计及调频死区的柔性风储联合频率控制策略

针对风电机组与储能系统频繁参与电力系统调频带来的机械疲劳及循环使用寿命的问题,提出一种计及调频死区的柔性风储联合频率控制策略。首先,构建含风储调频死区的系统频率响应模型,明晰调频死区变化对电网频率的动态影响;其次,通过人工设置调频死区,确定风储系统调频动作时机及限制其调频深度,将受扰系统的频率响应阶段分为无响应区、风机响应区、风储过渡区和储能响应区,同时风机在考虑有效旋转动能的基础上参与调频,平抑电网频率波动;然后,通过设置风储过渡区可有效缓解风机退出调频带来的机械疲劳问题,储能装置在荷电状态约束的条件下参与调频,遏制电网频率突变;最后,利用大扰动激励法,在连续变动风速场景下验证了所提策略的有效性。     

基于转矩极限控制的双馈风机改进频率控制策略

基于转矩极限控制的双馈风机频率控制策略为系统提供频率支撑时,功率扰动较小情况下,暂态功率分担不合理会引起频率支撑阶段频率跌落,转速恢复阶段功率瞬时突变引起二次频率跌落。针对此问题,首先在频率支撑阶段提出了基于最大频率变化率的权重系数控制方法,以合理分担负荷扰动暂态功率,提升系统频率动态支撑能力。其次,在转速恢复阶段引入一次函数关系预设转速平滑恢复功率轨迹,避免有功突变,减少二次频率跌落。最后,基于EMTP-RV4.0仿真平台在不同渗透率及扰动下验证了所提方法的有效性。     

PLC在刀架控制中的应用

本文介绍用可编程序控制器控制刀架，实现自动选刀．     

减少磷化沉渣产生的方法和措施

通过对磷化机理的论述和磷化沉渣产生原因的分析,在理论和实践2个方面总结了减少磷化沉渣的方法和措施,并重点在磷化液的选择、配制和使用方面提出了自己的观点。     

Q235动态再结晶微观组织演化模型及其参数辨识

建立了Q235动态再结晶微观组织演化的元胞自动机(CA)模型,提出了应用反分析原理来辨识模型参数的新方法。以实验流动应力曲线为依据,通过非线性回归的方法确定加工硬化和动态回复阶段的模型参数;将CA模型和自适应响应面(ARSM)优化技术相结合确定动态再结晶(DRX)的模型参数。模拟结果与实验结果良好一致,表明所提出的基于流动应力的反分析方法能够有效确定DRX模型参数,提高DRX微观组织演化的模拟精度。     

电动刀架的单片机控制

本文介绍了电动刀架的单片机控制设计方法，这种控制装置是经济而实用的．     

软件单元测试实战

单元测试（unit testing）是软件测试的基础,实战证明,单元测试做得好与坏将直接影响到软件后期的测试和整个产品的质量。     

基于支持向量机的电力系统状态估计 多类型数据异常检测

为了解决异常数据严重影响电力系统状态估计性能的问题,提出了一种基于支持向量机(SVM) 的电力系统预测辅助 状态估计(FASE) 多类型数据异常检测方法。首先,针对传统 FASE 的预测准确率欠佳的问题,提出了基于极限学习机的 FASE 方法,并利用SVM 并基于预测数据、量测数据与估计值,实现了对坏数据、负荷突变和单相接地等多种类型的数据异常 检测。其次,针对惩罚因子和核函数参数会影响分类精度的问题,提出采用灰狼算法对 SVM 参数进行优化,在兼顾计算速度 的同时提高了数据异常检测的准确率。最后,在IEEE33 和丹麦DTU7K47 节点主动配电网系统上进行仿真测试,所提方法 在正常工况下提升26.08%与26.76%,计算速度提升46.05%,在数据异常情况下准确率综合提升32.04%与29.27%,结果 表明,所提方法具备较强的通用性与实时性,可以有效地检测电力系统中各种类型的数据异常,并提高状态估计的性能。     

工艺参数对Cu中间层SiCp/AlMMCs TLP连接组织和性能的影响

采用铜箔作中间层，在连接温度为833K的条件下进行瞬间液相连接。研究了保温时间和压力对接头组织和性能的影响，结果表明，铝基复合材料表面致密的氧化膜仍然是影响接头性能的重要因素。压力辅助瞬间液相连接（压力为2MPa）能获得颗粒分布均匀，无氧化物夹杂的接头，接头剪切强度达157.4MPa，约为母材强度的70.2%。     

物理基本构模型和BP人工神经网络模型预测AZ80镁合金高温流动应力的比较研究

基于变形温度250~400 ℃和应变速率0.001~1 s^-1条件下的铸态AZ80镁合金的热压缩试验数据,建立了基于应力位错关系和动态再结晶动力学的物理基本构模型以及前馈反向传播算法的人工神经网络（ANN）模型来预测AZ80镁合金的热变形行为。采用相关系数（R）、平均绝对相对误差（AARE）、相对误差（RE）3种统计学指标来验证2种模型的预测精度。结果表明,2种模型均可以准确预测AZ80镁合金的热变形行为。其中,ANN模型预测的应力值与实验数据更为吻合,其R和AARE分别为0.9991和2.02%,而物理基本构模型预测的R和AARE分别为0.9936和4.52%。ANN模型较好的预测能力归功于它擅长处理复杂的非线性关系,而物理基本构模型的预测能力是基于模型具有一定的物理意义,模型参数的确定充分考虑了热变形过程中的加工硬化（WH）、动态回复（DRV）和动态再结晶（DRX）的热动力学机制。最后,对这2种本构模型的优缺点及适用范围进行了比较讨论。