富水电厂机组在线监测及状态检修

介绍了在富水电厂实施状态检修管理体制的情况以及与之相关的在线监测技术。     

辽东凸起渤海X油田物源新认识

为明确辽东凸起渤海X油田的物源方向,结合地震、岩心、岩石组分、重矿物资料开展物源方向精细研究.结合薄片鉴定以及X-7D、X-5、X-4井重矿物成分分析,石榴子石和磁铁矿的高比例和相似分布特征,明确了X油田为远源沉积的单一物源.利用地震反射波阻特征及组合关系分析,确立了X油田物源方向为南东向.通过残余厚度法恢复了X油田的古地貌,认为古地貌呈现3个构造低点向2个构造低点转化的格局,为沉积中心.综合多方面研究,认为渤海X油田为来自南东方向的单一物源,受古地貌控制分为2、3个分支朵叶体,为储层发育区,可以部署开发井.该成果能够较好地指导油田开发方案的制定,并为相似油田提供借鉴.     

基于负载转矩观测器的动态恒风量控制

当前不基于外部传感器的恒风量控制技术的控制性能有限.针对此问题,提出一种基于负载转矩观测器的动态恒风量控制技术.构建降阶龙贝格负载转矩观测器,实现风机负载转矩及风道参数的实时观测,并进一步计算风压与风量.将实时计算的风量作闭环PI控制,形成风量-转速-电流三环控制.实测结果表明,所提出方法的风量控制精度高,且无需外部传感器,可有效兼顾实现低成本与高控制性能.     

基于负载转矩观测器的动态恒风量控制

当前不基于外部传感器的恒风量控制技术的控制性能有限.针对此问题,提出一种基于负载转矩观测器的动态恒风量控制技术.构建降阶龙贝格负载转矩观测器,实现风机负载转矩及风道参数的实时观测,并进一步计算风压与风量.将实时计算的风量作闭环PI控制,形成风量-转速-电流三环控制.实测结果表明,所提出方法的风量控制精度高,且无需外部传感器,可有效兼顾实现低成本与高控制性能.     

台风灾害下配电系统受损评估研究

台风灾害会造成配电系统多个元件同时故障而导致大面积用户停电。为研究台风灾害对于配电系统的破坏影响,提出台风灾害下配电系统受损情况评估方法。为描述台风特征对元件故障概率的影响,基于台风影响历史数据,使用随机森林算法建立元件脆弱性曲线。在元件模型建立后,使用时序蒙特卡洛模拟法评估配电系统的实时和累计电量及用户损失。为提升评估效率,引入故障模式后果分析法,使用最小路法生成故障影响报表,更快地确定失电负荷节点。最后通过RBTS-BUS6测试系统和广州地区的实际系统进行算例分析,验证了所提算法的有效性。结果表明：台风对配电网的影响具有延时性,配电系统受损情况与元件维修时间和维修资源数量相关。     

基于改进SSD的变压器套管红外图像油位智能识别方法

为解决现有基于红外图像识别变压器套管油位存在的过于依赖温度信息、人工处理效率低下等问题,文中结合目标检测技术提出了一种基于改进单次检测器(SSD)的套管智能油位识别方法。通过引入SSD目标检测方法,检测红外图像中的套管区域,加入损失函数以改进SSD算法从而提高套管检测准确率,并进一步通过简单线性迭代聚类(SLIC)的应用实现了不依赖红外图像温度信息的油位检测。对比文中提出的基于红外图像的油位识别算法检测结果与人工油位检测结果,表明文中提出的算法不仅在效率上领先于传统的温度检测方式,且其误差较小,仅为0.08%。对比结果验证了所提算法在保证检测精度的情况下可大幅度提高检测效率,有效提升套管故障诊断效率和智能化水平。     

鄂尔多斯盆地镇北地区三叠系延长组长8油组储层特征

鄂尔多斯盆地镇北地区延长组长8油层段是盆地重要的储集层之一。通过储层岩石学、储层物性、孔隙结构等方面对储层特征进行深入研究,研究结果表明,储层岩石类型主要为中细粒长石砂岩和岩屑长石砂岩,成分成熟度低,结构成熟度中—高;发育粒间孔隙、溶蚀孔隙、晶间孔等孔隙类型,喉道以中细喉—细喉为主。岩石物性总体较差,属低孔、低渗砂岩储层。研究结果对油田开发具有重要的指导意义。     

利用土石粉替代石灰石配料生产水泥熟料

近年公司外购石灰石成本成倍增加。为了降低成本且保证回转窑生产线的正常运转，利用周边尘封已久的土石粉（氧化钙含量在45.0%左右）替代石灰石进行配料煅烧熟料。使用土石粉配料后，出现了土石粉在各个环节引起堵塞、下料不畅，立磨产量低，氨水用量大等一系列问题，经过一段时间的摸索和改造后，立磨、回转窑的产质量都恢复到了正常水平。虽然熟料28 d强度略有降低，但3 d强度却有所提高。熟料产质量基本都达到了使用石灰石时的水平，而熟料成本得到了大幅降低。     

可降解植物纤维餐具成型工艺的研究

考察了含水率、成型压力、下模温度、上模温度、定型时间、保温时间对餐具使用性能的影响。通过正交试验,选择餐具的最佳成型工艺条件为：含水率为7％,压力为1500kN,下模温度270℃,上模温度290℃,定型时间6S,保温时间20S。     

基于LSTM神经网络的管道缺陷模式识别方法研究

针对复杂环境下,管道振动信号特征微弱难以提取的问题,提出一种基于长短时记忆网络(LSTM)深度学习神经网络的管道缺陷模式识别方法;首先利用改进型自适应噪声的完全集合经验模态分解(ICEEMDAN)对采集的原始信号进行分解得到若干个固有模态函数(IMF)分量,随后根据信息熵理论计算IMF分量的近似熵作为管道典型状态的特征值构造特征向量集合,然后构造LSTM深度学习神经网络训练模型并调节深度神经网络在训练过程中的相关参数进行网络的结构优化,最后将特征向量输入到LSTM神经网络模型进行训练和识别;结果表明:针对管道振动信号特征微弱难以提取的问题,该方法对管道缺陷模式识别的准确率达到了95％,在消除管道振动信号的背景噪声、挖掘特征信息和保证识别准确性方面优势明显.