基于递归神经网络和蚁群优化算法的发电环保调度

被引：8

作者：

柯余洋 ^{[1
]}

杨训政 ^{[1
]}

熊焰 ^{[1
]}

梁肖 ^{[2
]}

机构：

[1] 中国科学技术大学计算机学院

[2] 安徽省电力公司调度控制中心

来源：

信息与控制 | 2017年 / 46卷 / 04期

关键词：

发电调度; 节能减排; 回归分析; 蚁群优化算法;

D O I：

10.13976/j.cnki.xk.2017.0415

中图分类号：

TM73 [电力系统的调度、管理、通信]; TP18 [人工智能理论];

学科分类号：

080802 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

基于对电力公司历史发电及排放数据(二氧化硫、氮氧化物和烟尘)的分析,文中首先采用递归神经网络(RNN)拟合出发电功率与排放数据回归模型,然后在该回归模型与蚁群算法(ACO)的基础上设计实时发电调度算法,在满足实时发电任务的前提下使机组总污染物排放量降低,达到节能减排的目的.文章最后通过安徽省电力的真实数据构建仿真实验验证回归模型和调度方案的有效性.

引用

页码：415 / 421

页数：7

共 13 条

[1] 基于多种群遗传算法的电力系统多目标优化 [J].

陈碧云 ;

韦杏秋 ;

陈绍南 ;

刘柏江 .

电力系统及其自动化学报, 2015, 27 (07) :24-29

[2] 基于实时流媒体传输框架的用户接入算法研究 [J].

黄谊拉 ;

柯余洋 ;

熊焰 .

小型微型计算机系统, 2015, 36 (06) :1230-1234

[3] 基于实测煤耗的AGC电厂负荷优化分配 [J].

向德军 ;

陈根军 ;

顾全 ;

徐晓亮 ;

施志良 .

电力系统自动化, 2013, 37 (17) :125-129

[4] 污染物减排预测的灰色Markov组合模型与算法 [J].

郭晓君 ;

刘思峰 ;

吴利丰 .

计算机应用研究, 2013, 30 (12) :3670-3673

[5] 电力大数据面临的机遇与挑战 [J].

闫龙川 ;

李雅西 ;

李斌臣 ;

赵子岩 .

电力信息化, 2013, 11 (04) :1-4

[6] 江西经济增长与电力发展的关联分析 [J].

俞丽兰 .

现代物业(中旬刊), 2009, (05) :42-43

[7] 动态规划方法在机组负荷最优分配中的应用 [J].

刘严 ;

谭忠富 .

现代电力, 2003, (02) :76-80+90

[8] 考虑发电机组输出功率速度限制的最优机组组合 [J].

韩学山 ;

柳焯 .

电网技术, 1994, (06) :11-16

[9]

Application and Architecture of Power Dispatching & Distribution System Using Big Data Technology [J] . Rong Chang Yuan,Hu Yan,Xiao Ming Zhou,Fang Chun Di,Li Xin Li.&nbsp&nbspAdvanced Materials Research . 2015 (1070)

[10]

A hybrid method of incorporating extended priority list into equal incremental principle for energy-saving generation dispatch of thermal power systems [J] . Chuntian Cheng,Shushan Li,Gang Li.&nbsp&nbspEnergy . 2014

← 1 2 →