基于高阶累积量的暂态扰动Mahalanobis距离分类

为实现对脉冲暂态和振荡暂态2类暂态电能质量扰动的分类,提出一种基于高阶累积量的暂态电能质量扰动Mahalanobis距离分类法.该方法利用高阶累积量提取暂态扰动的高阶统计特征,选取其2,3,4阶累积量最大值和最小值构成扰动信号的6维特征向量,计算测试样本特征向量与标准模板之间的Mahalanobis距离,以“距离最小”作为分类判据,实现对2类暂态电能质量扰动的分类.仿真结果表明,低阶累积量不能单独用于区分不同类型暂态电能质量扰动;特征向量维数越高,对分类过程越有利.所提方法分类原理简单、准确率高,是暂态电能质量扰动的有效分类方法.     

考虑保护时限特性的电压暂降频次评估

为了更合理刻画电压暂降持续时间,充分考虑了线路保护时限特性对电压暂降持续时间的影响,在传统电压暂降频次评估模型基础上,采用故障点法建立了线路保护时限特性与电压暂降频次之间的映射关系,反映了保护动作切除故障的实际过程。对IEEE-30节点系统进行了仿真分析,结果证明不同的保护时限特性对电压暂降频次评估结果有明显影响,忽略线路保护的时限特性将使评估结果产生较大误差。所提方法原理简单,适用性强且更符合实际,具有一定的理论及工程实用价值。     

网络符号在产品设计中的应用探析

以文具设计为例,分析青少年的生活习惯,指出网络符号是青少年交流的重要工具,能反映他们的喜好,进而根据符号消费理论,制定产品设计策略并进行设计实践,探索符号在产品设计中的应用路径。启示设计师在消费社会,要平衡产品、符号、消费者之间的关系,要挖掘消费者潜在的符号需求。     

智能配电网促进用电侧节能减排的政策与计划

在当今世界节能减排、绿色能源及可持续发展理念的引领下,智能电网的建设已在众多国家如火如荼地开展。提高终端能源利用效率、节能减排已成为智能电网建设过程中的一项重要内容。其中覆盖面最广、需全民参与的是通过智能电网战略的实施推动用电侧的节能减排,这对于体现智能电网的综合效益具有重要意义。对中国当前的终端能效政策与计划实施情况作了简要介绍,综述分析了国际上已成功实施的终端能效政策与计划,提出了中国推进智能电网建设的过程中,尤其在用电侧应注意的一些问题。     

考虑用户定量需求的优质电力园区DVR优化配置

优质电力园区是针对区域性高品质供电问题的一种有效解决方案,其中定制电力设备配置方案的确定是园区规划建设的重要内容。针对园区中动态电压恢复器(dynamic voltage restorer,DVR)的配置问题,提出一种考虑用户短时电压质量定量需求的DVR优化配置策略。基于过程抗扰时间和物理参数变化曲线,将用户对过程运行状态需求映射为短时电压质量需求,实现用户需求量化;以DVR投资最少为目标,满足用户需求为约束,建立DVR优化配置模型,用Tabu搜索算法求解,得到优化配置方案。对典型园区的仿真结果表明,该方法所得配置方案经济、可行,能在满足用户短时电压质量定量需求的同时,保证DVR投资最少。     

基于过程免疫力和优化K近邻估计的配网电压暂降频次估计

配电网重合闸失败导致用户短时间遭受连续多次电压暂降,给电压暂降持续时间评估带来挑战。此外,配电网故障率高,故障分布差异大,对电压暂降幅值评估影响显著。因此,本文提出一种基于过程免疫时间(PIT)和优化K近邻(KNN)估计的配电网电压暂降频次估计方法;提出了基于PIT曲线的连续电压暂降聚合方法,根据过程参数变化曲线分析工业过程在连续电压暂降下的后果状态,基于线性化PIT曲线求解连续电压暂降等效持续时间;提出了基于优化KNN算法的线路故障分布估计法,基于历史故障样本数量,采用交叉验证法自适应寻找最优KNN参数,估计线路故障分布概率密度函数,进而提出配电网电压暂降频次估计方法。最后,应用IEEE RBTS-6测试系统母线5配电网验证了所提方法。     

基于Lotus Domino煤矿企业办公自动化系统的设计与实现

通过了解煤矿企业办公自动化的发展过程和特点,结合当前发展的计算机技术、通讯技术、信息处理技术提出了煤矿企业办公自动化系统的基本框架和应具备的基本功能,为沟通企业部门内网和外网信息的流通,实现了公文流转的无纸办公。     

TD-LTE室内分布系统规划与组网方案

本文系统分析了频率应用和规划策略、单双路分布系统建设策略、分布系统共用策略、与其他系统干扰规避等TD-LTE室内覆盖组网方案所涉及的核心技术问题,随后基于组网方案研究阐述了TD-LTE室内分布系统的规划方法及规划原则,最后提出了现阶段TD-LTE室内分布系统建设策略.     

基于深度神经网络的电压暂降经济损失评估模型

为进一步简化电压暂降经济损失评估流程、提高经济损失预测的适用性和准确度,提出了一种基于深度神经网络(DNN)的电压暂降经济损失评估模型。首先分析了影响电压暂降经济损失的特征因子,分别从电压暂降故障信息、工业过程信息、敏感设备信息和用户基本信息中提取19维特征向量作为DNN预测模型的输入向量,将经济损失结果作为输出,并基于Tensorflow深度学习架构对DNN预测模型进行训练。在此基础上,提出2种数据增强的策略,有效解决了电压暂降样本数据少的窘境,并通过构建4种DNN架构,对比了不同随机失活概率、神经元数量、架构深度对经济损失预测准确度的影响。训练后的DNN模型可以准确提取特征,快速实现收敛并对经济损失进行合理预测。最后,基于我国某大型电子工业企业的电压暂降实际采样数据,对DNN模型进行了训练和性能评估,结果表明了所提方法的有效性。     

基于距离判别分析的电压暂降源识别方法

为准确识别电网中的各类电压暂降源,并避免其他方法在识别过程中特征提取困难的问题,从最小距离的角度提出了一种基于距离判别分析的电压暂降源识别方法。利用暂降分段法对电压暂降有效值的波形变化特点进行分析,并以粗粒化的有效值波形构建了与电压暂降源类型相对应的六个总体。采用多总体马氏距离判别分析方法,利用训练样本进行学习,建立相应的判别函数及其判别准则对待判样本进行判别,从而实现电压暂降源的识别。通过仿真建模对所提方法进行了验证和对比分析,结果表明该方法的识别准确率和性能较高、交叉误判率低,对噪声鲁棒性好,满足实际应用要求。