亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于IBAS-BP算法的熱電廠負(fù)荷預(yù)測(cè)及工程應(yīng)用

        2021-11-01 13:16:22段中興宋婕菲
        計(jì)算機(jī)測(cè)量與控制 2021年10期
        關(guān)鍵詞:天牛步長(zhǎng)適應(yīng)度

        段中興,宋婕菲,溫 倩,周 孟

        (西安建筑科技大學(xué) 信息與控制工程學(xué)院,西安 710055)

        0 引言

        熱電廠通過(guò)負(fù)荷預(yù)測(cè)[1]能夠得到不同時(shí)段的負(fù)荷變化趨勢(shì),規(guī)劃、調(diào)度部門(mén)可以根據(jù)預(yù)測(cè)結(jié)果安排電網(wǎng)建設(shè)計(jì)劃,調(diào)整機(jī)組配置,滿足用電需求的同時(shí)節(jié)省發(fā)電成本,各負(fù)荷時(shí)段預(yù)測(cè)量可以指導(dǎo)運(yùn)行部門(mén)安排機(jī)器檢修及維護(hù)工序。因此,無(wú)論從經(jīng)濟(jì)還是社會(huì)角度,提升預(yù)測(cè)水平,就是提高電網(wǎng)效益[2]。熱電廠短期負(fù)荷預(yù)測(cè)作為預(yù)測(cè)的重要內(nèi)容,需要達(dá)到更高的精度。目前,基于深度學(xué)習(xí)[3-4]、智能算法[5-6]和人工神經(jīng)網(wǎng)絡(luò)[7-8]等模型已廣泛應(yīng)用于負(fù)荷預(yù)測(cè)中。

        國(guó)內(nèi)外對(duì)負(fù)荷預(yù)測(cè)及相關(guān)模型做了大量研究?;艟甑萚9]采用改進(jìn)支持向量機(jī)方法對(duì)負(fù)荷進(jìn)行預(yù)測(cè),但SVM受自身參數(shù)影響較大,預(yù)測(cè)結(jié)果具有不確定性。閆重熙等[10]采用天牛須搜索算法對(duì)向量機(jī)參數(shù)進(jìn)行自動(dòng)搜索,能夠有效提高模型的尋優(yōu)能力,但其算法尋優(yōu)個(gè)體單一,無(wú)法滿足種群進(jìn)化算法多樣性要求。賈永會(huì)等[11]通過(guò)BP神經(jīng)網(wǎng)絡(luò)算法搭建燃燒區(qū)域溫度預(yù)測(cè)模型,無(wú)法避免BP網(wǎng)絡(luò)局部極小化問(wèn)題。孟子超等[12]提出基于遷移學(xué)習(xí)和深度卷積神經(jīng)網(wǎng)絡(luò)的組合優(yōu)化方法,解決中小樣本學(xué)習(xí)能力差的問(wèn)題。劉倩穎等[13]結(jié)合Kmeans聚類與BP神經(jīng)網(wǎng)絡(luò)算法,對(duì)辦公建筑逐時(shí)用電負(fù)荷進(jìn)行預(yù)測(cè),在預(yù)測(cè)精度上有較大突破,但未考慮BP網(wǎng)絡(luò)訓(xùn)練速度慢的局限性。郭彩杏等[14]提出一種結(jié)合改進(jìn)遺傳模擬退火算法和Metropolis準(zhǔn)則的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法,有效提高網(wǎng)絡(luò)的擬合能力。但該算法影響因子較多,導(dǎo)致模型訓(xùn)練復(fù)雜性高,尋優(yōu)時(shí)間較長(zhǎng)。

        近年來(lái),BP神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于短期電力負(fù)荷預(yù)測(cè)中,針對(duì)目前研究存在的問(wèn)題,大量學(xué)者將種群進(jìn)化算法[15]與BP神經(jīng)網(wǎng)絡(luò)方法緊密結(jié)合,充分利用進(jìn)化算法種群多樣性的優(yōu)點(diǎn),同時(shí),利用BP網(wǎng)絡(luò)能夠自適應(yīng)及自學(xué)習(xí)的特點(diǎn),可使優(yōu)化模型得到更好的預(yù)測(cè)效果。與其他種群算法相比,2017年提出的天牛須搜索算法,個(gè)體單一,運(yùn)算量較少,能夠較好地解決簡(jiǎn)單的尋優(yōu)問(wèn)題。但因其只有一個(gè)尋優(yōu)個(gè)體,無(wú)法滿足進(jìn)化算法種群多樣性要求,一旦遇到多輸入及更加復(fù)雜的優(yōu)化函數(shù),或維數(shù)較多的優(yōu)化問(wèn)題時(shí),BAS的優(yōu)化精度明顯降低,性能變差。本文引入精英個(gè)體和變步長(zhǎng)策略對(duì)標(biāo)準(zhǔn)天牛須算法進(jìn)行改進(jìn),并通過(guò)建立IBAS-BP優(yōu)化模型,改善BP神經(jīng)網(wǎng)絡(luò)的尋優(yōu)能力,提高預(yù)測(cè)精度,降低預(yù)測(cè)誤差。

        1 短期熱電廠負(fù)荷的主要影響因素

        短期熱電廠負(fù)荷預(yù)測(cè)由多種因素共同作用:一方面,負(fù)荷數(shù)據(jù)呈隨機(jī)性和波動(dòng)性趨勢(shì);另一方面,負(fù)荷數(shù)據(jù)也具有周期規(guī)律性的特點(diǎn),這為實(shí)現(xiàn)有效的預(yù)測(cè)奠定了基礎(chǔ)。影響短期電力負(fù)荷的主要因素如下:

        1)溫度因素。不同的溫度情況會(huì)產(chǎn)生對(duì)應(yīng)的用電需求,溫度因素的變化對(duì)短期負(fù)荷預(yù)測(cè)產(chǎn)生較大的影響。例如,夏季高溫天氣時(shí),空調(diào)、冰箱等制冷設(shè)備用電負(fù)荷較大;冬季天氣寒冷時(shí),溫度較低,電熱毯,電暖氣等加熱設(shè)備用電量明顯增加;春秋季溫度適宜時(shí),用電負(fù)荷較前兩種情況趨于平穩(wěn)。因此,氣溫的變化已成為影響短期負(fù)荷預(yù)測(cè)的關(guān)鍵因素[16]。

        2)日期屬性。通常,短期電力負(fù)荷以星期為單位呈現(xiàn)周期性變化[17]。工作日用電負(fù)荷趨于平穩(wěn),雙休日用電種類較多,用電負(fù)荷較工作日有較大波動(dòng)。因此,星期屬性是影響短期負(fù)荷預(yù)測(cè)的重要因素。

        3)電價(jià)因素。電網(wǎng)運(yùn)行結(jié)構(gòu)影響負(fù)荷特性的峰谷值,合適的峰谷電價(jià)不僅能夠降低高峰負(fù)荷的增長(zhǎng)速度,還可以較明顯的拉高負(fù)荷力,在一定程度上能夠提高電力負(fù)荷的預(yù)測(cè)精度及電網(wǎng)設(shè)備的利用率。

        4)其他因素。短期電力負(fù)荷受多種因素共同作用,影響因素的多樣性對(duì)負(fù)荷預(yù)測(cè)產(chǎn)生不同的影響。除去溫度,日期等外界影響因素,還包括用戶習(xí)慣、深度調(diào)峰需求、靈活調(diào)峰需求等。

        2 相關(guān)原理介紹

        2.1 BP神經(jīng)網(wǎng)絡(luò)

        BP神經(jīng)網(wǎng)絡(luò)信息正向傳遞,誤差反向傳播。信息從輸入層流向隱含層,隱含層對(duì)信息進(jìn)行加工處理后傳遞給輸出層,當(dāng)輸出層結(jié)果無(wú)法達(dá)到要求時(shí),權(quán)值沿著誤差變化的負(fù)梯度方向調(diào)節(jié),最終達(dá)到誤差最小值[18]。

        由大量實(shí)驗(yàn)可知,輸入層和輸出層節(jié)點(diǎn)個(gè)數(shù)可根據(jù)實(shí)際問(wèn)題和需求確定,隱含層神經(jīng)元個(gè)數(shù)無(wú)法直接得出,可通過(guò)經(jīng)驗(yàn)公式窮舉法,選擇最優(yōu)隱含層節(jié)點(diǎn)數(shù)。

        圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)

        2.2 天牛須搜索算法

        天牛須搜索算法(BAS,beetle antennae search algorithm)是一種觀察天牛覓食行為提出的仿生啟發(fā)式算法。天牛通過(guò)左右須感知食物氣味,并向氣味更強(qiáng)的方向飛行,不斷調(diào)整自己的位置,依據(jù)這一簡(jiǎn)單原理天??梢钥焖俑咝У卣业绞澄?。同理,在模型尋優(yōu)過(guò)程中,食物的氣味可看作一個(gè)函數(shù),天牛采集自身附近的函數(shù)信息,對(duì)其進(jìn)行分析比較,不斷更新自己的空間位置,直至找到函數(shù)最優(yōu)解。

        BAS算法步驟如下:

        1)天牛參數(shù)初始化,設(shè)置天牛須初始方向隨機(jī)向量。

        (1)

        式中,K為空間維度,rand()為隨機(jī)函數(shù)。

        2)建立天牛左右須的空間位置坐標(biāo)。

        (2)

        xt為第t次尋優(yōu)時(shí)天牛的質(zhì)心位置,xl,t和xr,t分別代表第t次尋優(yōu)時(shí)天牛左右須的位置坐標(biāo),dt代表第t次尋優(yōu)時(shí)天牛左右須的間距。

        3)創(chuàng)建天牛搜索行為移動(dòng)模型。

        根據(jù)適應(yīng)度函數(shù)計(jì)算天牛左右須的適應(yīng)度值f(xl)及f(xr),通過(guò)比較天牛當(dāng)前空間位置左右須的適應(yīng)度函數(shù)值,判斷下一步天牛位置的移動(dòng)方向,更新步長(zhǎng)δ。

        (3)

        式中,xt+1第t+1次迭代天牛的質(zhì)心位置,xt為第t次迭代天牛的質(zhì)心位置,δt為第t次迭代天牛移動(dòng)的步長(zhǎng),sign()為符號(hào)函數(shù)。

        2.3 改進(jìn)的天牛須搜索算法(IBAS)

        2.3.1 多個(gè)體精英策略種群更新方式

        本文對(duì)標(biāo)準(zhǔn)天牛須算法進(jìn)行改進(jìn),將個(gè)體尋優(yōu)擴(kuò)充為多個(gè)體種群尋優(yōu),引入精英策略種群更新模式,保留了天牛須算法簡(jiǎn)單有效的尋優(yōu)機(jī)制,同時(shí),增加目標(biāo)解的可能性,從而提高算法的尋優(yōu)能力與穩(wěn)定性。

        多個(gè)體精英天牛須優(yōu)化算法原理:天牛種群中,每只天牛個(gè)體同時(shí)擁有左,右須適應(yīng)度,選擇其中較好的適應(yīng)度,并根據(jù)其確定天牛移動(dòng)方向,直到找到目標(biāo)函數(shù)最優(yōu)解,記錄每一次尋優(yōu)過(guò)程的最佳適應(yīng)度。天牛個(gè)體尋優(yōu)能力各不相同,隨著算法的不斷迭代,種群會(huì)出現(xiàn)精英個(gè)體,這些個(gè)體能夠更好地掌握最優(yōu)解信息,加快尋優(yōu)的速度的同時(shí),提高求解的精度。

        天牛種群矩陣X如下:

        (4)

        (5)

        fxi表示天牛種群在同一維度下最優(yōu)適應(yīng)度值。

        精英個(gè)體擁有較好的適應(yīng)度值,掌握搜索過(guò)程最優(yōu)信息,通過(guò)引入精英個(gè)體,參與尋優(yōu)過(guò)程,提高種群搜索能力。精英個(gè)體矩陣C如下所示:

        (6)

        (7)

        2.3.2 非線性遞減步長(zhǎng)控制策略

        步長(zhǎng)是控制天牛搜索能力的重要參數(shù),搜索步長(zhǎng)的選擇對(duì)算法的尋優(yōu)效率和精度產(chǎn)生重大影響。步長(zhǎng)較大時(shí),算法全局尋優(yōu)能力較強(qiáng),但可能導(dǎo)致尋優(yōu)跳離最優(yōu)解,出現(xiàn)收斂速度慢、精度低的問(wèn)題;步長(zhǎng)較小時(shí),局部尋優(yōu)能力較強(qiáng),但收斂速度太慢,易陷入局部極值難以跳出。標(biāo)準(zhǔn)算法中步長(zhǎng)為定值,尋優(yōu)效率較低,求解精度較差,本文在標(biāo)準(zhǔn)天牛須算法的基礎(chǔ)上,設(shè)計(jì)基于非線性遞減步長(zhǎng)控制策略的改進(jìn)天牛須算法,其搜索前期具有較大的步長(zhǎng),種群不會(huì)過(guò)早密集地收斂于局部最優(yōu)值,使得算法在前期具有較強(qiáng)的全局尋優(yōu)能力,同時(shí),后期步長(zhǎng)非線性遞減,使得后期搜索過(guò)程中不會(huì)因?yàn)椴介L(zhǎng)較大錯(cuò)過(guò)最優(yōu)值,在后期也有較優(yōu)的局部尋優(yōu)能力。

        非線性遞減步長(zhǎng)控制策略可表示如下:

        (8)

        式中,δ0為初始步長(zhǎng),一般取值較大,增強(qiáng)全局搜索能力,t為當(dāng)前迭代次數(shù),T為最大迭代次數(shù),eta為0~1之間的調(diào)節(jié)因子。當(dāng)eta較大時(shí),全局搜索能力差,較快陷入局部搜索,當(dāng)eta較小時(shí),局部搜索能力差,易錯(cuò)過(guò)局部最優(yōu)解。

        3 基于改進(jìn)天牛須搜索算法的IBAS-BP預(yù)測(cè)模型

        BP神經(jīng)網(wǎng)絡(luò)因其權(quán)值產(chǎn)生具有隨機(jī)性,存在易陷入局部最優(yōu)、訓(xùn)練速度慢、穩(wěn)定性差等不足。針對(duì)BP神經(jīng)網(wǎng)絡(luò)缺陷,建立IBAS-BP優(yōu)化模型,采用IBAS算法對(duì)BP神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行優(yōu)化,使BP網(wǎng)絡(luò)在IBAS算法的范圍內(nèi)有效尋優(yōu)。

        IBAS-BP算法流程如圖2所示,具體步驟如下:

        圖2 IBAS-BP算法流程圖

        1)初始化天牛參數(shù):天牛左右須間距d、質(zhì)心坐標(biāo)x、左右須的位置xl,xr,天牛初始步長(zhǎng)δ0=15、迭代次數(shù)T=200。

        2)確定BP網(wǎng)絡(luò)結(jié)構(gòu),網(wǎng)絡(luò)參數(shù)初始化。本文采用的IBAS-BP模型中,輸入層的34個(gè)單元分別為:預(yù)測(cè)日前一天24 h整點(diǎn)負(fù)荷數(shù)據(jù)、訓(xùn)練日和預(yù)測(cè)日最高溫度、最低溫度、平均溫度,訓(xùn)練日及預(yù)測(cè)日季節(jié)特征、星期屬性。輸出層24個(gè)節(jié)點(diǎn)為預(yù)測(cè)日24h整點(diǎn)負(fù)荷值,隱含層節(jié)點(diǎn)數(shù)取值范圍[6~28],通過(guò)窮舉法試驗(yàn),確定隱含層節(jié)點(diǎn)個(gè)數(shù)為14。

        3)確定適應(yīng)度函數(shù)。選取均方根誤差MSE作為適應(yīng)度評(píng)價(jià)函數(shù)。

        (9)

        4)更新天牛空間坐標(biāo)。更新天牛左右須的空間位置坐標(biāo),計(jì)算當(dāng)前左右須的適應(yīng)度函數(shù)值f(xl)和f(xr),對(duì)其進(jìn)行比較,確定天??臻g移動(dòng)方向,根據(jù)變步長(zhǎng)策略更新步長(zhǎng)。當(dāng)適應(yīng)度函數(shù)值達(dá)到訓(xùn)練精度或迭代達(dá)到最大次數(shù)時(shí),算法運(yùn)行結(jié)束,BP網(wǎng)絡(luò)找到最優(yōu)權(quán)值,建立IBAS-BP組合模型。

        5)劃分訓(xùn)練集和測(cè)試集。將預(yù)測(cè)日期前一周負(fù)荷數(shù)據(jù)作為訓(xùn)練樣本輸入IBAS-BP模型進(jìn)行訓(xùn)練,將測(cè)試集數(shù)據(jù)按照星期屬性分為工作日和休息日分別進(jìn)行預(yù)測(cè)。

        6)得到待測(cè)日負(fù)荷預(yù)測(cè)結(jié)果,采用誤差評(píng)價(jià)指標(biāo)評(píng)估并得出結(jié)論。

        4 算例分析

        實(shí)驗(yàn)采用Matlab驗(yàn)證IBAS-BP預(yù)測(cè)模型的準(zhǔn)確性和可靠性。模型輸入為熱電廠歷史負(fù)荷數(shù)據(jù)、溫度數(shù)據(jù)、日期屬性、季節(jié)特征,采樣數(shù)據(jù)為熱電廠前一年歷史負(fù)荷,采樣周期為每日24 h逐點(diǎn)采樣。模型輸出為24 h負(fù)荷預(yù)測(cè)值。以1月28日(工作日),31日(休息日)為例,分別采用PSO-BP模型、BAS-BP模型和IBAS-BP模型進(jìn)行預(yù)測(cè),通過(guò)3種模型結(jié)果對(duì)比分析,驗(yàn)證IBAS-BP模型預(yù)測(cè)性能。

        4.1 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

        選取4個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)進(jìn)行測(cè)試,將BAS算法與IBAS算法尋優(yōu)性能對(duì)比,驗(yàn)證IBAS算法的預(yù)測(cè)性能。4種標(biāo)準(zhǔn)測(cè)試函數(shù)如表1所示,其中f1(Sphere)為單峰函數(shù),f2(Girewank),f3(Rastrigin),f4(Alpine)為多峰函數(shù)[19]。

        表1 標(biāo)準(zhǔn)測(cè)試函數(shù)

        設(shè)定BAS種群個(gè)數(shù)為1,IBAS種群個(gè)數(shù)為20,迭代次數(shù)為200次,每種算法獨(dú)立運(yùn)行各函數(shù)30次。

        為了更直觀地表現(xiàn)預(yù)測(cè)能力,實(shí)驗(yàn)選取均方根誤差RMSE、平均絕對(duì)百分比誤差MAPE精度評(píng)價(jià)指標(biāo)對(duì)結(jié)果進(jìn)行分析。均方根誤差RMSE能夠很好地反映預(yù)測(cè)的精密度;平均絕對(duì)百分比誤差MAPE能夠正確地反映預(yù)測(cè)的精確度。回歸預(yù)測(cè)指標(biāo)公式如下:

        (10)

        (11)

        4.2 實(shí)驗(yàn)結(jié)果分析

        基于4種標(biāo)準(zhǔn)測(cè)試函數(shù)的IBAS,BAS算法測(cè)試結(jié)果如圖3所示。分析圖3(b)可知,在有限的搜索代數(shù)內(nèi),IBAS算法能夠較快收斂到理想值,有效避免陷入局部極值。圖3(a)、(c)、(d)中,IBAS算法尋優(yōu)精度分別可達(dá)到e-35,e-14,e-20,都能夠?qū)ふ业嚼碚撟顑?yōu)解0,說(shuō)明本文算法具有更好的尋優(yōu)精度。結(jié)合表2可知,IBAS算法的測(cè)試平均值及標(biāo)準(zhǔn)差均小于BAS算法。因此,與標(biāo)準(zhǔn)BAS算法相比,無(wú)論是在單峰或者多峰函數(shù)問(wèn)題上,改進(jìn)的IBAS算法都具有較高的尋優(yōu)精度和較快的收斂速度。

        圖3 標(biāo)準(zhǔn)函數(shù)測(cè)試圖

        表1 4種函數(shù)測(cè)試結(jié)果

        圖4為1月28日(工作日),1月31日(休息日)負(fù)荷預(yù)測(cè)曲線圖。分別采用PSO-BP,BAS-BP,IBAS-BP模型對(duì)工作日,雙休日2個(gè)星期屬性日24 h電力負(fù)荷進(jìn)行預(yù)測(cè)。

        圖4 負(fù)荷預(yù)測(cè)曲線圖

        由圖4可知:

        1)雙休日相對(duì)誤差大于工作日,其原因可能為雙休日不可控因素較多,用電種類較多,相比工作日較難建立準(zhǔn)確的預(yù)測(cè)模型,導(dǎo)致預(yù)測(cè)誤差較大。

        2)無(wú)論工作日還是雙休日,IBAS-BP模型預(yù)測(cè)效果均優(yōu)于BAS-BP模型和PSO-BP模型,PSO-BP預(yù)測(cè)模型的相對(duì)誤差最大,模型的穩(wěn)定性最差,IBAS-BP網(wǎng)絡(luò)穩(wěn)定性優(yōu)于BAS-BP網(wǎng)絡(luò)。

        引入精度評(píng)價(jià)指標(biāo)RMSE和MAPE對(duì)模型預(yù)測(cè)性能作進(jìn)一步評(píng)價(jià),如表3所示。

        表3 負(fù)荷預(yù)測(cè)誤差評(píng)價(jià)

        由表3所示,工作日IBAS-BP模型的RMSE,MAPE分別為4.163,0.005;休息日IBAS-BP模型的RMSE,MAPE分別為5.595,0.007。對(duì)3種模型誤差進(jìn)行分析,IBAS-BP模型平均誤差小于BAS-BP模型,BAS-BP模型平均誤差小于PSO-BP模型。綜上所述:相較于PSO-BP模型及BAS-BP模型,IBAS算法能更好地改善BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能,模型的負(fù)荷預(yù)測(cè)精度較高。

        5 工程應(yīng)用

        我國(guó)電力系統(tǒng)中,熱電廠機(jī)組承擔(dān)著主要的發(fā)電任務(wù),高參數(shù)大容量的熱電機(jī)組多采用單元制并列運(yùn)行方式[20]。隨著社會(huì)電力負(fù)荷的增加,我國(guó)的電網(wǎng)體系架構(gòu)也愈加復(fù)雜,并網(wǎng)機(jī)組容量的日益增加,對(duì)電網(wǎng)的安全運(yùn)行和優(yōu)化調(diào)度提出了更高的要求。電網(wǎng)調(diào)度政策遵循《電網(wǎng)調(diào)度管理?xiàng)l例》,充分考慮電網(wǎng)配電設(shè)備的經(jīng)濟(jì)運(yùn)行性能,減排節(jié)能,電廠機(jī)組負(fù)荷的優(yōu)化分配。同時(shí),最大限度地平衡電網(wǎng)公司和電廠對(duì)于經(jīng)濟(jì)調(diào)度的需求。

        由于系統(tǒng)負(fù)荷的變化,發(fā)電機(jī)組不可能始終保持在經(jīng)濟(jì)負(fù)荷下運(yùn)行。如何根據(jù)負(fù)荷預(yù)測(cè)結(jié)果在機(jī)組間進(jìn)行負(fù)荷分配,將會(huì)對(duì)整個(gè)系統(tǒng)的經(jīng)濟(jì)性能產(chǎn)生較大影響。本文基于熱電廠機(jī)組煤耗特性曲線、在線用電率曲線、發(fā)電功率等數(shù)據(jù),結(jié)合電網(wǎng)調(diào)度政策,對(duì)熱電廠接收到AGC指令數(shù)據(jù)進(jìn)行實(shí)時(shí)的優(yōu)化分配[21]。

        本文搭建負(fù)荷優(yōu)化分配的數(shù)學(xué)模型,需要滿足電網(wǎng)調(diào)度負(fù)荷指令和機(jī)組安全運(yùn)行的臨界條件。采用粒子群優(yōu)化算法,依照機(jī)組運(yùn)行狀態(tài)和性能參數(shù),優(yōu)化電廠機(jī)組負(fù)荷分布。負(fù)荷優(yōu)化分配后,工廠煤耗率較優(yōu)化前下降,能源利用率有所提升,能夠達(dá)到較好的節(jié)能優(yōu)化效果。選取覆蓋全工況范圍的典型工況數(shù)據(jù)列于表4。

        表4 優(yōu)化前后煤耗分配對(duì)比

        表4通過(guò)對(duì)比分析典型負(fù)荷分布優(yōu)化前后的標(biāo)煤耗可知,當(dāng)全廠負(fù)荷指令在1 465.25 MW平臺(tái)時(shí),每個(gè)機(jī)組的平均功率接近可調(diào)節(jié)范圍的下限,煤炭消耗量變化不明顯,負(fù)荷優(yōu)化后煤炭消耗量降低1.35 g/kWh,節(jié)省標(biāo)煤耗率為0.372%。伴隨機(jī)組穩(wěn)定運(yùn)行,設(shè)施總負(fù)荷的增加,負(fù)荷優(yōu)化所產(chǎn)生的煤炭節(jié)約效果逐漸明顯。位于1 985.20 MW平臺(tái)時(shí),負(fù)荷優(yōu)化后煤炭消耗量減少了2.81 g/kWh,節(jié)省標(biāo)煤耗率為0.791%,煤炭使用率大大降低,達(dá)到節(jié)省能源的最好效果。當(dāng)該平臺(tái)上添加總負(fù)荷指令至2 240.55 MW時(shí),優(yōu)化后煤耗降低1.66 g/kWh,節(jié)省標(biāo)煤耗率為0.474%。綜上所述,優(yōu)化機(jī)組負(fù)荷分配能夠有效降低煤炭消耗,綠色節(jié)能的同時(shí),電廠運(yùn)行管理經(jīng)濟(jì)性有所提升。

        高效的負(fù)荷預(yù)測(cè)為電廠機(jī)組實(shí)現(xiàn)精準(zhǔn)的電力調(diào)度提供保障,合理的負(fù)荷優(yōu)化分配能夠提高電廠效益,后期可結(jié)合電力系統(tǒng)調(diào)度政策,對(duì)調(diào)度量化指標(biāo)和提高機(jī)組運(yùn)轉(zhuǎn)效率方面作進(jìn)一步研究。

        6 結(jié)束語(yǔ)

        本文提出一種基于改進(jìn)天牛須搜索算法的IBAS-BP組合模型,并將其應(yīng)用于熱電廠短期電力負(fù)荷預(yù)測(cè)中。通過(guò)引入精英策略,改進(jìn)BAS算法更新步長(zhǎng),增加了搜索過(guò)程的多樣性和隨機(jī)性。結(jié)果表明,IBAS-BP優(yōu)化模型具有良好的預(yù)測(cè)性能。調(diào)度中心根據(jù)負(fù)荷預(yù)測(cè)結(jié)果,綜合考慮電網(wǎng)政策、機(jī)組本身的調(diào)節(jié)性能、效率、煤耗等因素,對(duì)熱電廠機(jī)組進(jìn)行負(fù)荷優(yōu)化分配,降低機(jī)組煤耗率,保證每臺(tái)機(jī)組安全、穩(wěn)定、經(jīng)濟(jì)運(yùn)行,研究具有工程應(yīng)用價(jià)值。

        猜你喜歡
        天牛步長(zhǎng)適應(yīng)度
        改進(jìn)的自適應(yīng)復(fù)制、交叉和突變遺傳算法
        基于Armijo搜索步長(zhǎng)的BFGS與DFP擬牛頓法的比較研究
        天牛到底有多牛
        黑黃花天牛
        巨型昆蟲(chóng)——天牛
        基于空調(diào)導(dǎo)風(fēng)板成型工藝的Kriging模型適應(yīng)度研究
        天牛
        基于逐維改進(jìn)的自適應(yīng)步長(zhǎng)布谷鳥(niǎo)搜索算法
        一種新型光伏系統(tǒng)MPPT變步長(zhǎng)滯環(huán)比較P&O法
        少數(shù)民族大學(xué)生文化適應(yīng)度調(diào)查
        不卡一区二区三区国产| 亚洲Va中文字幕久久无码一区| 久久久久久久久高潮无码| 日本二区三区在线免费| 香港三级午夜理论三级| aaa级久久久精品无码片| 中文字幕在线久热精品| 午夜在线观看一区二区三区四区| 最新国产不卡在线视频| 国产成人a人亚洲精品无码| 亚洲人成色7777在线观看| 精品欧洲av无码一区二区三区 | 每日更新在线观看av| 久久精品国产亚洲av大全| av无码天堂一区二区三区| 国产91在线精品观看| 亚洲爆乳无码精品aaa片蜜桃| 真人与拘做受免费视频| 精品一区二区三区四区少妇| 国产一区二区高清不卡在线| 亚洲国产最新免费av| 国产麻豆精品精东影业av网站| 日日噜噜夜夜爽爽| 麻豆人妻无码性色AV专区| 天堂免费av在线播放| 亚洲成在人线av品善网好看| 亚洲色图在线观看视频| 中文字幕人妻一区色偷久久| 中文字日产幕码三区的做法大全| 国产熟女露脸大叫高潮| 黑人巨大精品欧美在线观看| 超短裙老师在线观看一区| 美女露出自己的性感大胸一尤内衣| 无码骚夜夜精品| 99久久综合狠狠综合久久一区| 成人免费播放视频影院| 国产午夜片无码区在线播放| 人人爽人人爽人人爽人人片av| 久草视频福利| 韩国女主播一区二区三区在线观看 | 亚洲一区视频在线|