基于五项Rife-Vincent(Ⅰ)窗的四谱线插值FFT谐波分析方法

目前,在电力谐波分析中快速傅里叶变换(FFT)应用得最为广泛,但是在非同步采样时,应用该变换容易产生频谱泄漏,出现栅栏效应。为减小非同步采样对FFT的影响,对旁瓣峰值电平小且下降速率快的五项Rife-Vincent(Ⅰ)窗进行了分析,并将它应用于FFT算法中,提出了基于五项Rife-Vincent(Ⅰ)窗的四谱线插值FFT谐波检测算法。经过多项式函数的拟合,得到了简单实用的四谱线插值修正公式,使计算过程更为简单。结果表明,与Hanning窗、Nuttall窗和四项Rife-Vincent(Ⅰ)窗插值FFT相比,相同条件下,五项Rife-Vincent(Ⅰ)窗具有更高的准确度,其幅值相对误差EAh≤6.524×10-5%,相位相对误差Eφh≤7.751×10^(-3)%。

基于GA-BP神经网络的变压器绕组热点温度预测研究

变压器是电网核心设备之一,保障其安全稳定运行具有重要意义。针对现有变压器绕组热点温度预测方法中存在的问题,采用遗传算法对BP神经网络的权值和阈值进行优化,克服了BP神经网络容易陷入局部最小值的缺陷,加快了算法的收敛速度,建立基于遗传算法优化BP神经网络的变压器绕组热点温度预测模型。利用500组变压器试验数据进行仿真,结果表明,基于GA-BP神经网络的变压器绕组热点温度预测值与实际值的变化趋势基本一致,平均相对误差和均方根误差分别为2.05%和0.21,优于其他方法,验证了该方法的正确性。

基于GA-BP神经网络的变压器绕组热点温度预测

本文针对现有变压器绕组热点温度预测方法中存在的不足,采用遗传算法对BP神经网络的权值和阈值进行优化,克服了BP神经网络容易陷入局部最小值的缺陷,加快了算法的收敛速度,建立基于遗传算法优化BP神经网络的变压器绕组热点温度预测模型。利用500组变压器试验数据进行仿真,结果表明,基于GA-BP神经网络的变压器绕组热点温度预测值与实际值的变化趋势基本一致,平均相对误差和均方根误差分别为2.05%和0.21。

氧化钙化焙烧法应用于从钒云母矿中提取钒的研究

本文介绍用氧化钙化焙烧法从钒云母矿中提取钒的试验研究,对焙烧、浸出、净化、沉钒过程中各影响因素进行了探讨。研究结果表明,用石灰和钒云母矿混合焙烧生成钒酸钙,然后用碳铵溶液浸出钒,提取率高达78%,工艺简单、可靠,并且对环境污染小,投资少,它不失为一种可取的提钒新方法。

写话集锦

铅笔可以用来写字，还可以用来画画。铅笔是一个调皮的娃娃，它每天都要跑到我的草稿本上乱写乱画。爸爸看见了很生气，总是叫我把铅笔赶进文具盒里，让它好好休息休息。