基于移动式红外测温的变电站设备温度预警系统

目前,变电站人工巡检效率低,对电气设备的测温准确率不高,导致不能对潜在的异常设备进行预警。针对此现状,提出了一种基于移动式红外测温的变电站设备温度预警系统。系统以巡检机器人为移动平台,结合红外测温、WiFi通讯、远程监控显示等新技术,可对变电站设备进行测温预警。在此基础上,进一步分析导致红外测温误差的影响因素,采用BP神经网络对红外测温误差进行修正。系统结合绝对测温预警和相对温差预警方式,达到理想的预警效果。该系统已在德清变电站成功投入运行,证明了系统的合理性和可靠性。     

基于综合需求响应的微能源网日前优化调度方法

微能源网是能源互联网(energy Internet,EI)终端供能发展方向,系统的经济优化运行亟需挖掘多能负荷的潜力,单一需求响应难以满足“源-网-荷”协调优化。针对微能源网中多种能源的耦合转换特性,首先,建立了含储能和综合需求响应(integrated demand response,IDR)的广义能量枢纽模型;引入微能源网能源运营商,建立了综合需求响应3种模式,即转移模型、转换模型和可削减模型。其次,提出了基于综合需求响应的微能源网日前优化调度方法,制定能源分时价格,协调优化3种需求响应模式,建立以利润最大化为目标的混合整数线性规划模型,并利用CPLEX软件求解。最后,结合算例,验证了所提综合需求响应模式与日前优化调度方法的有效性,最大化利用了微能源网多能负荷耦合互补能力,提高了系统运行的经济性。     

基于逆变器直流侧电流控制的多微源并离网无缝切换

传统的多微源并离网无缝切换多采用无功-电压下垂控制策略,不能保证无缝切换过程的成功,且在孤岛运行时存在电压偏移的现象,影响微电网整体的电能质量。通过研究逆变器直流侧与交流侧电量的关系,提出了在储能逆变器控制策略中加入直流侧电流控制策略,消除了电压偏移和误调节的问题,提高了微电网在运行过程中的电压稳定性。     

220 kV主变高压侧B相GIS套管异物短路故障分析

<正>某220 kV变电站1号主变发生跳闸故障,综合现场检查、故障录波、电气试验、天气等信息,确定是异物搭挂在1号主变220 kV断路器B相封闭式组合电器(GIS)套管上,导致了主变三侧断路器跳闸。为避免此类故障再次发生,保证电网稳定运行,在参考相关文献的基础上,提出了针对性的措施及建议[1-10]。1 220 kV主变跳闸概况1.1 故障前运行工况本次故障涉及的220 kV变电站有220、110、35 kV等3个电压等级。     

基于灰靶决策和多目标布谷鸟算法的微电网分布式电源鲁棒优化

风机、光伏等可再生能源出力和负荷需求的不确定性给微电网稳定运行带来挑战。首先,针对这一特性,构建约束条件的不确定集,综合考虑运行成本和环境成本,建立微电网多目标鲁棒调度模型,并引入鲁棒不确定预算调节不确定集合的保守度。其次,采用基于Pareto支配策略的改进的非线性多目标布谷鸟算法求出Pareto最优解集,并利用多目标灰靶决策从Pareto最优解集中选择出满意方案。最后,针对一个小型微电网系统建立优化模型并求解,对比分析仿真结果,验证了所提方法的可靠性和有效性。     

基于最优权重和区间灰数动态灰靶的变压器状态评估

目前变压器状态评估未考虑多阶段指标信息的变化趋势,且评估指标的权重确定相对简单,造成整体评估的偏差。针对此现状,提出一种基于最优权重和区间灰数动态灰靶的变压器状态评估方法。选取状态评估指标,将指标数据分为效益型和成本型两类,并进行规范化处理。采用层次分析法赋予指标的主观权重;引入方差和均差来衡量指标数据的波动性,赋予指标的客观权重,依据相对熵原理建立优化模型确定指标的最优权重。考虑变压器多阶段状态信息集结和指标的变化趋势,提出基于区间灰数动态灰靶评估方法,以综合靶心度来评估变压器的状态。利用某变电站多台变压器多阶段的历史数据进行算例分析,验证了该状态评估方法的有效性和准确性。     

凝固速率对Al-Ni合金组织特征的影响

采用气体雾化亚快速凝固工艺制备了Al-Ni合金粉末,并将粉末的组织形貌与金属模重力铸造的Al-Ni合金组织形貌进行了比较.实验结果表明,提高凝固速率可以使Al-Ni合金获得理想形貌的金属间化合物强化相.     

热电偶测温和红外测温的比较研究

对两种常用的测温方式——热电偶测温和红外测温进行了比较研究,分别从测温原理、误差来源、校准方法等几方面来讨论,分析了各自的优、缺点及改进方向。     

基于热路和BP神经网络的变压器顶层油温预测研究

变压器的顶层油温会影响变压器的绝缘性能和运行寿命,精确预测顶层油温对提高变压器的利用率至关重要。针对目前顶层油温预测准确度不高的现状,提出一种提高顶层油温预测精度的组合模型,并以实际算例验证了模型的有效性。首先,利用Susa D热路模型预测顶层油温得到初始值;其次,建立BP神经网络模型预测热路模型的误差;最后,利用预测的误差结果修正热路模型的初始值。实例分析表明,组合模型较Susa D热路模型及单一预测模型预测精度更高。