换相电压简化计算模型及其在换相失败评估中的应用

基于准稳态公式理论计算的换相失败评估方法,无法精确评估换相失败边界附近的情况,而基于详细工程模型电磁暂态仿真的方式虽然精确,但效率低且工作量大.为了在兼顾精度的同时提升换相失败风险评估效率,基于等值网络的状态方程,文中提出了交流故障后直流系统换相电压的简化计算模型,并进一步应用计算结果进行换相失败风险评估.通过仿真软件PSCAD/EMTDC,从换相面积和换相失败评估结果两个方面,验证了计算模型的有效性.结果 表明,对于故障后首次换相过程而言,应用文中模型求得的换相面积与仿真所得换相面积相差甚小,且应用该模型能较为高效精确地评估直流发生换相失败的情况.     

应用型本科院校金工实习融入数控技术教学的改革研究

随着科技的发展数控加工设备在机械加工领域的普及,很多高校在金工实习的教学中引入了数控技术教学。针对在应用型本科院校中开展金工实习数控实训所出现的问题以及解决办法进行了探讨和研究。     

基于离散PSO算法的Claus硫磺回收过程模型变量的选择

克劳斯(Claus)硫磺回收过程中存在诸多影响质量指标的变量,利用全部变量建模会增加模型复杂性,且获取的冗余信息会降低建模精度。针对这个问题,本文提出采用基于离散粒子群的算法(PSO)进行建模变量的选择。首先,采用离散PSO算法,通过迭代优化得到建模的最优输入变量组合,再通过偏最小二乘(PLS)对所选变量建立建模。结果:表明,该方法:通过更少的建模变量获得更高的模型精度。     

基于改进去噪性能的Prony算法电网低频振荡模态辨识研究

针对电网低频振荡Prony辨识算法对噪声较为敏感、对输入信号要求较高的问题,提出了一种基于小波去噪与扩展Prony算法相结合的高精度低频振荡模态辨识方法。在小波去噪的基础上通过对阈值进行改进,使得小波去噪的阈值随着小波的分解而发生变化,从而对低频振荡信号达到较好的滤波效果,并在此基础上研究扩展Prony算法,对构建的仿真信号运用IEEE4机2区域系统产生低频振荡信号以及实际PMU监测的低频振荡信号进行算法验证。仿真和实验表明提出的方法能够比较准确和快速的辨识电力系统低频振荡信号,且具有较高的精度和较好的鲁棒性,为电力系统低频振荡模态辨识提供了一种行之有效的方法。     

基于广义形态滤波与改进矩阵束的电力系统低频振荡模态辨识

针对当前互联电力系统中越来越严重的低频振荡现象,提出一种高精度低频振荡模式辨识方法来克服现有方法的一些不足。该方法基于广义形态开、闭运算设计了新型广义形态滤波器,可以有效地去除噪声,较好地保留信号的原有特征;低频振荡信号通过该滤波器滤波后再使用改进矩阵束算法进行模式辨识,可以获得高精度的各个模式参数。对于辨识算法的关键定阶问题,采用归一化奇异熵定阶方法,该方法能在系统拟合精度指标相差不大的情况下使模态阶数的估计值更加接近真实值,提高了辨识的准确性。通过仿真算例、测试系统及电网实际案例验证了本文提出的方法的有效性和可行性,为电力系统阻尼控制和电网的稳定运行提供了有效依据。     

基于BPSOGA的含风电机组的配电线路故障区段定位

风电机组等分布式电源并入配电线路中,将导致传统的故障区段定位方法不再适用。对传统的开关函数和适应度函数进行改进,统一假定开关的正方向,提出基于粒子群优化算法和遗传算法的二进制混合算法。该算法采用双种群进化和信息交换的策略,在寻优搜索开始时产生2个子种群,双种群在进化过程中互不干扰,在每一代进化完成后相互共享信息,选择最优信息进行2个种群下一代的进化,直至得出最优解。仿真结果表明:所提方法对风电机组的并网数量和位置不作限制,适用于单一故障和多重故障的定位,并且具有一定的容错性。与单独的二进制粒子群优化算法和遗传算法对比,所提混合算法性能较高、收敛速度较快,能明显降低出现"未成熟收敛"的概率。     

应用型本科院校焊接实训浅析

本文对应用型本科院校焊接实训中存在的一些问题以及解决办法进行探讨和研究,为应对企业需求应增添一些企业常用的焊接方法的实训内容,使实训更贴近企业生产,为企业提供更多合格的应用型人才.     

构件疲劳寿命的估算方法

本文介绍了构件产生疲劳裂纹的过程、原因和危害;通过科学的方法对构件的疲劳寿命进行推导计寄,从而使我们了解在具体应力作用下构件的大概寿命。     

基于改进PSO算法和LS-SVM的短期电力负荷预测

针对电力负荷的小样本、非线性、高维数和局部极小点等问题,提出采用最小二乘支持向量机方法建模,以历史负荷、温度、湿度等数据作为输入量,对短期电力负荷进行预测;针对最小二乘支持向量机在建模中存在的参数选取问题,采用一种根据种群多样性信息来指导初始种群选取和避免粒子早熟收敛现象的改进粒子群优化算法来优化最小二乘支持向量机的惩罚因子和核参数。仿真结果表明,基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测方法较最小二乘支持向量机预测方法、基于基本粒子群优化算法和最小二乘向量机的预测方法具有更好的预测精确度。