风光可再生能源制备“绿氢”是实现能源低碳化的重要途径,但风能、太阳能的波动性、间歇性等问题会使系统存在“弃风、弃光”现象。为解决该问题,构建了可再生能源并网制氢系统,针对传统CPLEX需要精准预测数据、基于状态控制法的监控策...风光可再生能源制备“绿氢”是实现能源低碳化的重要途径,但风能、太阳能的波动性、间歇性等问题会使系统存在“弃风、弃光”现象。为解决该问题,构建了可再生能源并网制氢系统,针对传统CPLEX需要精准预测数据、基于状态控制法的监控策略控制效果不够理想的缺点,将协调控制转化为序列决策问题,采用深度强化学习连续近端策略优化算法进行解决。在发电量、负荷等多种因素变化的情况下,设计了适合解决可再生能源制氢系统调度问题的深度强化学习模型(renewable energy to hydrogen-proximal policy optimization,R2H-PPO),经过足够的训练后能够实现在线决策控制,并与日前控制方案和基于状态控制法的监控策略进行了对比,证明所采用方法避免了传统方案的不足,并能有效处理不同时刻、天气、季节的场景。结果证明了所提出的R2H-PPO方法的可行性和有效性。展开更多
为充分利用集控中心风机(Supervisory Control and Data Acquisition,SCADA)系统采集的数据,采用智能化的机器学习算法,挖掘集控中心海量数据,提出基于机组运行状态特征参量数据挖掘和支持向量回归算法(Support Vactor Regression,SVR)...为充分利用集控中心风机(Supervisory Control and Data Acquisition,SCADA)系统采集的数据,采用智能化的机器学习算法,挖掘集控中心海量数据,提出基于机组运行状态特征参量数据挖掘和支持向量回归算法(Support Vactor Regression,SVR)结合的机组状态监测模型。该模型采用基于灰色关联度算法构建风电机组特征参量,然后建立SVR数据模型,模型以机组功率、叶轮转速、桨距角为输出向量,特征参量为模型的输入向量,采用遗传算法结合交叉验证方法对SVR模型参数寻优,并对距离阈值进行分析。最后,将模型应用于某实际风场,验证了该模型的可行性和有效性。展开更多
为降低电厂燃煤锅炉的NO_(x)排放浓度,提出一种基于改进多元宇宙优化算法(improved multi-verse optimizer algorithm,IMVO)和加权最小二乘支持向量机(weighted least squares support vector machine,WLSSVM)的锅炉NO_(x)排放优化方法...为降低电厂燃煤锅炉的NO_(x)排放浓度,提出一种基于改进多元宇宙优化算法(improved multi-verse optimizer algorithm,IMVO)和加权最小二乘支持向量机(weighted least squares support vector machine,WLSSVM)的锅炉NO_(x)排放优化方法。首先,针对多元宇宙优化算法TDR值下降速度较慢而导致旅行距离增加的问题,提出一种改进的多元宇宙算法;然后,采用IMVO算法对WLSSVM模型参数进行寻优,建立基于IMVO-WLSSVM的NO_(x)排放量预测模型;最后,基于所建预测模型,采用IMVO算法对锅炉运行可调参数进行寻优来降低NO_(x)排放浓度。采用某330 MW机组燃煤锅炉的运行数据对模型进行验证,结果表明:所建预测模型的平均绝对百分比误差为1.09%,相对于其他几种预测模型具有更高的预测精度,改进的多元宇宙优化算法可以使优化后的NO_(x)排放浓度更低,具有更好的寻优效果。展开更多
文摘风光可再生能源制备“绿氢”是实现能源低碳化的重要途径,但风能、太阳能的波动性、间歇性等问题会使系统存在“弃风、弃光”现象。为解决该问题,构建了可再生能源并网制氢系统,针对传统CPLEX需要精准预测数据、基于状态控制法的监控策略控制效果不够理想的缺点,将协调控制转化为序列决策问题,采用深度强化学习连续近端策略优化算法进行解决。在发电量、负荷等多种因素变化的情况下,设计了适合解决可再生能源制氢系统调度问题的深度强化学习模型(renewable energy to hydrogen-proximal policy optimization,R2H-PPO),经过足够的训练后能够实现在线决策控制,并与日前控制方案和基于状态控制法的监控策略进行了对比,证明所采用方法避免了传统方案的不足,并能有效处理不同时刻、天气、季节的场景。结果证明了所提出的R2H-PPO方法的可行性和有效性。
文摘为充分利用集控中心风机(Supervisory Control and Data Acquisition,SCADA)系统采集的数据,采用智能化的机器学习算法,挖掘集控中心海量数据,提出基于机组运行状态特征参量数据挖掘和支持向量回归算法(Support Vactor Regression,SVR)结合的机组状态监测模型。该模型采用基于灰色关联度算法构建风电机组特征参量,然后建立SVR数据模型,模型以机组功率、叶轮转速、桨距角为输出向量,特征参量为模型的输入向量,采用遗传算法结合交叉验证方法对SVR模型参数寻优,并对距离阈值进行分析。最后,将模型应用于某实际风场,验证了该模型的可行性和有效性。
文摘为降低电厂燃煤锅炉的NO_(x)排放浓度,提出一种基于改进多元宇宙优化算法(improved multi-verse optimizer algorithm,IMVO)和加权最小二乘支持向量机(weighted least squares support vector machine,WLSSVM)的锅炉NO_(x)排放优化方法。首先,针对多元宇宙优化算法TDR值下降速度较慢而导致旅行距离增加的问题,提出一种改进的多元宇宙算法;然后,采用IMVO算法对WLSSVM模型参数进行寻优,建立基于IMVO-WLSSVM的NO_(x)排放量预测模型;最后,基于所建预测模型,采用IMVO算法对锅炉运行可调参数进行寻优来降低NO_(x)排放浓度。采用某330 MW机组燃煤锅炉的运行数据对模型进行验证,结果表明:所建预测模型的平均绝对百分比误差为1.09%,相对于其他几种预测模型具有更高的预测精度,改进的多元宇宙优化算法可以使优化后的NO_(x)排放浓度更低,具有更好的寻优效果。
