风电集群短期及超短期功率预测精度改进方法综述

风电集群短期及超短期功率预测是提升电网健壮性的有力手段。该文总结国内外风电集群短期与超短期功率预测技术的现状,从集群和单个风电场两个方面,归纳风电功率预测技术的分类;从预测流程、数据来源、数据流向、物理层次4个方面论述风电集群功率预测系统的整体框架;提出具有泛化意义的风电功率预测的物理层次结构,并从数据层、映射层、特征层、模型层、反馈层5个不同的层面讨论风电功率预测技术的精度提升方法及其发展方向,对短期、超短期风电功率预测、集群功率预测的研究具有一定参考价值。     

La-Mn-O钙钛矿催化剂成分对NOx和碳烟同时催化去除的影响

将La-Mn-O钙钛矿型催化剂与碳黑充分研磨后置于固定床连续流动反应体系中,利用程序升温反应(TPR)技术,对同时催化去除NOx和碳烟的反应进行了实验研究,考察了Ce、K及Cu的掺入对La-Mn-O钙钛矿型催化剂性能的影响.研究结果表明,用适量的Ce或K取代LaMnO3中的La,催化剂的性能可以得到改善,进一步用适量的Cu取代La0.8K0.2MnO3中的Mn,催化剂的性能也得到进一步的提高.用La0.8K0.2Cu0.05Mn0.95O3当作催化剂时,NO向N2的最大转化率达到66.0%,碳黑的起燃温度为290℃,结果表明该催化剂在同时去除NOx和碳烟方面具有较好的选择性和较高的活性.     

基于K-Means聚类算法的自动图谱识别在电缆局部放电在线监测系统中的应用

局部放电相位谱图（phase resolved partial discharge pattern）是局部放电模式识别普遍采用的重要方法。但在中高压电缆在线局放监测系统中,电缆中的电压信号难以直接获取,使得局放相位谱图分析的开展遇到了重大的挑战。为此,在多年局放理论研究和局放现场应用研究的基础上,提出了基于K-Means聚类的局部放电相位谱图自动模式识别技术。该技术通过信号提取、坐标变换、K-Means聚类、中心点平移、模式判断的流程,克服了电缆局放监测中相位信息难以直接获取的缺点,能对来自三相的局部放电信号进行自动识别判断。5个应用实例证明,该方法能对电晕放电、内部放电、沿面放电和干扰信号做出准确的判断,必将在电缆在线监测系统中获得广泛的应用。     

基于SDAE深度学习与多重集成的风电集群短期功率预测

风电功率预测(wind power prediction,WPP)技术是电力系统调度与安全运行的关键性因素,为了更好地提升风电功率预测技术的精度,在集成学习的基础上提出了一种多重集成的集群短期WPP方法.所提方法包含4步:第1步,利用变分模式分解、经验模态分解和小波变换将原始风电序列分解为多个子序列;第2步,根据子序列...     

煅烧温度对钙钛矿复合金属氧化物的结构及其同时催化去除NOx和碳烟的影响

采用简单方便的方法制备了钙钛矿型催化剂La0.8K0.2Cu0.05Mn0.95O3,用程序升温反应的方法评价催化剂同时去除NOx和碳烟的性能,利用XRD、BET和SEM研究煅烧温度对其结构的影响,进而从物理角度分析催化剂性能的影响因素.结果表明,随着煅烧温度的升高,催化剂的晶型更加完美,比表面积和平均孔径都下降,内部的微孔逐渐减少.结合程序升温反应可知,最有利于同时催化去除NOx和碳烟的催化剂的平均孔径为17nm左右.     

基于参数自适应旋转门和Bump事件筛选的风电爬坡事件识别

风电爬坡事件的准确识别对于维护电网安全稳定运行具有重大意义。为提升风电爬坡事件检测的准确度,提出一种基于参数自适应旋转门和bump事件筛选的风电爬坡事件识别方法。首先对原始功率数据进行滤波处理,去除不合理数据并减弱噪声影响;然后使用参数自适应选择的旋转门算法,在保留功率波动趋势的同时完成数据压缩;随后设定趋势划分规则并对压缩后数据进行bump事件筛选,建立具有上、下爬坡趋势的数据集;最后根据现有多种定义对风电爬坡事件进行识别。算例结果表明,相较原始旋转门算法,所提方法能够识别到更多爬坡事件的发生,检测率的提升幅度基于定义条件1—3分别为23.28%～53.56%、13.70%～41.51%和12.49%～41.52%。     

计及邻近风电场信息与CNN-BiLSTM的短期风电功率预测

高精度的短期风电功率预测对保障电力系统安全至关重要,因此提出了一种计及邻近风电场信息与CNN-BiLSTM的短期风电功率预测方法,在深度学习预测建模环节除了采用目标风电场的NWP作为输入特征,还引入了邻近风电场的高相关特征。首先综合风速序列、功率序列间的相关性和距离,计算区域内各邻近风电场和目标风电场的复合相似度,并依据相似度排序选择高度相似的邻近风电场作为信息来源;再采用CEEMDAN频域信号分解和时间序列特征扩充构造高维特征集合,并引入浮动搜索特征选择算法对强相关特征进行优选;最后基于被选核心特征,开展基于CNN-BiLSTM深度神经网络的功率预测建模。算例结果表明,相较不引入邻近风电场信息的传统预测方法,所提方法能有效提升预测精度。     

压缩比、CO2和LPG对二甲醚燃料均质压燃燃烧的影响

在一台2-135柴油机上实现了纯DME的均质压燃(HCCI)燃烧方式.实验结果表明,DME的HCCI燃烧模式不但可以实现无烟燃烧,还可以有效控制发动机Nox排放,使其接近于零排放.在实验负荷范围内,CO排放随负荷增加而降低;HC的排放随负荷增大而减少.对DME的HCCI燃烧机理进行研究表明,由于纯DME十六烷值高导致的着火比较早(上止点前28°CA左右),使得发动机只能在中低负荷较小范围内运行.为了扩展发动机工况,控制HCCI着火,进一步通过调节实验发动机压缩比,以及在优化的压缩比下,在进气道加入气体CO2或者在DME中加入LPG降低燃料十六烷值的方法来改进和控制HCCI的燃烧.实验表明以上方法可以有效控制HCCI燃烧,拓宽HCCI发动机运转范围.     

基于相似日理论和CSO-WGPR的短期光伏发电功率预测

光伏发电集群的功率预测对区域光伏发电的优化调度意义重大。为提升光伏电站集群功率预测精度,提出了基于K均值聚类划分的光伏集群短期功率预测方法,以场站光伏发电特征为参照,进行集群聚类划分,并引入带补偿偏置的长短期记忆网络(bias compensation long short-term memory network, BC-LSTM)进行功率预测。算例结果表明,使用带补偿偏置的长短期记忆网络相较于长短期记忆网络网络(long short-term memory network, LSTM)能够提升约0.6%的预测精度,使用集群累加法相较于统计升尺度法和累加法也能够提升约0.5%的预测精度。

     

多物理场下的高压直流电缆局部放电研究展望EI北大核心CSCD

高压直流电缆需要面对空间电荷、潮流波动、温度变化、谐波、应力、绝缘缺陷等复杂运行条件的考验。多物理场下的高压直流电缆局部放电(partial discharge,PD)的研究尚处于起步阶段。复杂条件下的直流电缆局部放电产生机理尚不明确,且直流局部放电表征识别困难,动态特性复杂。该文总结多物理场对高压直流电缆PD的影响,对比空间电荷、电场、应力场、谐波与PD之间的关系,分析多物理场下直流电缆PD特征构建与模式识别的研究进展。进一步,展望多物理场下的高压直流电缆PD发展趋势,包括高压直流电缆“荷–场–热–力”多物理场PD模型、多物理场仿真、多物理参数联合实验、直流电缆PD多物理参数表征新特征构建与优选、直流电缆PD先进模式识别方法等,可为直流PD检测与诊断提供理论参考。