【摘要】：近年來,對電力大數(shù)據(jù)進行挖掘、分析和應(yīng)用已成為學術(shù)界和工業(yè)界的研究熱點。其中發(fā)電機組排放預測問題是發(fā)電節(jié)能減排研究的重要部分。本文采用深度學習方法,提出一個新的發(fā)電機組排放預測模型,并以此為基礎(chǔ)設(shè)計了一個具有節(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)計學方法、機器學習方法等手段在排放預測方面取得了一定的成果,但這些方法的預測效果較為依賴數(shù)據(jù)的特征質(zhì)量。而深度學習方法具有表達能力強、不依賴高質(zhì)量特征的優(yōu)勢。因此本文采用深度學習方法對發(fā)電機組排放預測問題進行研究,并通過對深度神經(jīng)網(wǎng)絡(luò)的研究與改進,提出一種精確的發(fā)電機組排放預測模型。隨后,基于預測模型和智能優(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)電機組排放預測模型。針對預測精度不足的問題,提出了兩種深度神經(jīng)網(wǎng)絡(luò)激活函數(shù)的改進方案。并通過研究批規(guī)化(Batch Normalization)、抗過擬合、數(shù)據(jù)歸一化、time steps選擇等深度神經(jīng)網(wǎng)絡(luò)方法,提高了預測模型的精度和時間性能。最后與基于最小二乘法的多項式擬合、支持向量機回歸(SVR)、隱馬爾科夫模型(HMM)的方案進行對比,證明本文提出的基于深度學習的模型在發(fā)電機組排放預測問題上具有效性。(2)基于預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、解集搜索等三個方面進行了改進,取得了更優(yōu)的調(diào)度結(jié)果。通過在歷史數(shù)據(jù)上的驗證,本文提出的發(fā)電機組排放量預測模型和發(fā)電調(diào)度系統(tǒng)均達到研究目的,并比較傳統(tǒng)方法取得顯著的提高。
[Abstract]:In recent years, mining, analysis and application of electric power big data has become a hot spot in academia and industry. The problem of generating unit emission prediction is an important part of energy saving and emission reduction research. In this paper, a new model for generating unit emission prediction is proposed by means of in-depth learning method. Based on this model, an energy-saving and emission-reducing power generation scheduling algorithm is designed. At present, researchers have made some achievements in emission prediction by means of traditional statistical methods and machine learning methods. However, the prediction effects of these methods depend on the characteristic quality of the data. While the deep learning method has the advantage of strong expression ability and independent of high quality characteristics. Therefore, in this paper, the deep learning method is used to study the emission prediction of generating units, and through the research and improvement of the deep neural network, an accurate emission prediction model of generating units is proposed. Then, based on the prediction model and intelligent optimization algorithm, an efficient energy-saving and emission-reducing scheduling algorithm is proposed. Specifically, the main work of this paper is as follows: (1) A recursive neural network (RNN)-based emission prediction model for generating units is proposed. In order to solve the problem of insufficient prediction accuracy, two schemes for improving the activation function of deep neural network are proposed. The accuracy and time performance of the prediction model are improved by studying the batch (Batch Normalization), anti-overfitting and data normalization, time steps selection equal depth neural network method. Finally, the scheme of support vector machine regression (SVR), hidden Markov model (HMM) is compared with the polynomial fitting based on least square method. It is proved that the proposed model based on deep learning is effective in generating unit emission prediction. (2) based on the prediction model and ant colony intelligent optimization algorithm, an efficient energy-saving and emission-reducing generation scheduling algorithm is proposed. In order to solve the problem that ant colony algorithm is prone to fall into local optimal solution, the transfer rule, pheromone update and solution set search are improved, and better scheduling results are obtained. Through the verification of historical data, the emission prediction model and dispatching system of generator set proposed in this paper have achieved the purpose of research, and the traditional method has been improved significantly.
【學位授予單位】：中國科學技術(shù)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TM73

【相似文獻】

相關(guān)期刊論文 前10條

1 王凡,孟立凡;關(guān)于使用神經(jīng)網(wǎng)絡(luò)推定操作者疲勞的研究[J];人類工效學;2004年03期

2 常國任;李仁松;沈醫(yī)文;劉鋼;;基于神經(jīng)網(wǎng)絡(luò)的直升機艦面系統(tǒng)效能評估[J];艦船電子工程;2007年03期

3 陳俊;;神經(jīng)網(wǎng)絡(luò)的應(yīng)用與展望[J];佛山科學技術(shù)學院學報(自然科學版);2009年05期

4 許萬增;;神經(jīng)網(wǎng)絡(luò)的研究及其應(yīng)用[J];國際技術(shù)經(jīng)濟研究學報;1990年01期

5 張軍華;神經(jīng)網(wǎng)絡(luò)技術(shù)及其在軍用系統(tǒng)中的應(yīng)用[J];現(xiàn)代防御技術(shù);1992年04期

6 雷明,李作清,陳志祥,吳雅,楊叔子;神經(jīng)網(wǎng)絡(luò)在預報控制中的應(yīng)用[J];機床;1993年11期

7 靳蕃;神經(jīng)網(wǎng)絡(luò)及其在鐵道科技中應(yīng)用的探討[J];鐵道學報;1993年02期

8 宋玉華，，王啟霞;神經(jīng)網(wǎng)絡(luò)診斷──神經(jīng)網(wǎng)絡(luò)在自動化領(lǐng)域里的應(yīng)用[J];中國儀器儀表;1994年03期

9 魏銘炎;國內(nèi)外神經(jīng)網(wǎng)絡(luò)技術(shù)的研究與應(yīng)用概況[J];電機電器技術(shù);1995年04期

10 王中賢，錢頌迪;神經(jīng)網(wǎng)絡(luò)法在經(jīng)濟管理中的應(yīng)用[J];航天工業(yè)管理;1995年04期

相關(guān)會議論文 前10條

1 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國控制與決策學術(shù)年會論文集[C];1996年

2 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

3 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學術(shù)會議論文集[C];2009年

4 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學術(shù)會議論文集[C];1999年

5 鐘義信;;知識論:神經(jīng)網(wǎng)絡(luò)的新機遇——紀念中國神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學術(shù)會議論文集[C];1999年

6 許進;保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學術(shù)會議論文集[C];1999年

7 金龍;朱詩武;趙成志;陳寧;;數(shù)值預報產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預報應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學術(shù)會議論文集[C];1999年

8 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學生創(chuàng)造力評估中的應(yīng)用[A];第十二屆全國心理學學術(shù)大會論文摘要集[C];2009年

9 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

10 張廣遠;萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國設(shè)備故障診斷學術(shù)會議論文集[C];2010年

相關(guān)重要報紙文章 前10條

1 美國明尼蘇達大學社會學博士 密西西比州立大學國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國紡織報;2003年

4 中國科技大學計算機系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經(jīng)網(wǎng)絡(luò)[N];科技日報;2011年

7 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經(jīng)網(wǎng)絡(luò)[N];健康時報;2006年

8 劉力;我半導體神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用研究達國際先進水平[N];中國電子報;2001年

9 ;神經(jīng)網(wǎng)絡(luò)和模糊邏輯[N];世界金屬導報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過鑒定[N];中國船舶報;2006年

相關(guān)博士學位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學;2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究[D];山東大學;2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學;2014年

4 王新迎;基于隨機映射神經(jīng)網(wǎng)絡(luò)的多元時間序列預測方法研究[D];大連理工大學;2015年

5 付愛民;極速學習機的訓練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學;2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國礦業(yè)大學;2015年

7 王衛(wèi)蘋;復雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學;2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡(luò)并行實現(xiàn)及其學習方法研究[D];華南理工大學;2015年

9 李艷晴;風速時間序列預測算法研究[D];北京科技大學;2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學;2015年

相關(guān)碩士學位論文 前10條

1 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預測的研究[D];華南理工大學;2015年

2 賈文靜;基于改進型神經(jīng)網(wǎng)絡(luò)的風力發(fā)電系統(tǒng)預測及控制研究[D];燕山大學;2015年

3 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學;2015年

4 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學;2015年

5 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學;2015年

6 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學;2015年

7 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預測研究[D];華南理工大學;2015年

8 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預測研究與系統(tǒng)實現(xiàn)[D];華南理工大學;2015年

9 張韜;幾類時滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學;2015年

10 邵雪瑩;幾類時滯不確定神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[D];渤海大學;2015年

本文編號：2454562