基于G_1-GRA的火电厂综合性能评价模型研究

我国燃煤电厂是电力重要供应商,也是最大的煤炭和水资源消耗企业,因此造成巨大的SO2,NO x和CO2排放量。在当前低碳可持续发展的大背景下,为燃煤电厂建立一套科学、合理、可行的综合评价体系,以衡量其热经济性和环境的协调发展就变得尤为重要。提出了基于G1-GRA的组合评价模型,在确立燃煤电厂综合性能评价指标基础上,采用G1法确定指标权重,再根据灰色关联(GRA)评价方法对燃煤电厂600 MW机组的综合性能进行评价。结果对于复杂能源利用系统的综合性能评价和系统在资源、经济、环境因素下的优化和决策问题有一定的指导作用。     

基于改进TOPSIS-PSO-SVM的配电网适应性评价研究

我国可再生能源发展迅速,新能源发电已成为发电的主力之一。文中针对分布式能源并网后配电网的适应性问题,对配电网适应性内涵进行了新的定义,建立了可靠性、负载率、电流、电能质量、运行年限、新能源利用率6个一级指标的配电网适应性评价指标体系。通过主、客观赋权法得到组合权重,并将其与TOPSIS进行结合,确定了评价模型的期望输出值。文中提出了一种基于改进TOPSIS-PSO-SVM的配电网适应性评价模型,并以宁夏5个地区配电网进行实例分析。结果表明TOPSIS-PSO-SVM评价模型的评价相对误差区间为[0.94%,1.03%],相对误差绝对值平均数为0.885 4%,说明该评价模型在配电网适应性评价中的评价误差更小,评价精度更高。     

青藏直流联网工程多年冻土地区杆塔基础的地温与变形监测分析

由于青藏高原多年冻土恶劣的工程地质条件,给青藏直流联网工程建设和运营带来了巨大的技术和经济难题。对工程沿线不同冻土类型、不同杆塔基础型式以及有无热棒处理措施的8个地段、10个基塔进行了地温和变形监测,并基于监测结果,分析了冻土地区杆塔基础地温和变形的变化规律和影响因素,预测了其在全球气候变暖条件下的长期稳定性,为冻土区杆塔基础的设计和稳定性研究提供基础数据。     

采用复合自适应全局人工鱼群的微网并网优化运行研究

微网是我国智能电网发展的关键技术之一,而微网的并网优化运行已成为当前国内外的研究热点.充分考虑微网中分布式电源的发电功率特性以及运行成本、燃料成本、环境成本、折旧成本、售电收入、购电费用和启停成本,在计及功率平衡约束、交互功率约束、爬坡约束的条件下,以微网运行总运行成本最小为目标,构建了微网优化运行经济模型,并采用复合自适应全局人工鱼群算法求解.通过典型微网系统进行了实例仿真分析,证明该算法的有效性和正确性.     

声学与信息科学

声音足人类与外部世界进行信息交互的重要手段,信息科学是以扩展和延伸人类的信息功能为主要研究目标的。所以,声学与信息科学将随着科学技术的发展必然相互影响,紧密联系。通过概述声学在不同领域的科学成就,阐明了声学与信息科学之间的发展关系,指出信息科学的方法论将会对声学的研究与发展产生重要影响,未来声学与信息科学将相互渗透、相互融合。信息声学将会成为现代科学技术中的一个热点。     

深度处理水厂臭氧尾气检测

深度处理水厂臭氧接触池尾气浓度是一项重要技术参数,对于验证工艺设计参数与臭氧设备选型、安装调试状况及运行参数等具有重要作用,是对招标书中臭氧传质效率验收的重要指标。     

火电厂耐磨件加工技术

通过分析火电厂耐磨件的加工特点，介绍了其主要的加工技术，并对这些技术的特点，使用范围和使用中需加以注意的问题作了较为详细的说明。最后指出广耐磨件加工中现存的问题及其加工技术今后的发展趋势。     

改进的信息扩散模型在电力事故风险评估中的应用

分析电力事故风险,对电力企业管理者规避风险、提高安全管理水平尤为重要.传统的风险评估中大多是凭借专家的主观经验来定性分析或者应用概率统计法、指标体系等方法来定量分析,但是,传统的风险评估方法并不完全适用于电力事故风险评估定量指标样本量小、不能完全精确反映总风险的特点.改进的信息扩散模型满足电力事故风险评估的特点,应用此方法对2007-2011年的电力事故风险进行分析,得到各风险水平下的概率和估计值.对计算结果进行分析,提出要重视电力事故安全管理、特别是要提高电力建设事故安全水平的结论,从而为管理者提供风险评估参考依据,并为其制定安全管理措施指引了方向.     

基于聚类分析和PSO优化的神经网络短期负荷预测研究

为了提高电力系统短期负荷预测的精度,本文在分析传统的负荷预测模型在实际应用中存在问题的基础上,提出了一种新的预测模型:基于聚类分析和粒子群优化的BP神经网络模型。由于负荷具有波动性大、日周期性强等特点,对初始负荷数据进行预处理,按时段对数据空间进行划分,对每个子空间的数据分别建模,可以大幅度的提高神经网络的预测精度和泛化能力,同时利用惯性权重线性微分递减的粒子群算法优化神经网络的连接权值和阀值,可以提高神经网络的全局搜索能力和收敛速度。以某市公布的全网负荷数据进行预测验证,证明了此方法所建立的模型的合理性和有效性。     

基于遗传算法的BP-LSSVM组合变权模型权重优化的短期电价预测研究

为了能够精确预测短期电价为市场参与者提供有效的决策指导,首先对电价数据进行水平处理,然后建立BP神经网络(BPNN)和最小二乘支持向量机(LSSVM)组合变权模型(BP LSSVM),同时提出采用遗传算法(GA)对该组合变权模型的权重进行优化,最后将权重优化之后的GA BP LSSVM模型应用于美国PJM电力市场的边际电价预测,并与传统的LSSVM与BPNN的预测结果进行比较,结果表明,该组合变权模型能够提供更加精确的预测电价。