具有主动故障穿越能力的光伏逆变器自治控制方法研究北大核心CSCD

文中设计了一种具有主动故障穿越能力的自治智能光伏(photovoltaic,PV)逆变器,所提逆变器具有有功功率和无功功率的解耦控制特性,它可以根据电网状态或电网运行员命令在预期的运行模式之间无缝切换。智能逆变器根据电网状态自动调整其有功和无功功率设定值,在正常电网和故障电网条件模式下分别以最大功率点跟踪(maximum power point tracking,MPPT)和低电压穿越(low voltage ride through,LVRT)模式运行。此外,文中还提出了一种新型自治模型预测控制(autonomous model predictive control,AMPC)方法,以提高智能PV逆变器的运行效率。AMPC包括在线权重因子自动调整和控制目标归一化,以消除传统模型预测控制中所需的试错权重因子设计阶段。最后,通过实验,验证基于AMPC并网智能PV逆变器的性能,实验结果表明,所提基于MPC的智能PV逆变器具有故障穿越、有功和无功功率设定值的自治调整、运行模式之间的无缝转换等优点。     

真空绝热板导热系数与板内真空度关系研究

以理论模型计算和实验样品测试相对比的方法,研究了两种不同芯材真空绝热板导热系数与板内真空度之间的关系,利用逆真空法对真空绝热板板内压力进行了测试.探讨了真空绝热板制作工艺参数,保持板内真空度及延长使用寿命的方法.     

基于液化天然气(LNG)冷量的废旧橡胶低温粉碎工艺流程

探讨了废旧橡胶低温粉碎中LNG冷量的利用问题.用空气作为中间冷媒,将LNG冷量先传给空气,再由空气去喷吹冷却胶粉.设计了此冷却换热的工艺流程,进行了物料及冷量的衡算,以实现冷量的有效利用.     

真空绝热板

<正>真空绝热板(Vacuum Insulation Panel,简称VIP)是一种新型超级保温材料,是将隔热性能良好的芯材如玻璃纤维、气相二氧化硅、纤维和粉末材料的混合物以及聚安酯、酚醛、聚苯乙烯等的发泡材料装入阻隔气体性能良好的高分子复合薄膜袋中,抽真空后再密封起来所形成的板材。     

设备用户端负荷特性对电压暂降特征值的影响

针对现有电压暂降评估方法忽略了配电网综合负荷特性对评估结果影响的问题,分析了电力系统设备用户端负荷特性对电压暂降特征值的影响。结合设备用户端的综合负荷模型以及实际配电网中的电压暂降波形通过实际案例进行了电压暂降仿真分析结果验证了大型感应电机接入母线处电压暂降的特征。     

基于回归卷积神经网络和负荷混沌模型的窃电预测方法

精确地计算台区线损、提取用户用电特征实现窃电预测,是精准营销策略制定的关键。然而,台区可再生能源发电的随机性、电动汽车充放电无序性、环境变化等因素使用户用电行为极易突变,导致台区用户用电数据呈现混沌随机特性,无法有效检测用户窃电行为。对此,建立了台区用户用电的时序相关混沌模型,并提取窃电负荷样本与正常样本的特征,使用回归卷积神经网络对窃电样本和正常样本训练学习,获得增强特征分类学习器,以此实现对窃电用户用电预测。通过对某实际电力公司用电数据的测试分析表明,所提方法的计算结果具有较高的精确度。     

基于最小二乘向量机结合双向时序长短期记忆的台区用电特征提取

为了实现泛在电力物联网精细化管理,实现电网安全经济的调控,需要精确把握台区用户用电特征.对此,基于最小二乘向量机结合双向时序长短期记忆网络方法,提出了台区用户用电特征提取方法.首先,给出了最小二乘支持向量机回归模型的计算方法;在此基础上,提出了双向时序长短期记忆的最小二乘支持向量机回归模型,并以此作为边缘计算模型,将台...     

真空绝热板

真空绝热板（Vacuum Insulation Panel,简称VIP）是一种新型超级保温材料,是将隔热性能良好的芯材如玻璃纤维、气相二氧化硅、纤维和粉末材料的混合物以及聚安酯、酚醛、聚苯乙烯等的发泡材料装入阻隔气体性能良好的高分子复合薄膜袋中,抽真空后再密封起来所形成的板材。     

基于数据挖掘技术的台区线损计算方法研究

针对低压台区线损情况,提出一种数据挖掘技术的台区线损计算方法,根据样本的电气参数,提出台区K-Means聚类算法,该算法将台区线损值进行集中分类,解决了数据分散的问题,之后通过LM算法将BP神经网络优化,拟合出电气参数与样本线损率的关系,得到线损的变化规律,并根据拟合算法编程实现.结果表明,LM算法优化后得到的神经网络模型计算结果精度高,能够准确计算出台区的线损率,且更具合理性.     

基于组合模型的电能表需求预测模型研究

目前,供电公司对电能表年度采购需求数量和季(月)度用表需求数量的预测,普遍存在准确度不高的现象,容易导致出现结构性缺表或过剩问题。针对上述情况,本文提出利用极限梯度提升、随机森林和长短期记忆网络等经典的预测模型对电能表月度需求数量分别进行建模,再运用线性回归方法和误差倒数法将三种模型进行组合的需求预测方式。该方法不但突出了模型各自的优势,还实现了模型间的互补。利用清洗修正后的历史用表数量数据,通过提取数据特征,对组合模型不断进行训练,进一步优化了组合模型的参数和组合方式,验证了提升模型预测准确度的可能性。最后,经过与历史电能表实际需求数量的比较,证明组合模型可以有效提升电能表需求数量的预测准确度。