-
题名基于机器学习的高压转子危险点温度预测
- 1
-
-
作者
潘蕾
陈帅尧
王海涛
张君正
-
机构
东南大学能源与环境学院
东南大学大型发电装备安全运行与智能测控国家工程研究中心
中国能源建设集团江苏省电力设计院有限公司发电工程公司
-
出处
《东南大学学报(自然科学版)》
北大核心
2025年第3期831-838,共8页
-
基金
国家重点研发计划资助项目(2022YFB4100403).
-
文摘
针对高压转子在运行过程中的危险点温度预测问题,提出了一种基于机器学习的实时多步滚动预测方法。首先利用有限元分析获取转子危险点温度数据,为后续建模提供可靠的数据基础。为了提高数据质量和预测精度,采用数据降噪和特征筛选算法对运行数据进行预处理。然后设计了9种不同的机器学习模型,包括卷积神经网络(CNN)、长短期记忆网络(LSTM)、双向LSTM(BiLSTM)及其结合注意力机制的变体模型,以及Transformer和时间卷积网络(TCN)。最后,通过实验对比分析,评估模型的预测性能。结果表明,CNN-BiLSTM-Attention模型和TCN模型在预测精度上表现最佳,能够较好地适应高压转子复杂运行工况的需求。所提方法为高压转子的温度预测和安全管理提供了有效的预测工具,有助于保障机组安全稳定、经济高效地运行。
-
关键词
汽轮机转子
特征筛选
机器学习
温度预测
-
Keywords
turbine rotor
feature screening
machine learning
temperature prediction
-
分类号
O343.6
[理学—固体力学]
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名海上风光联合火电机组的综合性能优化配置方法
- 2
-
-
作者
唐炜洁
王海涛
王新超
夏盼盼
吴子瞻
潘蕾
-
机构
中国能源建设集团江苏省电力设计院有限公司
大型发电装备安全运行与智能测控国家工程研究中心
-
出处
《汽轮机技术》
北大核心
2025年第1期73-80,共8页
-
基金
国家重点研发计划课题(2022YFB4100403)。
-
文摘
为提高沿海地区燃煤机组与海上风电光伏耦合运行的综合性能,提出了一种考虑机组动态特性影响的风光容量配置方法和针对风光不确定性的随机优化调度方法。首先,引入动态跟踪频域指标和AHP-熵权法构造综合性能评价指标,基于风力、光伏发电和超临界燃煤机组的特性建模,优化配置系统可消纳的风光容量,并分析不同储能容量对弃风弃光率的影响。其次,为获得与系统动态运行最匹配的优化调度结果,建立包含动态频域跟踪指标的机会约束规划模型,并转化为混合整数线性规划问题求解不确定风光出力下的优化调度方案。各季度的典型日调度算例表明系统的动态响应能力得到了有效提升,尤其在秋季动态指标下降了3%。尽管考虑动态特性导致春季和冬季的经济成本略有上升,但秋季降低了2%,整体实现了经济性与动态性能的良好平衡。研究结果为燃煤机组耦合高比例可再生能源的运行优化提供了有效的方法。
-
关键词
海上风光火储系统
动态频域跟踪指标
随机优化调度
容量配置
-
Keywords
offshore wind-solar-thermal-storage system
dynamic frequency domain traqcking index
stochastic optimization scheduling
capacity allocation
-
分类号
TM61
[电气工程—电力系统及自动化]
-
-
题名350MW燃煤机组电储能调频优化配置及经济性研究
被引量：4
- 3
-
-
作者
王海涛
王新超
唐炜洁
付颜
潘蕾
-
机构
中国能源建设集团江苏省电力设计院有限公司发电工程公司
大型发电装备安全运行与智能测控国家工程研究中心
-
出处
《汽轮机技术》
北大核心
2022年第6期469-472,共4页
-
基金
国家重点研发计划项目(2021YFE0112800)
国家重点研发计划课题(2018YFB1502901)。
-
文摘
研究350MW燃煤机组的电储能辅助调频配置方案。基于集合经验模态分解AGC指令和非参数核密度估计配置电储能容量和决策储能出力,并通过仿真计算所配置煤机-电储能联合调频系统的性能指标。结果表明:配置容量为7.5MW/7.5MW·h电储能后,煤机-电储能联合调频系统将机组Kp值由原来的2.17提高到10.59,调频性能改善显著,年均辅助服务补偿收益从456.53万元增加到2227.96万元。计及电储能系统全寿命周期成本,机组年调频综合净收益增量为992.05万元,所研究配置方法得到了良好的调频收益。
-
关键词
联合调频
集合经验模态分解
核密度估计
容量配置
经济性评估
-
Keywords
joint frequency regulation
EEMD
kernel density estimation
capacity allocation
economics evaluation
-
分类号
TK121
[动力工程及工程热物理—工程热物理]
-
-
题名微调残差物理神经网络建模和参数整定方法
被引量：1
- 4
-
-
作者
王海涛
王新超
朱颖
王钱超
潘蕾
-
机构
中国能源建设集团江苏省电力设计院有限公司发电工程公司
能源热转换与控制教育部重点实验室(东南大学)
-
出处
《计算机应用》
CSCD
北大核心
2022年第S02期175-179,共5页
-
基金
国家自然科学基金资助项目(51576040)。
-
文摘
为了解决传统物理信息神经网络(PINN)因同时确定神经网络参数和损失函数中机理模型平衡方程参数而造成的参数不准确性问题,提出了一种微调残差物理信息神经网络(Fine tuning Res-PINN)。Fine tuning Res-PINN结构可以认为是两个神经网络以残差结构进行串联,并以微调方式进行分步训练。在第一个神经网络中,根据深度学习的原理,由深层神经网络建立完整的黑箱模型并以均方根误差(MSE)为损失函数,以实现从输入到输出的近似映射;在第二个神经网络中,根据残差结构和微调的思路,建立以MSE和机理模型方程为损失函数的浅层物理信息神经网络,进一步对机理模型的参数进行整定。基于微调神经网络的训练方式,先训练深层神经网络,并冻结其参数后,再训练浅层物理信息神经网络。两个算例被用来验证Fine tuning Res-PINN的有效性。仿真结果表明,所训练的参数精确地接近实际参数。
-
关键词
物理信息神经网络
深度学习
残差神经网络
微调神经网络
燃气轮机
-
Keywords
Physics-Informed Neural Network(PINN)
deep learning
Residual Neural Network(RNN)
fine-tuning neural network
gas turbine
-
分类号
TP391.9
[自动化与计算机技术—计算机应用技术]
-
