基于区间法的10kV配电网线损节能评价方法

为提供一种有效的配电网线损管理手段,在现有配电网线损指标研究的基础上,采用区间法对线损指标进行划分,并建立不同线损区间的评价方法。将线损区间分为不合理损耗区、高损耗区、无功管理区、低损耗区,分别给出了合理和不合理损耗区间的评价方法,找出可能存在的不合理原因用以指导管理降损和技术降损。以山西某地区10 kV配电网为例,分析了对应的线损指标,找出线路存在的问题,并给出了相应降损措施。     

SF6电流互感器绝缘缺陷的放电及气体分解特性

选取铝筒均压型和电容屏均压型的500 kV SF₆电流互感器（CT）试品,研究了绝缘子沿面缺陷和复合缺陷下的放电及气体分解特性,并分析了缺陷类型、放电路径长度和采气位置对该特性的影响。发现相位分辨率的脉冲序列（PRPD）谱图是气体分解特性研究的良好辅助手段,改良设计的采气口检测结果更准确。绝缘介质缺陷的典型特征是含C物质（CF₄、CS₂）的生成。绝缘子沿面缺陷下SO₂含量高于SO₂F₂,S₂OF₁₀的含量增长率较低,且放电路径长度会影响典型产物的种类。复合缺陷下SO₂F₂和SO₂的含量增长率较高,S₂OF₁₀的含量增长率相对低。     

试论当代宜兴青瓷装饰的表现特征——以青瓷"蝴蝶挂盘"为例

装饰艺术是当代宜兴青瓷极为重要的组成部分,亦是其最直接的艺术表现形式和表达效果,它的表现风格呈现出多元化和多样性的特征,重视形式与人文的结合、传承与创新的互动,故而始终是青瓷人十分关注的一个"课题".     

基于Flac3d的复合土工膜缺陷渗漏影响因素研究

复合土工膜以其造价低、施工方便以及渗透率低等诸多优势,被广泛应用于水利工程防渗施工中。文章以某水库为例,利用Flac3d有限差分软件对复合土工膜缺陷渗漏的影响因素进行研究,获取了堤坝坝体渗流量在不同影响因素下的变化规律,认为缺陷数量是坝体渗流量的主要影响因素,应在施工设计中予以足够重视。     

含电动汽车虚拟电厂的区间主从博弈优化调度

“双碳”背景下,大量电动汽车为虚拟电厂提供了灵活的储能资源。虚拟电厂运营商与电动汽车主存在利益博弈,且运行过程受诸多不确定性因素影响,这对优化调度工作提出了挑战。为此,提出了一种含电动汽车虚拟电厂的区间主从博弈双层优化模型。上层模型以虚拟电厂运行成本最小为优化目标,考虑功率平衡与储能系统约束,并根据所求得上层目标更新相应电价信息;下层优化模型基于电价信息,以电动汽车主用电费用最小为优化目标,求解聚合电动汽车功率,并将其返给上层优化模型。算例分析结果表明,区间主从博弈双层优化模型可兼顾虚拟电厂运营商与电动汽车主的双边利益,并能有效提高系统的鲁棒性。     

差分拉曼光谱对眼药水塑料瓶的分类研究

目的 建立一种便捷精准无损检验眼药水塑料瓶的方法。方法 使用便携式差分拉曼光谱仪检测33个塑料眼药水瓶，根据获得的各样品数据，包括差分拉曼光谱图的峰位、峰数等对样品进行成分分析，并通过统计分析软件“统计产品与服务解决方案”(SPSS 26.0)对样品进行K均值聚类，利用轮廓系数优选K值。对分类结果中样品数目较多的一类样品进行填料分析，利用皮尔逊相关系数验证分析结果的准确性。结果 样品主要成分为聚乙烯和聚对苯二甲酸乙二醇酯，利用轮廓系数优选K值为2，K均值聚类算法对样品的分类结果与成分分析结果能够相互印证。以聚乙烯类样品为例，根据填料不同可将其分为7组。皮尔逊相关系数计算结果能够证明上述分类分组结果可靠。结论 利用该方法能够准确无损地检测眼药水塑料瓶，并对其进行分类研究。     

浅谈紫砂筋纹器"菊瓣壶"的创作过程

紫砂文化是中国陶都宜兴特有的艺术文化,经过数百年的发展和历史沉淀,不断汲取和成长,紫砂壶形的变化也愈演愈烈,有古朴端庄,也有清新典雅,通过紫砂匠人们精湛的技法,呈现出紫砂壶的独特魅力。其中筋纹器也要算是紫砂艺术中非常重要的一类了,具有独特的艺术风格和魅力,深受爱壶人士的喜爱。筋纹器融古贯今,给人清秀明快,心旷神怡之感。     

遥感影像土地利用/覆盖分类方法研究综述

从六个方面总结了国内外出现的遥感影像土地利用／覆盖分类中针对传统计算机分类方法的改进：(1)从基于统计的分类向基于非线性并行处理的人工神经网络分类、基于模糊理论为分类、基于知识的分类以硬支撑向量机等分类技术发展；(2)分类从单一利用光谱信息到利用光谱、纹理、时相、角度等多砷信息；(3)从基于像元的逐点分类到基于图斑的分类；(4)从硬分类到亚像元分类；(5)从单源遥感影像分类到利用多源遥感影像融合的分类；(6)从单分类器向复合分类器发展。     

模型树和支持向量回归在高光谱遥感中的应用

利用连续植被辐射传输模型（SAIL模型）模拟生成小麦冠层反射率数据，比较了数据挖掘中的新方法模型树、支持向量回归与传统的逐步回归用于高光谱数据定量预测的效果．结果表明：支持向量回归和模型树的预测精度都要远远高于逐步回归，在训练样本数量减少时，它们的优势更加明显；支持向量回归在高维空间中有很好的泛化能力，其预测精度随维数的增加呈持续上升的趋势；模型树的预测精度在低维条件下和支持向量回归相仿，但在高维条件下则比支持向量回归差很多，通过逐步回归的特征选择预处理，可以提高模型树的预测精度，缩小其与支持向量回归之间的差距．     

像由心生

正~~