试析电力计量在节能降耗中的运用

随着我国经济的快速发展,电能消耗不断增加,实施电力设备节能刻不容缓。为了降低电力能源消耗,减少环境污染,加强电力计量在节能降耗中的应用尤为重要。电力计量是对电能的记录工作,只有不断优化电力计量技术,才能进一步保证电能的有效利用。文中,对电能计量技术及其在节能降耗中的应用进行了分析,以供参考。     

对电力计量设备的维护检验和管理分析

随着科技在不断进步,我国电力计量设备不断完善,其管理工作越来越重要。电力计量设备是电能计量的工具。加强电力计量设备的维护与管理,对提高电力资源管理具有重要意义。文中不仅对电力设备管理现状进行了分析,还进一步探讨了加强电力设备维护检验及管理的主要措施,提供行之有效的可行性建议。     

提高居民集抄系统上线率措施探讨

随着通信技术的不断发展,远程抄表成为可能。供电企业需求侧监测中心自建立以来,远程抄表范围已经从用电大客户扩展到城乡居民用户,但由于居民表计存在运行数量大、安装范围广的特点,需求侧管理系统上线率较之以前却有所降低。分析需求侧管理系统上线率低的原因,提出改进的技术措施和组织措施,提高居民集抄系统的上线率,进而提高整个需求侧管理系统的上线率。     

基于CNN-Bi-LSTM功率预测的海岛综合能源系统优化调度

合理构建海岛综合能源系统对沿海能源清洁化转型意义重大,其优化调度更是实现海岛能源供需平衡的有效途径。为此,提出了一种考虑风光功率预测的海岛综合能源系统优化调度方法。首先,搭建包含氢能设备、海水源热泵、海水淡化装置、波浪能发电装置等新型能源转换设备的系统模型。其次,海上气候多变会导致新能源发电不稳定,故采用含环境变量重要性排序的一维卷积神经网络和双向长短时记忆神经网络（convolutional neural network-bi-directional long short-term memory,CNN-Bi-LSTM）联合模型对发电功率进行预测。然后,为维持海岛基本生存条件,以电-冷-淡水-氢平衡为约束,以改善系统运行经济性和可再生能源消纳率为目标函数,建立综合能源系统优化调度模型。对夏冬两个典型日进行仿真分析,结果表明所提出的预测模型具有较高的预测精度,所提优化调度方法可以实现海岛能源供需平衡,同时能够有效降低系统运行成本,提高可再生能源消纳率。     

重组人p53腺病毒注射液治疗晚期实体肿瘤的安全性和近期疗效评价

目的: 总结重组人p53 腺病毒注射液(rAdp53)治疗的晚期实体肿瘤患者的资料, 初步评价其安全性与疗效。方法: 常规治疗失败的晚期实体肿瘤患者24 例, 其中肾癌5 例, 鼻咽癌4 例, 结直肠癌4 例, 黑色素瘤2 例, 非小细胞肺癌1 例, 食管癌1例, 贲门癌1 例, 胸腺癌1 例, 十二指肠癌1 例, 甲状腺癌1 例, 胰腺癌1 例, 子宫内膜癌1 例, 横纹肌肉瘤1 例。rAd-p53 给药方案为1 ×1012VP/次, 每周1次, 4 次为1 疗程。给药途径包括瘤内注射、支气管内喷洒、腹腔内注射、动脉灌注和静脉滴注。联合化疗18 例, 联合放疗2 例, 联合同期放、化疗1 例, 联合腹部热疗和吉非替尼1 例, 联合免疫治疗1 例,rAd-p53 单药治疗1 例。结果: 24 例患者中因早期进展而停药1 例, 接受1 疗程治疗20 例, 2 疗程治疗2例, 5 疗程治疗1 例。在可评价的21 例中, 部分缓解(PR) 5 例, 稳定(SD) 5 例, 进展(PD) 11 例, 有效率23.8%(5/21), 疾病控制率47.6%(10/21)。常见不良反应为自限性、I ~ II 度注射部位疼痛、寒颤、发热和肌肉酸痛。III 度发热2 例, 联合化疗者发生III ~IV 度骨髓抑制4 例, 骨痛加剧2 例, 一过性低血压1例。结论: 晚期实体瘤患者可耐受rAd-p53 治疗, 有必要进一步设计临床试验, 确定rAd-p53 联合常规治疗的有效性。     

标准配送式智能变电站预制电缆“即插即用”实现方案及敷设方式研究

分析了智能变电站采用航空插头实现预制电缆"即插即用"功能的可行性及必要性。介绍航空插头及其在电气工程领域中的应用,研究了一次设备本体与其就地智能控制柜采用统一标准的航空插头并通过预制电缆连接的技术方案,总结了航空插头选型相关的技术要求,探讨了工程设计中航空插头选择需注意的问题,最后介绍了预制电缆的敷设方式。     

充电器滑道注射模设计

介绍了斜向及直向同时进行脱模发生干涉时采用的三次分型顺序脱模的方法 ,该方法解决了干涉现象 ,达到了顺序脱模 ,保证产品质量的目的     

基于集成学习的分布式光伏发电功率日前预测

对于光伏发电功率精准的日前预测有助于电网设计未来调度计划,降低新能源发电对电网的冲击,提高消纳率。提出一种Boosting集成学习框架下的光伏发电功率日前预测方法。首先,根据光伏出力主要受天气影响的特点,通过皮尔逊系数获得相关性强的气象因素,利用k-means++对与光伏发电功率相关性极强的总水平辐照度进行聚类以获得相似日数据集;然后,将极限学习机（extreme learning machine,ELM）引入Boosting框架,构建光伏出力日前预测模型（B-ELMs）;最后,利用真实光伏电站运行数据验证模型有效性,该模型在试验过程中展现出良好的适应性,最高决策系数（R²）达0.9819。实验结果表明,由于集成学习框架的存在,B-ELMs能对复杂天气下的规律性弱、波动性强的光伏出力曲线提供较为精确的预测结果;同时,相较于深度学习网络,B-ELMs的收敛速度更快,在维持较快训练速度的同时保障更为精确的预测结果。