北京电网在线安全稳定分析系统的建设与应用

随着北京电网的大规模建设、"三遥"向"五遥"的全面转换和用户对电能质量的要求越来越高,传统的调度方式已不能满足智能化电网的需要。智能化电网需要智能化的调度。为应对智能化电网发展的需要,加强对北京电网实时运行状况的掌控,实现智能化调度,按照国家电网公司"SG186"系统建设的整体要求,自2012年起,北京市电力公司开始建设安全稳定分析系统,以满足电网发展的需要,提高电网安全运营水平,至今,已卓有成效。本文通过实例分析介绍了安全稳定分析系统在北京电网的应用情况,并就北京电网安全稳定分析系统的发展提出了建议。     

腐殖酸的提取、研究及应用进展简析

腐殖酸（HA）是腐殖质（HS）中一类不溶于酸性介质的大分子有机物,在土壤、自然水体中广泛存在。本文综述了关于典型HA提取方法优化及HA在农业、环保、医用及其他领域的典型研究及应用。HA组分的复杂、提取方法的优化应该紧密结合HA提取应用场景。根据不同提取来源及工艺获得的HA产品与其他材料结合使用,可拓展HA在不同领域中的应用。     

含余热回收装置及压缩式热泵的垃圾焚烧电厂能效优化

垃圾焚烧电厂能源利用效率较低,经处理后的烟气含有大量余热未加以利用.为利用烟气中所含余热,考虑加装烟气余热回收装置提取烟气中的余热,并利用压缩式热泵将提取的能量进行转移,与热电联产机组一同供热.建立了含余热回收装置和压缩式热泵的垃圾焚烧电厂热电联产能效优化模型.模型以余热回收装置回收烟气余热量作为约束,压缩式热泵产热量...     

基于农村废弃物资源化再利用—沼气集中分配式供能系统的可行性研究

以岳阳市南洲村为例,研究采用"沼气集中分配式供能系统"项目解决农村废弃物资源化再利用问题。并对该系统的经济性及节能减排效益进行分析,结果表明该村完全适合发展该项目。     

基于风险理论的电力系统安全评估方法应用

介绍一种基于风险理论的电力系统安全评估方法的原理.应用数学方法并结合历史数据获取了事故概率,并从不同的安全性指标人手确立事故后果模型,建立了相应风险指标.最后对某地区电网应用风险评估,找到在相同负荷断面下对电网风险影响较大的故障线路并比较不同负荷断面下系统的风险.     

含需求响应特征矩阵函数的两阶段风险调度

为了考虑并规避价格型需求响应带来的风险,针对电量变化与电价变化间存在的需求响应关系,采用自适应最优分割法对非线性的需求响应进行拟合,并对需求响应波动做量化刻画,提出了需求响应特征矩阵函数.选取虚拟电厂为背景,采用场景生成方法模拟系统风电和需求响应波动,将需求响应特征矩阵函数计入采用条件风险价值来度量系统不确定风险的优化...     

考虑供用热特性的虚拟电厂双阶段优化调度

目前缺少对热电联供系统热力环节进行较为全面建模,以及较少灵活和恰当利用供用热特性为优化调度创造效益.在已有研究基础上,选取虚拟电厂为背景,日前调度中全面考虑热力供应环节的传输损耗、能耗和延迟的动态特性,日内调度中利用热力使用环节的弹性调节特性参与平衡市场,并以虚拟电厂调度收益最大为目标,建立了考虑供用热特性的虚拟电厂双...     

基于特性分析的改进BP神经网络短期电力预测方法

由于短期电力负荷、用电量受众多复杂的非线性因素影响,传统单一BP神经网络预测方法存在精度不高、收敛速度慢等问题。为了提高收敛速度和预测精度,根据影响因素特性将其分为长期、短期性影响因素,根据负荷、用电量曲线特性分别将其分为基准量和敏感量,并用决定系数法确定所需短期影响因素。应用遗传算法对BP神经网络的初始权值和阈值进行优化,将BP神经预测误差作为遗传算法的适应度函数,建立了基于特性分析的改进BP神经网络短期电力预测方法。选取中部某省2015—2019五年"迎峰度冬"期间数据进行验证,结果表明,该预测方法的精度和收敛速度都得到了提高。     

碳循环利用的垃圾焚烧电厂-烟气处理-P2G协调优化运行

垃圾焚烧电厂中垃圾热值普遍偏低,常需天然气作为辅助燃料,由此产生了大量的碳排放。为解决此环保难题,本文构建了基于碳循环利用的垃圾焚烧电厂-烟气处理-P2G协调优化运行模型,在焚烧电厂烟气处理后加装CO₂收集装置,结合P2G技术将回收的CO₂合成CH₄,实现碳循环和再利用。模型以售电收益、碳排放成本、辅助燃料购买成本、烟气处理及P2G功率运行成本等组成的综合净收益最大为目标,以焚烧发电、烟气处理、烟气收集、烟气存储、和P2G合成等运行参数为约束条件。仿真结果表明,利用峰谷分时电价,可优化不同时段的烟气存储装置、发电、烟气处理及P2G的运行状态,有效减少辅助燃料购买及碳排放成本,增加售电收益。采用含碳收集、P2G和辅助燃料补充协调优化运行的垃圾焚烧电厂,可充分实现碳循环利用,极大限度地减少碳排放,具有显著的经济及社会效益。     

基于Spark的并行Eclat算法

通过对Spark大数据平台以及Eclat算法的深入分析,提出了基于Spark的Eclat算法(即SPEclat)。针对串行算法在处理大规模数据时出现的不足,该方法在多方面进行改进：为减少候选项集支持度计数带来的损耗,改变了数据的存储方式;将数据按前缀进行分组,并划分到不同的计算节点,压缩数据的搜索空间,实现并行化计算。最终将算法结合Spark云计算平台的优势加以实现。实验表明该算法可在处理海量数据集时高效运行,并且在面对数据量大规模增长的情况下,具备良好的可扩展性。