发电集团生态位分析及竞争建议

2002年原国家电力公司拆分为规模相当的五大发电集团及两大电网公司。伴随2002～2005年严重的电力短缺,各新组建的发电集团兴建电厂,力图在新的竞争格局下取得有利地位。在电力建设狂热近5年之后,电力供需矛盾缓解,同时面临着潜在的过剩。本文从企业生态位的视角,分析了发电集团生态位重叠情况,及应采取何种竞争战略,以确保企业在竞争中取得优势地位。

多尺度特征融合的光伏电站故障诊断

为了高效率、低成本地发现光伏电站设备故障,提出了一种多尺度时序特征融合的故障诊断深度学习模型。组合多种尺度的卷积操作,实现了多尺度时序特征提取,能够使网络过滤输入数据的噪点,同时又不丢失数据的关键信息;针对光伏电站监测数据长序列、多维度的特点,采用带有注意力机制的长短时记忆循环网络提取数据中的序列特征;使用了度量学习的损失函数辅助训练,进一步提升模型辨别能力。另外,设计了一种数据规范化算法,能够通过不同设备之间的横向比较和不同日期之间的纵向比较,将监测数据转化为相对度量值,从而矫正设备、天气等因素对监测数据的干扰。实验表明,配合数据规范化算法,该模型在真实的电站监测数据上能够达到95%以上的诊断准确率,明显优于已有的诊断算法,能够满足实际应用场景的故障诊断需求。

多损失融合的小样本光伏组件隐裂检测算法

针对工业生产线光伏组件隐性纹检测问题,为了降低人力成本,提高检测效率,并快速适应新型产品的隐裂检测,提出了一种多损失融合的小样本光伏组件隐裂检测算法。首先,为丰富卷积神经网络提取的语义信息,引入了Transformer的多头注意力机制,缓解各批次产品的分布差异对隐裂检测的影响,促使模型从多样化产品中关注于隐裂信息;其次,利用多损失结合约束模型训练的策略优化特征提取,在直接分类损失的基础上,利用三元组损失拉近含隐裂样本间特征距离;此外,设计了隐式分类损失以适应有无隐裂两类电池片内部也存在类型差异的特点,充分学习历史组件数据的多样性。该算法能够快速提取新型组件特征,利用少量的样本特征对新产品隐裂缺陷进行准确检测。在实际工业生产数据集上的实验结果表明,该算法对新型组件的隐裂检测的召回率相较于其他基线模型可提高10个百分点,能够有效缓解含隐裂样本数量不足的问题,极大地降低了频繁对每批新产品进行数据标记和训练的开销。

基于调度自动化系统的低压分布式光伏电站接入估算模型

大量分布式光伏接入电网对电网的安全稳定运行带来了极大的挑战。针对调度自动化系统未实现低压分布式光伏数据的实时采集、监测,提出了台区估算法作为一种低压分布式光伏电站实时采集的辅助手段,通过适当算法估算可实现低压分布式光伏电站的全面接入。通过案例分析,证明估算值与实测值偏差基本控制在8%以内,从而证明估算模型的准确性。此方法对电力调度部门加强分布式光伏的运行监测、统计管理、合理安排调度计划与进行电源协调控制意义重大。

基于燃料特性的秸秆积灰结渣

从燃料特性的角度分析秸秆积灰结渣产生的原因,进而提出减轻积灰结渣的方法,为秸秆电厂减少积灰与结渣情况提供建议.

煤炭物资供应管理信息系统研究与应用

本文在分析煤炭企业物资供应业务管理现状基础上,应用物资采购集中统一的大供应管理模式,以成本控制为核心,融合业务流程重组、客户关系管理、最佳经济订货量等管理思想,优化重组和再造了煤炭企业物资供应业务流程,以现代信息技术为支撑,设计实现了物资供应管理信息系统,对于规范采购过程,加强过程监控,优化仓储配置,降低原煤成本,加强资金周转,提升采购业务的决策水平等方面都具有十分重要的意义。

基于多分辨率特征自选择的遮挡物识别算法

光伏组件的遮挡物识别是光伏运维系统中不可或缺的环节,传统识别算法多依赖人工巡检,成本高昂且效率低下。基于卷积神经网络,提出了一种面向光伏组件的遮挡物识别算法PORNet。通过引入特征金字塔,构建多个分辨率下具有丰富语义信息的图像特征,提升对遮挡物尺度和密度的敏感性。通过特征自选择,筛选出语义最具代表性的特征图,以加强物体环境的语义信息表达。用筛选出的特征图完成遮挡物识别,从而提升识别准确率。在自建光伏组件落叶遮挡数据集上进行了实验比较和分析,并对识别性能进行了评估,通过与现有物体识别算法相比,所提算法的准确率和召回率分别提升了9.21%和15.79%。