基于负荷增长不确定性方法的网架负载能力评估

为了更准确地评估负荷的不确定增长对网架负载能力带来的影响,将所研究电网按经济发展水平划分为4个区域,然后采用蒙特卡洛法对经济发展水平不同区域的负荷进行抽样;分析了每个区域的负荷增长率,得到不同的负荷增长方式,从而对网架负载裕度进行评估;通过引入线路负载率约束,使得规划后的网架能够应对未来小幅度、短时间的不确定性的负荷波动;最后以某省为例对500 kV线路与主变进行最大负载率的计算得到具有最大负载率的500 kV线路与主变。计算结果表明与传统分析方法相比,所述方法能够更加精确地对网架负载能力进行评估。     

负荷变化对真空严密性的影响及其修正

分析了汽轮机变负荷工况下真空严密性的变化特性,根据该特性创立了负荷偏离规定值时对真空严密性进行修正的方法,并分析其修正的必要性。应用该修正方法,可以把偏离负荷规定值的真空严密性修正到设计状态,在负荷偏离规定值时,能够计算其对真空严密性试验值影响值,避免误判断。研究成果为不同负荷工况对真空严密性的影响提供了修正计算方法,以利于提高真空严密性试验值计算的准确性。     

全透明高压反应釜甲烷水合物动力学实验

水合物的生长和分解规律对开发海洋天然气水合物资源，实现深水天然气水合物气液固多相管道输送都具有重要意义。为了进一步揭示水合物的生长和分解特性，本文采用高压全透明反应釜装置，进行了温度0～30℃、压力3.35～8.16MPa和搅拌速率200～1000r/min范围内的16组甲烷水合物生长和分解动力学实验研究。结果表明：实验过程可分为水合物诱导期、快速生长期、缓慢生长期以及分解期这4个阶段。在水合物快速生长阶段，获得了温度、压力、搅拌电机扭矩和水合物生长速率随时间的变化规律，观察到了水合物颗粒的均相和非均相分布状态。通过加热促使水合物分解，揭示了分解阶段温度、压力和分解速率等关键参数的变化规律以及水合物块的分解形态。分析表明，水合物颗粒的分布状态与水合物浆液的流动性直接相关；水合物块的静态分解过程受到分解气传质控制。     

改进Elman神经网络在短期热负荷预测中的应用

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层,作为一步延时算子,实现记忆能力,使系统具备适应时变能力,增强系统全局稳定性。但Elman神经网络算法模型的构造依然需要大量样本的支撑,而且输入层的变量多,导致预测时间依然很长,收敛速度慢。该文在Elman神经网络预测前,进行了相关系数预处理和对样本中异常值的平均化预处理,通过数据归一化运算,使Elman神经网络输入层变量大幅减少。仿真实验表明,改进的Elman神经网络算法使预测模型快速寻优,减少预测时间的同时明显提高预测精度。     

基于多尺度特征融合的供输弹早期故障诊断

对于供输弹系统早期故障信息易被湮没难以识别的问题,提出了基于多尺度特征融合的早期故障识别方法。首先通过变分模态分解(VMD)对振动信号进行分解得到不同时间尺度的分量信号,然后对各分量信号分别提取盒维数、信息熵特征,并进一步通过主分量分析(PCA)对上述两种特征进行融合,得到累计贡献率的前3个主分量组成的融合特征,最后通过概率神经网络PNN分别对上述三种特征进行分类比较,结果表明融合后的特征对供输弹系统3种工况有更高的正判率,对供输弹系统早期故障预兆更敏感,能对供输弹系统早期故障作出有效诊断。     

包含高渗透率分布式电源的母线负荷区间预测

针对包含高渗透率分布式电源的配电网母线负荷预测问题，不同于传统的点预测方法，提出了一种基于模糊信息粒化支持向量机的区间预测方法。采用支持向量机作为基本算法，在一定时间窗口内采用信息粒化的模型将历史数据进行粒化，将指定时间窗口内的数据采用支持向量机进行训练，并得到给定区间内的包含高渗透率分布式电源的配电网母线负荷区间预测结果。以某省会城市某110 kV母线负荷作为算例进行分析，结果表明，所提方法可以准确跟踪母线负荷在预测区间内的变化情况，对包含高渗透率分布式电源的母线负荷变化区间和趋势可以做较为精准的预测。     

基于IFOA-GRNN的电力系统短期负荷预测

考虑到电网负荷与诸多因素有关，设计了一种带有温度、气象、日期类型的广义回归神经网络（GRNN）负荷预测模型。为了提高该模型的预测精度，提出了一种改进果蝇优化算法优化广义回归神经网络（IFOA-GRNN）的方法，即在利用果蝇优化算法（FOA）进入迭代寻优时，通过改进搜索距离优化该算法的性能和稳定性。利用改进的FOA优化GRNN的光滑参数，然后利用训练好的预测模型对甘肃省某地区进行了短期负荷预测，并与FOA-GRNN和误差反向传播神经网络(BPNN)模型结果进行了误差比较。结果表明， IFOA-GRNN具有较高的预测精度，能够满足电力系统短期负荷预测的要求。     

基于子系统的非线性时变系统辨识方法

针对非线性时变系统提出一种基于子系统的辨识方法，用于时变多自由度（multiple degree-of-freedom，简称MDOF）系统中非线性的定位和估计，并且无需关于系统的先验知识。所提出的新方法提供一个连续时间模型，MDOF系统按照自由度被分解为不同的子系统。设计正交化算法和误差减小率（error reduction ratio, 简称ERR），可以确定子系统中质量和自由度之间的线性及非线性连接的所有信息。在辨识过程中，时变参数的时间表达式可以由新方法准确给出。用一个3自由度（degree-of-freedom, 简称DOF）集中质量系统和一个机械臂结构的辨识过程为例，对所提出的方法进行验证。由于简单性及高效性，此方法将在实际工程中取得广泛的应用。     

应用独立分量分析的激光测风雷达湍流频谱分解

针对大型风力发电机机组中常见的脉动湍流、风机尾流与涡流等湍流信号,研究了利用自然梯度下降的独立分量分析方法的湍流频谱分离效果,以区分中心风速与湍流信号,提高风机机组的综合工作效率。首先分析了风机组中常见湍流信号的后向散射与频谱分布特点,然后依据这些特点设计了对应的独立分量分析模型。在仿真结果符合要求的基础上,进行了双目激光雷达天线的风速采集与实际分离效果检测。实验结果表明,在大气折射率结构常数C2n≤10-14同时广义大气常数α≥4的通常情况下,利用双目信号能够分离出一个湍流中心和一个中心风速。对1 s内两个谱峰的波动范围进行统计,获得(2.59±0.05)MHz的中心风速以及(1.22±0.19)MHz的湍流中心估计,且二者的平均信噪比分别为25.93 dB和31.01 dB,能够在获得稳定的中心风速估计的同时得到一个较为稳定的湍流中心估计。