基于机舱风速计的风电机组功率特性评估方法

针对传统的功率特性评估方法难以对未配置测风塔的风电机组进行评估的问题,对基于机舱风速计的功率特性评估方法进行了研究。在深入剖析机舱风速与测风塔风速相关性的基础上,依托IEC 61400-12-2标准,提出了二者之间最优拟合关系为分区间段的机舱传递函数(BinnedNTF)。利用Binned-NTF对机舱风速进行校正,并用计算出的空气密度对数据进行标准化,得到机组的实测功率曲线、风能利用系数曲线和理论年发电量。研究应用表明,该方法在不增加测风设备经济成本的情况下,可以对未配置测风塔的风电机组进行功率特性评估,能够及时有效地维护风电场的利益。     

一种基于Hadoop的电力大数据属性实体识别算法

随着大数据时代的来临,传统的实体识别技术由于电网数据体积大以及类型复杂等特性已经无法有效地进行数据预处理。近年来兴起的Hadoop技术能够对大数据进行较好的处理。因此提出一种基于Hadoop的电力大数据属性实体识别算法。该算法利用改进离散化算法选取出信息准确率较高的离散点,并提出了一种离散化评价指标。最后,在Hadoop平台上对某风电机组的监测数据进行了属性实体识别。实验证明,该算法在实验正确性和断点数目方面表现良好,并且具有较好的加速比,适用于电力大数据的属性实体识别处理。     

基于改进雷达图法的电力信息运维技能综合评价模型

针对电力信息运维技能评价结果不够形象直观的问题,提出了基于改进雷达图法的电力信息运维技能综合评价模型。该模型的评价过程如下:首先建立电力信息运维技能评价指标体系,然后基于主客观组合赋权法确定每个子系统的综合权重,最后使用改进雷达图法构建综合评价模型对电力信息运维技能进行评价。经实例验证,该模型能够形象直观地评价电力信息运维技能,其计算速度快,可靠性高,具有实际意义。     

基于阈值筛选器的风机出力结构模型研究

针对风电机组出力情况难以精细量化分析问题,文章提出了基于阈值筛选器方法的出力结构模型。根据阈值筛选器对机组多种运行状态进行识别,构建出机组出力结构模型,然后利用该模型对风机出力进行分析。实验结果表明,该模型能够有效分析机组出力情况,有助于实现机组的精维护。     

基于PLC与组态软件的热电厂循环水控制系统设计

针对热电厂循环水的处理问题,设计热电厂循环水自动加药计算机监控系统。本系统采用IPC和PLC组成的上下位机结构,上位机采用组态王6.52组态软件,主要承担监测和管理任务,实现工艺流程显示、人机交互界面、数据存储及报表等功能。下位机使用梯形图语言编程,进行实时数据采集和各种药品的投加控制。经过现场实际运行证明,该系统结构简单、操作方便、控制算法简单实用,取得了良好的经济效益。     

计算机网络教材研究与建设

本文讨论了“计算机网络”课程教材的现状,并介绍了我院基于应用型人才的培养目标,在教材内容组织、突出教材特色等方面的改进和实践。     

基于元件可靠性的电力系统故障诊断

本文改进了基于时序因果网络的电力系统故障诊断的方法,并拓展性的引入元件可靠性。在使用保护和断路器的动作信息进行电网故障诊断时,利用元件告警信息来判断元件的可靠性,进而判断告警信息的可信度。利用告警信息的时序性,通过保护动作时间段,再次过滤信息。之后建立电网故障诊断的时间因果序列模型,采用模糊方式对时间因果关系离散化处理,采用模糊运算来合成多个时间因果关系。通过这种方法在一定程度上克服了其容错性较差和难以合理解释故障演变过程的不足。最后,通过一个复杂故障的诊断算例证明该方法的可行性和效率性。     

基于功率曲线的风电机组数据清洗算法

针对风电机组性能分析过程繁琐低效、数据清洗不彻底以及传统方法难以有效识别复杂多变的异常发电状态的问题,提出一种用于风电机组功率曲线分析的数据清洗算法。通过分析风电机组数据采集与监控(SCADA)系统采集的风速功率数据,优化数据处理规则与数据分析过程,提出最优组内方差清洗算法,检测机组发电性能异常的状态,降低对检测工具和数据维度的硬性要求。实例分析表明该方法实用、高效,在不增加硬件设备投资的前提下,能准确清洗风电机组功率曲线数据并识别出机组异常运行状态,显著提高了风电机组性能分析的准确性。     

社交网络大数据下贪婪式实时网站推荐算法

社交网络每天都会产生结构化、半结构和非结构化的大数据,数据的增长速度超过了对硬件需求的摩尔定律。在社交网络中还存在各种恶意评价、刷分和刷网站关注度等不良现象,对大数据的分析处理带来了巨大挑战。为了提高数据的处理效率和网站推荐的准确性,提出了一种在 Hadoop 云平台下基于用户的贪婪式实时近似网站推荐的 RT-G 算法。算法通过迭代寻优算法找到最合适的用户数量作为网站推荐评价的用户标准,应用频度近似算法完成对网站的推荐,通过实验证明了方法的效率和有效性。     

基于改进堆栈降噪自编码器的锅炉设备在线监测数据清洗方法

数据清洗过程是对锅炉设备在线监测数据预处理的一个重要环节,针对数据清洗步骤繁琐,易导致连续性数据被破坏等问题,提出一种基于混合自适应性矩估计和随机梯度下降算法优化的堆栈降噪自编码器的数据清洗方法。首先,引入自适应性矩阵估计和随机梯度下降的混合算法,以不断调整堆栈降噪自编码器模型的网络参数。其次,利用模型训练正常状态数据,获取数据的隐藏特征,得到正常状态下的重构误差。再次,用该模型检测异常状态数据,根据其重构误差分析各种类型的数据对模型的影响,并对"脏数据"和反映设备故障的异常数据进行快速分类清洗修复。通过某电厂锅炉监测数据的清洗修补实验,证明了该方法能准确识别出"脏数据",修补后的数据亦能遵循数据整体的分布规律,满足了数据的清洗要求,为后续数据分析挖掘和设备故障诊断工作奠定了良好的基础。