以某燃煤電廠水務系統(tǒng)為研究對象,對機組運行參數(shù)和水量歷史數(shù)據進行篩選和關聯(lián)性分析,根據前期水平衡測試結果,結合響應面分析驗證,發(fā)現(xiàn)機組負荷、蒸發(fā)損失系數(shù)、濃縮倍率和循環(huán)水溫升這四個因素能夠對全廠供水量產生關鍵性影響�；诨疑碚摵投嘣蔷�性回歸分析,分別建立各因素的灰色預測模型GM（1, 1）,再將灰色模型預測值作為自變量輸入到多元非線性回歸方程中,得到了改進灰色-多元非線性回歸組合的供水量預測模型,其模型擬合度R2為0.913且與真實值的平均相對誤差為6.9%左右,實現(xiàn)了灰色模型和回歸模型優(yōu)勢互補,有效地預測該電廠供水量未來變化;而供水量預測是智慧水務建設的關鍵所在,是水務管理和智能調度的主要依據,也是實現(xiàn)供水管網漏損和儀表故障報警的重要途徑。 

【文章來源】：化工進展. 2020,39(S2)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

各因素及交互作用對某電廠供水量變化的影響

圖1 各因素及交互作用對某電廠供水量變化的影響根據上述響應面分析結果，把燃煤電廠供水量預測轉化為一個多因素輸入的回歸預測問題是合理的；首先通過灰色預測模型GM(1,1)對多元回歸方程的自變量進行預測，準確地預測出自變量的值，輸入到多元回歸模型中，即可實現(xiàn)對因變量的預測。其次以影響因素的每月歷史數(shù)據序列（詳見表2）作為自變量，以電廠每月累計供水量作為因變量，通過統(tǒng)計學軟件建立最優(yōu)的多元回歸模型；多元非線性回歸方程(18)可以用來定量描述廠區(qū)月累計總供水量與各因素之間的關系，但該預測模型的擬合度R2為0.867，有待進一步優(yōu)化。

(3）為進一步增強預測精度，本研究對上述灰色-多元非線性回歸組合模型進行了改進，即將多元非線性回歸模型的輸入值由各因子的歷史數(shù)據變更為灰色預測模型GM(1,1)對各因素的預測值，這樣充分利用了灰色系統(tǒng)具有弱化序列隨機性，深入挖掘預測對象的演化規(guī)律，還能夠消除各自變量觀測數(shù)據的隨機波動或誤差；改進灰色-多元線性回歸模型如式(19)所示，該模型的擬合度R2提高至0.913，更能精準地反映供水量與各因素之間的關系，說明優(yōu)化改進是有效的，該預測模型更具有實際意義；本研究還將廠區(qū)實際供水量與灰色-回歸組合預測模型和改進型灰色-回歸預測模型對供水量的預測結果進行了對比（如圖3所示），用廠區(qū)實際供水量與預測值之間的相對誤差（如圖4所示），進一步考察了上述兩種預測模型的精度及擬合度。圖4 傳統(tǒng)模型與改進模型相對誤差比較

【參考文獻】：
期刊論文
[1]深圳市智慧水務應用體系研究[J]. 朱曉慶,殷峻暹,張麗麗,付敏.  水利水電技術. 2019(S2)
[2]基于函數(shù)模型的水務智慧建模與應用[J]. 張曄明,羅賢偉,蔣懷德.  凈水技術. 2019(S2)
[3]工業(yè)智慧水務的研究和探索[J]. 金亞飚.  工業(yè)水處理. 2020(02)
[4]國內外智慧水務信息化建設與發(fā)展[J]. 謝麗芳,邵煜,馬琦,張金松,張土喬.  給水排水. 2018(11)
[5]中國火電節(jié)水現(xiàn)狀分析及措施建議[J]. 潘荔,劉志強,張博.  中國電力. 2017(11)
[6]新形勢下火電廠節(jié)水減排工作特點及關鍵[J]. 楊寶紅.  熱力發(fā)電. 2016(09)
[7]基于多智能體的城鎮(zhèn)家庭用水量模擬預測分析[J]. 金菊良,崔毅,張禮兵,周玉良,吳成國.  水利學報. 2015(12)
[8]供水管網漏損控制研究和實踐[J]. 劉鎖祥,趙順萍,曹楠,劉闊.  中國給水排水. 2015(10)
[9]灰色系統(tǒng)研究進展（2004—2014）[J]. 劉思峰,楊英杰.  南京航空航天大學學報. 2015(01)
[10]火力發(fā)電行業(yè)用水分析及對策[J]. 韓買良.  工業(yè)水處理. 2010(02)



本文編號：3532139