循环冷却水系统中冷却供给量与工艺介质冷却需求量之间往往存在"大马拉小车"的现象,造成大量的冷却资源浪费.为了匹配冷却需求量与供给量,提高循环冷却水系统能源利用率,给出一种基于多工艺介质温度目标循环冷却水最小压差控...循环冷却水系统中冷却供给量与工艺介质冷却需求量之间往往存在"大马拉小车"的现象,造成大量的冷却资源浪费.为了匹配冷却需求量与供给量,提高循环冷却水系统能源利用率,给出一种基于多工艺介质温度目标循环冷却水最小压差控制系统,并将深度学习引入工艺介质温度预测研究中,提出一种基于改进堆叠自动编码器(improved stacked auto encoders,ISAE)的工艺介质温度预测方法.首先,对工业现场数据进行清洗;然后,将多个自动编码器堆叠,构建深度学习网络结构,采用"逐层贪婪无监督预训练-参数微调"方法训练网络参数,并基于均方根反向传播(root mean square back propagation,RMSProp)优化方法对网络参数进行微调,减小陷入局部最优的概率;最后,利用某化工厂历史运行数据进行测试,与浅层神经网络、未改进的SAE方法进行比较,所得结果表明,所提出的ISAE方法的预测准确性高,预测的工艺介质温度平均百分比误差仅为0.85%,且泛化能力优于未改进的SAE算法.展开更多
可再生能源大规模并网导致电力系统转动惯量降低,在扰动事件下的频率稳定问题突出。时域仿真存在计算量大、运算耗时长等缺陷,难以满足复杂多变运行方式和海量预想事故下的频率指标快速评估需求。为了实现功率扰动事件下系统惯性中心多...可再生能源大规模并网导致电力系统转动惯量降低,在扰动事件下的频率稳定问题突出。时域仿真存在计算量大、运算耗时长等缺陷,难以满足复杂多变运行方式和海量预想事故下的频率指标快速评估需求。为了实现功率扰动事件下系统惯性中心多维频率指标(极值频率、最大频率变化率、准稳态频率)的快速评估,该文将深度学习引入到频率稳定研究中,提出一种基于改进堆栈降噪自动编码器(improved stacked denoising autoencoders,ISDAE)的智能化评估方法。首先,利用随机森林算法筛选出重要特征变量作为输入数据,实现输入数据降维;然后,将多个降噪自动编码器堆叠,构建深度学习网络结构;采用"预训练-参数微调"方法训练网络参数,引入Dropout技术提高算法泛化能力、防止过拟合,基于均方根反向传播(root mean square back propagation,RMSprop)优化方法对网络参数进行微调,减小陷入局部最优的概率;最后,根据离线训练得到的ISDAE网络结构实现扰动事件后系统惯性中心的多维频率指标在线评估。在修改后的IEEE RTS-79系统进行测试,与时域仿真、浅层神经网络以及未改进的SDAE方法所得结果进行比较,验证所提方法的快速性、准确性以及良好的泛化能力。展开更多
文摘循环冷却水系统中冷却供给量与工艺介质冷却需求量之间往往存在"大马拉小车"的现象,造成大量的冷却资源浪费.为了匹配冷却需求量与供给量,提高循环冷却水系统能源利用率,给出一种基于多工艺介质温度目标循环冷却水最小压差控制系统,并将深度学习引入工艺介质温度预测研究中,提出一种基于改进堆叠自动编码器(improved stacked auto encoders,ISAE)的工艺介质温度预测方法.首先,对工业现场数据进行清洗;然后,将多个自动编码器堆叠,构建深度学习网络结构,采用"逐层贪婪无监督预训练-参数微调"方法训练网络参数,并基于均方根反向传播(root mean square back propagation,RMSProp)优化方法对网络参数进行微调,减小陷入局部最优的概率;最后,利用某化工厂历史运行数据进行测试,与浅层神经网络、未改进的SAE方法进行比较,所得结果表明,所提出的ISAE方法的预测准确性高,预测的工艺介质温度平均百分比误差仅为0.85%,且泛化能力优于未改进的SAE算法.
文摘可再生能源大规模并网导致电力系统转动惯量降低,在扰动事件下的频率稳定问题突出。时域仿真存在计算量大、运算耗时长等缺陷,难以满足复杂多变运行方式和海量预想事故下的频率指标快速评估需求。为了实现功率扰动事件下系统惯性中心多维频率指标(极值频率、最大频率变化率、准稳态频率)的快速评估,该文将深度学习引入到频率稳定研究中,提出一种基于改进堆栈降噪自动编码器(improved stacked denoising autoencoders,ISDAE)的智能化评估方法。首先,利用随机森林算法筛选出重要特征变量作为输入数据,实现输入数据降维;然后,将多个降噪自动编码器堆叠,构建深度学习网络结构;采用"预训练-参数微调"方法训练网络参数,引入Dropout技术提高算法泛化能力、防止过拟合,基于均方根反向传播(root mean square back propagation,RMSprop)优化方法对网络参数进行微调,减小陷入局部最优的概率;最后,根据离线训练得到的ISDAE网络结构实现扰动事件后系统惯性中心的多维频率指标在线评估。在修改后的IEEE RTS-79系统进行测试,与时域仿真、浅层神经网络以及未改进的SDAE方法所得结果进行比较,验证所提方法的快速性、准确性以及良好的泛化能力。
