调节性水电容量补偿方案设计研究

为缓解目前单一制电价政策下调节性水电在电力市场中的不利地位,亟需配置合理的容量补偿机制。研究以调节性水电为对象,结合我国电力系统实际,采用固定容量价格机制下的未补偿成本法作为容量补偿电价核定方法,建立了一套兼具实用性和可操作性的水电容量补偿方案,并对长江流域某地6座新投调节性水电站进行测算,对比验证了方案的实施效果。结果表明,设计的补偿方案意义明确,适应性强,测算结果合理。

基于SHAP-XGBoost混合模型的梯级水电站流量动态滞时研究

水流滞时是影响梯级电站短期优化调度的重要因素。如何构建流量动态滞时模型以精确描述梯级水电上下游水力联系,成为水电短期优化调度中亟需解决的问题。尝试引入极端梯度提升树算法(eXtreme gradient boosting,XGBoost)作为表现梯级水电站间流量动态滞时的工具。首先利用沙普利加性解释(Shapley addictive explanation,SHAP)评估各输入特征重要性,并从中选择最优特征集。其次建立了一种基于极端梯度提升树的动态滞时模型,利用网格搜索和交叉验证算法对模型参数进行选取。最后基于实际案例与人工神经网络、支持向量回归及固定滞时模型进行对比实验。结果表明,所构建的SHAP-XGBoost模型能更准确地模拟水电站间动态滞时关系,与传统模型相比平均预测精度至少提高了18%,且与实测序列的变化趋势匹配程度最佳。同时证明了输入特征筛选的加入能够使模型精度进一步提高。

基于JMI-CNN-LSTM耦合模型的梯级水电站间流量动态滞时关系

【目的】梯级水电站间存在的水力联系导致下游电站的运营模式往往受制于上游电站,以往的梯级水电站优化调度中通常选择忽略流量滞时或认为其是常数,少有考虑流量滞时与上游水电站出库流量及区间降雨等因素的动态关系。为提高下游电站预判流量精确度,将神经网络应用到梯级电站间流量动态滞时研究中。【方法】首先采用联合互信息理论选取下游电站入库流量的主要影响因素作为模型输入因子,其次根据卷积神经网络和长短时记忆神经网络的互补特性,建立上游出库流量与下游入库流量的JMI-CNN-LSTM深度学习网络模型,最后结合实际算例,将所建立模型的拟合结果与随机森林回归模型、固定滞时模型进行对比。【结果】结果显示:本文所建立的模型较相同条件下其他方法各类误差均存在不同程度的减少,其中MAE至少减少了14.6%。【结论】结果表明:相较其他方法,JMI-CNN-LSTM耦合模型预测精度更佳,能够更准确的体现梯级电站间流量滞时的动态关系。

基于切削力仿真分析的倒角钻几何参数优化

在倒角钻的锪孔过程中,硬质合金刀具的前角、后角、基圆百分比和螺旋角对切削力有显著影响。本文采用四因素三水平正交试验法对9组切削试验进行有限元模拟,运用极差分析法获得切削力最小的几何参数组合为前角20°、后角4°、基圆百分比60%、无螺旋角。

新型倒角钻切削参数优化实验研究

以整体式等前角大空间排屑槽倒角钻为研究对象,设计了4因素4水平的正交试验,通过切削试验研究了各切削参数对切削力和表面粗糙度的影响程度,并得到了最佳切削参数组合:每齿进给量0.1mm,倒角深度1mm和切削速度120m/min。利用新型倒角钻和传统倒角钻的对比切削试验,验证了新型倒角钻的优越性,研究结果表明:在相同切削条件下,新型倒角钻加工产生的切削力相较于传统倒角钻下降了约35%,表面粗糙度下降了约37%。