CN104021315A - 基于bp神经网络的电厂厂用电率计算方法 - Google Patents
基于bp神经网络的电厂厂用电率计算方法 Download PDFInfo
- Publication number
- CN104021315A CN104021315A CN201410300022.XA CN201410300022A CN104021315A CN 104021315 A CN104021315 A CN 104021315A CN 201410300022 A CN201410300022 A CN 201410300022A CN 104021315 A CN104021315 A CN 104021315A
- Authority
- CN
- China
- Prior art keywords
- station service
- neural network
- service electrical
- total load
- energy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BP神经网络的电厂厂用电率计算方法,其通过建立用于计算电厂厂用电总负荷的BP神经网络初始模型,BP神经网络初始模型采用历史数据样本进行网络学习训练得到用于计算电厂厂用电总负荷的BP神经网络最终模型,输入设计电厂设备数据,通过BP神经网络最终模型计算出设计电厂厂用电总负荷,将计电厂厂用电总负荷转换成设计电厂厂用电率。其具有计算工作自动完成、计算误差小,计算效率高、设计成本低等特点。
Description
技术领域
本发明涉及管理数据处理技术领域,具体涉及一种基于BP神经网络的电厂厂用电率计算方法。
背景技术
在电厂设计时,需要根据电厂装机容量选择电厂工艺和发电设备,首先进行设备参数初次选型,在此基础上再进行二次组合匹配选型,从而获得技术先进、生产效能优良、好运营效益良好的电力生产***。电厂厂用电率是二次组合匹配选型所采用的一个重要评价指标。
电厂通常包括多个发电机组,发电机组包括发动机、发电机、控制***,发电机组的类型有多种,不同的发电机组的设计***存在较大的差异,锅炉辅机形式也会不同,电机功率和轴功率的匹配关系也不同。发电机组还包括电动给水泵、凝结水泵、一次风机、二次风机、引风机等辅助设备,这些设备都需要消耗电能。同时电厂还包括数量庞大的用电负荷单元,不同用电负荷单元的用电时间均存在差异,且很难界定具体的用电时间。显而易见,要精确计算电厂厂用电率非常困难,只能采用估算的方式来确定电厂厂用电率,估算的准确性直接关系到电厂设计的科学性和投产后电厂的经济效益的高低。
目前,电厂厂用电率的计算方法为人工统计计算法,也即电厂工艺设计人员根据电厂的装机容量进行电厂设备的初次选择,得到发电机组及其辅助设备的设计参数,如发电机组功率,电厂工艺设计人员将电机组功率乘以电厂厂用电系数得到电厂厂用电率。
电厂厂用电系数电厂运营人员通过对现有电厂的运营数据进行统计得到,电厂运营人员以自己运营的电厂的运营数据为历史样本进行统计计算,得到现有电厂的厂用电系数,显而易见,运营人员运营的电厂的数量较少,作为历史样本的运营数据也很少,通过现有几个电厂统计得到的电厂厂用电系数具有很大的局限性。同时,由于新设计电厂的生产工艺和现有电厂的生产工艺存在较大的不同,及时生产工艺一样的两个电厂由于装机容量的不同,设备选型和设备组合方式也存在较大的不同,因此,电厂工艺设计人员采用现有电厂的厂用电系进行设计电厂厂用电率计算时,需要进行厂用电系数的修正。
电厂厂用电系数进行修正,可通过对新电厂发电机组及辅助设备进行工程实测,通过得到的实测数据对现有电厂厂用电系数进行修正。不过新电厂工程实测能测试的项目少、实测工程量大,测试周期长、测试费用高。同时由于测试项目较少,测试效果受到工程实施情况的限制,所获得的电厂厂用电系数同样很难反映新电厂生产设备的厂用电系数。因此,实测修正在实际应用中基本不采用。
目前,电厂工艺设计人员根据电厂运营人员提供的电厂厂用电系数按照经验进行推理修正,计算出电厂厂用电率进。这种修正方法缺乏对比校核的手段,因此计算结果准确性低、可靠性差、受人为因素影响较大,影响到电厂设计的先进性和经济性。
BP神经网络是人工智能神经网络中应用最为广泛的神经网络模型,其网络模型拓扑结构包括输入层、隐层和输出层。BP神经网络由非线性传递函数神经元构成的,能学***方和最小。BP神经网络广泛用于自动控制、优化设计、模式识别、预测等领域。BP神经网络的样本通常用数据库来存储。
发明内容
本发明所要解决的技术问题是提供一种非人工统计计算的基于BP神经网络的电厂厂用电率计算方法。
本发明解决技术问题所采用的技术方案是:
基于BP神经网络的电厂厂用电率计算方法,建立用于计算电厂厂用电总负荷的BP神经网络初始模型,BP神经网络初始模型采用历史数据样本进行网络学习训练得到用于计算电厂厂用电总负荷的BP神经网络最终模型,输入设计电厂设备数据,通过BP神经网络最终模型计算出设计电厂厂用电总负荷,将计电厂厂用电总负荷转换成设计电厂厂用电率,包括以下步骤:
步骤1、建立用于计算电厂厂用电总负荷的BP神经网络初始模型:按照电厂厂用电总负荷计算要求,确定电厂厂用电总负荷的影响变量,以影响变量为输入变量,电厂厂用电总负荷为输出变量,的Sigmoid型函数为神经元的激活函数建立具有输入层、隐层及输出层的BP神经网络初始模型;
步骤2、初始化BP神经网络初始模型并进行参数设置:初始化BP神经网络初始模型的连接权值和阀值,对BP神经网络初始模型的学习速率、期望误差、最大步数参数进行设置;
步骤3、采集计算现有电厂厂用电总负荷的影响变量数据:BP神经网络初始模型采集多组现有电厂影响变量数据作为输入变量数据;
步骤4、通过网络学习训练得到BP神经网络最终模型:对输入变量数据进行归一化处理得到历史数据样本,采用历史数据样本进行网络学习训练,将通过历史数据样本计算出的电厂厂用电总负荷和实测电厂厂用电总负荷进行对比,直到网络学习训练的均方误差达到要求,确定BP神经网络的连接权值和阀值,得到BP神经网络最终模型;
步骤5、计算设计电厂厂用电率:将设计电厂厂用电总负荷的影响变量数据作为输入变量数据输入到BP神经网络最终模型,通过计算得出设计电厂厂用电总负荷,将计电厂厂用电总负荷转换成设计电厂厂用电率。
进一步,步骤1中电厂厂用电总负荷的影响变量为发电机组台数、发电机组装机容量、电动给水泵功率、凝结水泵功率、一次风机功率、二次风机功率、引风机功率、单台发电机组低压总负荷。
进一步,步骤3现有电厂厂用电总负荷的影响变量为发电机组台数、发电机组装机容量、电动给水泵铭牌功率、凝结水泵铭牌功率、一次风机铭牌功率、二次风机铭牌功率、引风机铭牌功率、单台发电机组低压总负荷。
进一步,步骤5设计电厂厂用电总负荷的影响变量为发电机组台数、发电机组装机容量、电动给水泵选型功率、凝结水泵选型功率、一次风机选型功率、二次风机选型功率、引风机选型功率、单台发电机组低压总负荷。
进一步,步骤1前还包括建立现有电厂设备运营数据库:现有电厂设备运营数据库包括发电机组台数、发电机组装机容量、电动给水泵铭牌功率、凝结水泵铭牌功率、一次风机铭牌功率、二次风机铭牌功率、引风机铭牌功率、单台发电机组低压总负荷、实测电厂厂用电总负荷数据项。
进一步,采集计算现有电厂厂用电总负荷的影响变量数据为BP神经网络初始模型从现有电厂设备运营数据库采集数据项作为输入变量数据。
本发明的基于BP神经网络的电厂厂用电率计算方法同样适用于设计电厂的其他设计参数的计算。
与现有技术相比,本发明的有益效果是:
1、本发明的基于BP神经网络的电厂厂用电率计算方法,利用现有电厂设备运营数据库存储、管理现有电厂设备运营数据,以便能提供尽可能多的历史样本数据,通过具有机器学习能力的BP神经网络实现电厂厂用电率的自动计算;由于网络训练样本足够多,具有较强的校准复核能力,得出的电厂厂用电率误差较小;这种具有机器学习能力的基于BP神经网络的电厂厂用电率计算方法,数据处理和管理能力强,工作效率高,工作质量好,设计成本低。
2、本发明的基于BP神经网络的电厂厂用电率计算方法,由于直接使用大量实测数据来预测最接近实际运行情况的计算结果,很大程度上降低了计算误差,提高了数据的准确性。
附图说明
图1为本发明的基于BP神经网络的电厂厂用电计算方法流程图。
图2为本发明的BP神经网络初始模型示意图。
图3为本发明的实施方式的BP神经网络预测与预期结果比较图。
图4为本发明的实施方式的BP神经网络预测误差图。
图5为本发明的实施方式的BP神经网络预测误差百分比图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明采用公知的神经网络计算机作为运行环境,其中,神经网络计算机的神经网络采用BP神经网络。
本发明的基于BP神经网络的电厂厂用电率计算方法,如图1所示,处理过程包括五个步骤:建立用于计算电厂厂用电总负荷的BP神经网络初始模型,初始化BP神经网络初始模型并进行参数设置,采集计算现有电厂厂用电总负荷的影响变量数据,通过网络学习训练得到BP神经网络最终模型,计算设计电厂厂用电率,具体实现步骤如下:
步骤1、建立用于计算电厂厂用电总负荷的BP神经网络初始模型:按照电厂厂用电总负荷计算要求,确定电厂厂用电总负荷的影响变量,以影响变量为输入变量,电厂厂用电总负荷为输出变量,的Sigmoid型函数为神经元的激活函数建立具有输入层、隐层及输出层的BP神经网络初始模型。
其中,BP神经网络拓扑结构为含有输入层、一层隐层和输出层的前馈型神经网络结构,层与层之间采用全互连方式连接,同一层结点之间无连接,隐层节点数根据计算的需要确定,通常为5至15之间的数字;电厂厂用电总负荷的影响变量为发电机组台数、发电机组装机容量、电动给水泵功率、凝结水泵功率、一次风机功率、二次风机功率、引风机功率、单台发电机组低压总负荷;实际应用中,电厂厂用电总负荷的影响变量可根据电厂厂用电总负荷的计算需要做相应的调整,如将其中的几项合并成一个输入变量;输出变量为电厂厂用电总负荷,实际应用中,不局限于电厂厂用电总负荷,还可以是电厂设计的其他设计参数。
显而易见,用于计算电厂厂用电总负荷的BP神经网络初始模型具有自动网络学习训练能力,通过网络学习训练得出最佳的电厂厂用电总负荷计算模型。
步骤2、初始化BP神经网络初始模型并进行参数设置:初始化BP神经网络初始模型的连接权值和阀值,对BP神经网络初始模型的学习速率、期望误差、最大步数参数进行设置。
对BP神经网络初始模型进行初始化连接权值和阀值,其中,初始连接权值取(-1,1)间的随机数,设置BP神经网络初始模型的学习速率η、期望误差、最大步数参数,其他参数根据计算精度和速度的需要进行设置。
步骤3、采集计算现有电厂厂用电总负荷的影响变量数据:BP神经网络初始模型采集多组现有电厂影响变量数据作为输入变量数据。
其中,现有电厂厂用电总负荷的影响变量为发电机组台数、发电机组装机容量、电动给水泵铭牌功率、凝结水泵铭牌功率、一次风机铭牌功率、二次风机铭牌功率、引风机铭牌功率、单台发电机组低压总负荷。实际应用中,现有电厂厂用电总负荷的影响变量可根据现有电厂厂用电总负荷的计算需要做相应调整,如将其中的几项合并成一个输入变量。
步骤4、通过网络学习训练得到BP神经网络最终模型:对输入变量数据进行归一化处理得到历史数据样本,采用历史数据样本进行网络学习训练,将通过历史数据样本计算出的电厂厂用电总负荷和实测电厂厂用电总负荷进行对比,直到网络学习训练的均方误差达到要求,确定BP神经网络的连接权值和阀值,得到BP神经网络最终模型。
如图1、图2所示,BP神经网络初始模型采用BP神经网络算法。算法包括前向运算、反向运算和权值调整3部分。BP神经网络初始模型将采集到的多组现有电厂影响变量数据,应用公式进行归一化处理后作为输入变量数据输入BP神经网络初始模型,BP神经网络初始模型以这些数据为历史数据样本进行网络学习训练,网络学习训练由正向传播和反向传播两部分组成,其中,
正向传播
给定一个输入模式X=(x1,x2,···,xm),其中,X为本发明的输入变量集合,首先由输入层单元传到隐含层单元,经隐含层单元处理后再传送到输出层,最后由输出层单元处理并产生一个输出模式Y=(y1,y2,···,yn),Y为本发明的输出变量集合。
设输入层、隐含层、输出层结点数分别为m、h、n输入层到隐含层的连接权重为wij(i=1,2,···,m,j=1,2,···,h),隐含层到输出层的连接权为Vjl(y=l,2,···,h,h,l=1,2,···,n),则隐含层和输出层结点的输出分别为
j=1,2,···,h (1)
L=1,2,···,n (2)
θj-隐含层结点的阀值
-输出层结点的阀值
f-S型函数为神经元的激活函数
如果在输出层得不到期望的输出,则转入反向传播。
反向传播
将误差信号沿原来的连接通路返回,按式(3)、式(4)更新连接权及各层神经元的阀值,减小误差信号。
式中
α-增益项
β-增益项
-结点l的期望输出
y1-实际输出
通过网络训练,如图3至5所示,使预测电厂厂用电总负荷和实测电厂厂用电总负荷的误差不断减小,直至达到期望值。确认wij为隐层节点j与输入层节点i的连接权值和以及vjl为输出层节点l与隐层节点j的连接权值,以及θj-隐含层结点和-输出层结点的阀值后,即可得到用于计算电厂厂用电总负荷的BP神经网络最终模型。
步骤5、计算设计电厂厂用电率:将设计电厂厂用电总负荷的影响变量数据作为输入变量数据输入到BP神经网络最终模型,通过计算得出设计电厂厂用电总负荷,将计电厂厂用电总负荷转换成设计电厂厂用电率。
其中,设计电厂厂用电总负荷的影响变量为发电机组台数、发电机组装机容量、电动给水泵选型功率、凝结水泵选型功率、一次风机选型功率、二次风机选型功率、引风机选型功率、单台发电机组低压总负荷。实际应用中,设计电厂厂用电总负荷的影响变量可根据设计电厂厂用电总负荷的计算需要做相应调整,如将其中的几项合并成一个输入变量。
通过计算得出设计电厂厂用电总负荷,再按照电厂厂用电设计技术规定的计算方法,如火电厂为DL/T5153-2002《火力电厂厂用电设计技术规定》计算方法,将设计电厂厂用电总负荷换成设计电厂厂用电率。
下面是本发明的基于BP神经网络的电厂厂用电率计算方法的优选实施方式:
为了更好的管理现有电厂设备运营数据,为BP神经网络初始模型提供更多的现有电厂厂用电总负荷的影响变量数据,作为优选,如图1所示,步骤1前还包括建立现有电厂设备运营数据库:现有电厂设备运营数据库包括发电机组台数、发电机组装机容量、电动给水泵铭牌功率、凝结水泵铭牌功率、一次风机铭牌功率、二次风机铭牌功率、引风机铭牌功率、单台发电机组低压总负荷、实测电厂厂用电总负荷数据项。
使用中,现有电厂设备运营数据还可以包括电厂运营信息、设计电厂厂用电率;现有电厂设备运营数据可以是企业内部现有电厂设备运营数据,也可是行业内部的现有电厂设备运营数据,还可从云端获得的现有电厂设备运营数据。电厂设备运营数据的录入可以通过电厂运营人员来完成,也可以通过运营人员来完成。
显而易见,由于建立现有电厂设备运营数据库,采用数据库来存储、管理现有电厂设备运营数据,电厂工艺设计人员可采用电厂设备运营数据库的样本数据建立计算模型来计算电厂厂用电率,实现电厂设备运营数据库统计的信息化和自动化;同时,电厂工艺设计人员获得的样本数据不局限于电厂运营人员提供的企业内部现有电厂设备运营数据,增强了现有电厂厂用电总负荷计算时的对比校核手段,确保通过现有电厂设备运营数据获得较为精准的现有电厂厂用电总负荷。
为了提高BP神经网络初始模型采集计算现有电厂厂用电总负荷的影响变量的效率,作为优选,采集计算现有电厂厂用电总负荷的影响变量数据为BP神经网络初始模型从现有电厂设备运营数据库采集数据项作为输入变量数据。
使用中,如果BP神经网络和现有电厂设备运营数据库存在于同一台计算机,则BP神经网络初始模型直接通过通信协议调用现有电厂设备运营数据库的数据,如果BP神经网络和现有电厂设备运营数据库存在于不同的计算机,则两台计算机之间先建立公知的物理连接,BP神经网络初始模型再通过通信协议调用现有电厂设备运营数据库的数据。
下面以纯凝机组电泵方案的火力电厂工程为例,采用本发明的基于BP神经网络的电厂厂用电率计算方法,实现设计电厂厂用电率计算,具体实施过程如下:
具体的工程情况为,发电机组台数为x1,发电机组装机容量为x2,单台发电机组的电动给水泵选型功率和凝结水泵选型功率之和x3,单台发电机组的一次风机选型功率、二次风机选型功率、引风机选型功率之和为x4,单台发电机组低压计算负荷之和x5。
本实施例在建立BP神经网络初始模型时,将单台发电机组的电动给水泵功率和凝结水泵功率之和设定为一个输入变量,将单台发电机组的一次风机牌功率、二次风机功率、引风机功率之和设定为一个输入变量,发电机组台数、发电机组装机容量、单台发电机组低压计算负荷之和分别作为输入变量,将电厂厂用电总负荷作为BP神经网络的输出变量,神经元的激活函数采用的Sigmoid型函数。
本发明的BP神经网络初始模型,包括输入层、隐层和输出层,隐层有10个神经元,BP神经网络结构的学习速率η为0.1,期望误差取0.0001,最大步数为100,初始权值为0.1。
工作时,BP神经网络初始模型从电厂设备运营数据库调取80组现有电厂设备运营数据,并计算出单台发电机组的电动给水泵铭牌功率和凝结水泵铭牌功率之和,单台发电机组的一次风机铭牌功率、二次风机铭牌功率、引风机铭牌功率之和,它们分别作为一个输入变量数据,对输入变量数据进行归一化处理得到历史数据样本,BP神经网络初始模型采用历史数据样本进行网络学习训练,经过52次循环运算后,即得到达到要求误差精度的电厂厂用电总负荷计算的BP神经网络最终模型。
将设计电厂的发电机组台数为x1,发电机组装机容量为x2,单台发电机组的电动给水泵选型功率和凝结水泵选型功率之和x3,单台发电机组的一次风机选型功率、二次风机选型功率、引风机选型功率之和为x4,单台发电机组低压计算负荷之和x5作为电厂厂用电总负荷计算的BP神经网络最终模型的输入变量,通过计算得到电厂厂用电总负荷,再按照火电厂DL/T5153-2002《火力电厂厂用电设计技术规定》计算方法,将电厂厂用电总负荷转换为电厂厂用电率。
采用本发明基于BP神经网络的电厂厂用电率计算方法进行厂用电率的计算,试验工程的平均绝对值误差为0.84%。
以上是本发明基于BP神经网络的电厂厂用电率计算方法的实施过程,从实施过程可以看出,本发明利用现有电厂设备运营数据库存储、管理现有电厂设备运营数据,以便能提供尽可能多的历史样本数据,通过具有机器学习能力的BP神经网络实现电厂厂用电率的自动计算;由于网络训练样本足够多,具有较强的校准复核能力,得出的电厂厂用电率误差较小;这种具有机器学习能力的基于BP神经网络的电厂厂用电率计算方法,数据处理和管理能力强,工作效率高,工作质量好,工作成本低。
Claims (6)
1.基于BP神经网络的电厂厂用电率计算方法,其特征在于,建立用于计算电厂厂用电总负荷的BP神经网络初始模型,BP神经网络初始模型采用历史数据样本进行网络学习训练得到用于计算电厂厂用电总负荷的BP神经网络最终模型,输入设计电厂设备数据,通过BP神经网络最终模型计算出设计电厂厂用电总负荷,将计电厂厂用电总负荷转换成设计电厂厂用电率,包括以下步骤:
步骤1、建立用于计算电厂厂用电总负荷的BP神经网络初始模型:按照电厂厂用电总负荷计算要求,确定电厂厂用电总负荷的影响变量,以影响变量为输入变量,电厂厂用电总负荷为输出变量,的Sigmoid型函数为神经元的激活函数建立具有输入层、隐层及输出层的BP神经网络初始模型;
步骤2、初始化BP神经网络初始模型并进行参数设置:初始化BP神经网络初始模型的连接权值和阀值,对BP神经网络初始模型的学习速率、期望误差、最大步数参数进行设置;
步骤3、采集计算现有电厂厂用电总负荷的影响变量数据:BP神经网络初始模型采集多组现有电厂影响变量数据作为输入变量数据;
步骤4、通过网络学习训练得到BP神经网络最终模型:对输入变量数据进行归一化处理得到历史数据样本,采用历史数据样本进行网络学习训练,将通过历史数据样本计算出的电厂厂用电总负荷和实测电厂厂用电总负荷进行对比,直到网络学习训练的均方误差达到要求,确定BP神经网络的连接权值和阀值,得到BP神经网络最终模型;
步骤5、计算设计电厂厂用电率:将设计电厂厂用电总负荷的影响变量数据作为输入变量数据输入到BP神经网络最终模型,通过计算得出设计电厂厂用电总负荷,将计电厂厂用电总负荷转换成设计电厂厂用电率。
2.根据权利要求1所述的基于BP神经网络的电厂厂用电率计算方法,其特征在于,步骤1中所述电厂厂用电总负荷的影响变量为发电机组台数、发电机组装机容量、电动给水泵功率、凝结水泵功率、一次风机功率、二次风机功率、引风机功率、单台发电机组低压总负荷。
3.根据权利要求1所述的基于BP神经网络的电厂厂用电率计算方法,其特征在于,步骤3所述现有电厂厂用电总负荷的影响变量为发电机组台数、发电机组装机容量、电动给水泵铭牌功率、凝结水泵铭牌功率、一次风机铭牌功率、二次风机铭牌功率、引风机铭牌功率、单台发电机组低压总负荷。
4.根据权利要求1至3中任意一项权利要求所述的基于BP神经网络的电厂厂用电率计算方法,其特征在于,步骤5所述设计电厂厂用电总负荷的影响变量为发电机组台数、发电机组装机容量、电动给水泵选型功率、凝结水泵选型功率、一次风机选型功率、二次风机选型功率、引风机选型功率、单台发电机组低压总负荷。
5.根据权利要求根据权利要求1至3中任意一项权利要求所述的基于BP神经网络的电厂厂用电率计算方法,其特征在于,步骤1前还包括建立现有电厂设备运营数据库:现有电厂设备运营数据库包括发电机组台数、发电机组装机容量、电动给水泵铭牌功率、凝结水泵铭牌功率、一次风机铭牌功率、二次风机铭牌功率、引风机铭牌功率、单台发电机组低压总负荷、实测电厂厂用电总负荷数据项。
6.根据权利要求5所述基于BP神经网络的电厂厂用电率计算方法,其特征在于,所述采集计算现有电厂厂用电总负荷的影响变量数据为BP神经网络初始模型从现有电厂设备运营数据库采集数据项作为输入变量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410300022.XA CN104021315A (zh) | 2014-06-27 | 2014-06-27 | 基于bp神经网络的电厂厂用电率计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410300022.XA CN104021315A (zh) | 2014-06-27 | 2014-06-27 | 基于bp神经网络的电厂厂用电率计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104021315A true CN104021315A (zh) | 2014-09-03 |
Family
ID=51438067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410300022.XA Pending CN104021315A (zh) | 2014-06-27 | 2014-06-27 | 基于bp神经网络的电厂厂用电率计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104021315A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408562A (zh) * | 2014-11-25 | 2015-03-11 | 许继集团有限公司 | 一种基于bp神经网络的光伏***发电效率综合评估方法 |
CN105896538A (zh) * | 2016-06-29 | 2016-08-24 | 国网江苏省电力公司电力科学研究院 | 一种基于实测数据的厂用电负荷修正模型建模方法 |
CN108154258A (zh) * | 2017-11-27 | 2018-06-12 | 国网北京市电力公司 | 空气源热泵负荷的预测方法、装置、存储介质和处理器 |
CN109087033A (zh) * | 2018-09-28 | 2018-12-25 | 龙源(北京)风电工程技术有限公司 | 一种风电场综合场用电率计算分析*** |
CN109186533A (zh) * | 2018-07-13 | 2019-01-11 | 南京理工大学 | 一种基于bp神经网络算法的地面防空雷达遮蔽角计算方法 |
CN109408884A (zh) * | 2018-09-19 | 2019-03-01 | 同济大学 | 用于集中式空调***自动设计的信息处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678891A (zh) * | 2013-12-02 | 2014-03-26 | 中国南方电网有限责任公司 | 火电机组负荷裕度实时预测方法 |
CN103759290A (zh) * | 2014-01-16 | 2014-04-30 | 广东电网公司电力科学研究院 | 大型燃煤机组在线监测与优化控制***及其实现方法 |
-
2014
- 2014-06-27 CN CN201410300022.XA patent/CN104021315A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678891A (zh) * | 2013-12-02 | 2014-03-26 | 中国南方电网有限责任公司 | 火电机组负荷裕度实时预测方法 |
CN103759290A (zh) * | 2014-01-16 | 2014-04-30 | 广东电网公司电力科学研究院 | 大型燃煤机组在线监测与优化控制***及其实现方法 |
Non-Patent Citations (5)
Title |
---|
YONGLI WANG 等: "Short-term power load forecasting based on IVL-BP neural network technolog", 《SYSTEMS ENGINEERING PROCEDIA》 * |
张子恒: "火力发电厂厂用电设计计算方法研究", 《新疆电力技术》 * |
张海静: "基于改进神经网络的热电厂短期热负荷预测分析", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
王效岳 等: "改进BP神经网络在城市工业用电量预测中的应用", 《自动化技术与应用》 * |
黄芸: "基于神经网络的短期电力负荷预测模型研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408562A (zh) * | 2014-11-25 | 2015-03-11 | 许继集团有限公司 | 一种基于bp神经网络的光伏***发电效率综合评估方法 |
CN104408562B (zh) * | 2014-11-25 | 2018-01-16 | 许继集团有限公司 | 一种基于bp神经网络的光伏***发电效率综合评估方法 |
CN105896538A (zh) * | 2016-06-29 | 2016-08-24 | 国网江苏省电力公司电力科学研究院 | 一种基于实测数据的厂用电负荷修正模型建模方法 |
CN105896538B (zh) * | 2016-06-29 | 2018-06-19 | 国网江苏省电力公司电力科学研究院 | 一种基于实测数据的厂用电负荷修正模型建模方法 |
CN108154258A (zh) * | 2017-11-27 | 2018-06-12 | 国网北京市电力公司 | 空气源热泵负荷的预测方法、装置、存储介质和处理器 |
CN108154258B (zh) * | 2017-11-27 | 2021-11-05 | 国网北京市电力公司 | 空气源热泵负荷的预测方法、装置、存储介质和处理器 |
CN109186533A (zh) * | 2018-07-13 | 2019-01-11 | 南京理工大学 | 一种基于bp神经网络算法的地面防空雷达遮蔽角计算方法 |
CN109408884A (zh) * | 2018-09-19 | 2019-03-01 | 同济大学 | 用于集中式空调***自动设计的信息处理方法 |
CN109087033A (zh) * | 2018-09-28 | 2018-12-25 | 龙源(北京)风电工程技术有限公司 | 一种风电场综合场用电率计算分析*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301472B (zh) | 基于场景分析法和电压调节策略的分布式光伏规划方法 | |
CN104021315A (zh) | 基于bp神经网络的电厂厂用电率计算方法 | |
CN108564206B (zh) | 一种基于分布式优化和空间相关性的风电功率预测方法 | |
WO2022021726A1 (zh) | 一种基于pmu的电力***状态估计性能评价方法 | |
CN108665112A (zh) | 基于改进粒子群优化Elman网络的光伏故障检测方法 | |
CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN105512745A (zh) | 基于粒子群—bp神经网络的风电功率区间预测方法 | |
CN104636823A (zh) | 一种风电功率预测方法 | |
CN109345009A (zh) | 二阶灰色神经网络和马尔科夫链的短期风速区间预测方法 | |
CN116914751B (zh) | 一种智能配电控制*** | |
CN110363334A (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN106372440B (zh) | 一种并行计算的配电网自适应抗差状态估计方法及装置 | |
CN114389312B (zh) | 一种配电网分布式状态估计方法 | |
Tao et al. | On comparing six optimization algorithms for network-based wind speed forecasting | |
CN116826728A (zh) | 一种少测量样本条件下的配电网状态结构估计方法及*** | |
CN116865343A (zh) | 分布式光伏配电网的无模型自适应控制方法、装置及介质 | |
CN117117827A (zh) | 一种基于卷积神经网络的新型配电网状态估计方法 | |
CN103489037A (zh) | 一种可发电风资源的预测方法 | |
CN110675276A (zh) | 一种用于直流输电***反演下垂控制的方法及*** | |
CN115065166A (zh) | 一种低压配电网状态感知及异常告警方法 | |
CN113690930B (zh) | 基于nsga-iii算法的分布式光伏电源中长期选址定容方法 | |
CN104700218A (zh) | 用于确定电网分区数量以及电网分区的方法和*** | |
CN113673141A (zh) | 一种基于数据驱动的能量路由器建模及优化控制方法 | |
CN114444763A (zh) | 基于afsa-gnn的风电功率预测方法 | |
Hu et al. | The method for single well operational cost prediction combining RBF neural network and improved PSO algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140903 |