灵活调峰下在线学习的直接空冷机组背压预测模型
Online learning model of backpressure prediction for direct air-cooled unit under flexible peak regulation作者机构:暨南大学能源电力研究中心广东珠海519070
出 版 物:《热力发电》 (Thermal Power Generation)
年 卷 期:2024年第53卷第2期
页 面:68-77页
核心收录:
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:暨南大学特色新工科起点建设项目(G20200019251) 白城发电公司项目(410011JX202000244)
主 题:直接空冷机组 背压预测 在线学习 注意力机制 长短期记忆神经网络
摘 要:在灵活调峰的背景下,为适应直接空冷机组负荷动态变化与环境因素干扰,提出一种在线学习的神经网络方法对直接空冷机组背压进行预测。首先,对历史数据进行清洗,通过Spearman相关性分析确定影响运行背压的低冗余重要特征。接着,采用Hammerstein模型对背压进行模型参数在线辨识。同时,采用长短记忆神经网络和注意力机制建立直接空冷机组背压预测模型,使用在线学习的方式对模型进行更新。实验表明:该模型在预测未来1 h内不同时间跨度的背压绝对百分比误差(MAPE)低于9%,并在预测30 s内的背压MAPE低于1%。最后,在实际电厂系统中验证模型能够在实际应用中稳定运行。本研究的成果为直接空冷机组背压实时预测提供了有效的方法,这对于灵活调峰直接空冷机组的运行和管理具有重要的意义。