基于卫星遥感的辐照度时空关联映射与预测建模

常规光伏电站仅能依赖局地地表气象观测信息进行辐照度预测,难以挖掘电站周边广域光伏资源的时空关联特性,限制了光伏电站辐照度以及发电功率的预测精度。针对上述问题,该文提出基于卫星遥感的光伏电站广域辐照度空间分布映射方法,并建立基于图卷积网络（GCN）的地表辐照度超短期时空关联预测模型,在充分利用多通道卫星数据的同时,考虑时空关联特性提高地表辐照度超短期预测精度。通过某光伏场站实例仿真分析,验证地表辐照度反演模型的可行性以及在此基础上所构建的辐照度时空关联预测模型的先进性。     

圆柱形植物斑块水动力特性的大涡模拟研究

为阐明天然河道典型植物群落的水动力特性,该文使用基于浸没边界法的大涡模拟技术,构建了以半透性圆柱斑块为植物群落的水动力数学模型,开展了不同的植株密度下三维水流数值模拟研究,并根据水槽实验数据对该数值模型的可靠性进行了验证.研究结果表明:流经半透性植物斑块的水流可分为两侧绕流及贯穿流动,且斑块的阻流效应与其植株密度呈现正...     

基于机器学习回归模型的三峡大坝混凝土强度预测

人工神经网络、决策树与支持向量机为目前混凝土强度预测的常用机器学习算法。为实现三峡大坝大体积混凝土原材料筛选以及配比经验的学习与应用,并对大坝维护以及其他水利工程的建设提供指导,本研究基于三峡大坝主体工程混凝土28 d抗压强度数据,构建了原材料性能及配合比与混凝土强度之间的关系,并结合随机森林特征权重排序与统计分析的方法,确定了水泥用量、混凝土温度、水灰比为影响三峡大坝混凝土抗压强度的关键特征参数。探讨了常用机器学习算法对三峡大坝28 d混凝土强度预测效果,依据固定特征参数、通用参数与超参数综合调优后的多种算法的预测结果对比可知,经体系化综合调优的Epsilon支持向量回归(SVR)算法在预测中更优。     

风电场无人机巡检红外叶片图像拼接算法

针对无人机拍摄叶片红外图像背景冗余信息较多、拼接精度不高等问题,本文提出一种基于形态学改进Chan-Vese分割与局部特征匹配的红外风机叶片图像拼接算法,首先,对图像进行中值滤波降噪,使用形态学运算改进基于Chan-Vese模型的水平集算法,生成表达主体的掩膜。基于掩膜去除冗余背景提取局部Harris特征点;对掩膜进行二次形态学腐蚀处理,抑制边界锯齿像素上的伪特征点;最后,使用暴力匹配及随机抽样一致（Random Sample Consensus, RANSAC）算法筛选出有效匹配点对,计算单应性矩阵实现匹配拼接。与传统图像分割下Harris拼接算法相比,本文改进后的算法拼接精度有明显提高,在不同的测试场景下显示出较强鲁棒性。     

长江流域水体硅含量分布特征及影响因素研究综述

随着“长江大保护”的推进,长江流域水体中浮游生物的生长状态成为日益热门的话题。硅作为六大生源要素之一,是影响浮游生物生长繁殖的要素之一,对流域生态系统的结构和稳定起到至关重要的作用。首先介绍了河流中硅的形态分类,讨论了对不同形态硅的研究意义。随后综述了国内外研究成果,对长江流域硅含量的时空分布特征进行整理分析,探讨可能影响河流、水库及河口硅含量分布的因素,对比分析了长江与国内外其他河流硅含量差异的原因,展望了长江流域硅含量当前研究的不足及未来研究方向。研究成果可为硅元素对长江流域浮游生物生长的影响等相应研究提供思路与建议。     

水位骤降下近岸栖息地和底栖动物变化特征

本研究于2014年秋对牡丹江中游段两处受电站调峰影响的河段进行野外调查,对6个岸边退水潭进行水质采样和大型底栖动物采集,分析其水质特征和底栖动物群落组成,与相邻天然主河道的栖息地环境因子和底栖动物群落结构进行对比,并通过冗余分析（RDA）研究退水潭中底栖动物分布与主要栖息地环境因子之间的关系。研究表明,退水潭与主河道的水质和底栖动物组成均有显著差异,退水潭处溶解氧含量和pH值显著高于临近河道,氨氮和总氮含量较高。双翅目、半翅目和腹足纲为退水潭中的优势底栖物种,退水潭中底栖动物物种丰度、生物密度、Shannon-Wiener指数和Margalef丰富度均较河道处低。冗余分析表明退水潭中影响底栖动物群落结构的关键环境因子为溶解氧、pH值、总磷等。     

金沙江下游梯级水电工程建设风险管理实践

金沙江下游梯级水电站开发,对于构建清洁低碳、安全高效的现代能源体系,促进西部地区经济社会协调发展,建立以水电为核心的水风光储蓄一体化清洁能源基地,助力“双碳”目标实现具有重要意义。针对金沙江下游电站建设“四高、三大、两岸、一严”的技术和管理挑战,本文通过对工程建设风险和项目法人建设管理能力的全面分析,系统总结了在金沙江下游水电开发过程中形成的工程建设管理理念、项目管理模式、绿色水电实践、和产学研用协同创新机制等实践经验,有效解决了工程建设各项关键技术难题和重大管理问题,促进了金沙江下游梯级水电工程的顺利建设。     

物理机制引导的水库调度深度学习模型研究

为了从海量数据提炼人工调度经验来指导日常工作,机器学习等技术正逐渐应用于水库调控实践中。然而,仅依赖机器学习技术形成的水库调度方案,往往无法真实反映水库调度过程,使得调度经验刻画不到位。因此,本研究构建了物理机制引导的水库调度深度学习模型,以损失函数惩罚项的形式考虑水库出库流量的水量平衡约束、单调性约束、边界约束,以数据增强的方式在模型训练集与验证集中纳入稀遇洪水调度过程。研究结果表明,该模型在常规运行条件与稀遇水文条件均能有效模拟水库调度决策,与基准模型相比,该模型的模拟结果更符合水量平衡原理,有效减少负值流量,能准确模拟高值流量。该模型可为水库智慧调度的实现提供技术支撑。     

电力系统频率动态中惯量与惯量响应特性辨析EI北大核心CSCD

高比例新能源和高比例电力电子设备电力系统中,频率安全问题突出。惯量和虚拟惯量被认为是改善系统频率动态的关键因素。针对电力系统频率动态问题,综述并分析不同物理惯量及虚拟惯量的响应特性和影响。分析同步电机惯量、异步电机惯量、直驱风机(permanent magnet synchronous generator,PMSG)惯量、双馈风机(doubly fed induction generator,DFIG)惯量等旋转设备物理惯量对系统频率动态的影响。同步电机惯量、异步电机惯量、双馈风机惯量均会影响频率动态,但响应特性不同。比较电力电子设备虚拟惯量响应2种不同实现方式的区别,分析虚拟惯量响应所需储能以及控制响应延时的影响。电力电子设备可提供频率的稳态支撑加暂态支撑,虚拟惯量控制是暂态支撑的1种,但需要根据系统不同频率动态控制要求研究不同的暂态支撑控制策略。     

基于KPCA-K-means-GRU的短期风电功率预测研究

风能间歇性和波动性的特点给电网的平稳运行造成了很大的挑战,导致电网企业限制风电并网,造成弃风行为。因此,实时有效地预测风力发电情况对风电开发和电网的平稳运行至关重要。在分析当前多种预测方法后,提出了基于核主成分分析K均值聚类-门控循环单元(KPCA-K-means-GRU)的短期风电功率预测模型。多维数据能够较好地还原实际物理状态,但过高维度的数据会带来维数灾难。因此,利用非线性的KPCA在保留高维数据信息的同时降低数据维度。随后借鉴负荷预测相似日思路,将降维后的数据通过K-means进行无监督聚类以建立不同的预测模型来提高预测精度。最后分别训练不同类别数据的GRU神经网络参数,进行分类预测以获得更合适的网络模型。