网络首发
2026-09-02
二氧化碳载荷对烟气脱碳胺液离子交换净化的影响探讨
2026-09-01新型电力系统下海南电网煤电安全可靠保障研究
2026-09-01侧风下基于不等高填料的冷却塔迎风扇区布置优化研究
2026-09-01汽轮机低压缸零出力工况蒸汽流动与鼓风加热特性研究
2026-09-01基于氨吸收耦合二氧化硫去极化电解的烟气脱硫制氢技术
2026-09-01计及供氧动态约束的富氧燃烧综合能源系统灵活调峰调度
2026-09-01Hypervisor架构下火电虚拟DCS控制器异机冗余同步机制
2026-08-25基于原型度量与混合状态空间模型的锅炉跨工况少样本故障诊断
2026-08-24基于BO-XGBoost与改进NSGA-II的锅炉燃烧多目标优化
2026-08-24基于视觉语言模型语义推理的火电厂安全监测告警复核研究
more..编读园地
期刊简介
创刊年份：1972年
主管部门：中国华能集团有限公司
主办单位：西安热工研究院有限公司,中国电机工程学会
刊 期：月刊
国内统一连续出版物号：CN 61-1111/TM
国际标准连续出版物号：ISSN 1002-3364
电 话：029－82002270
E-mail: rlfdzzs@tpri.com.cn
网址：http://rlfd.cbpt.cnki.net
2026年08期
整期pdf下载
Transformer模型与电力系统
基于LightGBM-Transformer模型与NSGA-Ⅱ的燃煤机组启停过程优化
丁鹏恺;陈衡;黄子健;张肇清;刘文毅;潘佩媛;【目的】提升燃煤机组深度调峰条件下启机升负荷与停机降负荷非稳态阶段的响应速度与经济性。【方法】基于660 MW机组DCS多月启停运行数据，首先采用滑动窗口范围阈值与稳态判据识别启停过程中的非稳态片段，随后采用最大信息系数筛选出与功率强相关的特征变量，并引入过程进度特征表征启停阶段的推进程度。针对跨月份工况差异，在各启停片段内按时间顺序分层划分数据集，并分别构建LightGBM与Transformer功率预测代理模型，采用贝叶斯优化完成超参数寻优。最后，将训练得到的预测模型嵌入NSGA-Ⅱ，以提升变负荷速率和降低燃料消耗为目标，在满足安全约束下进行寻优，输出可执行的给定值轨迹。【结果】非稳态片段预测模型在跨月份条件下仍保持较好的泛化性能，经NSGA-II优化后，启停非稳态片段耗时平均缩短约5.34%，累计燃料量平均降低约3.53%。【结论】提出的基于数据驱动代理建模与多目标寻优的启停优化方法，可在满足安全约束的前提下兼顾缩短启停时间与降低燃料消耗，为燃煤机组灵活调峰与在线运行辅助决策提供技术支撑。
基于LSTM-Transformer混合模型的电力现货市场日前电价预测
朱润泽;王德军;张宗兴;张佑;【目的】新能源大规模并网加剧了电力现货市场的量价波动风险，亟需提升电价预测能力。本文基于山东实际数据，构建LSTM-Transformer混合模型，旨在实现日前电价的精准预测，为市场运营与风险管控提供支撑。【方法】首先，在多维度特征融合过程中，系统分析电价关键影响因素的作用机制，通过皮尔逊相关系数量化其线性关联强度，完善了传统方法因特征单一和依赖经验导致的预测机理不清、精度不足的情况。其次，通过融合长短时记忆（long short-term memory,LSTM）神经网络、自注意力及多层注意力机制优化Transformer模型，构建兼具时序特征提取与全局依赖建模能力的层次化框架，有效增强对电价序列中复杂长短期依赖关系的捕捉效果。此外，采用“时域特征深度挖掘+频域损失约束”策略，通过融合时频域损失提升模型对电价波动与数值的拟合精度。同时，引入相似日模型构建贴合实际的特征样本，进一步提升预测准确性。【结果】通过算例分析，结果表明本文模型即使在影响因素复杂、价格波动剧烈的市场环境中仍能稳定运行，并可显著提升日前电价的预测精度。【结论】所构建的LSTM-Transformer混合模型结合多维度特征融合与时频域损失约束策略，能够有效应对新能源高比例接入带来的量价波动挑战，为电力现货市场的日前电价预测提供了一种高精度、高鲁棒性的解决方案。
基于改进NSGA-Ⅱ算法的单塔双循环脱硫系统运行策略优化
赵征;姜贵文;唐新宇;贺朋;【目的】针对燃煤电厂单塔双循环湿法脱硫系统运行中出口SO2排放波动大及脱硫成本偏高的问题，提出一种基于预测模型与多目标优化算法相结合的混合优化策略，旨在实现系统环保达标与经济运行的双赢。【方法】首先，构建基于Transformer与双向长短时记忆网络(BiLSTM)相融合的预测模型，并创新性地采用改进黑翅鸢算法对该模型的关键超参数进行寻优，以克服经验调参的局限性并提升出口SO2质量浓度的预测精度；其次，建立综合考虑出口SO2质量浓度和系统脱硫成本的多目标优化模型，并采用改进NSGA-Ⅱ算法进行求解，得到可控变量的设定值。【结果】实验结果表明，改进黑翅鸢算法优化的Transformer-BiLSTM预测模型在均方根误差、平均绝对误差和平均绝对百分比误差指标上均优于BiLSTM、CNN-BiLSTM和Transformer-BiLSTM模型；同时，经改进NSGA-Ⅱ算法优化求解，系统得到了兼顾环保与经济的帕累托最优解。【结论】该混合优化策略有效降低了出口SO2质量浓度和脱硫成本，验证了所提方法在实现环保与经济运行方面的有效性。
基于CNN-BiLSTM-Attention的燃煤电厂二氧化碳排放预测模型
何海飞;周良松;陈骏鹏;赵子行;陈二强;支长双;苗世洪;【目的】燃煤电厂在我国电力系统中占据重要地位，精准预测燃煤电厂的CO2排放对实现节能减排的目标具有重要意义，为此，本文提出基于CNN-BiLSTM-Attention的燃煤电厂CO2排放短期预测模型。【方法】首先，通过分析燃煤机组负荷、SO2排放速度、NOx排放速度及环境变量等特征与CO2排放速度的相关性进行特征筛选，减少冗余信息对模型训练的影响；然后，以筛选后的特征作为输入，构建融合卷积神经网络(convolutional neural network,CNN)、双向长短时记忆(bidirectional long short-term memory,BiLSTM)神经网络和注意力机制的CO2排放预测模型，并引入改进开普勒优化算法(improved Kepler optimization algorithm,IKOA)对模型超参数进行优化；最后，利用实际燃煤电厂机组运行数据开展仿真验证。【结果】结果表明：所提模型在同容量机组间的跨机组预测中保持了较好的预测性能，显示出良好的可迁移性；在跨时段预测时，模型能够较好地刻画CO2排放变化趋势，但在季节切换阶段相对误差有所增大，这反映出运行工况及燃煤品质变化对预测结果的影响；所提模型在预测精度和稳定性方面均优于对比模型。【结论】基于CNNBiLSTM-Attention的CO2排放预测模型能够在缺乏直接测量CO2条件下实现燃煤电厂CO2排放的有效预测，具有较好的适用性和推广潜力。
基于相似日聚类-TCN-Informer组合模型的短期电力负荷预测研究
吴涛;洪漭;刘端阳;曹强;王亚;胡胤;王昊;余威;杨永军;罗睿;陈武;【目的】针对现有短期电力负荷预测模型难以同时学习用电模式差异与长程依赖、致使高波动场景预测精度受限的问题，本文提出一种“相似日聚类-TCN-Informer”组合模型。【方法】首先，利用模糊C均值算法依据历史负荷与日历特征将样本划分为工作日、周末和节假日3类相似日，以削弱跨模式噪声；其次，对每一簇数据先由时序卷积神经网络（temporal convolutional network,TCN）提取局部特征，再引入概率稀疏注意力Informer捕获长程依赖并生成簇级预测；随后融合气象与电价等外生变量，并采用贝叶斯优化进行全局超参数搜索。【结果】基于澳大利亚能源市场AEMO-NSW 30 min分辨率数据的24 h预测实验表明，该模型的均方根误差、平均绝对误差分别较LSTM降低16.59%和14.66%，较TimesNet降低12.33%和11.61%，平均绝对百分比误差仅为3.02%。【结论】结果验证了所提方法在精度与鲁棒性上的显著优势，可为电网调度与现货交易提供可靠决策支持。
在线联系
网站访问量
总访问量:
498,193
总浏览量: 138,932
今日访问量: 45
今日浏览量: 40
总浏览量: 138,932
今日访问量: 45
今日浏览量: 40