生物质废弃物有序能源化利用评述

基于我国生物质废弃物的产量、分布和利用现状,分析了生物质废弃物资源利用过程中转运能耗大和碳排放量高的现状,指出相比于压缩、干燥、烘焙等方法,低温热解预处理技术在生物质废弃物减容提质方面更具优势;论证了生物质废弃物减容提质预处理对其资源利用过程的降耗减排具有一定的作用,提出将具有调峰能力强、使用寿命长、规模化成本低、安全环保等优点的熔盐储能技术应用于生物质废弃物低温热解预处理中,并通过基于耦合熔盐储能的生物质废弃物低温热解处理工艺案例的综合分析,验证了该工艺的可行性和经济性。结果表明:由于熔盐储能对清洁能源电能的消纳及波谷电的存储利用,可有效提高生物质废弃物能源利用过程中的能量利用率,使碳排放量减少达378.49 t CO_(2eq)/a,并可获得良好的经济效益回报(内部收益率大于行业基准收益率),从而实现“无序”生物质废弃物的“有序”能源化利用,对双碳战略具有重要意义。

基于大数据技术的智慧城市照明节能研究

为解决智慧城市建设难题,文章将以大数据技术为背景,围绕智慧城市照明节能展开研究,重点阐述了大数据在智慧城市照明中的重要意义,然后结合当前智慧城市及照明节能现状,从五个方面出发,解析如何借助大数据技术优化智慧城市照明节能系统,以满足城市公共照明与节能环保需求。

基于深度学习分位数回归模型的风电功率概率密度预测

针对风电功率预测问题,在现有预测方法和概率性区间预测的基础上,提出基于深度学习分位数回归的风电功率概率预测方法。该方法采用Adam随机梯度下降法在不同分位数条件下对长短期记忆神经网络(LSTM)的输入、遗忘、记忆、输出参数进行估计,得出未来200 h内各个时刻风电功率的概率密度函数。根据美国PJM网上的风电功率实际数据的仿真结果表明,所提方法不仅能得出较为精确的点预测结果,而且能够获得风电功率完整的概率密度函数预测结果。与神经网络分位数回归相比,其精度更高,且在同等置信度下的预测区间范围更小。

基于CEEMDAN分解的深度学习分位数回归电价预测

电力市场中电价预测的准确性对于供应商竞价策略的制定至关重要。针对电价预测问题,提出一种基于完备经验模态分解的深度学习分位数回归电价预测方法。首先,采用自适应噪声的完备经验模态分解方法对电价序列进行分解,得出各个模态分量;然后,采用深度学习中空洞因果卷积神经网络预测模型在不同分位数下对各个分量进行预测,并将预测结果重构;最后,对预测结果采用核密度估计得到电价的概率密度函数。经过对美国电力市场PJM的实际数据进行仿真验证,所提出的组合预测方法相比于其他分位数回归方法,不仅具有更高的预测准确度,且可以为供电商提供更多有效信息。

基于风电功率预测的电动汽车调价策略

为了提高风电入网的稳定性,提出一种基于风电功率预测的电动汽车双阶段调价策略。该策略通过预测风电和调节电动汽车价格来提高电网对风电的消纳能力。预测阶段,采用对时间序列有记忆能力的LSTM神经网络来预测风电功率,并与时间序列预测做对比。定价阶段,以预测风电功率曲线与充电负荷曲线相似度高、充电成本小为目标函数建立调价优化模型,通过预测的风电功率制定价格,用价格调节负荷,让充电负荷量随时间贴近风电功率。最后,通过模拟得到电动汽车原始充电负荷曲线,求解调价优化模型后,将优化前后的充电负荷对比,后者更加贴近预测风电功率,证明了该策略的有效性。

基于信息融合和模糊理论的有载分接开关故障诊断

为实现变压器有载分接开关的故障诊断和状态评估,从分析有载分接开关动作时的振动信号出发,提出一种结合信息融合技术和模糊理论的故障诊断方法。根据有载分接开关的振动信号具有混沌特性,采用相空间重构方法将其映射到高维空间。然后根据相空间内相点分布的差异性,求取相点空间分布系数作为特征值。基于多传感器信息融合技术,结合相点空间分布系数,建立多通道下三维高斯型模糊集隶属函数,用以对现场测量的正常状态和3类常见故障的振动信号进行状态识别,得到较好的识别效果,可作为有载分接开关故障诊断的有力依据。