，王 冕，林呈辉，高吉普（５４）…………………多虚拟电厂接入的主动配电系统优化经济调度 邵倩文，姚 璐，谢 威，李舒佳，谢 敏，李建钊（６２）…………基于预期完成率的月内滚动机组组合研究 田年杰，苏华英，刘明顺，李 赟，黄红伟，游成彬（７１）…………电能表运行误差与状态评价模型研究 王晨丞，张君胜，蒲丽娟，何培东，杜 斌，赵智辉（７９）…………存在反向有功电量低压用户的研判方法研究 马 浩，王立斌，武超飞，赵国鹏，马婷婷（８６）…………………第５期□大数据专题基于生存分析模型的电力设备故障预测方法 王春波，陈 刚，周 融，马莉娟（１）……………………………基于人工智能技术的电网调度控制业务研究 范英乐，王 浩，白玉东，李 熙（９）……………………………基于神经棒的电力变压器离线图像识别研究与应用 曾 惜，王 冕，王林波，龙思璇，吕 飞，陈华彬（１６）…………低照度液晶屏幕图像增强算法 张薇薇，王 彦，张庆伟，付龙明，黄 辉（２３）…………………一种改进的ＲＧＢ－ＤＳＬＡＭ室内空间三维重建方法 余兆凯，彭晓峰，邱昌杰，李 训，常友谦（３０）…………………综合能源热力潮流节点标幺值模型及算法实现 陈 晓，齐文斌，平 原，谭志海，刘兴艳（３８）…………………考虑发电能力匹配性的输变电设备检修优化方法 李 豹，袁 泉，张 蔷，卢明富，张德亮，黄红伟（４６）…………大数据技术在配网单线图自动成图的应用研究 何雄坤，周宏志，聂 辉，陈满超，齐志刚（５４）…………………基于数据驱动的物资储检配一体化系统研究和应用 彭 坤，朱长征，高书怡，朱孝峰，潘 敏，李 刚（６４）…………基于大数据的发电量预测分析数据平台建设 张睿锐，徐俊强，童 琪（７２）……………………………………一种云计算数字签名技术的研究与实现 杨凯利，瞿 强，张永超，张其静，娄红红（８０）…………………面向电网实时运行风险的快速定级方法研究及应用 罗 艳，陈子敬，高 浩，粟 景（８６）……………………………第６期□大数据专题基于用户停车行为统计的电动汽车快速充电站最优规划 陈巨龙，刘振铭，薛 毅，廖志军，郑方鹏，徐立新（１）…………大数据环境下基于Ｋ－ｍｅａｎｓ聚类算法的分组负荷预测研究 史 静，南开辉，周 琪，谈 健，李 琥（９）……………………基于改进的ＳＡＥ和ＤＣＴ的自适应无人机巡线图像识别算法研究 王 鑫，李天睿，焦睦涵，刘萌森，刘逸涵（１７）…………………基于ＫＣ－ＬＳＳＶＭ－ＭＡＦＳＡ的并网光伏微网系统的能量管理 黄 柯，李佳蓉，杨璐瑜，陈 爽（２６）……………………………基于ＢＰ神经网络模型的输电线路造价预测模型研究 张宇晨，张宇霖，封春菲，王 晨（３５）…………………………基于ＴＯＰＳＩＳ的私自增容专变电力用户排查方法 王立斌，张思为，马 浩，赵 佩，李梦宇（４３）…………………基于多级属性加密的零信任访问授权控制方法研究与设计 黄 何，刘 劼，袁 辉（５１）……………………………………基于大数据分析的电力用户多维价值识别精准营销投入产出 模型研究姚丹靖，褚 燕（５７）……………………………………基于大数据技术的配网故障抢修分析预测系统的设计与实践 王海洋，迟兆江，蔡鹏飞（６３）……………………………………数据标签研究与应用李阿勇，税 雪，宋志伟（６９）………………基于泛在感知及Ｐｙｔｈｏｎ编程的线损问题区间快速定位方法 黑 阳，单宇南，李文澜，张 维，郝旭东，胡一平（７５）…………基于同步向量的配电网运行数据监测装置设计 曾 惜，王元峰，王林波，杨琦岑，蔡广林（８５）…………………第７期□大数据专题基于ＦａｃｅＮｅｔ的无人值守变电站智能监控终端 宗祥瑞，王 洋，金 尧，周 斌，任新颜，庞玉志（１）…………基于大数据的电网状态估计精细化分析 刘 爽，张 硕，郑 璐，王兴才，金宜放，王 铎（９）………… 第１２期《电力大数据》２０２０年总目录数据挖掘技术在反窃电工作中的应用研究 秦 娜，高振江，白泽明，栾德佳，李雨庭（１６）…………………水火电发电权交易机制及水电市场化发展模式探究 吕 翔，吴引航，戴晓娟，卢冬雪，陈雨果（２４）…………………基于随机模型预测控制的能源互联网双层协调优化调度 蒋泽甫，张 彦，高 华，何向刚，周杨林（３１）…………………一种基于ＳＱＬｉｔｅ数据库的电网滚动规划分布式收资方法 俞秋阳，何俊峰，常宝立，王新宝（３９）……………………………利用差分－花粉算法实现反时限过流优化 罗 琨，罗晨瑀，刘 丽，李正新，周 坤，郝东方（４６）…………变电站双星形并联电容器组电容量快速测量方法 杨 旗，谢百明，陈沛龙，文 屹，马晓红，陈 竹（５４）…………基于数据分析的ＭＧＰ并网系统电气端口的谐波特性 陈巨龙，薛 毅，李庆生，张裕，何向刚（６２）……………………基于聚类分析的低压配电设备误告警识别方法 冯 义，李中文，晋 斌，张腾飞（７２）……………………………一种基于主站多源信息的配网故障定位方法研究 练 寅，王 荣，刘安茳，王昆伦（７９）……………………………贵州火电机组机网耦合扭振典型故障分析与寿命评估 徐章福，邓彤天，李志凌，姜延灿（８６）……………………………第８期□大数据专题基于电力大数据的新能源跨区域消纳研究 彭 旭，郭耀松，刘 琼，周兆南，白 鑫，高 翔（１）…………基于小波变换的多路基坑尺寸检测降噪评估 张 周，胡 科，张 鹏，林 佳，胡涤尘（９）……………………基于多层协作负荷辨识技术的新型智能电表研制及应用 田 欣，王克南，宁 蒙，邓士伟，李世洁（１８）…………………考虑稳控系统动作策略的大电网实时风险评估 康 鹏，陈俊全，姚 刚，宋 弦，白宏宇，杨 帅（２６）…………基于电力大数据的多源异构数据融合技术研究与应用 毛先胤，文 屹，马晓红，黄 欢，张 辉，余 容（３３）…………考虑设备利用效率和规划执行情况的配电网规划投资分配模型 张 彦，高 华，刘金森，李丽娟（４０）……………………………基于ＰＳＯ－ＬＳＳＶＭ的输电杆塔腐蚀失重回归拟合研究和分析 王 立，李 振，王 伟，杨世平，刘 恒（４７）…………………基于营配大数据的配网故障定位系统的设计与实现 袁忠军，王 丹，段湛辉，陈业伟，李明勇，张宁欢（５６）…………基于健康度与重要度的配电网线路评价 林 元（６３）………………………………………………………基于新型滑模观测器的ＭＭＣ子模块ＩＧＢＴ开路故障诊断方法 刘方艳，汤亚芳（７１）………………………………………………基于电量守恒原理台区拓扑计算模型研究与应用 梁旭常，汪 毅，黄兆鹏，靳 光，刘 林，王 鹏（７９）…………深度调峰工况下外圈配水湿式冷却塔模拟研究 王锁斌，邓彤天，王红波，李晨宇（８６）……………………………第９期□大数据专题基于电网电厂数据交互的居民垃圾分类激励方法及效果预测 方 响，王 亿，夏 霖，孙智卿，徐祥海，侯伟宏（１）…………基于无线传感器与边缘网关的变电站全物联体系方案 朱 成，黄 娅，刘 沁，张 力，刘光程，周哲夫（１０）…………基于大数据技术的电网自然灾害应急救援能力评价体系研究 秦浩然，夏银宽（１８）………………………………………………基于改进粒子群算法的接地网腐蚀诊断研究 陈敬友，付 明，张 军，张 超，杨尊富，雷治炼（２６）…………基于用电信息的电力能效服务潜在客户挖掘 王立斌，马 浩，杨 鹏，张 晶，张肖杰（３４）…………………基于模糊聚类与互信息的电网运营指标类间筛选策略 李嘉周，尹 远，刘俊勇，王电钢，黄 林，唐 杰（４２）…………基于监控ＰａａＳ的大数据治理研究 王 军，宋 尧，于全喜，宁 楠，廖清阳（５０）…………………考虑抽蓄电站运行特性的电网经济调度方法 袁 泉，周 鑫，张 蔷，周毓敏，黄红伟，李 展（５８）…………基于改进内点法的电热联合系统优化研究 陈 晓，谭志海，平 原，刘兴艳，李玉芬（６６）…………………ＳＰＷＭ逆变器输出共模电压影响因素研究 江 娜，曾 鹏，艾 波，李 锦，王生平，谢明威（７４）…………机网系统耦合作用下贵州火电机组轴系扭振建模与实测验证 徐章福，邓彤天，李志凌，姜延灿（８５））…………………………第１０期□大数据专题基于一维卷积神经网络和自注意力机制的非侵入式负荷分解 蒙 亮，于 超，张希翔，覃智君（１）……………………………弱约束关联下考虑社会属性的低压居民台区负荷预测 卢德龙，缪继东，吕培强，殷 勤，吴 阳（９）……………………基于多维特征模糊聚类的负荷用户精准用电管理策略 殷新博，王 数，陆 芸（１７）……………………………………ＲＩＭＡ－ＭＳＦＤ组合模型在甘肃省水力发电量预测中的应用 成禹蓉，冶海廷（２５）………………………………………………大数据思维推进光伏扶贫管理创新的实践及应用研究 罗 凡，徐兰兰，边海源，杨照逵，白闻强，王小龙（３４）…………基于移动边缘计算的电力需求响应业务分配研究 胡 波，王建红（４２）………………………………………………基于大数据的企业用能数据共享分析平台设计与实现 张 颖，郭思炎，张益辉（４９）……………………………………电力大数据第２３卷基于云计算的小水电远程集控平台的设计与实现 陈云鹏，郑黎明，邱生顺，刘德文，李晓波，杜 炜，陈庆锋（５５）……基于数据中台的电力数据报表模型研究与应用 张 帆，杨 志，李文娟，胡锡双，张 乐（６３）…………………基于规划工具的配电网规划现状数据分析研究 关守姝，董小虎，孙 强，冯 涛，韩天华（７０）…………………南方电网发电侧运行备用容量统计研究及应用 李慧勇，杜 旭，方必武，杨 林，郭自豪，丁 刚（７９）…………电力数据标签库建设及服务能力研究 郭 敏，林晓静，尹泽楠，万 凯（８６）……………………………第１１期□大数据专题基于电网大数据的故障风险分析研究 裴求根，杨舒涵，卢宾宾（１）………………………………………基于改进ＦａｓｔｅｒＲＣＮＮ的配网架空线路异常状态检测 王超洋，罗敬一（９）………………………………………………基于ＡＩ大数据技术的无人机巡线研究 王 勇，王永旺，郭建勋（１７）……………………………………基于大数据的输电线路无人机巡检路径追踪方法 吴晏芳，梁智勇，陈冠胜，黄 浩，姜 南，魏子力（２４）…………基于边缘计算的ＧＩＳ母线热特性状态辨识研究 程占峰，夏 博，李波涛，王兴江，朱思尧（３１）…………………基于大数据技术的交直流混合主动配电网规划模型构建 胡 波，赵善龙，庞伟林（３８）……………………………………呼和浩特地区电网基于大数据的ＢＰ神经网络短期负荷预测 姜海洋，周芮冰，王烁罡，周定均，刘昌新，云 卿（４７）…………智慧家庭储能系统配置与运行双层优化 胡厚鹏，林晓明，钱 斌，梁 雾，刘安茳，练 寅（５５）…………基于出力－等值容量特性的光伏出力预测方法 吴 雨，张 宇，赵紫恒，连 欣（６３）……………………………基于电力大数据分析的综合能源服务分析与服务策略制定 曹 敏，白泽洋，巨 健（７２）……………………………………基于电量实时计算的市场监测数字化分析研究与应用 王林信，罗世刚，江 元，李竣业（７９）……………………………基于大数据分析的火电机组节能诊断与能效管理 张 平，孙雪丽（８６）………………………………………………第１２期□大数据专题Ｘ射线数字成像技术与图像人工智能诊断的探索与实践 谢百明，李 波，樊 磊（１）………………………………………基于大数据多元电网动态参数应用的研究 谢怀影，于 淼，贾 威，赵 军，李 婷，王钒宇（１０）…………基于ＣＥＥＭＤＡＮ－ＷＰＴ的台区线损组合变权预测模型研究 周 彬，李宜伦，张异殊，王国栋，蔡娇彧，牛 俊（１８）…………基于大数据分析的园区综合能源企业能效评价 郭 飞，王 波，王 亮，史渊源，胡建军，李秀广（２９）…………基于数据挖掘的南网异地容灾数据负载分析及磁盘空间预测 姜 南，梁智勇，吴晏芳，黄 浩，魏子力，吴浩珊（３７）…………江苏核电基于Ｓｏｌｒ与ＨＢａｓｅ的ＣＣ１设备信息工作台的设计 与实现 朱云飞，杨 强，秦绪涛，张钧鸣（４４）…………………………社会治理视角下的城市大脑电力驾驶舱设计及应用 王 亿，陈 奕，方 响，宣 弈，徐祥海，孙智卿（５０）……基于电力负荷大数据的负荷分析方法及其在无锡地区疫情 期间的应用 董金哲，白晨阳，刘志仁，於慧敏，胡晓青，李 澄（５７）……基于电力大数据的企业复工复产模型研究及应用 王林信，江 元，罗世刚，李竣业（６５）…………………………融合气象信息的配网故障特征挖掘和故障预报研究 周小华，范美鹏，袁雪松，舒文雄（７２）…………………………居民用电行为分析及潜力研究 杨 宏，邓晨成，邹 芹，石 莹（８０）…………………………《电力大数据》２０２０年１～１２期总目录 （８９）………………………………………………。
电力系统中的神经网络建模与优化控制
电力系统中的神经网络建模与优化控制概述：电力系统在现代社会发展中扮演着至关重要的角色。
为了保证电力系统的稳定运行和高效利用能源资源，需要有效的建模和控制方法。
随着神经网络技术的快速发展，其在电力系统中的应用得到了广泛关注。
本文将探讨电力系统中神经网络的建模与优化控制方法，以提高电力系统的运行效率和性能。
一、神经网络在电力系统中的应用神经网络是一种模拟大脑神经元运作方式的计算模型，通过学习和模式识别能够实现复杂的信息处理。
在电力系统中，神经网络可以应用于以下方面：1. 预测与监测：神经网络可以通过学习历史数据，预测电力负荷、电价和电量等相关参数。
同时，神经网络还可以监测电力系统中的异常情况，如故障和短路等，提前进行预警。
2. 优化调度：神经网络可以根据电力系统的实时状态和各种约束条件，进行电力资源的优化调度。
通过建立合适的模型，神经网络可以实现电力系统的最优运行，提高能源利用效率。
3. 智能控制：神经网络可以应用于电力系统中的智能控制，如频率和电压控制。
通过监测电力系统的状态变化，神经网络可以实时调整控制策略，保持电力系统的稳定性。
二、神经网络在电力系统中的建模方法1. 前馈神经网络：前馈神经网络是最常见的神经网络模型之一，其输入层、隐藏层和输出层均为前向连接。
在电力系统中，前馈神经网络可以用于电力负荷预测和电力系统的优化调度。
2. 循环神经网络：循环神经网络具有循环连接，可以对于序列数据进行建模。
在电力系统中，循环神经网络可以用于时间序列数据的预测和动态控制。
3. 卷积神经网络：卷积神经网络主要用于图像处理和模式识别，但在电力系统中也有应用前景。
例如，可以将电力系统中的空间数据转换为图像，然后利用卷积神经网络实现电力系统状态的判别和识别。
三、神经网络在电力系统优化控制中的挑战尽管神经网络在电力系统中的应用前景广阔，但其在优化控制方面还面临一些挑战：1. 数据不确定性：电力系统中的数据往往具有不确定性和随机性，这给神经网络的建模和控制带来一定困难。
基于神经网络的负荷预测技术在电力系统中的应用研究
基于神经网络的负荷预测技术在电力系统中的应用研究电力系统是现代社会的基础设施之一，保障了工业、商业和居民的日常用电需求。
然而，电力系统需要在瞬息万变的情况下保持平衡，包括负荷平衡、能源平衡和网络平衡等方面。
因此，在电力系统中进行负荷预测是至关重要的。
近年来，神经网络作为一种强大的模型，已经在电力系统的负荷预测中大放异彩。
一、神经网络的基本原理神经网络是一种模拟人类大脑功能的算法，具有自适应、非线性和并行处理等特点，可以自我学习和优化模型。
神经网络是由多个神经元组成的，每个神经元根据输入信号进行计算，并通过激活函数生成输出。
神经元之间的连接权重可以根据误差不断调整，从而优化模型性能。
神经网络可以分为前向神经网络、反向传播神经网络和递归神经网络等不同类型。
二、电力系统中的负荷预测电力系统中的负荷预测是指对未来一段时间内的负荷进行估计。
负荷预测的准确性对于电力系统的稳定运行和经济效益都非常重要。
传统的负荷预测方法基于时间序列分析、回归分析等统计方法，但这些方法需要大量的历史数据和专业知识，而且对于复杂的系统和非线性的关系难以拟合。
因此，神经网络作为一种自适应学习方法，逐渐应用于电力系统中的负荷预测。
三、基于神经网络的负荷预测算法基于神经网络的负荷预测算法通常包括以下步骤：数据预处理、特征提取、神经网络建模、模型训练和预测等阶段。
数据预处理主要涉及数据清洗、过滤和归一化等方法，以确保数据的准确性和一致性。
特征提取是将原始数据转换为可供神经网络处理的数据形式，常见的特征包括时间、天气、节假日和工作日等。
神经网络建模是将特征与输出负荷建立映射关系的过程，常见的神经网络模型包括BP神经网络、RBF神经网络和FNN神经网络等。
模型训练是通过训练数据和误差反馈调整神经网络的连接权重，以优化模型性能。
最后，预测阶段是将模型应用于测试数据，进行负荷预测。
四、基于神经网络的负荷预测应用研究基于神经网络的负荷预测已被广泛应用于电力系统中，包括电力市场调度、电力负荷预测和电力安全评估等领域。
神经网络模型在能源预测中的应用研究
神经网络模型在能源预测中的应用研究随着能源问题日益突出，对能源的预测需求也越来越迫切。
传统的预测方法主要基于统计学方法或经验模型，但随着计算机技术的不断发展，神经网络模型作为一种新型的预测方法，得到了广泛关注和研究。
神经网络是一种模拟人类神经元的计算模型。
它由大量的节点（或称为神经元）组成，每个节点都能够接收来自其他节点的输入信号，并根据一定的计算规则产生输出。
神经网络具有自适应性、非线性、并行处理等特点，能够应对不确定性、复杂性和非线性关系等问题，因此在能源预测中具有很大的潜力和应用前景。
一、神经网络模型在能源需求预测中的应用研究神经网络模型可用于分析和预测能源需求的时间序列和影响因素，如气候变化、经济发展、人口结构等。
神经网络模型的优势在于可处理多元非线性问题，其理论模型基于非线性输入输出映射关系，对预测精度要求高的问题，神经网络模型预测效果较好。
我国能源需求与经济增长密切相关，因此神经网络模型被广泛应用于我国各省市能源需求预测。
例如，对于天津市的能源需求预测，可以通过神经网络模型对天津市历史能源需求数据进行学习，分析影响因素后，进行预测。
二、神经网络模型在能源生产预测中的应用研究神经网络模型在能源生产预测中的应用主要涉及电力负荷预测和风电/光伏发电预测。
电力负荷预测是保证电力市场运行稳定、保障用电安全的重要工作之一，而风电/光伏发电预测是大力推进清洁能源发展的关键。
神经网络模型在电力负荷预测中发挥重要作用。
通过对多元数据进行分析，它可以准确预测电网负荷变化，为电力调度提供科学依据。
例如，神经网络模型可以通过学习室内外气温、光照强度、假期时间等影响因素，精准预测未来一段时间内的用电需求，并提前预测节假日、天气变化等因素对电力负荷的影响。
在风电/光伏发电预测方面，神经网络模型也成为了研究热点。
通过对天气数据、风力、温度、湿度等多元因素的分析，神经网络模型可以准确预测风电/光伏发电的发电量、供电量、电网接入等。
基于BP神经网络算法的光伏发电预测研究
神经网络算法的光伏发电预测研究式中，P V为光伏电源的输出功率；源额定功率；G C为工作点的辐射强度；温度，其值与环境温度近似；k为功率温度系数。
由此式中，di为Xi和Yi之间的等级差。
气温、相对湿度、全球水平辐射(W/m2)、风向、降水的逐小时数据；Y2.2 光伏发电输出功率预测模型建立（1）构建神经网络架构。
具有s型隐神经元和线性输出神经元的两层前馈网络，在数据一致和隐层神经元足够多的情况下，可以很好地拟合多维映射问题。
本文利用MATLAB中的神经网络拟合模块，建立具有图2 双层前馈神经网络输入-输出关系（2）结果分析。
经过MATLAB模拟贝叶斯算法训练出来的模型，多次调整分析后，每迭代一次神经网络参数都会经过调整，经过多次迭代后，均方误差(MSE)随之降低，但是随着网络开始过度拟合训练后，验证的数据集将会增加，均方误差也会增加，matlab中均方误式中，SSE表示和方差；n表示样本个数；真实数据；表示拟合的数据；w i＞0。
图3为神经网络的训练性能，由图可知，经过轮的训练迭代之后，最佳的训练性能是第0.15283，并且整体的训练结果和测试结果的变化曲线相对贴合，说明训练出来的神经网络模型图3 神经网络训练性能结语本研究通过选用斯皮尔曼相关性分析识别出影响光伏发电输出功率的关键因素，并采用贝叶斯正则化算法优化神经网络，构建了对光伏发电输出功率的准确预测模型。
该模型建基于大量实践数据，能够捕获复杂的非线性关系，实现更高的准确性和稳定性。
核心优势在于提升了光伏发电输出功率预测的精度。
通过重要影响因素选择和优化算法，模型达到了较高的解释力和精度。
本研究进一步提高了光伏发电输出功率预测模型的准确率。
本模型所采用的自变量在实际中较难获取，未来研究应与实践紧密结合，构建精度更高、覆盖更广、实用价值更大的光伏发电输出功率预测模型，为我国光伏发电事业发展提供有力支撑。
参考文献：图1 2015年全年光伏发电数据集表1 光伏发电阵列参数名称参数数组评级10.5kW面板评级175W面板数量2×30面阵列区2×38.37m2逆变器尺寸2×6kW逆变器类型SMA SMC 6000A 追踪器类型DEGEnergie 5000NT。
电力需求预测基于BP神经网络模型
电力需求预测基于BP神经网络模型引言在当今社会中，电力需求预测对于能源供应商和电力系统运营商来说是一个关键的任务。
准确地预测电力需求可以帮助电力系统更好地规划资源分配，提高能源利用效率，降低能源浪费，并确保电力系统的稳定运行。
本文将介绍一种基于BP神经网络模型的电力需求预测方法，并探讨其在实际应用中的优势和局限性。
1. 研究背景和意义：随着工业化和城市化的快速发展，电力需求规模呈现出快速增长的趋势。
然而，电力供应的能力与电力需求的匹配程度却难以保持一致。
因此，准确地预测电力需求对于电力系统运营商和能源供应商来说具有重要意义。
2. 电力需求预测方法：BP神经网络模型是一种常用的基于历史数据的预测方法。
它通过训练神经网络来学习历史数据中的模式和趋势，并用于预测未来的电力需求。
BP神经网络模型具有多层结构，包括输入层、隐藏层和输出层。
输入层将历史数据作为输入，隐藏层通过学习历史数据的模式来预测未来的需求。
输出层给出了对未来电力需求的预测结果。
3. BP神经网络模型的优势：（1）灵活性：BP神经网络模型可以适应各种类型的电力需求预测问题，包括小时、日或年度的需求预测。
它可以根据需求数据的特征自动调整网络的参数和结构，并产生准确的预测结果。
（2）非线性建模：BP神经网络模型可以处理非线性关系，这在电力需求预测中非常重要。
电力需求往往受多种因素的影响，如天气、经济状况和人口增长等，这些因素之间存在复杂的非线性关系。
BP神经网络模型能够捕捉这些关系，并进行准确的预测。
（3）自适应性：BP神经网络模型可以通过不断训练来提高预测的准确性。
随着新的数据不断到来，模型可以自动地更新参数和结构，以适应新的需求模式。
4. BP神经网络模型的局限性：（1）数据需求：BP神经网络模型需要大量的历史数据来进行训练。
如果历史数据不足或质量不高，模型的预测准确性将受到限制。
（2）超参数选择：BP神经网络模型有许多超参数需要人工选择，如网络的层数、节点数和学习速率等。
基于神经网络和相似天数法的电价预测方法研究
系,加权因子 ω^ 需要考虑元素单位的差异,并且每个
使用的器件随其单元而变化。 从预测日前一天起的
过去 45 天以及上一年预测日前过去的 45 天,都被考
虑用于选择类似的日期。 根据算法,每个小时都有一
组单独的相似日,如果更改了预测日期,则会以相同
的方式选择类似的日期。
然后,假设它是实际价格,在 t + h 时间上相似的价格
日,使用这些数据,其中 h 表示小时。
2 神经网络体系结构
2. 1 神经网络训练
神经网络训练用于选择网络参数,以最小化采样集
的拟合误差。 对于给定的训练数据集,目标函数定义为:
1
E = ∑ ( ΔO - ΔO ∗ ) 2
(4)
2
其中, ΔO 和 ΔO ∗ 分别为网络输出和期望输出。
ïïΔL t - 1 = L t - 1 - L pt- 1
(3)
í
p
ïΔP t = P t - P t
ï
p
îΔP t - 1 = P t - 1 - P t - 1
其中, L t 和 P t 分别为预测日的负载和价格; L pt 和
2
P pt 分别为过去相似日期的负载和价格; ΔL t 为预测日
与相似日之间的负荷偏差; ΔP t 为预测日与相似日之
similar days method
Tian Qingliang
State Grid Yinan County Power Supply Company Linyi 276300 China
Abstract This article aims to demonstrate the superiority of neural networks and similar day method models using
基于改进Faster-RCNN的目标检测算法研究
基于改进Faster -RCNN 的目标检测算法研究□闫新庆杨喻涵陆桂明华北水利水电大学信息工程学院T 互联网+技术In tern et Technology _______________________________________________________________【摘要】 目标检测是图像处理领域一个重要的研究方向，深度学习方法需要大量数据进行训练，训练的繁杂和复杂的网络结构限制了目标检测的速度。
本文基于Faster RCNN 的网络架构，创新性提出了丨ight tail Faster RCNN 网络架构。
light tail Faster RCNN 算法在保证精度的情况下，大大提升了处理速度。
在本文的设计中，通过将网络结构中的全连接层改为1*1的卷积层，来达到速度 的提升。
本文实验在PASCAL V 〇C 数据集上进行，较经典网络模型，在识别率略低的情况下，速率提升了一倍多。
在总体性能上显 著优于经典目标检测算法，通过对比实验的方法比较验证了本文提出方法的有效性。
【关键词】 目标检测 Faster RCNN 深度学习Abstract: Target detection is an important research direction in the field of image processing. Deep learning methods require a large amount of data for training, and the complex and complex network structure of training limits the speed of target detection. Based on the network architecture of Faster RCNN, this paper innovatively proposes the light tail Faster RCNN network architecture. The Light tail Faster RCNN algorithm greatly improves the processing speed while ensuring accuracy. In the design of this article, the speed is improved by changing the fully connected layer in the network structure to a 1 *1 convolutional layer. The experiment in this article is carried out on the PASCAL VOC data set. Compared with the classic network model, the speed is more than doubled when the recognition rate is slightly lower. The overall performance is significantly better than the classic target detection algorithm. The method comparison of the comparative experiment verifies the effectiveness of the method proposed in this paper.Keywords: Target detection ; Faster RCNN ; Deep learning引言目标检测与视频分析和图像理解有着密切的联系，近年来受到了广泛的关注。
火电厂移动信息系统的设计与研究中期报告
火电厂移动信息系统的设计与研究中期报告一、选题背景及意义随着社会的不断发展，信息化技术在各个领域得到了广泛的应用，其中，移动信息系统作为新兴的信息化技术，逐渐被广泛应用到不同的领域。
在火电厂大型设备的维护保养、运行监测等方面，移动信息系统具有非常重要的应用价值。
目前，火电厂的信息化建设基本上都是基于固定的信息系统，这种方式已经难以满足持续运营、设备管理以及运行监控等多方面的需求。
而移动信息系统则可以使工作人员更加便捷、高效地进行工作，实现更好的信息管理和资源调度，从而提高火电厂的生产效率，降低生产成本。
因此，本项研究旨在设计开发一套适合火电厂的移动信息系统，从而提升火电厂的信息化水平和运行效率。
二、研究内容和方法1. 系统需求分析。
首先，需要对火电厂的信息化状况和需求进行深入分析，明确系统的功能需求和技术要求。
2. 系统设计与开发。
根据需求分析结果，设计并开发适合火电厂使用的移动信息系统，并在系统开发中应用现代化软件工程方法和技术。
3. 系统测试与评估。
对开发完成的移动信息系统进行系统测试，评估系统的性能、可靠性和稳定性。
4. 样例应用开发。
开发一些样例应用场景，以检验系统的功能和性能，同时提供给工作人员使用手册和培训材料。
三、预期成果预期成果是在火电厂移动信息化方面的系统设计和研发，主要有以下五个方面的产出：1. 火电厂移动信息系统需求分析报告。
2. 火电厂移动信息系统设计与开发报告。
3. 火电厂移动信息系统测试与评估报告。
4. 样例应用开发报告。
5. 移动信息系统应用手册和培训材料。
四、研究进度安排1. 第一阶段：系统需求分析。
本阶段主要完成大量的数据收集工作，详细分析火电厂的信息化状况和需求，具体内容包括：现有信息系统的情况调查，业务流程分析，用户需求调查，系统功能需求分析等，本阶段预计用时一个月。
2. 第二阶段：系统设计与开发。
本阶段主要设计并开发适合火电厂使用的移动信息系统，涉及到技术框架、数据库、移动设备应用等方面，本阶段预计用时三个月。
基于神经网络的电力电量预测研究
基于神经网络的电力电量预测研究1. 介绍电力电量预测是电力系统运营及规划的重要部分，预测准确性对于电力企业的经营决策、电网建设以及供应保障具有重要意义。
近年来，基于神经网络的电力电量预测在预测精度和稳定性等方面表现优异，成为了研究的热点之一。
2. 神经网络简介神经网络是一种基于人脑神经元结构而设计的计算模型，它能够根据其输入与输出之间的关联关系学习并预测未知数据。
神经网络有三个主要组成部分：输入层、中间层和输出层。
中间层通常称为隐藏层，是神经网络的核心部分，由若干个神经元组成，每个神经元通过激活函数输出结果并与下一层的神经元相连。
3. 神经网络应用于电力电量预测的方法基于神经网络的电力电量预测方法主要包括以下几个步骤：（1）数据采集：首先需要收集历史电量数据，包括电量发电量、负荷等相关数据。
（2）数据预处理：对采集到的数据进行预处理，包括数据清洗、数据归一化等处理过程。
（3）模型训练：根据历史数据建立神经网络模型，并使用训练集对该模型进行训练。
（4）模型评估：将训练好的模型用测试集进行评估，评估指标包括均方误差、平均绝对误差等。
（5）模型应用：将训练好的模型用于电力电量预测，并根据实测数据对其进行修正和优化。
4. 神经网络在电力电量预测中的优势与传统的电力电量预测方法相比，基于神经网络的预测方法有以下优势：（1）能够适应复杂的非线性关系：电力电量预测存在多因素交互的复杂关系，传统模型的预测能力受到很大限制，而神经网络能够通过模拟人脑中神经元之间的复杂结构来适应复杂的非线性关系。
（2）有很好的鲁棒性：传统的电量预测模型受到故障、噪声等因素的影响很大，而神经网络能够自适应地学习和处理噪声等不确定因素。
（3）适应性强：神经网络能够根据实际数据对预测模型进行修正和优化，从而提高预测的准确性和稳定性。
5. 结论基于神经网络的电力电量预测具有很高的准确性和稳定性，已经成为了电力行业中一种非常有潜力和前景的预测方法。
基于多元状态评估与BP_神经网络的燃气轮机故障预警研究
第25期2023年9月江苏科技信息Jiangsu Science and Technology InformationNo.25Spetember,2023作者简介:程逸雯(2002 ),女,江苏南京人,本科生;研究方向:状态估计,故障预警,神经网络㊂基于多元状态评估与BP 神经网络的燃气轮机故障预警研究程逸雯(江苏大学,江苏镇江212013)摘要:燃气轮机的透平故障,由于缺乏直接的诊断手段,经常在发现时已发展成严重故障,给发电企业造成巨大的经济损失,因此透平故障的早期预警具有较大的经济意义㊂文章针对燃气透平故障预警问题,采用多元状态估计方法(MSET )和BP (Back Propagation )神经网络方法进行了对比研究㊂文章首先介绍了这两种方法的预警原理,然后对一个燃气轮机透平故障实例采用这两种方法进行了详细分析,最后对这两种方法的预警结果进行了对比评价㊂结果表明,多元状态估计方法和BP 神经网络都可对燃气透平的故障进行早期预警,多元状态估计方法相对效果更好㊂关键词:燃气透平;故障预警;多元状态估计;BP 神经网络中图分类号:TK47㊀㊀文献标志码:A0㊀引言㊀㊀燃气轮机主要包含三大部件:压气机㊁燃烧室㊁燃气透平㊂由于受高温运行环境及频繁启停的影响,随着运行时间的增加,燃机透平会产生不同程度的性能衰退和部件损伤,甚至会造成各种严重事故,产生巨量的经济损失[1]㊂由于燃气轮机结构的高度集成化和精密化,对燃气透平进行诊断的直接手段有限,发现故障时往往已发展成严重故障㊂对燃气轮机透平的异常工况进行预警,能够在故障早期对设备进行检修,避免重大事故发生,减少经济损失㊂目前,燃气轮机的故障预警已有一定的研究㊂文献[2]应用多元状态估计方法(MSET)建立了压气机在正常运行状态下的非参数模型,利用滑动窗口确定预警阈值,并通过仿真试验进行了验证㊂文献[3]基于燃气轮机的运行数据,采用MSET 法建立了燃烧室在正常运行状态下的预警模型,并引入了相似度函数,可以更早地发现设备的故障隐患㊂文献[4]提出基于极端梯度提升和局部均值分解与核主元分析相结合的燃气轮机转子故障预警方法,利用转子的振动数据建立预测模型,并通过案例进行了验证㊂本文基于MSET 方法对燃气透平的故障预警进行研究,并同时采用BP(Back Propagation)神经网络方法进行了预警效果对比㊂1㊀常用故障预警技术㊀㊀重型燃机燃气透平的初温很高,F 级初温约1350ħ,H 级初温约1500ħ,未来初温可达1600ħ以上㊂在这种高温下,常规的测温技术早已不可用,生产厂家一般提供基于燃气透平排气分散度的燃烧保护系统进行在线故障监控,而实际应用中,当监控系统发出报警时,燃机热通道部件往往已损坏严重㊂由于缺少高温测量数据,对燃气透平的故障预警一般都采用间接的数据分析方法进行㊂本文对常用的多元状态估计方法和BP 神经网络方法进行介绍㊂1.1㊀多元状态估计方法(MSET )㊀㊀多元状态估计方法(MSET)首先由美国阿尔贡国家实验室研究并应用于设备预警系统中,在核电厂信号验证㊁仪表精度监控㊁组件运行失常等场景中得到了验证[5-6]㊂MSET 后来被田纳西大学核能实验室推广为更一般的非线性状态估计(Nonlinear State Estimation Technique,NSET)方法,并得到了广泛应用㊂Smart Signal 公司基于MSET 专利开发了一种监测设备性能的技术,并于2014年获得了中国专利[7]㊂多元状态估计(MSET)方法是将当前运行数据和已生成的历史运行数据进行对比,计算多元状态之间的相似度,从而进行故障预警的方法[5]㊂基于MSET 的状态估计基本流程[8]如图1所示㊂训练数据K 为正常运行状态下,各个观测参数(共n 个)的观测数据,用行向量表示某时刻所有观测参数的值㊂生产系统中的历史数据库导出的数据集一般都用表格的一行来表示某时刻的测点值,索引为时间戳,故本文采用行向量,从而与实际数据集一致,且与其他文献中采用列向量不同[8]㊂训练集K图1㊀MSET多元状态估计方法预警的基本流程必须包含系统全范围的动态参数,包括稳定状态和变工况状态,但不能够有故障数据在内㊂从某时间点开始的训练数据K可以用下式表示为矩阵:K=[X(t1),X(t2), ,X(t k)]T(1)X(ti)=[x1(t i),x2(t i), ,x n(t i)]T(2)从训练矩阵K中,抽取一部分(d个)能够代表系统运行状态的数据,组成状态矩阵D㊂状态矩阵D是一个dˑn的矩阵,其中d为其中所包含状态的数量,n为观测参数的个数㊂由抽取状态组成的状态矩阵可表示为:D=x1(t1)x2(t1) x n(t1)x1(t2)x2(t2) x n(t2)︙︙⋱︙x1(t d)x2(t d) x n(t d)éëêêêêêùûúúúúú(3)训练矩阵K中除去状态矩阵D中的状态数据后,余下部分便组成了剩余矩阵L((k-d)ˑn)㊂X obs 为系统当前观测值形成的新观测向量,对该观测向量的估计向量X est,通过状态矩阵D和权值向量W的点积计算得出:X est=D T㊃W(4)权值向量W表征状态估计向量和状态矩阵间相似性测度的大小,取状态估计向量X est和观测向量X obs的残差最小化如下:minε2=min[(X obs-D T㊃W)T㊃(X obs-D T㊃W)](5)㊀㊀式(5)的最小二乘解可表示为:W=(D㊃D T)-1㊃(D㊃X obs)大多数系统的状态数据间都会存在一定的相关性,而数据之间的相关性会导致矩阵不可逆,限制了权值向量W的求取㊂MSET方法利用基于相似性原理的相似性运算符 代替点积,通过计算数据状态间的相似程度来表征其权值,解决了数据相关所造成的矩阵不可逆,如下所示:W=(D D T)-1㊃(D X obs)(6)从而,系统当前状态估计向量和观测向量的关系如下:X est=D T㊃(D D T)-1㊃(D X obs)(7)基于正常数据的健康残差可得到设备预警的残差阈值㊂当计算出的实际残差(向量的L2范数)大于残差阈值时,触发设备报警,同时可计算出造成报警的主要测点如下:S res=X est-X obs(8)ε=|S res|(9)式(8)~(9)中:S res为残差向量;X est为估计向量;X obs为观测向量;ε为残差向量的L2范数㊂1.2㊀BP神经网络㊀㊀BP神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念,是一种按照误差逆向传播算法训练的多层前馈神经网络[9],是20世纪末期神经网络算法的核心,也是如今发展迅猛的深度学习算法的基础㊂BP算法的基本思想是:学习过程由信号的正向传播和误差的反向传播两个过程组成,通过这两个过程的反复迭代,对神经网络各层的权值参数和偏置参数进行不断调整,直到达到预先设定的训练次数,或输出误差小于指定的阈值㊂BP神经网络应用于故障预警时,一般是基于大量的正常运行数据训练网络模型,基于得到的神经网络模型和观测向量的当前数据确定观测向量的期望数据,当观测数据和期望数据的残差超出了设定的阈值后触发报警,同时给出形成残差的主要测点㊂与MSET方法相比,除了模型不同,预警的思路是一致的㊂BP神经网络故障预警的基本流程如图2所示,变量命名和MSET方法保持一致㊂2㊀燃气轮机透平故障实例㊀㊀某联合循环机组(GE的9FA燃气轮机),在2022年9月揭缸检修时发现透平末级动叶出现长度超过5.08cm(2英寸)的不规则缺口,修复成本巨大㊂而图2㊀BP 神经网络预警基本流程在之前的运行过程中,运行人员并未观察到特别的异常情况;如果在动叶出现初期裂纹时能及时发现,则可避免故障范围的扩大和经济损失的大量增加㊂通过对检修前1年多的历史数据进行分析,可以大概推断出现初期故障的可能时间㊂该厂已实施了SIS㊁MIS 等信息化系统,从实时数据库中导出燃机相关测点2021年7月至2022年8月的历史数据,保存到CSV 文件中,然后进行数据分析㊂首先对机组的历史数据进行清洗,删除停机期间和启停机过程中的数据,仅保留机组正常运行期间的数据,再删除由于采集系统故障造成的错误数据(比如部分测点在燃机运行期间,出现了极少数的0值)㊂该燃机部分月份的发电功率-透平排气压力曲线如图3所示㊂燃机的功率与透平排气压力正常情况下应该呈现出比较规则的线性关系,如图3中从2021年7月至2022年1月的曲线㊂但是从2022年3月开始,曲线形状有了较大变化,出现少量与主体变化不一致的异常点,曲线形状也变得不规则了㊂运行人员根据运行经验,也指出功率-透平排气压力曲线出现了异常㊂可以大体认定从2022年3月开始,燃机透平已出现故障(由于2022年2月燃机基本处于停机状态,故不考虑2月)㊂图3㊀机组功率与透平排气压力关系的演化3㊀燃气透平数据分析㊀㊀选取2021年7 12月的机组运行数据为正常运行数据建立模型,然后根据2022年1 8月的实际运行数据计算估计数据,并与实际数据进行对比,观察残差变化情况㊂测点选取机组功率㊁透平排气压力㊁透平排气温度3个测点㊂经数据清洗后,有效的训练数据共379843条记录(数据采用周期是10s),每条记录包括1个时间戳和3个值,即机组功率㊁透平排气压力㊁透平排气温度3个测点同一时刻的值㊂3.1㊀MSET 方法3.1.1㊀数据归一化㊀㊀采用最大值-最小值法,对数据进行归一化处理,避免测点因取值工程范围差异对残差造成额外的影响:x scaled =x -x minx max -x min(10)式(10)中:x 为测点历史数据;x min 为测点历史最小值;x max 为测点历史最大值;x scaled 为测点归一化后历史数据㊂3.1.2㊀确定状态矩阵㊀㊀针对每一个测点,将(0,1)区间划分为100等份,搜索与每个分隔点最接近的历史记录并保存,删除重复记录后,最终得到状态矩阵,其测点数值分布如图4所示,可以看出基本覆盖了各个测点的整个变化区间㊂MSET 方法要求状态矩阵尽可能覆盖所有的运行工况㊂图4㊀状态矩阵中测点数值的分布3.1.3㊀确定健康残差及报警阈值㊀㊀健康残差取剩余矩阵(即除去状态矩阵后的训练集)中每个向量的估计值与原始值之差的L2范数,计算结果如图5~6所示(曲线中的斜直线是因为对应时间停机,相关数据被清洗掉了)㊂图5中功率测点的估计值和实际值比较吻合,差异很小;图6显示残差的最大值为0.12㊂图5㊀燃机功率实际值与估计值对比图6㊀正常运行数据对应的残差趋势㊀㊀根据经验,报警阈值选取剩余矩阵最大残差的1.3倍:E y =1.3E v (11)式(11)中:E y 为残差报警阈值;E v 为健康残差最大值㊂本案例中,健康残差最大值为0.12,残差报警阈值为0.156㊂3.1.4㊀计算观测向量的估计向量并计算残差㊀㊀根据2022年1月至8月底的历史数据,计算每个观测向量对应的估计向量,同时计算这两个向量的残差值,计算结果如图7所示㊂从2022年3月开始,残差出现了一些极大值㊂图7㊀观测数据的实际残差变化情况3.1.5㊀确定报警时间㊀㊀同时做出正常运行数据的健康残差㊁观测数据的实际残差㊁残差报警阈值的曲线,以确定报警时间,如图8所示㊂图8㊀健康残差㊁实际残差㊁报警阈值曲线㊀㊀从图8可见,实际残差从2022年3月开始,多次穿越残差报警阈值线㊂若在2022年3月进行异常预警,则与2022年9月检修时发现透平动叶故障相比,可以提前5个月发现设备出现异常情况,此时进行检修,很大可能避免透平动叶出现大型缺口的严重故障㊂3.2㊀BP 神经网络方法3.2.1㊀训练BP 神经网络模型㊀㊀采用经典的3层神经网络模型,输入层神经元个数为测点个数3,隐藏层的神经元个数选取20,输出层的神经元个数同输入层㊂经过10epochs 迭代后,模型的损失(loss)为0.00148,2次迭代间损失变化已很小㊂图9为透平排气压力对估计值和实际值曲线,可以明显看出有一些偏差㊂图10为健康残差变化曲线,健康残差的最大值为0.27,与MSET 方法类似,报警阈值取最大残差的1.3倍,为0.351㊂3.2.2㊀估计观测向量并计算残差㊀㊀根据估计向量和观测向量的残差,计算其L2范数得到总残差,变化曲线如图11所示㊂3.2.3㊀确定报警时间㊀㊀与MSET 方法类似,同时做出健康残差㊁实际残差㊁残差报警阈值的曲线,确定报警时间,如图12所示㊂从图12可以看出,从2022年3月份开始,实际残差值多次穿越报警阈值线,从而触发多次报警,与MSET 方法的结论相同㊂3.3㊀MSET 方法与BP 神经网络方法比较㊀㊀通过比较这两种方法可以发现,MEST 方法和BP 神经网络方法得到的预警时间基本一致,都从2022年3月份开始出现报警㊂但MEST 方法对正常数据的估计值要比BP 神经网络更加准确,其最大残差要远远小于BP 神经网络的最大残差㊂而对实际残差超㊀㊀图9㊀BP神经网络模型实际值与估计值图10㊀正常运行数据的健康残差图11㊀实际残差变化曲线图12㊀BP 神经网络方法确定的健康残差㊁实际残差㊁报警阈值曲线出报警阈值的程度来说,MSET 方法更加灵敏,其计算得到的实际残差高于报警阈值的程度要远大于BP 神经网络方法㊂对于本案例的分析,BP 神经网络方法仅拿来作对比验证,所以没有进行深度调优,相对于简单易用的MSET 方法来说,BP 神经网络方法能达到相同的预测效果,需要有更多的投入㊂4 结语㊀㊀燃气透平早期故障的智能预警,对于避免重大故障的发生和巨大经济的损失具有十分重要的意义[10]㊂本文对燃气透平的具体案例进行了预警研究,MSET方法和BP神经网络方法都可以做到提前预警,因此都可以用来对燃气透平进行早期的故障预警㊂经过比较,在不投入较大代价情况下,MSET方法对数据的估计值更精确一些,更适合用来对燃气透平进行预警㊂参考文献[1]应雨龙,李靖超,庞景隆,等.基于热力模型的燃气轮机气路故障预测诊断研究综述[J].中国电机工程学报,2019(3):731-743.[2]陆永卿,涂雷,茅大钧.基于MSET的压气机故障预警研究[J].上海电力大学学报,2021(2): 133-137.[3]黄伟,张泽发.基于相似度分析的电站燃气轮机燃烧室故障预警研究[J].上海电力大学学报,2020 (3):220-224.[4]章明明,茅大钧,董渊博.基于LMD-XGBoost和KPCA的燃气轮机转子故障预警研究[J].青海电力, 2022(3):14-21.[5]SINGER R M,GROSS K C,HERZOG J P,et al. Model-based nuclear power plant monitoring and fault detection:theoretical foundations[Z].1997. [6]GROSS K,SINGER R,WEGERICH S,et al. Application of a model-based fault detection system to nuclear plant signals[Z].1997.[7]J.P.赫措格.用于预报和预测的序列核回归建模系统:CN103842923A[P].2014-06-04.[8]刘鑫沛.基于相似性建模的发电设备故障预警方法研究[D].保定:华北电力大学,2014.[9]张妮,车立志,吴小进.基于数据驱动的故障诊断技术研究现状及展望[J].计算机科学,2017(S1): 37-42.[10]文成林,吕菲亚.基于深度学习的故障诊断方法综述[J].电子与信息学报,2020(1):234-248.(编辑㊀李春燕)Research on early warning of gas turbine based on multivariate state estimation andBP neural networkCheng YiwenJiangsu University Zhenjiang212013 ChinaAbstract Due to the lack of direct diagnostic methods turbine faults in gas turbines often develop into serious faults when discovered causing huge economic losses to power generation enterprises.Therefore early warning of turbine faults has great economic significance.The article compares the multivariate state estimation method MSET and BP Back Propagation neural network method for gas turbine fault warning.Firstly the warning principles of these two methods were introduced followed by a detailed analysis of a gas turbine fault example using these two methods. Finally the warning results of these two methods were compared and evaluated.The results show that both the multivariate state estimation method and the BP neural network can provide early warning for gas turbine faults and the multivariate state estimation method is relatively more effective.Key words gas turbine fault warning multivariate state estimation BP neural network。
神经网络算法在电力负荷预测中的应用研究
神经网络算法在电力负荷预测中的应用研究随着电力行业的快速发展，电网负荷预测的准确性越来越受到重视。
负荷预测是电力实时控制和平衡的重要基础，是电力规划和调度的决策依据。
传统的负荷预测方法面对不断变化的电力市场和负荷情况，已经逐渐难以满足需要，而神经网络算法则可以很好地解决负荷预测中存在的问题，已经被广泛应用于电力行业。
一、神经网络算法简介神经网络模型是一种类似于人脑结构的模型，它可以通过对大量数据中的关键特征进行学习，自动识别和提取其中隐含的规律性，并进行预测或分类等任务。
神经网络通过一系列的层级结构来模拟神经元之间的相互作用，每个神经元接收来自之前层次的输入，然后将这些信息传递到下一层级，最后通过一个输出层级将预测结果输出。
在电力负荷预测中，神经网络可以通过对历史负荷数据进行学习和训练，以建立负荷预测模型。
这个模型可以根据历史数据的变化规律，对未来的负荷进行预测，因此神经网络算法成为了负荷预测中的重要工具之一。
二、神经网络算法在电力负荷预测中的应用1.负荷趋势预测负荷趋势预测是电力负荷预测的一个重要组成部分。
这种预测可以帮助电力公司对未来负荷需求进行精准预测，从而规划线路和设备的配置，并为电力调度带来了宝贵的参考。
神经网络模型可以将历史负荷数据的趋势和变化规律以及环境因素纳入考虑，因此可以得出更加准确的负荷趋势预测。
2.短期负荷预测短期负荷预测通常是指预测未来24小时内的负荷情况。
由于电力市场变化较为频繁，因此短期负荷预测的准确性对电力行业的影响尤其重要。
神经网络模型可以通过对大量历史负荷数据进行学习和训练，预测未来短期负荷情况。
而且，由于神经网络模型可以自适应地进行调整和修正，因此它可以对突发事件和复杂环境进行自适应处理，从而提高了短期负荷预测的准确度和可靠性。
3.长期负荷预测长期负荷预测通常是指预测未来1天或1周的负荷情况。
由于电力市场的长期趋势和因素比较复杂，因此长期负荷预测是比较具有挑战的。
基于改进BP神经网络的火电厂实时数据预测模型研究
标准 Ｂ Ｐ算 法 中学 习速 率 刁 固定值 ， 了提 高预 为 为 测 精 度 ， 习速 率应 足够 小 ， 而 导 致学 习 过程 较 慢 。 学 从
预测 Ｅ３。本 文针 对 标 准 Ｂ ｚ］ ， Ｐ算 法 收 敛 速 度 慢 和 易 陷
引入动 量 因子 ａ目的是 增加 一个 阻 尼项 以减少 过
程 振荡 ， 实质 是使 网络 在修 正权 值时 ， 每一权 值 的 其 在 变 化上 加上 一 项 正 比 于上 次 权 值 修 正量 的值 ， 数 学 其
因子和 自适 应 学 习速 率 ， 以减 少收 敛振 荡过 程 ， 快 学 习速 度 。选 用某 电厂 ３ ０ＭＷ 机 组 主给 水 流量 实时 加 ０ 数据 进 行 网络训 练 学 习和校核 ， 析 了输入 和 隐含 层 节点数 、 习样 本数 和 动 量 因子 对模 型预 测精 度 的影 分 学
型 ， 而 对未 来 时 刻值 进 行 预 测 。一 步 时序 预 测 即根 从 据 ｔ 刻及 以前 时刻 的值 来 预测 ｔ １时刻 值 ［ 。 于 时 ＋ ５ 对 ］ 样本来 说 ， 即用过 去连 续 （ ≥ １ 个 时 刻来预 测 下 一 ） 个 时刻 的值 ， 将训 练样 本 分为 ｋ个长 度 为 ＋ １ 有 重 并 叠 的数据 段 （ １ ［ 。 表 ）６ ］
描 述 如下 ：
△ ，￡ ｗ （）一 刁 ａ ａ （ Ｅ／ ｗ ） ａ× △ ＋ ｗ （ 一 １ （ ） ￡ ） １
其 中 ： ｗ 为权 值修 正量 ， Ｅ ａ Ａ ａ ／ ｗ 为误差 梯度 。
基于神经网络的电力系统智能优化调度研究
基于神经网络的电力系统智能优化调度研究电力系统优化调度是指在电力系统运行的过程中，通过对电力负荷、电力供应、电网运行等因素进行优化调度，达到电网能够稳定、安全、经济运行的目的。
为了实现电力系统的优化调度，许多学者和专业人士投入了大量的研究，其中，基于神经网络的电力系统智能优化调度成为了当前的热门研究方向。
一、电力系统的优化调度电力系统的优化调度在电力行业中扮演着重要的角色。
随着人们对电力质量和电力服务要求的不断提升，电力负荷的复杂度和多样性也在逐步增加。
同时，电力供应和电网运行也受到了许多不确定因素的影响，如自然灾害、人为因素等。
为了应对这些挑战，电力系统需要建立一套完善的优化调度模型，以提高电力供应效率和质量，降低成本，最大化经济效益。
电力系统优化调度主要包括三个方面：负荷预测、电力供应和电网运行。
其中，负荷预测是指对未来一定时间段内的电力负荷进行预测和分析，以便制定合理的调度方案；电力供应是指合理配置电力资源和电力调峰等手段，以满足不同时间段的电力需求；电网运行是指对电力系统的运行状态进行分析和评估，及时掌握电网健康状况，保障电网安全、稳定运行。
二、基于神经网络的电力系统智能优化调度目前，随着智能化技术的不断发展和应用，基于神经网络的电力系统智能优化调度也得到了越来越广泛的重视。
神经网络是模仿人脑神经系统结构和功能而设计的一种智能计算模型，具有很强的自学习和自适应能力，能够解决许多非线性、复杂的问题，如预测、分类、优化等。
在电力系统优化调度中，神经网络主要应用于负荷预测和电网运行等方面。
通过将神经网络模型与电力系统的运行状态、历史数据和天气、经济等因素进行综合分析，可以实现电力系统的精确预测和优化。
负荷预测是电力系统优化调度的关键环节之一。
基于神经网络的负荷预测模型可以利用历史负荷数据和影响负荷的多种因素，如天气、社会经济等因素，进行综合分析和预测，从而为电力系统制定合理的调度方案提供依据。
基于CNN-TPA-GRU的电价预测模型研究与应用
基于CNN-TPA-GRU的电价预测模型研究与应用
刘科;王玲霞;苗伊;王梓霁;尚虹霖
【期刊名称】《现代信息科技》
【年(卷),期】2024(8)1
【摘要】文章介绍一种解决电力市场价格波动的电价预测方法。
该方法利用卷积神经网络提取输入序列的局部特征,并降维处理。
同时,应用时序模式注意力机制,考虑不同时间步之间的依赖关系,为每个时间步分配权重,优化门控循环单元的输入特征。
该模型在TGE数据集上进行了验证,并与其他算法进行了比较,结果在各项评价指标上均达到最优,证实了其适应性和在电力现货市场中的可行性。
【总页数】6页(P165-169)
【作者】刘科;王玲霞;苗伊;王梓霁;尚虹霖
【作者单位】内蒙古龙源新能源发展有限公司;华北电力大学(保定)
【正文语种】中文
【中图分类】TP18;TM715
【相关文献】
1.基于ADL-GARCH的电价预测模型及其应用
2.基于小波变换去噪和改进秩序集对分析的电价预测模型研究
3.基于MPMR方法的中长期电价预测模型研究
4.基于大数据分析的上网电价预测模型研究与应用
5.基于变权重拟合的并行组合电价预测模型研究
因版权原因，仅展示原文概要，查看原文内容请购买。
BP神经网络的改进及其在股票预测中的应用
。
厂 ｔ ） （ 一． ∑
（ １ ）
神经网络模型 由神经元激活 函数 、网络的拓扑结构和学习或训练规则这三个因素所决定．
３ ＢＰ算法 的改进
３１ 对数据进 行归一 化处理 ．
采用样本的值去除以样本特征的总和．
Ｘ＝［ ２Ｘ ． ｎ， Ｘ Ｘ，３ ， 】 ｌ Ｘ
＝
归… 化后 ：
— 一
一
『 ｌ Ｘ２ Ｘ３ 【ｎ ｎ ｎ ’ ｎ ’
１ 一 “ ｊ。
∑㈦
ｐ
ｄ
一
３２ 初始 化权 值 ．
＝
原来的Ｂ 算法收敛速度慢 ，现在对其权值的初始化进行优化处理，以加快其收敛速度 Ｐ Ｕ ∑爿 ∑ 根据误差公式：
入；
， … ． 表示与它相连Ｎ ， Ｎ个突触的连接强度，其值称为权值； ∑ Ｋ称为激活值，表
示这个神经元的输入总和 ，对应于生物神经细胞的膜 电位 ，Ｏ 表示这个神经元的输出；Ｉ ９ 表示这个神经
元 的阀值 ． 如果输 入信 号 的加权和 超过０ ，则 神经元被激 活． ，神经 元 的输 出可 描述为 ： 这样
王亿 楷 ，赖 国明
（ 山师范学院 数学与信息技术系 ，广东潮州 ５ １ ４ ） 韩 ２ ０ １
摘 要：研究 了 Ｐ Ｂ 神经网络， Ｐ 对Ｂ 算法的权值初始化进行改进 ，使得其收敛速度更快，并建 立了基于Ｂ 神经 网络的股价预测模型． Ｐ 最后以深发展Ａ的收盘价为例，分析改进后的Ｂ 神经 Ｐ
变化 的大致走势 ，但传统方法需要事先知道 各种参数，以及这些参数在什么情况下应做怎样的修正．
神经 网络 具有很 强 的非 线性 逼 近 能力 和 自学 习 、 自适应 等特 性 ，它 能 自动 从历 史 数据 中提 取有 关经济
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
[ 中图分类号] T P 183
随着计算机技术的发展, 火电厂自动化水平不断 提高, 机组的性能分析和故障诊断软件得到广泛应用, 而实时测量数据的准确性和可靠性是这些应用软件发 挥作用的基础。利用神经网络独特的非线性映射能力 和自主学习能 力, 可以实 现实时数据的 时序预测 [ 1] 。 在机组运行中一旦发现测量数据有误 , 可以利用训练 好的神经网络模型提供合理准确的预测值, 保障机组 后续性能计算的准确性。 BP 神经网络是一种应用最广泛的人工神经预测 网络 , 它独有的容错性和泛化能力能较好地进行时序 预测[ 2, 3] 。本文针对标准 BP 算法收敛 速度慢和易陷 入局部最小点等问题 , 提出动量法和自适应步长法来 改进 BP 算法 , 并选用某电厂 300 M W 机组主给水流 量数据进行改进 BP 神经网络训练 , 得 出了满足火电 厂机组性能分析计算和工程应用要求的实时数据预测 模型。
图2
学习样本数对模型预测精度的影响
2 . 3 动量因子 动量因子取值范围在 ( 0~ 1) 间 , 根据经验一般选 取 0. 9左右, 试验发现动量因子在( 0. 9~ 1) 间取值对模 型预测精度影响很小。
3
实例分析
3 . 1 预测模型参数确定 样本来自某火电厂 300 M W 机 组主给水流量 实 时数据 , 采集间隔为 6 s。选用 15 个数据点作为输入 , 隐层选取 30 个 节点, 输 出为 1, 进行一步 时序预测。 为满足 BP 网络的映射 sig moid 函数对输入、 输出数据 的要求 , 对输入值进行归一化处理, 使处理后值均落在 ( 0~ 1) 区间内, 避开了 0, 从而避免了当输入值为 0 时 而对网络的训练不起 作用的缺点。其它参数选取 如 下 : 误差精度 10- 6 , 动量因子 0. 95, 初始学习速率 0. 5, 初始权值为 ( - 1~ 1) 区间内随机值。 3 . 2 预测结果比较 针对此模型选取 20 个连续样本用于学习 , 20 个 样本用于校核。从图 3 中可以看到预测值与实测值在 热力发电 2006( 07)
18
热力发电ቤተ መጻሕፍቲ ባይዱ
2006( 07)
基础研究
其中 : E ( k) 为总误差。 1. 3 时序预测原理
时间序列的本质特征之一就是其相邻观测值的依 赖性。时序预测 就是利用时间 序列生成随机 动态模 型, 从而对未来时刻值进行预测。一步时序预测即根 据 t 时刻及以前时刻的值来预测 t + 1 时刻值[ 5] 。 对于 样本来说, 即用过去连续 n( n 1) 个时刻来预测下一 个时刻的值, 将训练样本分为 k 个长度为 n + 1 并有重 叠的数据段( 表 1 )
[ 6]
图1
隐层节点数对模型预测精度的影响
。
样本数据分段
网络输出
表1
网络输入 x( 1) , x( 2) , x( 2) , x( 3) , , x( n) , x( n + 1)
网络学习训练比较 ( 学习样本数范围介于 20~ 80) 后 发现当输入节点为 10 时 , 学习样本数在 50 个左右模 型精度较高 ( 图 2) 。当输入节点增加至 15 时, 学习样 本数在 20 个左右就可以达到精度要求。
类似于输入节点数对网络精度的影响, 学习样本 数也存在一个最优范围。通过对主给水流量实时数据
19
基础研究
趋势上吻合较好 , 预测精度较高。
4
结
论
( 1) 利用 BP 神经网络独特的非线性映射能力和 自主学习能力可以对火电厂机组测量数据进行时序预 测 , 以保证机组性能分析和故障诊断功能的正常运行。 这种时序 神经网络模型有很好的实用价值。 ( 2) 影响 BP 神经网络模型精度的主要因素是输 入数据量, 对于 300 M W 火电机组主给水流量实时数 据 , 输入节点取 15, 学习样本取 20 时预测误差较小 , 精度较高。动量因子和隐含层节点数对网络精度影响 3. 3 结果讨论 根据网络结构, 此预测模型只能作一步预测 , 即预 测 t + 1 时刻值。 为预测 t + 2 时刻值, 需要知道 t + 1 时 刻测量值 , 但此时输入中 t + 1 时刻值为未知值, 只能 用预测值代替。依此类推, 就可用一步预测网络模型 递推求得多步预测值。显然, 由于用预测值代替真实 值, 预报误差将随时间而增大, 所以时序预测有一定的 时效性。研究发现, 对于 300 MW 机组主给水流量一 般以 20 个样本为宜 ( 可对未来 12 min 进行较为准确 的数据预测) , 一旦超过时序预测限度 , 预测精度便会 下降 , 预测结果出现滞后性 , 甚至趋于某一固定值, 此 时需要更新学习样本重新学习。 另外, 考虑到实际运行过程中测量数据的波动性, 对学习样本分别加入 2% 和 5% 扰动量 , 以观察模 型对扰动量的适应性 , 训练得到模型预测值波动均小 于 1% , 可见此模型具有较强的容错能力, 可满足工程 应用的需要。
x( n + 1) x( n + 2)
x( k) ,
, x ( k + n)
x( k + n + 1)
2
模型预测精度影响因素
应用神经网络对火电厂机组测量数据进行时序预
测时 , 网络的拓扑结构对预测精度影响很大。本文选 用某电厂 300 M W 机组主给水流量实 时数据进行改 进 BP 神经网络的学习和训练。 2. 1 输入节点数和隐层节点数 因为时间序列的预测是从历史数据中寻求未来的 变化趋势 , 因此输入数据的信息含量直接决定了最终 的预测精度。一般开始时 , 随着历史数据的增加 , 预测 误差下降较快, 预测精度增加, 但当数据所含信息量近 于饱和时, 预测误差下降逐渐变缓, 预测精度基本不再 提高。综合分析比较后发现, 对于本文研究的主给水 流量选取 10~ 15 个节点较为适宜。另外 , 增加样本学 习数 , 可以适当减少输入节点数。 隐层节点数选取至今没有确定公式计算, 一般采 取经验估计和随机试验。对于不同的输入节点数, 最 优隐层节点数选择也不同。试验发现 , 在相同输入情 况下, 隐层节点数在很大范围内选取 , 其训练预测结果 十分相近 ( 图 1) 。可见隐含层节点数对预测精度的影 响起 微调 作用。 2. 2 学习样本数
20
热力发电
2006( 07)
( 上接第 10 页)
[ 22] [ 23] 李福 勤 , 杨云龙 , 王冬 云 . 坑口电厂 化水处 理新工 艺 [ J] . 煤炭 工程 , 2002, ( 9) : 11 - 13. 李文 才 , 张 旭兵 , 张 富 礼 , 等 . 反渗 透后 处理 技术 的探 讨 [ J] . 中国电力 , 2002, 35( 6) : 81 - 85. [ 25] [ 24] 房海阔 , 魏洪军 . 电去离子 ( EDI) 技术在热电 厂水处 理中 的应用 [ J] . 净水技术 , 2002, 21( 2) : 17 - 19. 许本辉 . 电厂锅炉补 给水系统 全膜水 处理技 术应用 研究 [ J] . 科技情报开发与经济 , 2004, 14( 1) : 169 - 171.
1
改进 BP 算法时序预测基本原理
标准 BP 神经网络模型包括输入层, 隐含层和输 出层, 层与层之间通过权值和传递函数连接, 学习过程
资助项目 : 作者简介 :
( 2)
浙江大学第七期大学生科研训练计划项目 陆王琳 ( 1982 ) , 女 , 浙江宁波人 , 浙江大学机械与能源动力工程学院本科生。
[ 4]
李晓峰 , 刘光中 . 人 工神经 网络 BP 算法 的改进 及其 应用 [ J] . 四川大学学报 ( 自然科学版 ) , 2000, 32( 2) : 105 109. 文华 . BP 网络模型在时 序预测 中的应 用 [ J] . 武汉交 通科 技大学学报 , 1999, 23( 6) : 648 651. 楚彦君 . 人工神经网络在 火电厂的 应用研究 [ D] . 西 安交 通大学硕士学位论文 , 2001.
1 . 2 自适应学习速率法 标准 BP 算法中学习速率 为固定值, 为了提高预 测精度 , 学习速率应足够小 , 从而导致学习过程较慢。 为解决这一问题 , 在训练过程中采用自动调整学习速 率方法 : 先设一个初始学习速率 , 判断权值修正后总误 差是否下降 , 若是则说明学习速率低 , 可以增大学习速 率 ; 反之则应适当减小速率 , 可表示为 : 1. 05 E ( k + 1) < E ( k) = 0. 7 E ( k + 1) E ( k)
基础研究
基于改进 BP 神经网络的 火电厂实时数据预测模型研究
陆王琳, 李 蔚, 盛德仁, 陈坚红, 袁镇福, 岑可法
( 浙江大学 , 浙江 杭州 310027)
[摘
要]
提出了一种基于改进 BP 神经网络的火电厂实时数据预测模型 , 即在标准 BP 算法中引入动量
因子和自适应学习速率, 以减少收敛振荡过程 , 加快学习速度。 选用某电厂 300 MW 机组主给水流量实时 数据进行网络训练学习和校核 , 分析了输入和隐含层节点数、 学习样本数和动量因子对模型预测精度的影 响。 实例分析表明 , 该模型有较好容错性, 能满足火电机组性能分析的要求。 [ 关键词] BP 神经网络 ; 预测模型; 火电厂; 动量因子; 自适应 [ 文献标识码] A [ 文章编号] 1002 3364( 2006) 07 0018 03
陈丽丽 , 李蔚 , 盛德仁 , 等 . 火电厂 实时监控系 统测量 数据 预测的研究进展 [ J] . 电站系统工程 , 2005, 21( 2) : 1 4. 刘兰翠 , 朱明 , 杨中 . 基于 神经 网络 的时间 序列 对煤 矿安 全性的预测 [ J] . 煤炭科学技术 , 2002, 30( 11) : 16 18. 胡北来 , 刘保钢 , 曹 锡慧 . 用神 经网 络进行 时间 序列 预报 的研究 [ J] . 南开大学学报 ( 自然 科学 版 ) , 1999, 32( 3) : 95 99.