面向联合循环电厂的 AI 一致数据驱动预测模型

本研究探讨了将能源模型转化为符合机器学习需求的形式，以此作为优化联合循环电厂（CCPPs）运行的一种有前景的工具。通过将能源生产建模为环境与控制变量的函数，该方法在数据驱动应用背景下提供了一种实现节能发电的创新途径。本研究侧重于为 CCPP 优化开发一种透彻的 AI 一致建模方法，偏好跨学科视角并提出全面而深入的剖析。所提出的采用 Broyden Fletcher Goldfarb Shanno（BFGS）算法的数值模型通过模拟多种运行场景并调整最优参数来提升效率，在优化环境因素后使发电量由 452 MW 提高至 462.1 MW，增幅达 2.23%。本研究基于历史数据进行处理，无需系统参数的先验知识即可作出预测，展现出若干优势：可识别人类分析人员难以发现的模式、在大规模数据集训练下具有高准确度、以及随新数据而随时间改进之潜力。所提出的建模途径与方法可拓展为复杂能源系统中预测与决策的宝贵工具。