基于多时段气象数据判断相似日的日负荷曲线预测研究

日负荷曲线预测是电力市场运营的基本内容.而短期负荷预测应用中较为成功的人工神经网络方法ANN( artificial neural network),在很大程度上取决于训练样本以及输入变量的合理选取,它关系到算法的收敛性、计算速度以及预测的精度.通过对长春地区日负荷数据与日气象数据的基础分析,提出了选用多时段气象数据以及日类型作为相似日判别要素,并运用灰色关联理论,计算出预测日和诸多历史日的关联度,来确定ANN的训练样本,从而建立起适应性较强的日电量的预测模型.然后由日电量预测的结果,采用96点的波形系数,求出日各点的负荷预报值,经滚动预测检验证明,该方法能较好地满足实际电力系统的负荷预测要求.     

基于时点负荷方差分析的96点负荷预测模型

应用方差概念对一周每天同时段电量进行分析,给出了重新划分工作日和休息日的方法。在满足样本相似性的前提下增加了合格样本的数量,为人工神经网络法96点负荷预测提供更为充分和可靠的历史数据。实际预测计算表明,该方法有效地提高了预测精度,具有广泛的适用性。     

高性能锂硫电池正极复合材料研究现状

锂硫电池具有理论比容量高（1 675 mA·h/g）、硫资源丰富、环境友好无毒和价格低廉等优点,是下一代二次电池的研究重点。单质硫作为锂硫电池正极材料时,其导电性差、中间产物溶解及放电过程体积膨胀导致的电化学性能衰减,严重制约着锂硫电池的商品化。对单质硫进行复合是目前主要的改性方法和研究热点。综述了吸附型、包覆型和多元复合型等多种硫基正极复合材料的研究现状,分析了复合材料微观结构对其电化学性能的影响,并展望了硫基正极复合材料及锂硫电池的发展前景。     

基于Android手机安全防护系统的研究

Android操作系统作为现在主流手机操作系统,而随之而来针对Android手机恶意软件每天都在增长。此系统旨在研究基于Android手机的安全防护系统,根据不同的用户行为提供不同的防护策略,为用户提供手机通信安全及隐私安全。     

人体舒适度在短期电力负荷预测中的应用

通过在短期电力负荷预测中引入人体舒适度这一气象新概念,综合考虑了天气变化因素对用电负荷的影响,使得在实际预测过程中减少了人工神经网络法中的输入单元,加快了网络收敛速度,明显提高了电力负荷预测精度。     

锂硫电池用玉米苞叶基活性炭/硫复合正极材料的电化学性能

锂硫电池因具有超高的理论比容量（1675 mA·h·g^-1）而被认为是最具有应用前景的二次电池。但硫基正极面临着硫导电性差、利用率低、正极结构稳定性差等问题。采用KOH化学活化法将廉价易得的农业废弃物玉米苞叶制备为多孔碳材料后,与升华硫复合获得硫/碳复合材料。利用XRD、SEM、TEM和BET对该硫/碳复合材料的微观结构、形貌等进行表征发现,玉米苞叶制备的多孔碳材料具有类石墨烯片层结构,且表面具有大量的介孔结构,硫元素均匀分布在多孔碳材料中。采用恒流充放电和交流阻抗法对该复合材料正极电化学性能进行测试发现其具有较高的放电比容量和良好的循环性能,这是由于类石墨烯片层结构的多孔碳材料提高了硫正极的导电性,且其极大的比表面积大幅增加了电化学反应位点,提高了硫的利用率。     

基于多时段气象数据判断相似日的日负荷曲线预测研究

日负荷曲线预测是电力市场运营的基本内容。而短期负荷预测应用中较为成功的人工神经网络方法ANN(artific ial neural network),在很大程度上取决于训练样本以及输入变量的合理选取,它关系到算法的收敛性、计算速度以及预测的精度。通过对长春地区日负荷数据与日气象数据的基础分析,提出了选用多时段气象数据以及日类型作为相似日判别要素,并运用灰色关联理论,计算出预测日和诸多历史日的关联度,来确定ANN的训练样本,从而建立起适应性较强的日电量的预测模型。然后由日电量预测的结果,采用96点的波形系数     

室内无人机定点悬控系统

针对室内环境下无人机传统定位方法失效的问题,设计了一种基于图像处理的室内定位方法,上位机通过外部相机采集定位空间的斜投影图像,经颜色空间处理与分析后确定无人机机体质心投影点位置;结合机载高度传感器获得的竖直位置信息,成功解算出无人机水平坐标,克服了传统定位方法存在的位置漂移和精度低问题。利用上述方法结合机载惯性测量单元进行了室内定点悬停实验,验证了该定位方案的可行性。     

人体舒适度指数在短期电力负荷预测中的应用

针对地区电网负荷易受多种气象因素影响的特点,引入人体舒适度这一气象新概念,综合分析天气因素对用电负荷的影响,并在人工神经网络法短期电力负荷预测的输入单元中,以人体舒适度指数代替温度、风速、相对湿度。经长春电网实际数据预测计算,证明此方法与引入人体舒适度指数前相比,可减少输入单元的个数,提高负荷预测精度。     

基于一周内负荷方差分析的96点负荷预测模型研究

不同于通常在96点负荷预测时对工作日和休息日所使用的自然区分方法,本文通过引入方差概念对一周各天同时间段电量进行分析,给出了重新划分工作日和休息日的方法。在满足样本相似性的前提下增加了合格样本的数量,为人工神经网络法96点负荷预测提供更为充分和可靠的历史数据。实际预测计算表明,该方法有效地提高了预测精度。