基于RNN的發(fā)電機(jī)組排放預(yù)測及發(fā)電調(diào)度研究.pdf

1、近年來，對電力大數(shù)據(jù)進(jìn)行挖掘、分析和應(yīng)用已成為學(xué)術(shù)界和工業(yè)界的研究熱點(diǎn)。其中發(fā)電機(jī)組排放預(yù)測問題是發(fā)電節(jié)能減排研究的重要部分。本文采用深度學(xué)習(xí)方法，提出一個(gè)新的發(fā)電機(jī)組排放預(yù)測模型，并以此為基礎(chǔ)設(shè)計(jì)了一個(gè)具有節(jié)能減排效果的發(fā)電調(diào)度算法。
　　目前研究者通過傳統(tǒng)統(tǒng)計(jì)學(xué)方法、機(jī)器學(xué)習(xí)方法等手段在排放預(yù)測方面取得了一定的成果，但這些方法的預(yù)測效果較為依賴數(shù)據(jù)的特征質(zhì)量。而深度學(xué)習(xí)方法具有表達(dá)能力強(qiáng)、不依賴高質(zhì)量特征的優(yōu)勢。因此本文采用深

2、度學(xué)習(xí)方法對發(fā)電機(jī)組排放預(yù)測問題進(jìn)行研究，并通過對深度神經(jīng)網(wǎng)絡(luò)的研究與改進(jìn)，提出一種精確的發(fā)電機(jī)組排放預(yù)測模型。隨后，基于預(yù)測模型和智能優(yōu)化算法，提出了一種可以有效節(jié)能減排的調(diào)度算法。
　　具體而言，本文的研究工作主要有:
　　(1)提出了一種基于遞歸神經(jīng)網(wǎng)絡(luò)(RNN)的發(fā)電機(jī)組排放預(yù)測模型。針對預(yù)測精度不足的問題，提出了兩種深度神經(jīng)網(wǎng)絡(luò)激活函數(shù)的改進(jìn)方案。并通過研究批規(guī)化(Batch Normalization)、抗過擬合

3、、數(shù)據(jù)歸一化、time steps選擇等深度神經(jīng)網(wǎng)絡(luò)方法，提高了預(yù)測模型的精度和時(shí)間性能。最后與基于最小二乘法的多項(xiàng)式擬合、支持向量機(jī)回歸(SVR)、隱馬爾科夫模型(HMM)的方案進(jìn)行對比，證明本文提出的基于深度學(xué)習(xí)的模型在發(fā)電機(jī)組排放預(yù)測問題上具有效性。
　　(2)基于預(yù)測模型和蟻群智能優(yōu)化算法，提出了一種能夠有效節(jié)能減排的發(fā)電調(diào)度算法。針對蟻群算法易陷入局部最優(yōu)解的問題，在轉(zhuǎn)移規(guī)則、信息素更新、解集搜索等三個(gè)方面進(jìn)行了改進(jìn)，取