以HAU-M1光合菌群作为发酵细菌,以玉米秸秆为发酵底物,研究Fe
3O
4纳米颗粒对光发酵产氢过程的影响。结果表明:粒径60 nm的Fe
3O
4纳米颗粒浓度为100 mg/L时,比产氢量达到(46.68±1.00)mL/g VSS,与对照组的(35.07±0.56)mL/g VSS相比提升(33.11±0.01)%,此时的能量转化率也提高33.10%。产氢动力学分析结果也表明Fe
3O
4
通过融合稀疏自编码器和深度神经网络算法,提出一种基于SCADA数据的风电机组在线运行状态监测方法。首先,通过稀疏自编码器学习SCADA高维数据中复杂的内在特征,得到数据的降维表示;其次,基于降维后的数据利用深度神经网络预测风电机组的有功功率,通过对比分析预测功率与实际功率之间的残差判断风电机组的运行状态;最后,利用某风电机组近一年半的SCADA数据,对所提方法进行验证分析,结果表明,所提方法提早5天检测出风电机组发电机的异常情况,为有效避免故障恶化引发的突然停机、降低运维成本、提高风电能源的竞争力提供技术
以马格努斯翼型为研究对象,采用数值分析方法,研究低雷诺数条件下马格努斯效应关键参数(周速比、间隙、半径及位置)对翼型边界层流动及升阻性能的影响规律;基于拉丁超立方和Kriging模型,建立周速比、半径、间隙和位置多因素与翼型升阻特性的隐型非线性耦合响应关系模型,量化马格努斯效应影响;采用遗传算法全局寻优获得优化马格努斯翼型。结果表明,马格努斯效应对低雷诺数翼型升阻气动特性影响显著,半径对翼型升阻比影响最大,周速比影响稍弱,位置影响最小;升阻比与周速比正相关,与半径大小、间隙及位置负相关;周速比为1.33、
针对光热-光伏系统无功补偿现以光热电站与光伏电站独立控制为主,且光热、光伏电站之间缺乏无功协调机制的特点,提出一种适应于光热-光伏联合发电系统的无功分层协调优化控制策略。该控制策略分3层执行:系统层根据系统汇集母线电压确定整个系统所需无功;电站层利用无功分层优化控制模型和基于差分进化的粒子群算法(DE-PSO)对光热、光伏电站分配无功;设备层通过光热、光伏电站内无功源无功分配原则完成站内无功设备的无功分配。算例分析表明:该控制策略能够充分利用同步发电机、光伏逆变器以及无功补偿设备的无功调控能力,实现光热-
基于悬滴法原理,设计制造用于测量高温熔体表面张力的图像提取装置,其测量温度范围可达20~1000℃,并通过Matlab中的Canny算子及坐标轮换法对提取的图形进行处理和表面张力的拟合计算。通过对装置背景光、滤波、温度补偿校正、像素等方面的分析和调整来改善其高温工况下的测量精度,获得了理论误差为0.714%的表面张力测量系统。于高温工况下测量四元混合溴化熔盐表面张力随温度变化规律,与其他学者所测数
为了提高超短期风电功率的预测精度,提出一种包含多分解策略和误差校正的混合智能风电预测算法。多分解策略通过改进的经验模态分解对风电功率进行预处理并利用小波变换对预测误差大的序列再次分解,在降低风电功率序列非平稳性的同时大幅降低高频序列的预测误差;然后利用粒子群优化的自适应神经模糊推理系统对误差进行校正,可降低单一预测算法带来的最大误差,提高算法的鲁棒性。最后,基于辽宁某风电场实测数据的算例分析验证所提算法的可行性与精确性。
设计一套压缩机转速可改变的光伏直驱制冷系统。在该系统中,光伏组件将产生的直流电不经过逆变器,直接输入到直流压缩机,且系统组成中不包含蓄电池等储能装置,压缩机转速随着辐照强度变化而变化。建立该系统的动态理论模型,并通过实验验证该模型的正确性。基于验证后的理论模型,分别研究压缩机转速控制策略及压缩机转速控制模块的信号放大系数对系统性能的影响。相比于压缩机定转速模式,在压缩机转速改变模式下,制冷系统的制冷量提升了32.57%,平均光伏利用效率提升了51.75%。当信号放大系数增大为原放大系数的1.2倍和1.4倍
针对传统随机响应面法(SRSM)应用于高维输入变量系统中,其多项式展开式中未知系数的数量较多、算法容易陷入维数灾难的问题,提出一种改进的概率潮流计算方法。该方法通过分析输入变量(负荷有功、无功功率)对于潮流计算输出响应的一阶灵敏度系数,删去二阶SRSM多项式中的二次交叉项,得到SRSM多项式展开式的稀疏表达形式,并采用Nataf变换技术将非正态变量(如风速)转换为正态变量作为系统输入。在含风电的IEEE-9、IEEE-118标准节点系统进行仿真验证该文所提算法的有效性。算例仿真结果表明,相比于传统随机响应
考虑特定场址环境条件对于风电机组载荷与结构安全特性的影响,基于某3 MW双馈型风电机组载荷模型,运用GH Bladed软件对不同场址环境条件下的风电机组载荷进行仿真计算,形成特征环境条件下载荷特性数据库。分析各环境条件参数对风电机组关键部件极限与疲劳载荷的影响特性。基于特征载荷数据库,运用BP神经网络预测方法,建立特定场址条件下风电机组关键部件极限与疲劳载荷预测模型,并将模型预测结果与仿真结果进行比对。结果表明,基于BP神经网络的风电机组极限与疲劳载荷预测结果误差在6%以内,该方法对于不同场址条件下风电机
以38 m商业叶片为基础设计一款分段式叶片,采用开源软件和风能专业软件建立风电机组的仿真模型来研究分段连接对风电叶片和机组总体性能的影响。依据国际标准与工程技术规范分析叶片截面刚度、质量、挠度和自振频率,以及机组的载荷与年发电量。结果表明:叶片分段后,第1、第2阶挥舞频率变化幅度均小于6%,摆振频率增幅均小于2%;叶根摆振和挥舞极限弯矩分别增加约10%和3%,摆振和挥舞疲劳弯矩分别增加了23.2%和6.0%;风电机组的最大功率系数与年发电量均无明显变化。