1550nm外调制光发射机及EDFA光放大器的测试

1550nm外调制光发射机和EDFA光放大器在有线电视传输系统系统中应用广泛。本文着重介绍它们的作用和测试方法。

微电网风/光发电功率预测软件的设计与开发

风力发电和光伏发电功率的预测是进行微电网能量调度计划制定的前提。运用基于时间序列法的风/光发电功率预测模型,引用等效平均风速概念,以提高风功率预测的准确度;采取在线滚动建模的方式修正基于时间序列法的预测模型,最后运用天气预报信息修正风/光发电功率预测的误差。设计了风/光发电功率预测软件的功能组成结构,制定了包括超短期、扩展短期与短期预测模块的程序流程,应用实例验证了所开发软件的实用性与有效性。

Al/a-Si:H界面反应和热处理行为光发射研究

利用XPS和AES对Al/a-Si∶H界面进行了研究.实验结果表明,最初阶段Al淀积在a-Si∶H上出现金属团.Al淀积量超过一定值后,起化学反应的Al和Si形成了互溶区,同时没有化学反应的Al在表面上形成金属Al层.此外,真空热处理加剧了Al/aSi∶H的界面反应和元素互扩散.

桐油间苯二酚树脂(TRR)与叠氮系交联剂的光发色交联机理

对充分导入间苯二酚的桐油间苯二酚树脂和双叠氮化合物所组成的感光体系的光发色交联机理进行了研究.证明树脂中间苯二酚基残留的反应活性点是易与氮烯(氮宾)反应导致交联的主要因素.其发色过程是由于生成氮-氧醌式结构所致.树脂中残留双键与叠氮化合物的光交联作用无疑是存在的,但实验证实它不是发色交联的主导因素.

水杨叉间溴缩苯胺光发色反应瞬态

用时间和波长分辨微微秒荧光光谱研究了低温激发烯醇式水杨叉间溴缩苯胺的荧光辐射光谱,证明该荧光由可以拆分的两组分荧光组成.与烯醇式缩苯胺的长波λ_(max)值相比,观察到大约10,000Cm^(-1)的Stark红移.所以,这两个组分都不是标题化合物的烯醇式.光激发将首先生成Mobius式过渡态,它再迅速转变为烯酮式缩苯胺完成1,5异面氢迁移的时间为5×10^(-11) s.并提出了一个两条途径到达烯酮缩苯胺的反应机理.

碳热法合成具有蓝光发射特性的氧化镓纳米线、纳米带和纳米片(英文)

利用碳纳米管通过碳热法合成了氧化镓纳米线、纳米带和纳米片。采用扫描电镜和透射电镜对其进行了形态和结构表征。合成的氧化镓纳米结构是单晶体。室温光致发光谱分析发现,氧化镓纳米晶在蓝光区域487nm处产生明显的发射峰。

O、C离子注入n型GaN的黄光发射研究

采用光致发光（Photoluminescence，PL）谱的测量，研究了10^13-10^17cm^-2。的O和C两种离子注入和退火对非有意掺杂的n型GaN黄光发射（Yellow luminescence，YL）的影响，注入后的样品在流动N2的保护下进行退火，退火温度950℃，退火时间30min。对比相同剂量下N离子注入GaN黄光发射，结果表明O、C两种离子的注入在GaN中分别引入了与黄光发射相关的不同的深能级中心，当C离子注入剂量高达10^17cm^-2时，能引起黄光发射的C相关的深能级中心显著增多。

N、O、Ga、Mg和Si离子注入n型GaN样品的光致发光谱中蓝光发射带的研究

采用光致发光手段研究了几种不同注入离子N、O、Mg、Si和Ga对n型GaN蓝光发射带的影响。其中离子的注入剂量分别为1013、1014、1015和1016cm-2,注入温度为室温。注入后的样品在900℃流动氮气环境下进行10min的热退火。通过对实验测得的光致发光谱的分析,给出了不同注入离子对n型GaN蓝光发射带的影响随注入剂量的变化关系以及该影响的相对强弱,进而确定蓝光发射起源于注入离子引入的间位缺陷。

省人大副主任李介车视察光大集团光发煤矸石厂

日前,省人大副主任李介车在省建材行力、主任张沛霖等陪同下,视察了省光大集团光发煤矸石厂。李介车在视察时强调指出六点:

1550nm光发系统在多村联网中的应用

乡村有线电视的特点是各村之间相距较远，分布广而散，致使网络干线长，网络故障相对容易发生，维护技术人员有限，维修工作难度相对较大。

1310nm和1550nm光发系统在乡镇光缆联网中的应用比较

为了在“本世纪末实现村村通广播电视”,各地都在采用光缆进行联网。商丘市有线电视台自1999年3月开始在市属两区乡镇实施光缆联网工作,在这个过程中是采用1310nm系统还是采用1550nm系统,这也正是各地进行乡镇光缆联网时共同面对的问题,对此我们从以下几个方面进行了比较。

1550光发系统在石河子农村改造中的应用

本文针对农村网络实现双向数字化改造建设思路,1550nm有线电视干线传输网络。

Pr^(3+)掺杂铯铅卤钙钛矿量子点的稳定可调色蓝光发射

卤化钙钛矿型发光二极管(PeLED)的窄发射峰有望用于下一代显示器和照明,但是能量转换效率特别是蓝色PeLED的转换效率仍然低于常规无机和有机LED的效率。在这些钙钛矿中用毒性较小的元素(通常是过渡金属和各种镧系元素)取代Pb,可在保持窄的发射特性的同时提高能源效率。本文介绍了Pr^(3+)掺杂与Cl-Br卤化物交换结合的效果,产生了一系列蓝色发射量子点,峰值波长可在430~490 nm范围内可调,这些蓝色Pr^(3+)-CsPb(Br/Cl)3量子点的光致发光量子产率(PLQY)比未掺杂Pr^(3+)的量子点相比提高了2~3倍。本文还研究了Pr^(3+)掺杂蓝光量子点在365 nm紫外线照射下和高温加热时的稳定性,掺杂后的蓝光量子点的光热稳定性提升。

新能源风光发电功率预测模型分析

随着包括石油以及煤炭等在内的传统能源地下存储量日渐减少,而且因其应用过程中所带来的环境污染问题日渐严重,因此以太阳能、风能为代表的可再生能源得到了各个国家以及地区的青睐。但是由于风光发电在实际应用过程中通常存在着预测难度大、资源调度困难以及难以高效控制的缺点,故其在电网的安全稳定性方面往往具有非常大的隐患。为了保证电力调度的正常进行,并最大限度降低电网日常维护的成本,从而有效提升电网的安全性以及稳定性,需要对风力以及光伏发电功率进行准确合理的预测。基于此,本文对风力发电以及光伏发电的特性进行简单的介绍,同时对基于RBF神经网络的新能源风光发电功率预测模型进行简单的叙述分析,以期能够实现对风光发电功率的准确有效的预测,从而最大限度避免其应用过程中面临的问题。

基于VMD-FE-CNN-BiLSTM的短期光伏发电功率预测

为提高光伏功率的预测精度,提出一种变分模态分解(VMD)、模糊熵(FE)、卷积神经网络(CNN)和双向长短期记忆神经网络(BiLSTM)的光伏功率组合预测模型。该方法首先采用VMD将原始光伏序列数据分解成多个子序列,从而减少随机波动分量和噪声干扰对预测模型的影响,通过FE对每个子序列进行重组,使用一维CNN的局部连接及权值共享提取不同分量的特征,将CNN输出的特征融合并输入到BiLSTM模型中;利用BiLSTM模型建立历史数据之间的时间特征关系,得到光伏发电功率预测结果。与BiLSTM、CNN-BiLSTM、EEMD-CNN-BiLSTM、VMD-CNN-BiLSTM这4种模型进行比较,该文提出的VMD-FE-CNN-BiLSTM模型在光伏发电功率预测中具有较高的精确度和稳定性,满足光伏发电短期预测的要求。

基于改进灰狼算法优化LSTM的光伏发电功率短期预测

为了提高光伏发电功率短期预测结果的准确性,提出了一种基于改进灰狼(improved grey wolf optimization,IGWO)算法优化长短时记忆(long short term memory,LSTM)神经网络的光伏发电功率短期预测方法。利用余弦相似度寻找相似日,确定光伏发电功率预测的特征量和训练集。采用非线性收敛因子和差分进化策略对GWO算法进行改进,得到收敛性能更好的IGWO算法,采用IGWO算法对LSTM的超参数进行优化,建立了基于IGWO-LSTM的光伏发电功率短期预测模型。使用某小型光伏电站的运行数据进行仿真分析,结果表明,IGWOLSTM模型对晴天、多云和阴雨天气光伏功率预测结果的均方根误差依次为2.11 kW、2.48 kW和2.74 kW,平均相对误差依次为3.43%、4.81%和6.33%,预测效果优于其他方法,验证了所提方法的实用性和有效性。

分布式光伏发电系统的监控配置方案研究

随着普通能源的不可再生和环境问题的日益严重,新能源的开发越来越受到重视。在众多新能源替代品中,太阳能以其独特的优势成为新的发展方向。本文主要研究基于太阳能电池板的太阳能三相全桥并网逆变器并网系统,在此基础上,通过分布式光发电力系统现状的调研,总结分布式光发电力系统应用中存在的问题,为分布式光发电力监控系统的应用提供理论依据和技术支持。在分布式光伏设备监控系统方面,系统研究了分布式光伏设备监控系统中母线箱故障报警技术和电站中光伏组件异常衰减率报警技术。监控系统功能完善,提高了光伏发电的稳定性和可靠性。

基于Transformer编码器的超短期光伏发电功率预测

针对现有光伏发电功率预测方法对于气象数据特征间的内在耦合关联特性挖掘不足的问题,提出基于Transformer编码器的超短期光伏发电功率预测方法。首先,基于历史气象数据和数值天气预报数据重构输入矩阵;然后,采用多层感知机或一维卷积滤波器生成输入嵌入,并添加时序信息嵌入和时间特征嵌入,再通过多头自注意力机制对数据特征间的内在耦合关系进行自动挖掘;最后,通过解码层生成功率预测序列。算例结果表明所提预测方法对于超短期光伏发电功率的预测精度更高,并且具有较好的鲁棒性。

针对光伏发电功率预测的LSTformer模型

为了提高光伏发电功率预测精度,提出了一种基于长短期时序数据融合的Transformer生成式预测模型:LSTformer,能准确有效地预测光伏发电功率。LSTformer创新性地提出了时序分析模块(time series analysis,TSA)、时序特征融合模块(time series feature fusion,TSFF)和多周期嵌入模块(cycleEmbed),利用数据融合解决难以提取多时间尺度时序特征问题。设计时间卷积前馈(time convolution feedforward,TCNforward)单元,在编解码的过程中进一步提取时序特征。利用某光伏电站实际历史发电数据,通过实验验证LSTformer模型在光伏发电功率预测领域得到最低的均方误差(mean squared error,MSE)、平均绝对误差(mean absolute error,MAE),并通过消融实验验证了各模块的有效性。