基于离散度分析的风电机组功率曲线绘制方法研究

基于IEC 61400-12-1国际标准提出一种基于概率和离散度的数据处理法。该方法依据风速-功率数据对在坐标系内的分布状态,采用完全纵向滤波和分段滤波对运行数据中的异常点进行去除,保留更为符合机组实际出力特性的数据主带,从而使绘制出的功率曲线更为精确。该方法可克服以往人工去除异常点费时费力,标准不统一的缺点,并以某风电场风电机组的实际运行数据为例对方法的有效性进行验证。     

冠状动脉系统的微分积分终端滑模混沌抑制

冠状动脉系统的混沌现象会导致严重的健康问题。以非线性冠状动脉系统为研究对象，建立了不确定性冠状动脉系统动力学模型，提出了不确定性冠状动脉系统的微分积分终端滑模混沌抑制方法，针对该模型的不确定性设计了扰动观测器，根据Lyapunov理论证明了所设计控制系统的稳定性，通过仿真实验验证了所提出的混沌抑制方法的有效性和可行性。     

主汽压力控制品质与燃料量变化约束关系定量分析

  [目的]  以风电为代表的可再生能源规模化并网造成火电机组发电负荷指令大幅频繁变化，调试协调控制系统参数时需要在汽轮机前主蒸汽压力控制品质与燃料量变化幅度之间做出权衡。  [方法]  从简单一阶惯性对象着手，依次增加积分、纯迟延、非最小相位特性，逐步推导出典型对象调节时间同控制器输出的最大调节量之间约束关系的公式。  [结果]  进一步结合火电机组协调控制系统机侧控制回路闭环情况下锅炉燃料量与机前压力对象模型，得到描述发电负荷指令扰动下机前压力变化与燃料量变化间约束关系的公式。  [结论]  通过仿真实验结果和机组实际运行数据的验证，该公式准确性能够满足实用要求。     

基于多层感知器的气液两相流流型识别方法

通过对电阻层析成像数据采集原理和深度学习网络的研究,提出了一种基于阵列电阻值和多层感知器深度学习网络相结合的流型识别方法。利用电阻层析成像系统中的16个电极传感器来获取流型样本数据,并构建出流型识别数据库,然后对多层感知器深度学习网络进行训练,获得可以识别不同流型的网络。实验结果表明,采用阵列电阻值结合多层感知器网络对流型进行学习和识别的方法,流型识别准确率可以达到95%,解决了流型图像生成过程与数据特征预选过程中流型特征损失的问题,流型识别性能得到了提高。     

基于流数据聚类算法的电力大数据异常检测

针对电力大数据流的异常检测问题,该文将流数据聚类算法与电力大数据相结合,针对现有流数据聚类算法不易存储全部数据、断电数据易丢失等问题,以及流数据聚类算法对于离线阶段聚类算法实时应答的要求,从数据的完整性、安全性以及流数据聚类算法的低时间复杂度的角度出发,对CluStream流数据聚类算法进行改进,提出流式K-means聚类算法。对在线阶段,使用Redis集群进行流数据的缓冲,并设计节点时间衰减策略,增大心跳消息中有效消息所占比例;对离线阶段聚类算法进行优化,使用最佳距离法确定初始聚类中心,减少迭代次数;最后,使用所提出的流式K-means聚类算法进行用户用电异常行为检测,实验结果表明,该算法能够很好的发现用户用电异常行为。     

深调峰工况下锅炉虚假水位预测

  [目的]  火电机组深调峰工况运行“虚假水位”现象严重影响机组安全运行，准确预测虚假水位出现时刻和幅度能够优化控制系统设计。  [方法]  研究思路为:将实际水位看作真实水位和虚假水位两部分的叠加，先根据能量平衡和物质平衡建立汽包水位模型计算出真实水位，再用实际水位减真实水位得到虚假水位，然后利用小波分析燃料量、汽包压力等信号与虚假水位信号在不同时间空间尺度下的相关性。  [结果]  通过对某600 MW机组深调峰负荷段运行数据进行分析，发现通过机理建模有效消除了给水流量和蒸汽流量对虚假水位信号波动的影响；在0.062 5 Hz至0.125 Hz频段，燃料量和汽包压力分别与虚假水位信号呈强相关性。  [结论]  可以辅助判断虚假水位的产生及其波动幅度。     

含电动汽车的虚拟电厂经济性优化调度

将不可控新能源、电动汽车与可控电源构建成虚拟电厂(VPP),通过虚拟电厂优化调度各组成部分出力,使虚拟电厂对外表现为有一定可控性的、稳定的发电单元,减小新能源与电动汽车单独入网运行时对电网造成的冲击。为实现上述功能,该文构建含电动汽车的虚拟电厂经济优化调度模型,设计含电动汽车的虚拟电厂经济运行策略,在Matlab R2010a平台上采用粒子群算法优化各组成部分出力,并分析电动汽车渗透率和可控电源计划出力系数对虚拟电厂经济性和各机组出力的影响。仿真结果表明,通过电动汽车与可控电源联合出力能够弥补新能源出力偏差,降低可控机组旋转备用,提高虚拟电厂供电可靠性。     

基于集成NSET和模糊软聚类的风电机组齿轮箱状态监测

风电机组齿轮箱的故障频率和维修成本较高,有必要对其运行状态进行实时监测。非线性状态估计(NSET)算法有着对记忆矩阵依赖大、无法有效利用数据资源改善精度、实时性差等不足。为此,提出一种基于模糊软聚类和集成NSET的状态监测方法:使用模糊软聚类将历史数据分为边界有重叠的不同类别,实现工况的软划分并构造多个不同工况的NSET模型作为个体学习器;以参数回归方法作为结合器,可在不影响实时性的同时,使用大量数据训练参数以改善精度。用某2 MW风电机组的齿轮箱故障数据进行验证,结果表明,相比常规方法,提出方法的精度和实时性均更优;通过预测残差均值和基于残差构造的健康指数,能够灵敏、准确的反映齿轮箱的早期故障及其发展趋势。