基于集成经验模态分解和最小二乘双支持向量回归机的风速预测算法研究

为有效解决风电大规模并网过程中面临的并网难和弃风等问题,实现可再生能源大规模平滑并网并保证大电网的安全稳定运行,采用集成经验模态分解(ensemble empirical mode decomposition,EEMD)和最小二乘双支持向量回归机(least square twin support vector regression,LSTSVR)算法进行风电场风速预测。分别介绍了LSTSVR、EEMD及自适应变异粒子群算法原理。给出基于EEMD和LSTSVR的风速预测流程,以安徽女儿岭风电场测风声雷达30、70 m处风速采样数据为例,开展基于EEMD和LSTSVR的风速预测算法验证,预测结果误差分析表明:基于EEMD+LSTSVR+自适应变异粒子群算法可以实现风电场风速的高精度预测。     

基于ROS的爬壁机器人控制系统设计

大型压力容器探伤作业中,存在效率低、危险性高、成本高等问题,为提高自动化和智能检测水平,研制出一款爬壁机器人进行探伤检测.该爬壁机器人基于机器人操作系统(ROS)进行系统软件开发,以开源硬件Beagle Bone Black为核心搭建硬件平台,采用永磁吸附式移动平台搭载探伤检测仪器方式,对工件进行无损探伤检测作业.现场试验结果表明,爬壁探伤机器人可以替代人工进行探伤作业,控制系统性能良好、稳定,能够实现对机器人的精准控制,有效探伤速度可达40 mm/s,兼具有人机界面友好、智能化水平高、易于扩展等特点,极大地提高了作业效率,并降低了作业风险.     

改进型NPC拓扑结构在光伏并网逆变器的应用

传统三电平中点箝位(NPC)逆变器拓扑结构中不同开关器件承受的工作损耗不同,损耗分布会因光伏发电工作状态改变,因而大功率逆变器的散热问题急需解决。提出了一种新型NPC拓扑结构,通过控制策略的编程控制,使逆变器的开关器件有了更多的开关自由度,达到系统器件平衡散热,从而解决了逆变器的局部高温问题。系统采用功率可调的PWM策略实现了不同工作状态,且不影响系统的输出电流,通过新的硬件拓扑和控制策略实现了系统开关器件的损耗平衡。     

基于三电平光伏并网逆变器控制系统的研究与实践

设计了一种基于三电平的光伏并网逆变器,实现空间矢量控制策略、最大功率点跟踪、防孤岛检测等功能。提出了基于同步PI内环和直流电压外环的双闭环控制系统。实验证明：该装置具有较好的实时性、实用性和可靠性。     

基于SOM神经网络的风机故障诊断研究

应用自组织特征映射（SOM）神经网络实现风机的故障诊断。介绍了SOM网络的结构和学习算法;总结了风机的故障集、征兆集和故障特征数据。在MATLAB环境下给出了风机故障诊断的具体实例,表明该方法是一种可行有效的风机故障诊断方法。     

仿生超疏水表面的制备及润湿性研究

对植物叶表面的超疏水现象研究表明:植物叶表面的微观结构是引起超疏水的根本原因.设计并利用软刻蚀技术制备了一系列不同参数的光栅微结构表面,对水滴在这些非光滑表面上的接触角进行测量,测量结果表明材料表面几何结构直接影响接触角的大小,通过设计微结构的几何参数可以获得理想的超疏水材料.     

黑龙江依兰县牡丹江给水工程奠基

8月7日上午,黑龙江依兰县牡丹江给水工程奠基仪式隆重举行。县四个班子领导和哈铁直属工程公司总工程师贺峰、副总经理龙智巍、工程师聂丽红,依兰县牡丹江给水工程项目经理吕建业出席奠基仪式。     

基于声雷达技术与神经网络的风电预测研究

针对传统的测风塔在风电场实际测风应用中存在的问题,以测风声雷达技术与BP神经网络为基础开展风电预测研究。首先,介绍了测风声雷达在风电产业多种场景应用中的优点;其次,提出了集成经验模态分解(ensemble empirical mode decomposition,EEMD)与神经网络的风电预测算法;最后,以安徽女儿岭风电场声雷达测风塔采样数据为例进行预测算法验证,分析了10、30、70、80、85、95 m处风速对应的BP神经网络最优隐含层神经元个数,并在此基础上验证了基于集成经验模态分解与神经网络预测算法在声雷达不同测风高度下风电预测的有效性。     

共振碎石化在城市道路改造中的应用

水泥混凝土路面在以往的城市道路建设与公路建设中广泛应用,而旧水泥混凝土路面直接加铺沥青路面存在着反射裂缝的问题,对道路的使用性能与年限有较大影响。以娄底市中心城区湘阳街改造工程为依托,对其进行共振碎石化后再加铺沥青路面,通过对碎石化层,改造后的沥青路面的检测和后期观察发现共振碎石化技术可基本解决道路的反射裂缝问题,为碎石化技术在以后的城区道路改造中的应用提供了经验。     

基于多样性与一致性的单步多视图聚类

随着数据采集技术的发展,多视图数据变得越来越常见。与单视图数据相比,多视图数据包含更丰富的信息,通常用一致性与多样性来刻画。现有基于图的多视图聚类方法大多只关注视图间的一致性信息,忽视了视图间的多样性信息,并且图的构建与聚类过程分离,从而影响聚类算法的效果。提出基于多样性与一致性的单步多视图聚类算法(OMCDC)。基于“距离较近的数据点成为邻居的可能性较大”这一先验知识构建各个视图的相似性图。不同于以往算法直接融合相似性图获得公共图,OMCDC将每个视图的相似性图分解为一致性图和多样性图,通过融合一致性图获得更具一致性的公共图。在此基础上,引入谱旋转,联合优化低维谱嵌入和聚类概率矩阵,将图学习和聚类融为一体,直接获得聚类结果。OMCDC充分利用了多视图数据的一致性信息与多样性信息,结合谱旋转实现了单步多视图聚类。实验结果表明,该算法在100L和HW2数据集上的聚类准确率分别为94.62%和99.30%,相比MVGL、AWP、MCGC等方法具有较优的聚类性能。