污水处理过程（BSM2）的全流程优化控制设计

通过对比BSM1和BSM2的组成模块,详细介绍国际水质协会（IWA）提出的国际基准仿真模型（BSM2）的组成,包括初沉池模型、污泥浓缩池模型、厌氧消化池模型、ASM1／AMD1模型和脱水处理模型．对BSM2全流程仿真实验平台的性能指标作详细分析并对其进行性能测试．在BSM2模型闭环情况下,以硝态氮的浓度作为被控变量,在BSM2模型中加入PID控制器,通过MATLAB／Simulink软件进行仿真验证,将其出水水质指标与国际水质协会的出水水质指标相对比,结果表明,PID控制算法能够很好地控制其出水水质指标．     

基于带通滤波器的幅频特性调节光电开关灵敏度

研究探讨了调制光频率与检测距离的相关性,旨在通过软件改变红外调制光频率,实现"一键式"智能调节检测距离.以连续周期矩形脉冲信号为例,选用二阶窄带带通放大电路对输入信号进行放大和滤波处理,使不同频率的脉冲信号经过窄带带通放大器自动调节其输出信号幅度,进而影响传感器的灵敏度.经理论推导、仿真设计、实验分析,结果表明:当设定脉冲幅值和占空比为常数时,改变脉冲信号频率可实现传感器灵敏度的调节,从而实现对检测距离的调节.即当ff0时,灵敏度随着f增大而减小.在红外光电开关传感器上应用该方法实现了利用软件调节频率来调节传感器的测量距离.     

自适应变系数粒子群—径向基神经网络模型在负荷预测中的应用

为了提高短期电力负荷预测精度,提出了一种自适应变系数粒子群-径向基函数神经网络混合优化算法(AVCPSO-RBF).实现了径向基神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统径向基神经网络方法和粒子群-RBF神经网络方法及基于混沌理论的神经网络模型,该优化算法克服了径向基神经网络和传统的粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,提高了贵州电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.7%以内.该算法可有效用于电力系统的短期负荷预测.     

基于改进粒子群-径向基神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群–径向基神经网络算法。用改进的粒子群算法训练径向基神经网络,实现了径向基函数神经网络的参数优化。建立了短期电力负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素进行短期负荷预测。算例结果表明,该算法优于径向基神经网络法和粒子群–径向基网络算法,克服了径向基网络和粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,输出稳定,预测精度高,收敛速度快,平均百分比误差可控制在1.2%以内。     

基于二氧化碳热力循环的储能研究综述

基于二氧化碳热力循环的储能技术，结合二氧化碳循环的优良性能和捕集后二氧化碳的再利用需求，有望在未来以新能源为主体的能源体系中发挥出重要作用。针对基于二氧化碳循环的储能技术进行了定义，并依据各储能方案的技术特点将该储能划分为电热储能，低、中和高压储气的压缩二氧化碳储能，低温和近常温储液的压缩二氧化碳储能，以及恒压储气的压缩二氧化碳储能；讨论了各类储能技术的研究现状、具有的优势和存在的不足。低压储气的压缩二氧化碳储能技术最为成熟，目前已有大型工程示范机组建成；高压储气的压缩二氧化碳储能和大规模电热储能的综合性能较好，但成本较高；低压端储存液态二氧化碳的压缩二氧化碳储能的循环效率最低，但储能密度最高；恒压储气的压缩二氧化碳储能效率最高，可达74%～76%，储能密度接近2 (kW·h)/m³，是极具发展前景的压缩气体储能技术之一。     

低温环境下不同地聚物砂浆力学性能及水化反应机理研究

为进一步提升低温环境下矿渣基地聚物砂浆的力学性能，以矿渣、硅灰和偏高岭土为主要原料制备了4种地聚物砂浆，探究不同原料组合对地聚物砂浆力学性能的提升效果，并结合扫描电镜和傅里叶红外光谱试验分析了不同组合地聚物砂浆的微观结构和硅灰、偏高岭土的改性机理。结果表明：在低温环境10℃的养护下，掺加硅灰可极大促进矿渣基地聚物砂浆早期水化反应，生成大量的C-S-H凝胶与水化铝酸钙产物，宏观上表现出更高的早期力学性能和强度增长速率；掺加偏高岭土，对矿渣基地聚物砂浆的早期力学性能有不利影响，但后期强度增长速率较快且强度值较高，养护时间为28d时，矿渣-偏高岭土基(S-MK)、矿渣-硅灰-偏高岭土基地聚物砂浆(S-SF-MK)试件的抗压强度均达60MPa以上；掺入硅灰和偏高岭土后，试件微观结构得到了改善，内部裂缝减少，均降低了地聚物砂浆的干缩率，偏高岭土降低干缩的效果较硅灰更好。研究结果为低温环境下矿渣基地聚物砂浆的制备和寒区抢修工程的应用提供了理论参考。