课程文献中心 更多>>

关键词： 变压器   绕组状态   小波脊线   最大类间方差法   图像分割  

摘要： 新型电力系统的建设给电力设备及电网的安全可靠运行提供了更高的要求，进一步提升变压器绕组状态的检测水平，本文从变压器振动信号的小波时频图像出发，使用最大类间方差法对其进行图像分割以获取表征绕组状态信息的关键区域，进而利用模极大值法提取经图像分割后各关键区域的小波脊线，据此定义了小波脊线特征向量与特征向量角（Wavelet Ridge Feature Vector and Feature Vector Angle， WRFVA）对变压器绕组状态进行检测。对某110kV变压器多次短路冲击试验下振动信号的计算结果表明：经图像分割提取出的变压器振动信号小波时频图像的小波脊线时频分辨率高，直观清晰的反映了不同短路冲击电流作用下绕组状态的变化过程；当同一短路电流作用下振动信号的WRFVA的变化超过2度时，意味着绕组有轻微松动或变形存在，建议关注其运行状态。

关键词： 锂一次电池   高能量密度   高功率特性   有机化合物   纳米材料   优化设计  

摘要： 随着应用需求发展和装备技术升级，现有商业化锂一次电池已不能满足低成本、高能量密度及高功率应用需求。高能量密度及高功率特性“双高”锂一次电池研究是目前面临的技术难题，需要在现有基础上大力开展锂一次电池性能提升研究，同时寻找新的锂一次电池体系。鉴于此，综述了基于低成本、高能量密度新体系锂/硫一次电池及有机正极材料锂一次电池的研究进展。同时，基于现有锂/二氧化锰、锂/氟化碳等电池体系，综述了通过材料纳米化、表面处理及工艺优化设计等多种手段提升其功率特性的研究进展，并对高功率新体系锂/铬氧化物、脱锂态钴酸锂正极锂一次电池的研究进展进行了综述。最后，对后续发展进行了展望，对现有电池体系的深入研究挖掘出电池高功率特性潜力，新体系锂电池的研究为得到高能量密度和高功率特性锂一次电池提供了新的可能性。

关键词： 化学镀   Ni-W-P   超声功率   微观结构   耐磨性能   耐蚀性能  

摘要： 目的 提高Ni-W-P镀层的耐磨性和耐蚀性。方法 以NiSO46H2O和Na2WO4为主盐配制化学镀液，将Q235钢前处理后在可调功率的超声设备中进行化学镀以获得Ni-W-P镀层。通过显微硬度测试、摩擦磨损实验、电化学实验分别评价Ni-W-P镀层的硬度、耐磨性和耐蚀性，通过扫描电子显微镜对表面、截面和磨痕形貌进行分析，通过X射线衍射仪分析镀层的物相组成。结果 超声辅助化学镀可以细化晶粒、减少孔洞、提高镀层的致密性，降低镀层的磷含量，提高镀层的晶化程度，相同时间内显著提高镀层厚度。但是，镀层与基体的结合强度会降低。超声功率75W时：镀层厚度为不加超声的1.61倍；镀层最大硬度为674.80HV0.05；镀层的摩擦系数为0.38低于不加超声的摩擦系数0.47，且均低于Q235钢的摩擦系数0.58；磨损率为0.69×10-5mm3/(Nm)低于不加超声镀层的磨损率2.41×10-5mm3/(Nm)，且均低于Q235钢的磨损率5.28×10-5mm3/(Nm)；Q235钢的磨损失效形式为黏着磨损+磨粒磨损，Ni-W-P镀层的磨损失效形式为磨粒磨损+疲劳磨损；腐蚀电流密度2.23×10-7Acm-2低于不加超声的腐蚀电流密度2.21×10-6Acm-2，均低于Q235钢的腐蚀电流密度2.08×10-5Acm-2；腐蚀电位-0.362 V高于不加超声的-0.377 V，且均高于Q235钢的-0.611 V；镀层总电阻Rt为24 338Ω·cm2低于不加超声的10 629Ω·cm2，且均高于Q235钢的592Ω·cm2，电化学极化测试结果与电化学阻抗测试结果表现出较好的一致性，样品耐蚀性显著提高。结论 超声辅助化学镀可以细化晶粒、减少孔洞、提高镀层的致密性，降低镀层磷含量，提高镀层的晶化程度、硬度、耐磨性和耐蚀性。但是，超声的引入会导致镀层与基体的结合强度下降。

关键词： 风功率预测   时空网络   图注意力网络   样本卷积和交互网络   门控循环单元   时间序列  

摘要： 准确的风功率预测能为风电能源行业提供可靠的指导和决策依据，但传统的建模方法主要是将风功率预测问题转换为时序预测问题，而忽略了机组间的空间信息，为此，本文提出一种面向多时间步风功率预测的深度时空网络模型。模型采用编码器-解码器架构设计，首先编码器根据历史功率信息建图，使用GAT(Graph Attention Network)提取融合风场空间信息的机组特征；其次，使用GRU(Gated Recurrent Unit)提取输入数据中的时间特性，得到关于该机组的风能时间特征。最后，解码器融合编码器输出的时空特征后，使用SCINet(Sample Convolution and Interaction Network)融合不同时间尺度分辨率下的时空特征后输出未来多时间步风功率的预测值。实验结果显示此模型预测结果的MAE(Mean Absolute Error)指标低至42.38，相比于Bi-GRU(Bidirectional Gated Recurrent Unit)下降了4.25%;RMSE(Root Mean Square Error)指标低至42.71，相比于Autoformer下降了8.70%。实验结果验证了该模型的优势，为未来风功率的准确预测提供了一种新的途径。

关键词： 光伏发电   遗传算法   蚁群算法   BP神经网络   参数优化   功率预测  

摘要： 精确的对光伏发电功率进行预测，是提高光伏发电效率和保证电力系统稳定运行的重要方法。该文提出一种基于混合遗传蚁群算法(GA-ACO)改进BP神经网络的预测模型。通过皮尔逊相关系数公式求出与光伏发电输出功率相关性强的气象特征作为训练模型的输入，减少无关气象特征量对光伏输出功率的预测影响。运用遗传算法(GA)产生寻找最优参数问题的信息素分布，蚁群算法(ACO)在有初始信息素分布的条件下输出最优权阈值，让BP神经网络二次训练，输出预测值。分析结果表明：以晴天为例，GA-ACO-BP神经网络模型比传统BP神经网络模型、ACO-BP神经网络模型、GA-BP神经网络模型的预测结果相对误差分别减少了9.47%、4.83%、3.27%，因此GA-ACO-BP神经网络模型用于光伏发电功率预测时具有更好的预测精度。

关键词： 顶层油温   自监督预训练   时序注意力   深度神经网络  

摘要： 变压器故障预警依赖于更精确可信的变压器顶层油温预测。应用自监督预训练方法将预测模型训练过程中的油温预测任务转变为油温重建任务，泛化了模型训练方式的同时提升了模型对历史油温态势信息的抽取能力。该文提出双通道预训练时序注意力网络(dual-channel pre-trained time-series attention network，DPAnet)模型，模型是采用时序注意力机制和趋势周期分支的深度神经网络，分别针对油温数据的趋势规律和周期规律实现了单时间步级别的建模，从而加强了在多时间步上的预测能力。算例分析表明，在以小时为颗粒度的1～72h短期预测场景下，本文所提出的顶层油温预测模型平均预测损失为1.847，平均确定性系数为0.862，相比其它模型提升了预测精度，且具有较强的泛化能力和鲁棒性，有效支撑了变压器顶层油温变化趋势分析。

关键词： 高dV/dt方波   功率模块   封装绝缘   局部放电   电场动态仿真  

摘要： 高dV/dt方波下封装绝缘发生的局部放电是高压功率模块失效的重要原因之一，然而方波上升下降沿产生的电磁干扰和位移电流严重干扰局放的检测，且现行功率模块局放检测标准规定的正弦电压与方波下测试结果存在差异。为解决上述问题，本文提出基于下混频原理的高dV/dt方波电压下局放检测方法，探究了不同频率单极性高dV/dt方波和工频正弦电压下封装绝缘的局放特性，并对封装绝缘固—固结构建模，考虑复合绝缘的电荷弛豫，进行了动态电场分布仿真计算。结果表明，由于界面电荷弛豫造成的局部电场差异，单极性方波下，封装绝缘的局放起始电压（partial discharge inception voltage， PDIV）高于正弦电压下，且方波下PDIV随频率升高略有增加。外施电压幅值相同时，方波下局放平均幅值高于正弦电压下。随频率升高，单极性方波上升沿处局放幅值分布相近，而下降沿处局放平均幅值降低，相位呈现滞后趋势。该研究分析了高dV/dt方波下封装绝缘的局放特点及其与正弦电压下的差异，为功率模块可靠性检测和评估提供了参考。

关键词： 自适应算法   光伏发电   功率预测   光伏并网   经验模态分解  

摘要： 光伏发电功率短时内的随机性和间歇性影响光伏并网的稳定性。为提高功率预测精度，提出一种基于互补集合经验模态分解、多策略混合改进松鼠搜索算法和长短时记忆网络的功率组合预测模型。首先，使用互补集合经验模态分解对光伏功率时间序列分解；其次，为获得长短时记忆网络的最佳学习参数，提出种群初始化、非线性捕食和反向学习的多策略混合改进方法，解决原始算法种群多样性差、收敛慢和易陷入局部最优的缺点，并通过CEC 2005基准测试函数验证，具有最优的寻优性能。经过两个实例验证，所提模型显著提高了预测精度。

关键词： 光伏功率日前预测   双模式组合模型   波动量分析   变分模态分解   极限学习机   麻雀优化算法  

摘要： 为了提高光伏发电功率的预测精度，本文在数据挖掘分析基础上提出双模式组合的日前光伏预测方法。首先，利用波动量分析建立输出功率与天气类型之间更精确的匹配模型，划分为简单天气类型与复杂天气类型两种。其次对于简单天气类型采用K-means聚类分析选取最相似日和XGBoost回归组合的预测模型，实现对简单天气类型的光伏功率预测；对于复杂天气类型，提出基于变分模态分解(variational modal decomposition，VMD)、利用麻雀算法(sparrow search algorithm，SSA)优化极限学习机(extreme learning machine，ELM)的日前光伏预测模型。最后，选用DKASC Alice Spring光伏电站数据集对所提两种模型进行验证，并进行了仿真实验。结果显示，使用双模式组合方法构建的光伏发电功率预测模型预测精度显著提高。在春季和夏季的两个不同数据集下，R2分别达到96.44%和96.61%，比其他四种仿真模型具有更高的预测精度。

关键词： 油纸绝缘   电场分布   界面电荷   极性效应   油道间距效应  

摘要： 换流变压器油纸复合绝缘中存在多层不等间距的油隙，不同油隙间距对油中电场分布及油纸界面电荷积聚影响结果未知。该文利用Kerr电光效应，获得不同外施电压下典型双层油纸复合绝缘模型油中电场分布及油纸界面电荷积聚特性，揭示了“高油中场强”及“宽油隙间距”联合作用下的“油隙间距效应”对电场/电荷分布的影响机制。结果表明：1)当油中场强较低时，无论上/下油隙间距之比，正极性电压侧油中场强始终较高；2)当外施电压增加至+25kV，随着上/下油隙间距之比的增大(1:5增大到4.5:1.5)，正极性侧油中场强逐渐降低，对侧油中场强却逐渐增加；若油隙间距之比超过4.5:1.5，两油隙内场强分布“反转”；3)获得了不同油隙电场分布“反转”的油中场强阈值以及油隙间距比例阈值：即相邻两个油隙间距之比为3:1、油中场强超过1.00kV/mm，或者间距之比超过5:1、油中场强超过0.55kV/mm；4)宽油隙为离子解离提供了更多的油中初始电荷，且高油中场强加剧了电荷的解离/复合现象，导致宽油隙侧的油纸界面电荷数量增加，超过“极性效应”影响，增强了窄油隙场强。本文研究内容可为换流变压器油纸绝缘结构设计优化提供相关理论依据和技术支持。