CN110129832B - 一种铝电解过程槽电压的多目标优化方法 - Google Patents
一种铝电解过程槽电压的多目标优化方法 Download PDFInfo
- Publication number
- CN110129832B CN110129832B CN201910544806.XA CN201910544806A CN110129832B CN 110129832 B CN110129832 B CN 110129832B CN 201910544806 A CN201910544806 A CN 201910544806A CN 110129832 B CN110129832 B CN 110129832B
- Authority
- CN
- China
- Prior art keywords
- state
- cell
- model
- cell voltage
- voltage
- 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.)
- Active
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25C—PROCESSES FOR THE ELECTROLYTIC PRODUCTION, RECOVERY OR REFINING OF METALS; APPARATUS THEREFOR
- C25C3/00—Electrolytic production, recovery or refining of metals by electrolysis of melts
- C25C3/06—Electrolytic production, recovery or refining of metals by electrolysis of melts of aluminium
- C25C3/20—Automatic control or regulation of cells
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Organic Chemistry (AREA)
- Electrolytic Production Of Metals (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种铝电解过程槽电压的多目标优化方法,其包括如下步骤:步骤一,采集并清洗铝电解生产现场数据;步骤二,建立关于稳定性、物料平衡、能量平衡的槽状态综合指标模型;步骤三,搭建自回归移动平均模型预测综合指标的时间序列;步骤四,以步骤三中求得的状态时间序列为输入,搭建模糊神经网络预测槽状态;步骤五,采用蚁狮优化的LSSVM建立槽电压预测模型;步骤六,以槽电压与目标值之差最小、槽状态优良为目标,以生产操作要求为约束条件,建立槽电压的多目标优化模型;步骤七,采用多目标蚁狮优化算法求解模型,求得一组优化设定值。该组优化设定值可为操作工人提供指导,在保证槽状态良好的同时降低槽电压,达到节能降耗的目的。
Description
技术领域
本发明涉及铝电解技术领域,特别涉及一种铝电解过程槽电压的多目标优化方法。
背景技术
在铝电解生产过程中,在保证生产健康稳定运行的前提下,合理降低槽电压是节能降耗的有效办法。由于生产参数之间非线性、强耦合的关系,且槽电压不可直接控制,不能简单地采取降低槽控机中设定电压的做法,这可能导致电流效率的降低和槽状态的恶化。若想降低槽电压,操作工人需要结合当前槽状态及其趋势来调整相关可控参数的设定值,达到间接控制槽电压的效果,才能做到节能降耗生产。目前,大多数工厂通过试探法来调整设定值,但控制效果往往对操作员依赖性高、耗时、留有降低空间。为获得一组最优的设定值,建立槽电压的多目标优化模型,对生产稳定、节能生产有重要指导意义。
发明内容
本发明的目的在于提供一种铝电解过程槽电压的多目标优化方法,通过优化槽电压和电解槽综合状态指标,获得一组最优的可控参数设定值,将设定值下发底层控制***,保证铝电解的节能、稳定生产。
本发明的上述目的通过以下技术方案予以实现:
一种铝电解过程槽电压的多目标优化方法,包括如下步骤:
步骤一:从工厂现场的设备上采集若干组原始数据,其中每一组原始数据包括铝电解过程中的槽平均电压、电流效率、效应累计发生时间、槽电阻、分子比、氧化铝浓度、出铝量、极距、电解质温度、电流这些参数的现场数据,并对原始数据进行异常值剔除;
步骤二:将反映电解槽三种平衡状态的三个参数:效应累积发生时间(T)、槽平均电压(V)、电流效率(W)偏离理想状态的程度作为评判槽状态的依据,建立电解槽状态的综合状态指标模型;
步骤三:搭建自回归移动平均(ARMA)模型,预测槽状态综合指标的时间序列d(k),得到槽状态的自然延续趋势d(k+1);
步骤四:将未来槽状态看作由两部分组成:目前槽状态的自然延续d(k+1)、工人操作控制效果,建立模糊神经网络(FNN)模型,融合这两部分信息进行槽状态预测,求得未来槽状态;
步骤五:采用蚁狮优化算法(ALO)优化的最小二乘支持向量机(LSSVM)建立槽电压的预测模型;
步骤六:以槽平均电压与目标值之差最小、未来槽状态良好为目标,以生产操作要求为约束条件,建立槽电压的多目标优化模型;
步骤七:采用多目标蚁狮优化算法(MOALO)求解步骤六所建立的模型,求得一组最优操作参数设定值。
所述步骤二中,综合电解槽的稳定性参数——效应累积发生时间(T)、能量平衡参数——槽平均电压(V)、电解槽物料平衡参数——电流效率(W),建立综合槽状态空间,如下所示:
式中,V优为优化槽电压,由先验知识确定。(u,v,w)与原点(0,0,0)的距离反映了槽状态偏离理想状态的程度。即:
d越大,说明该点槽状态偏离理想状态越远,槽状态越差;相反,d越小,则槽状态偏离理想状态越小,槽状态越好。
所述步骤三中,首先采用ALO优化ARMA(m,n)的模型阶数,再采用优化后的模型预测综合状态指标的时间序列d(k+1)。
所述步骤四中,联合d(k+1)预测模型和模糊神经网络(FNN)建立槽状态预测模型,模型结构如附图2所示。
所述步骤五中,采用ALO优化LSSVM的核函数参数和惩罚因子,再用优化后的LSSVM进行槽电压预测。
所述步骤六中,考虑到现实生产中,工人调整操作参数时应该遵守“少量多次”的准则,如:槽电阻、分子比、氧化铝浓度、出铝量的单次调整量不应超过0.2μΩ、0.9、1.3、40kg,调整结束后槽电压和槽状态都处在最优的临界状态。基于此要求,以未来槽状态良好、槽电压与最优值之差最小为目标,以生产操作要求为约束条件,建立槽电压的多目标优化模型如下:
fitness1=min[f(g)-V优]
fitness2=minS(g)
式中,R基、O基、M基、V优分别是是基准槽电阻、基准分子比、基准氧化铝浓度、优化槽电压,由先验知识确定。f(g)=f(s1,s2,s3,s4,x1,x2,x3)为槽平均电压预测模型,min[f(g)-V优]代表槽平均电压与最优值无限接近,体现节能降耗的生产目标。S(g)是槽状态预测模型,minS(g)代表未来槽状态无限接近最优槽状态,体现安全生产的生产要求。
与现有技术相比,本发明具有以下有益效果:本发明通过建立槽电压的多目标优化模型,获得一组最优的可控参数设定值,在保证槽状态优良的同时有效降低槽电压,从而达到稳定、节能的生产目标。
附图说明
图1本发明一种铝电解过程槽电压的多目标优化方法的步骤示意图;
图2基于ARMA-FNN的槽状态预测模型结构示意图;
图3基于ARMA(m,n)的时间序列预测模型建模过程示意图;
图4基于ALO-LSSVM的槽电压预测模型建模过程示意图;
图5基于MOALO的槽电压多目标优化模型求解过程;
图6槽电压优化控制仿真结果。
具体实施方式
下面结合附图,对本发明进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
铝电解生产中,可控参数有槽电阻、分子比、氧化铝浓度,而其他参数都不可控或不可精确控制。本发明建立槽电压的多目标优化模型,寻求一组最优的可控参数设定值,通过控制该组参数在目标范围内达到降低槽电压的效果,从而达到稳定、节能的生产目标。具体实施主要有三个环节,建立目标函数模型、搭建优化模型、求解模型,如附图1所示。
降低槽电压是生产控制的目标之一。槽电压是指强大的直流电流入电解槽时在进电端和出电端之间形成的电压降。实际生产过程中,槽电压不可在线测量,只能通过工人定期的离线检测获得,一般工厂是每天一测,有些工厂是几天一测。槽电压的检测滞后,操作工人得不到及时的控制反馈,很大程度上影响了生产的控制效果。为此,建立槽电压的软测量模型十分有必要。由工艺分析,极距、分子比、电阻、氧化铝浓度、出铝量、电解质温度、电流是影响槽电压的主要参数,采用最小二乘支持向量机进行槽电压预测。
保持稳定生产也是生产控制的目标之一。实际生产中,反应过程伴随着高温强腐蚀的特点使得工人无法直接观察槽状态,只能从电解槽的相关参数推测当前槽状态。判断结果的准确度依赖于工人的经验是否准确。为此,建立槽状态预测模型,有利于工人及时了解生产控制效果。未来槽状态由两部分组成:目前槽状态的自然延续d(k+1)、工人操作控制效果。目前槽状态包括三种状态:稳定性、物料平衡、能量平衡,建立综合指标d(k)可综合评价三种状态。另外,目前槽状态的自然延续d(k+1)可由时间序列预测模型获得。利用模糊神经网络融合d(k+1)和工人操作控制效果两部分信息,建立槽状态预测模型,结构如图2所示。
为了稳定、节能的生产目标,以槽状态预测结果最小、槽平均电压无限接近最优值为目标,以操作要求为约束条件,建立槽电压的多目标优化模型,采用多目标优化算法解模型,获得一组操作参数的最优组合。
该铝电解过程槽电压的多目标优化方法包括如下步骤:
步骤一:从工厂现场的设备上采集若干组原始数据,其中每一组原始数据包括铝电解过程中的槽平均电压、电流效率、效应累计发生时间、槽电阻、分子比、氧化铝浓度、出铝量、极距、电解质温度、电流这些参数的现场数据,并对原始数据中明显的测量无差点进行异常值剔除;
步骤二:建立电解槽状态的综合状态指标模型。在该步骤中,综合电解槽稳定性参数——效应累积发生时间(T)、能量平衡参数——槽平均电压(V)、物料平衡参数——电流效率(W)建立槽状态空间,如下所示:
式中,V优为优化槽电压,由先验知识确定。(u,v,w)与原点(0,0,0)的距离反映了槽状态偏离理想状态的程度。即:
d越大,说明该点槽状态偏离理想状态越远,槽状态越差;相反,d越小,则槽状态偏离理想状态越小,槽状态越好。
步骤三:使用自回归移动平均(ARMA)模型预测状态指标的时间序列d(k+1)。首先采用ALO算法优化ARMA(m,n)的模型阶数,再采用优化后的模型预测综合状态指标的时间序列d(k+1),得到状态指标的自然延续趋势。模型建立的过程为:
1)种群随机初始化。根据式(1)随机生成n个蚂蚁和m个蚁狮,设置最大迭代次数、搜索空间的上下界Ud、Ld。设置蚁狮和蚂蚁种群规模N,最大迭代次数T。
z0=Ld+rand(0,1)(Ud-Ld) (1)
2)计算个体适应度值。以个体z=(z1,z2)作为ARMA模型的阶数(m,n),向该模型输入平稳化后的d时间序列,以模型的相对误差作为个体fitness,如式(2)所示。
式中,f(i)代表第i个个体的适应度值。
3)更新蚂蚁、蚁狮和精英蚁狮的位置。蚂蚁随机游走的轨迹为(t是迭代次数):
Xt=[0,...,comsum(2r(t)-1)] (3)
其中t为当前迭代次数,T为最大迭代次数。
在ALO算法中,蚂蚁的随机行为受到轮盘赌策略和精英蚁狮的影响,因此,蚂蚁的位置根据轮盘赌策略和精英蚁狮的随机移动的平均值进行更新。第t代第j个蚂蚁的位置更新公式为:
如果更新后的蚂蚁适应度大于选定蚁狮,则更新该蚁狮的位置到蚂蚁所在处。表示为:
4)判断是否满足终止条件。适应度值不是最小值否则转至3),是则得到优化参数(m,n),执行下一步。
5)运用ARMA(m,n)模型对dk+1进行预测。模型的一般表示如式(11)所示:
步骤四:以步骤三中求得的时间序列、电解槽可控参数为输入,采用模糊神经网络进行槽状态预测。将未来槽状态看作由两部分组成:目前槽状态的自然延续、工人操作控制效果,采用模糊神经网络将这两部分信息进行融合,以步骤三中求得的时间序列、电解槽可控参数为输入,建立槽状态的预测模型,求得未来槽状态,模型结构如图2所示。
步骤五:采用最小二乘支持向量机建立槽电压的预测模型。在该步骤中,首先采用ALO优化LSSVM的核函数参数和惩罚因子,再用优化后的LSSVM进行槽电压预测,以极距、分子比、电阻、氧化铝浓度、出铝量、电解质温度、电流为模型输入,槽电压为输出。建模过程如下所示:
1)根据式(1)种群随机初始化。随机生成n个蚂蚁和m个蚁狮,设置最大迭代次数、搜索空间的上下界Ud、Ld。设置蚁狮和蚂蚁种群规模N,最大迭代次数T。
2)计算个体适应度值。首先以蚁狮个体为LSSVM的参数,用100组数据对LSSVM进行训练,得到如式(12)的LSSVM函数估计模型:
式中,i表示第i个个体,表示LSSVM模型输出,α与b分别为LSSVM训练后得到的回归系数和偏差,K(g)为核函数。再以100组数据对LSSVM进行测试。综合训练和测试结果构造烟花算法的适应度函数为:
f(i)=max(Etrain(i))+max(Etest(i))+|max(Etrain(i))-max(Etest(i))| (13)
式中f1为适应度值,Etrain、Etest分别为训练误差绝对值集和测试误差绝对值集,max(g)为取最大值操作。同时,记录全局最优位置作为精英蚁狮。
3)根据式(3)~(10)更新蚂蚁、蚁狮和精英蚁狮的位置。
4)判断是否满足终止条件,否则转至3),是则结束,得到优化LSSVM参数Z*。
5)应用优化参数Z*及训练数据训练LSSVM,得到槽电压预测模型。
建模过程如图4所示。
步骤六:考虑到现实生产中,工人调整操作参数时应遵守“少量多次”的准则,如:槽电阻、分子比、氧化铝浓度、出率量的单词调整量不应超过0.2μΩ、0.9、1.3、40kg,调整结束后槽电压和槽状态都处在最优临界状态。基于此要求,以槽平均电压与目标值之差最小、未来槽状态良好为目标,以生产操作要求为约束条件,建立槽电压的多目标优化模型,建立的槽电压多目标有边界优化模型如下所示:
fitness1=min[f(g)-V优]
fitness2=minS(g)
式中,R基、O基、M基、V优分别是基准槽电阻、基准分子比、基准氧化铝浓度、优化槽电压,由先验知识确定。f(g)=f(s1,s2,s3,s4,x1,x2,x3)为槽平均电压预测模型,min[f(g)-V优]代表槽平均电压与最优值无限接近,体现节能降耗的生产目标。S(g)是槽状态预测模型,minS(g)代表未来槽状态无限接近最优槽状态,体现安全生产的生产要求。
步骤七:采用MOALO求解步骤六所建立的模型,求得适合当前槽状态的一组最优操作参数设定值。求解过程如下所示:
1)初始化种群。根据式(1)随机生成n个蚂蚁和m个蚁狮,设置最大迭代次数、搜索空间的上下界Ud、Ld。设置蚁狮和蚂蚁种群规模N,最大迭代次数T。
2)计算个体适应度值。
3)根据(3)~(10)式更新蚂蚁、蚁狮和精英蚁狮的位置,并存档。如果更新后的蚂蚁是帕累托最优解,即占优于选定蚁狮,如式(15),则更新该蚁狮的位置到蚂蚁所在处。
5)判断是否达到停止条件。如果达到则算法结束,得到最优操作参数s*。否则,运行3)。
模型求解过程如图5所示。
电解槽的控制一般由有经验的工人采用试凑的方法进行控制,本发明提出的槽电压优化方法可提供一组合理的操作参数设定值。以广西某铝厂提供的数据进行实验,首先建立槽状态预测模型和槽电压预测模型,再搭建槽电压的优化模型,模型求解结果为:fitness1=3.8446V、fitness2=0.0073。实验采用的195组数据通过计算可得平均槽电压值为3.9403V,优化槽电压值为3.8446V,可降低95.7mV槽平均电压。模型求解得到一组操作参数:s1=0.0118,s2=2.2464,s3=3.9611,s4=32.0557。将该组参数下发底层控制***,槽状态预测结果显示了该组优化设定值的控制效果,如图6所示。例如图中第9个检测点,在未下发优化设定值时,状态指标d为0.035,此时槽状态已偏离优良状态。若在***中下发优化设定值,槽状态指标d为0.019,槽状态已回到优良的状态。说明了优化设定模型可寻到一组优化的操作参数设定值,可使偏离最优的槽状态逐渐回到优良状态。综上,本发明提出的槽电压优化方法,在保证槽状态优良的同时有效降低槽电压。
Claims (5)
1.一种铝电解过程槽电压的多目标优化方法,其特征在于,包括如下步骤:
步骤一:从工厂现场的设备上采集若干组原始数据,其中每一组原始数据包括铝电解过程中的槽平均电压、电流效率、效应累计发生时间、槽电阻、分子比、氧化铝浓度、出铝量、极距、电解质温度、电流这些参数的现场数据,并对原始数据进行异常值剔除;
步骤二:将反映电解槽三种平衡状态的三个参数:效应累积发生时间(T)、槽平均电压(V)、电流效率(W)偏离理想状态的程度作为评判槽状态的依据,建立电解槽状态的综合状态指标模型;
步骤三:搭建自回归移动平均(ARMA)模型,预测槽状态综合指标的时间序列d(k),得到槽状态的自然延续趋势d(k+1);
步骤四:将未来槽状态看作由两部分组成:目前槽状态的自然延续d(k+1)、工人操作控制效果,建立模糊神经网络模型,融合这两部分信息进行槽状态预测,求得未来槽状态;
步骤五:采用蚁狮优化算法优化的最小二乘支持向量机建立槽电压的预测模型;
步骤六:以槽平均电压与目标值之差最小、未来槽状态良好为目标,以生产操作要求为约束条件,建立槽电压的多目标优化模型;
步骤七:采用多目标蚁狮优化算法求解步骤六所建立的模型,求得一组最优操作参数设定值;
所述步骤六中,建立槽电压的多目标优化模型如下:
fitness1=min[f(g)-V优]
fitness2=minS(g)
式中,R基、O基、M基、V优分别是基准槽电阻、基准分子比、基准氧化铝浓度、优化槽电压,由先验知识确定;f(g)=f(s1,s2,s3,s4,x1,x2,x3)为槽平均电压预测模型,min[f(g)-V优]代表槽平均电压与最优值无限接近;S(g)是槽状态预测模型,minS(g)代表未来槽状态无限接近最优槽状态。
3.根据权利要求1所述的铝电解过程槽电压的多目标优化方法,其特征在于,所述步骤三中,首先采用蚁狮优化算法优化ARMA(m,n)的模型阶数,再采用优化后的模型预测综合状态指标的时间序列d(k+1)。
4.根据权利要求1所述的铝电解过程槽电压的多目标优化方法,其特征在于,所述步骤四中,联合d(k+1)预测模型和模糊神经网络建立槽状态预测模型。
5.根据权利要求1所述的铝电解过程槽电压的多目标优化方法,其特征在于,所述步骤五中,采用蚁狮优化算法优化最小二乘支持向量机的核函数参数和惩罚因子,再用优化后的最小二乘支持向量机进行槽电压预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910544806.XA CN110129832B (zh) | 2019-06-21 | 2019-06-21 | 一种铝电解过程槽电压的多目标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910544806.XA CN110129832B (zh) | 2019-06-21 | 2019-06-21 | 一种铝电解过程槽电压的多目标优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110129832A CN110129832A (zh) | 2019-08-16 |
CN110129832B true CN110129832B (zh) | 2021-04-09 |
Family
ID=67579041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910544806.XA Active CN110129832B (zh) | 2019-06-21 | 2019-06-21 | 一种铝电解过程槽电压的多目标优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110129832B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651890B (zh) * | 2020-06-04 | 2022-04-12 | 中南大学 | 基于数据驱动的铝电解数字孪生工厂、控制方法及*** |
CN111996556B (zh) * | 2020-07-15 | 2021-09-14 | 中国铝业股份有限公司 | 一种铝电解槽能量平衡的控制*** |
CN112085318B (zh) * | 2020-07-28 | 2023-08-04 | 河南科技大学 | 一种基于多目标蚁狮算法的客户需求模块化工艺配置方法 |
CN112114214B (zh) * | 2020-09-08 | 2022-12-27 | 贵州电网有限责任公司 | 一种变压器故障诊断方法 |
CN112501655A (zh) * | 2020-11-17 | 2021-03-16 | 湖南力得尔智能科技股份有限公司 | 一种铝电解生产数字化智能管控平台 |
TWI784491B (zh) * | 2021-04-21 | 2022-11-21 | 力芯智能有限公司 | 電解過程的自適應模糊控制系統及其方法 |
CN114959797A (zh) * | 2022-07-04 | 2022-08-30 | 广东技术师范大学 | 基于数据扩增和sskelm的铝电解槽况诊断方法 |
CN117007978B (zh) * | 2023-10-07 | 2024-01-30 | 中国华能集团清洁能源技术研究院有限公司 | 电池电压预测方法、装置、电子设备及存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NO166821C (no) * | 1985-02-21 | 1991-09-04 | Aardal & Sunndal Verk As | Fremgangsmaate for styring av aluminiumoksyd-tilfoerselen til elektrolyseovner for fremstilling av aluminium. |
CN101935851B (zh) * | 2010-09-30 | 2012-03-28 | 中南大学 | 一种预焙铝电解槽电流强化与高效节能的方法 |
CN102636624B (zh) * | 2012-04-28 | 2014-07-02 | 重庆大学 | 铝电解过程电解槽中氧化铝浓度的软测量方法 |
CN103345559B (zh) * | 2013-07-10 | 2016-04-20 | 重庆科技学院 | 铝电解过程电解槽工艺能耗的动态演化建模方法 |
CN105404142B (zh) * | 2015-11-06 | 2017-12-26 | 重庆科技学院 | 基于bp神经网络与mbfo算法的铝电解多参数控制方法 |
CN105447567B (zh) * | 2015-11-06 | 2017-12-05 | 重庆科技学院 | 基于bp神经网络与mpso算法的铝电解节能减排控制方法 |
CN105420760B (zh) * | 2015-11-06 | 2018-05-01 | 重庆科技学院 | 基于自适应步长细菌觅食算法的铝电解多参数优化方法 |
CN109100995B (zh) * | 2018-03-09 | 2020-09-29 | 重庆科技学院 | 基于决策者偏好信息的铝电解节能减排优化方法 |
-
2019
- 2019-06-21 CN CN201910544806.XA patent/CN110129832B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110129832A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110129832B (zh) | 一种铝电解过程槽电压的多目标优化方法 | |
CN109062053B (zh) | 一种基于多变量校正的脱硝喷氨控制方法 | |
Ghods et al. | Methods for long-term electric load demand forecasting; a comprehensive investigation | |
CN103591637B (zh) | 一种集中供热二次网运行调节方法 | |
CN104375475B (zh) | 间歇反应器中间歇反应过程的优化控制方法 | |
CN103092074B (zh) | 半导体先进过程控制的参数优化控制方法 | |
CN105631528B (zh) | 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法 | |
CN109670625B (zh) | 基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法 | |
CN105447509A (zh) | 一种光伏发电***的短期功率预测方法 | |
CN106203683A (zh) | 一种电力客户用电负荷预测***的建模方法 | |
CN103793887B (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法 | |
CN113964884A (zh) | 基于深度强化学习的电网有功频率的调控方法 | |
CN114142498A (zh) | 一种数据驱动的分布式储能自适应预测控制电压调节方法 | |
CN112012875B (zh) | 一种水轮机调节***pid控制参数的优化方法 | |
CN113919545A (zh) | 一种多数据模型融合的光伏发电功率预测方法和*** | |
CN113300380A (zh) | 一种基于负荷曲线分段的配电网无功优化补偿方法 | |
CN116436033A (zh) | 一种基于用户满意度和强化学习的温控负荷频率响应控制方法 | |
CN115146542A (zh) | 一种光伏功率超短期预测方法、***、设备及介质 | |
CN114429248A (zh) | 一种变压器视在功率预测方法 | |
KR20180138371A (ko) | 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법 | |
CN109586287A (zh) | 一种基于改进自适应模型预测控制的电压协调控制方法及其装置 | |
CN105720574A (zh) | 基于spsa的电力***单区域负荷频率的数据驱动控制方法 | |
CN111969662A (zh) | 数据驱动的多智能软开关分区协同自适应电压控制方法 | |
CN113270867B (zh) | 一种薄弱电网潮流无解自动调整方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |