±800kV晋北-南京特高压直流输电对安徽电网交流变压器直流偏磁影响分析与治理

为分析±800kV晋北-南京特高压直流输电工程产生的直流偏磁对安徽电网交流变压器的影响,文章基于场路耦合方法,建立安徽交流电网直流电流分布模型,实测获得安徽地区典型土壤电阻率,仿真分析了直流接地极注入5000A入地电流后安徽电网220kV及以上变电站的直流偏磁情况,根据仿真计算结果提出了相应的治理措施,并结合工程启动调试,开展了治理前后的直流偏磁电流测试,验证了治理措施的有效性。     

大学生方程式赛车多连杆悬架设计及优化

针对某赛车参赛过程中出现的转向回正力过大,过度转向趋势以及抗制动点头造成球铰间隙过大等问题,论文首先采用"二次瞬轴法"设计多连杆悬架虚拟主销,应用多体动力学仿真软件ADAMS/Car模块建立前悬架与转向系统虚拟样机;之后对主销后倾角、车轮外倾角、前束角及抗制动纵倾性四个参数仿真并应用ADAMS/Insight模块进行多目标优化设计;优化后的多连杆悬架能够提供合适的回正力矩,赛车具有轻微的不足转向趋势,同时赛车抗制动点头现象也得到明显改善。为大学生方程式赛车中的多连杆悬架设计和优化提供了参考。     

铝对生长Ⅱa型宝石级金刚石的影响

对于高温高压温度梯度法合成金刚石来说，在触媒中添加除氮剂（Ti、Al等），可以合成无色的Ⅱa型宝石级金刚石。实验使用国产六面顶压机和NiMnCo溶媒通过温度梯度法来合成Ⅱa型宝石级金刚石，主要研究了除氮剂铝对生长Ⅱa型宝石级金刚石的影响。由于铝的添加使得合成出的金刚石出现熔坑，并带有颜色等现象。大量实验表明：氮化铝的分解和过量铝的掺入是颜色和熔坑产生的原因。实验通过在约1210℃的低温区生长、降低生长速度至0．41mg／h，使金刚石的颜色和熔坑问题有了明显的改善。所以在用Al做除氮剂生长Ⅱa型宝石级金刚石时，为获得优质单晶，应以较低的生长速度在低温区生长晶体。     

新型水平连铸智能控制系统的研究

介绍一种小棒径铸铁型材牵引控制系统，系统采用直流调速器、PLC和触摸屏技术，使控制系统能够实现正向拉拔、反向推入及快速制动等拉坯工艺，成功地拉出φ30mm以下的铸铁型材，填补该行业的国内空白。     

Ib型宝石级金刚石单晶的多晶种合成

高温高压下温度梯度法合成宝石级金刚石时,合成周期较长。单晶种合成效率低下,通过多晶种法可以直接有效地提高合成效率,因此文章对多晶种生长宝石级金刚石进行了研究,在高温高压条件下成功实现了多颗粒2-3mm级金刚石单晶的合成,优质单晶的平均增重速度最快可达1．88mg／h。     

优质Ⅱb型宝石级金刚石大单晶的高温高压合成

实验在国产六面顶压机上利用温度梯度法合成优质Ⅱb型宝石级金刚石.研究发现在约5.5GPa和约1300℃的条件下,添加剂硼的加入使合成Ⅱb型金刚石的形貌较Ⅱa型宝石级金刚石有较大不同,文章分析了产生该现象的原因;实验还发现随着硼添加量的增加,所合成Ⅱb型宝石级金刚石的颜色由浅变深.结果实验获得了尺寸达4mm的优质Ⅱb型宝石级金刚石大单晶.     

基于暂态地电压的开关柜局放特征提取及类型识别方法研究

局放作为一种表征开关柜绝缘状态的现象,其类型的判别对于开关柜绝缘状态的评估具有重要的意义,不同类型的局放其特征既有一定的共性,同时也存在着个体差异,而描述局放的特征量越全面则判别的准确程度也越高,文中研究了不同类型局放在时域、频域及统计图谱等方面的差异,提出了能够较全面地描述局放类型的特征参数,并基于特征维数方面的考虑提出了基于RST的BP神经网络和SVM局放故障类型识别方法。研究结果表明,SVM方法与BP神经网络对比其识别能力较强,而且分类器的设计与训练时间远小于BP神经网络;SVM与RST相结合不仅能够对标准的局放类型有较高的识别能力,也能够通过加入新的案例进行学习,识别更多非典型的局放信号。     

特高压变压器用高磁感取向硅钢片励磁特性

为确定不同类型取向硅钢片应用于特高压变压器时的励磁性能,对普通高磁感和经激光刻痕磁畴细化的2类取向硅钢片试样的单位铁损、磁化特性曲线、激磁功率曲线和磁致伸缩率4项基础磁性能进行了对比测试,对采用2类硅钢片设计成的单相双柱旁轭式特高压变压器铁芯时的空载损耗和空载电流进行了计算,对2类硅钢片制造成的1 000 k V特高压变压器主体变整机的空载损耗、空载电流、励磁特性曲线和空载噪声特性进行了试验研究和分析。结果表明:采用经激光刻痕磁畴细化的国产0.27 mm取向硅钢较同厚度进口高磁感取向硅钢片的样品,单位铁损及特高压变压器整机空载损耗小,空载附加损耗系数相近,而两类硅钢样片的磁化电流和磁致伸缩率与特高压变压器整机空载励磁电流和空载噪声无对等关系。     

一种基于图像去噪的多密度网格聚类算法

针对传统网格聚类算法仅能够去除空网格的问题,提出一种基于图像分割思想来剔除稀疏数据的多密度网格聚类算法.该算法对原始数据进行网格划分和数据映射,计算网格密度,将每个网格看作图像中的一个像素点,采用Otsu算法确定合适阈值,并给出了阈值应用于网格聚类算法时的阈值折合公式,完成稀疏单元的剔除.在聚类过程中考虑到网格单元内部特征,通过两个网格的相对密度及边界特征得到了相邻网格的相似度度量公式,弥补了网格聚类算法无法应对多密度数据的缺点.在Matlab中进行仿真实验,该算法在聚类之前对网格剔除率为69％,且不需要人工干预,而GAMD和SNN算法未剔除网格.当数据维度增加时,GAMD算法时间远远高于本算法.实验证明,该算法具有较好的数据过滤效果,聚类结果与数据输入顺序无关,在得到任意簇的同时,保证了较高的时间效率且能够广泛应用于各种数据集.