基于实时分类负荷模型的受端电网电压稳定问题研究

电压稳定问题已成为北京、上海和广州等受端大负荷中心系统共同的潜在威胁。为研究受端电网电压稳定问题,本文以广州电网为例,通过仿真分析,揭示受端电网两种不同程度暂态电压失稳模式,即系统暂态电压失稳和局部暂态电压失稳,其失稳特征与机理与负荷中的电动机特性密切相关。为提高负荷模型的可信度,本文提出一种实时分类负荷模型建模方法,并以广州电网实际发生的单相短路故障为算例进行了仿真验证。结果表明,该建模方法有效可行,建立的模型可信。     

基于混合编码和长短时记忆网络的机场延误预测方法

为充分利用机场延误状态信息的时间相关性,提高机场延误预测精度,提出一种基于混合编码和长短时记忆网络（Long Sort Term Memory, LSTM）的机场延误预测方法。该方法首先将机场信息、航班信息和气象信息进行数据预处理,得到机场延误数据;然后,利用LSTM网络对机场延误数据进行特征提取;最后,构建Softmax分类器对机场延误分类预测。实验结果表明,本文基于机场延误数据在数据预处理阶段提出的混合编码方法,可使预测准确率提高约5%。同时,利用LSTM网络来提取数据的时间相关特征信息,网络模型的预测准确率最终可达94.01%。并且由不同机场数据对网络的普适性分析结果表明,该算法更适合于原始数据量大的中大型枢纽机场。      

电网暂态电压稳定的主要影响因素量化分析

含多馈入直流输电线路的复杂大型受端系统,由于故障后直流换流器和电动机消耗无功功率急剧增长,使得系统暂态电压稳定性面临严峻考验。以某典型受端电网为例,分析了电网暂态电压失稳的严重问题,基于暂态电压失稳的量化评估指标,深入分析了负荷模型和扰动形式对暂态电压稳定性的影响,并根据该电网暂态电压失稳特点提出了改善暂态电压稳定性的方法,即在电网薄弱站点装设动态无功补偿设备STATCOM。所提出的分析方法与结论对其他电网的暂态电压稳定性分析有一定的借鉴意义。     

燃用福建无烟煤的高回流燃烧器及其应用

燃用福建无烟煤的高回流燃烧器及其应用福建漳平电厂刘小平，叶萌１前言在福建省的煤炭储量中，大部分为低挥发份无烟煤，可燃基挥发份含量只有２％～５％，其着火、稳燃和燃烬都很困难、燃烧特性极差。从多年燃烧低挥发份无烟煤的经验中可知，单一的依靠煤粉浓淡燃烧分流...     

有害物质监控与报警系统设计

为确保有害物质工作场所人员的安全,针对工作场所存在的有害物质,综合集成网络通信、软件开发、联动控制等技术,设计的有害物质监控与报警系统实现了工作场所有害物质的实时监测、超标即时报警和联动控制。该系统显著提高了工作场所有害物质的监控水平和监控效率,有效保障了工作场所人员的安全。     

枢纽工程厂房基础处理及整体抗滑稳定分析

河床式水电站的特点是上游挡水坝,主、副厂房和下游挡水结构连成一体,共同承受上、下游水位及厂房内水压力,其受力情况非常复杂。结合秀江4级挡水枢纽工程,通过分析工程坝址区范围地质条件,进行主厂房建基面抗滑稳定、基底应力、厂房抗浮稳定计算等。根据计算结果,针对厂房基础及边坡等不良地质区域提出了有效地基础防护处理措施,提高了厂房整体抗滑稳定性。     

人民币汇率变动对“安哥拉模式”的影响及对策研究

建立在人民币汇率变动趋势为升值减缓并伴有较大波幅的假定基础上,归纳分析了“安哥拉模式”融资方式业务流程及资金融通环节及使用“安哥拉模式”的积极影响。从融资利益相关者角度构建分析框架,探析“安哥拉模式”受汇率变动的影响。通过对比分析“安哥拉模式”与出口买方信贷融资方式,阐明了“安哥拉模式”的适用条件,建议在具备一定条件的情况下采用“安哥拉模式”融资方式。并针对该融资方式,从中国承包商和中国进出口银行的角度提出相应的汇率风险防范方法,为中方更好地使用“安哥拉模式”提供理论参考。     

在线社交网络恶意信息多源定位算法

针对恶意信息源覆盖范围重叠导致基于全网拓扑的定位算法复杂度高的情况,提出基于社区结构的子图划分算法,将恶意信息多源定位问题分解为多个单源定位问题。在此基础上,利用基于Jordan中心的在线社交网络多源定位算法,实现多个子图内的恶意信息单源定位。在随机数网络和UCIonline网络上的仿真结果表明,该算法能够有效识别恶意信息源,定位准确率相比基于距离中心、紧密度中心和介数中心的算法提高11%～30%。     

不同桩距群桩基础的对比分析

通过两组不同桩距的群桩基础试验，对比分析桩距不同时群桩基础的工作特性，并从中得出一些规律性的特征。     

基于变分模态分解和深度学习的短期电力负荷预测模型

提升负荷预测的准确性对于指导电力系统的生产计划、经济调度以及稳定运行至关重要。提出一种基于变分模态分解(Variational Mode Decomposition, VMD)和长短期记忆(Long Short Term Memory, LSTM)神经网络的短期负荷预测模型。利用VMD算法将负荷序列分解成不同的本征模态函数(Intrinsic Mode Functions, IMF),每个IMF结合LSTM进行预测,将各部分预测结果叠加得到VMD-LSTM模型的预测结果。分析实验结果,相比单一LSTM和经验模态分解(Empirical Mode Decomposition, EMD)组合LSTM预测方法,该方法能有效的提升负荷预测的准确性。