毕业设计（论文）开题报告
课 题 名 称 ：贝叶斯网络在电厂发电量预测中的应用
学 院 ： 信息科学与技术学院
专 业 ： 自动化1702
二〇二一 年 一 月 五 日
贝叶斯网络在电厂发电量预测中的应用
1、背景介绍
近年来，由于我国大型火电厂电力工业的快速发展进步和各行各业对电力技术要求的不断提高，火电厂已经消耗了大量的化石燃料能源。同时，燃烧燃料过程中所释放产生的有害化学气体也已经对大自然产生了严重危害，影响到了我们人类赖以生存的自然界和大气环境。如何真正实现保护我国自然资源和工业环境的健康长远化和可持续发展，是我国能源和工业环境安全保护工作者所要严肃面对的一个重大问题。目前，火力发电生产设备中主要使用的煤约占我国现有煤炭工业总产量的50%左右。同时，我国约90%的汽车二氧化硫尾气排放主要来自于使用燃煤发电，80%的汽车二氧化碳尾气排放主要部分来自于利用燃煤风力发电。因此，当环保节能成为电力产业结构调整的方向时，火电产业已形成在此政策下积极推进产业结构优化的趋势。针对火电行业中的烟气污染、粉尘污染、资源浪费等极其严重的环境问题，已经研究出一些可以降低污染和能量浪费的方式。例如，采取压力变化转换技术来提高火电行业的效率，除尘时采用脱硫加热除尘，燃机则采用空冷，降低储能装置对稳压能量的浪费。
提高火力发电的燃料燃烧热效率的研究有利于降低对化石能源的消耗，提高发电的经济性。联合循环发电采用多种热力循环串联，利用上一级系统的余热和废气驱动下一级系统工作，能够有效利用一般情况下无法利用的废热，提高火力发电机组的发电热效率。在保证发电量相同的情况下，能耗大大降低。
为了进一步提高联合循环电站的热效率，国内外专家根据机组满载时电站的环境因素进行了建模。通过建立这些环境因素与发电量之间的预测模型，可以发现环境温度、环境压力和环境湿度对发电装置的发电量有一定的影响。因此，根据这些预测模型，可以对发电厂的发电量进行预测，并实时调整发电机组的工况，从而达到发电机始终处于最佳发电效率范围的目的。
2、研究现状
0,....12.1电量预测研究现状
国内外对于火力发电厂在发电过程中影响因素所建立的预测模型的方式有很多。目前，对于发电量的预测模型的建立和研究有许多方法，基于实际生产数据建模的方法是目前使用广泛的方法。在工业生产过程的具体机理无法获取或分析时，数据建模法可以利用各个输出变量和输入变量，提取各个变量间有用的建模信息，构建各个变量正确的因果关系。这种利用数据来建立预测模型的方法是将工业生产过程看作一个整体，不需要对该过程的具体原理和流程有太多了解。数据建模法是一种具有普适性和简易性的建模方法。因此，根据对发电过程的认知程度以及数据的完备程度，主要可以分为线性回归法、支持向量机法以及贝叶斯网络法。
线性回归方法是基于数理统计基础理论中的回归分析，利用工业生产过程的具体数据，提炼出数据中主导变量和辅助变量之间的特定关系。并通过大量的训练数据来计算输入变量输出变量彼此之间的相关性。线性回归在预测时不需要建立过于复杂的数学模型，因此在发电预测中得到了广泛的应用。线性回归建模法中的经典方法有很多，运用比较广泛的有最小二乘法。然而，在实际的工业生产过程中，影响发电的过程变量并不是相互独立的，总是存在一定的相关性，这就会导致最小二乘法的失效。此时，最小二乘法预测的发电量结果差异较大。
支持向量机这种新型机器学习算法具有普适性和普遍通用性，支持向量机相比于其它建模方法，它能够解决其它算法无法解决的机器学习泛化问题。支持向量机在建立预测模型时具有许多优点。支持向量机主要用于在样本数据相对较少的情况下研究机器学习规则。目前,它已被广泛地应用到了模式识别技术和数据挖掘技术中。许多学者都认为,支持型向量机的发展正在逐渐成为继传统的神经网络研究之后的一个全球性研究重点。然而，支持向量机也存在一些问题：由于发电量预测的数据集过大，支持向量机在训练参数时，如果数据集的样本很大，会导致参数训练速度很慢。同时，参数的选择对模型的性能有很大的影响，参数的选择直接决定了模型的性能。目前，参数的选择主要依靠经验，这使得在建模过程中很难掌握。因此，支持向量机在发电量预测方面也存在一些不足。
贝叶斯预测法是一种基于贝叶斯理论、贝叶斯统计学方法与动态模型的基于时间顺序预测的方法。贝叶斯预测模型与普通的统计学方法有所区别。它不但有效地利用了模型的信息和样品数据集,而且有效地利用了先验概率的分布式信息。在联合循环发电过程中，存在着许多不易测量的过程变量，这些过程变量在高温环境下的物理变化、化学反应、能量守恒和物质平衡难以定量分析。贝叶斯预测模型并不需要研究发电过程中的机理。只需通过发电过程中影响结果的因素建立贝叶斯网络，即可实现对发电量的预测。贝叶斯网络可以产生最好的预测结果模型，而不是与历史数据模型最一致的模型。因此，贝叶斯网络在联合循环电厂中具有较好的预测精度。
0,....22.2贝叶斯网络研究现状
贝叶斯网络法是基于统计学理论的建模方法，贝叶斯网络在神经学习方面具有如下一些优点。贝叶斯网络可以用图像化和数据化的方式来对变量进行表示表, 其中采用图形化的方式表达变量之间的因果关系，用数据化的形式表达这种联系的确信度；贝叶斯网络在不确定性逻辑推理方面有很强大的能力。贝叶斯网络的推理实际上是根据已知条件查询推理答案, 并且贝叶斯网络的推理是双向的；贝叶斯网络凭借它的图像化和数据化特点，具有良好的逻辑性和易理解性。贝叶斯网络这种学习方法结合了概率论的相关知识和有向无环图, 将先验知识条件和概率推理结合在了一起。
目前, 国内外对于贝叶斯网络研究主要分为推理方法、学习步骤以及具体应用三个方面，（1）基于贝叶斯网络的推理
贝叶斯网络在推理时的事实依据有两个，一个是网络中结点之间具体的影响方式，另一个则是结点之间的概率关系。贝叶斯网络可以基于建立的网络结构和结点的概率依赖关系, 计算得到在特定条件下某一事件的发生概率。贝叶斯网络在推理时有两种广泛使用的方法。第一种方法是精确推理法，目前, 基于精确推理的贝叶斯网络可以解决现实生活中绝大多数的问题，例如，联合树推理算法[、将消元应用于推理的算法和应用于消息传播的推理算法等等。但这种方法也存在认识认知程度有限的局限性。例如，精确的推理算法是有前提条件的，往往只能适用于某一种或每一类工业生产过程，不具有普适性，这种推理方法难以满足具有时间变化性的模型。由于这种缺点的存在，第二种方法则是近似推理，近似推理算法成为了新的研究方向，收到了广泛应用。
（2）基于贝叶斯网络的学习
贝叶斯网络的预测模型构建主要有两方面的工作，一是参数学习，二是结构学习。结构学习是通过各个影响因素之间的特定联系，通过算法构建出这些结点之间的联系，这种联系表现为有向无环图。参数学习必须基于已经学习到网络结构，或者已经基于专家知识对工业过程已经建立相应网络结构，在此基础上通过相应算法和训练数据集，学习得到网络参数；基于统计学知识来定义, 贝叶斯网络的参数学习可以分为两部分，点估计和区间估计。这两方面由于各自的理论限制，存在一些缺点和优点,。点估计它的参数学习精确性比较高, 但容易造成训练数据各影响因素之间拟合过度,。区间估计必须考虑时间的影响, 要考虑怎样高效率的离散化估计区间。对贝叶斯网络的学习, 也可以从训练数据集的角度理解，训练数据集可以分为理想数据集和异常数据集。理想数据集的数据包含了完整的各变量的数据，各数据的分布均衡。异常数据集则缺失了一些结点的数据，且数据的分布较为不均衡，对训练结果容易产生负面影响。
目前国内外在贝叶斯网络的学习领域有着一些显著成果。例如，林士敏等人基于对贝叶斯网络结构建立相关步骤的分析, 研究了如何通过先验知识和样本数据进行网络构建, 从而确定了贝叶斯网络的结构以及参数的分布。西北工业大学的任佳等人在基于无先验数据和小样本数据缺失的情况时，解决了贝叶斯网络的参数构建问题，通过算法修补了样本数据缺失的问题。国防科技大学的周旋等人对贝叶斯网络学习时样本数据为连续数据时的问题进行了研究，提出了数据离散化的相关算法。
（3）基于贝叶斯网络的应用
贝叶斯网络从20世纪80年代提出，到后来的兴起。国内外专家对贝叶斯网络的研究出现了许多实际应用。Nikovski D将贝叶斯网络预测模型加以改进，应用于医学领域的诊断。霍利民等人根据贝叶斯网络的优点，将其用于电网企业的评估领域，进行了可靠性分析和实际应用。欧洁等人改进了传统的贝叶斯网络预测模型，并将其应用于信息检索领域。李俭川等人将贝叶斯网络的方法应用于工业过程中复杂设备的诊断问题。
3、课题研究内容
3.1 研究贝叶斯网络的基本原理
贝叶斯网络又称信度网络，是贝叶斯方法的延伸。贝叶斯网络构建的模型在不确定知识推理领域和因果推理领域具有良好的适应性。贝叶斯网络在20世纪80年代由Pearl提出基础理论，从那之后，贝叶斯网络已经成为机器学习研究的一个新的热门方向。贝叶斯网络由两个部分组成，一方面是由图形化表示的网络结构图，另一方面是由数据化表示的概率分布关系。贝叶斯网络结构由输出变量和输入变量构成结点，结点之间由有向线段连接。每个结点对应贝叶斯网络中的一个输入变量或输出，结点之间相互影响的关系由有向线段表示。而具体的条件概率则用来表示结点之间因果关系的强度。先验概率代表某些结点在没有对应的父结点时结点里储存的所有状态对应发生的可能性。贝叶斯网络适用于不确定事件和概率事件的表达和分析，适用于有条件地依赖于各种控制因素的决策，可以从不完整、不准确或不确定的知识或信息中作出推论。
贝叶斯统计学方法就是根据贝叶斯定理开发并进行研究建立起来的一种被广泛认为可以进行系统阐述与解决统计学实际问题的方法。贝叶斯在进行统计学分析时，比以往的一些统计方法有了根本性的进步。而贝叶斯统计学分析方法的研究不仅仅利用训练数据集中潜在的模型信息和样本概率信息，它以贝叶斯公式为核心。1963年,贝叶斯提出了贝叶斯公式。
叶周开题报告
