海岛智能微电网继电保护研究

随着海洋资源的不断开发和利用,海岛的开发越来越受到国家和社会的重视,然而,海岛的电力供应始终是制约海岛经济发展的瓶颈。保证海岛供电安全,提高海岛的供电可靠性则势在必行。研究海岛智能微网模型,讨论在微电网的过电流继电保护。鉴于微电源的多变性,微电网中潮流双向性以及短路故障电流小等特点,探讨采用先进的通讯设备,建立一套的继电保护系统。该系统能够不断追踪检测微电源的运行情况从而来改变过流继电器的整定值,从而使断路器在短路发生时能够及时地动作,确定并切除故障。     

基于计算机视觉的烧结机尾断面图像研究进展

摘要：烧结机尾的断面可以最直接地反映烧结过程控制与烧结矿质量的丰富信息。如何利用计算机视觉技术对机尾断面的特征进行提取,并实现烧结矿质量的精准预报和控制,是智慧烧结的重点研究内容之一。首先对烧结机尾断面图像的去噪、分割和特征提取等图像预处理方式进行了全面的对比和分析,然后从烧结矿FeO含量、烧结终点、转鼓强度、布料均匀性和烧结混合料水分等方面剖析了烧结机尾断面图像分析技术在烧结矿质量预报和控制方面的应用情况。另外,以烧结矿FeO含量预报为例,揭示了基于计算机视觉的烧结机尾断面图像研究的发展和演变规律,并指明了当前研究的不足以及未来的发展趋势。     

基于改进BP神经网络的烧结矿FeO含量预测

影响烧结矿FeO含量的因素较多且FeO含量与各因素间呈现非线性关系，预测难度较大。针对烧结矿FeO含量难以直接预测的问题，提出一种Dropout算法与Adam算法和四层BP神经网络相融合的烧结矿FeO含量预测模型。为提高烧结矿FeO含量的预测准确率，结合烧结工艺，选取与烧结矿FeO含量强相关性的烧结机尾断面热成像关键帧的温度特征作为模型的参数输入。利用Dropout算法改善四层BP神经网络结构，Adam算法优化四层BP神经网络的训练过程，进而提高模型的预测精度和泛化能力。试验表明，改进的模型预测烧结矿FeO含量误差值在±0.5、±0.8和±1.0时，命中率分别达到77.42%、88.71%和96.77%。与三层BP神经网络预测模型和支持向量机回归(support vector regression, SVR)模型相比，该模型的误差更小，同时预测精度也得到显著提升。