LNG发电在微电网中的应用分析

液化天然气(LNG)作为一种新型的发电能源,以分布式电源的形式应用于微电网中,不仅有助于降低微电网的控制难度,节省设备投资,还有利于充分发挥LNG发电环保性能好、削峰填谷能力强的特点,符合社会电力发展的需求,在微电网中的应用前景十分广阔。结合中国的实际情况,推广LNG发电在微电网中的应用,对我国清洁能源的发展有重要意义。该文结合LNG发电的特点,对LNG发电在微电网的应用前景和发展面临的问题进行了分析研究。     

智能寻优模糊控制研究

根据被调量的偏差和偏差变化率的模糊预测 ,应用单纯法优化搜索技术 ,寻优调整因子 ,在线刷新模糊控制规则 ,实现对具有多扰动、非线性、大滞后等特性的系统的控制。计算机仿真获得较好效果。     

跟踪误差的增量式模型预测控制

针对一类工业生产过程中实时跟踪问题,本文提出一种增量式模型预测控制算法,其基本思想是在预测模型中根据跟踪误差采用速度响应来建立预测模型,并在预测模型中采用控制量的增量软约束和在线滚动优化方法使其二次性能指标达到最优。理论分析和Matlab仿真实验结果表明,该控制算法能获得良好的跟踪性能、平稳的被控对象动态响应以及更强的闭环系统鲁棒性。     

时频交叠LFMCW信号的PAHT检测与频移分离

为有效解决时频交叠周期LFMCW信号分离的难题,首先提出一种基于周期AHT(PAHT)的检测算法,通过对匹配函数进行改进,有效积累截获到的交叠多周期能量实现高概率检测,然后将PAHT积累得到的强信号解线调,根据此时的频率分布特性近似量化频率,估计频率量化点与信号频率的偏离差值,再通过频移改善窄带频域滤波分离信号的效果;最后利用IFFT恢复信号,依次循环完成交叠强弱信号的分离。仿真结果对算法的检测效果和复杂度进行了分析,并在验证分离效果的同时采取了两种方法对信号的滤波质量进行了评价,验证了其在低信噪比下的可行性。     

虚拟电梯控制系统建模与仿真

虚拟电梯模型相对于实物模型成本低廉,所以其具有广泛的应用前景。提出了一种通过组态软件设计构建虚拟电梯模型的方法,实现了虚拟电梯模型和软PLC之间的通信,并应用倍福Twincat软PLC实施了对虚拟电梯模型的控制仿真。所提出的方法可以很方便地实现电梯群控模型建模,应用此模型不仅可以实现电梯控制程序的逻辑故障分析而且还可以实现机械故障的模拟。用此方法设计出一个三层的虚拟电梯模型,同时编写并调试了三层电梯的控制程序,实现了Twincat软PLC控制虚拟电梯的正常运行,验证了仿真系统的可用性和控制程序编写方法的合理性。     

基于DAE-GAN网络的LPI雷达信号增强

针对非合作侦察接收机只在降噪后才能开展后续检测识别工作的问题，结合降噪自编码器和生成对抗网络的优势, 构建噪声增强网络与信号增强网络进行对抗训练。噪声增强网络往带噪信号中掺杂更复杂的噪声分量, 信号增强网络则是尽可能地降低带噪信号中的噪声分量。二者在对抗训练的过程中, 噪声增强网络生成复杂高维噪声的能力和信号增强网络降噪的能力都在提升。训练结束后, 信号增强网络具备更好的降噪性能, 为后续检测识别工作降低难度。     

综合测井技术在划分地层中的应用研究

地球物理测井是地球物理学的重要分支,采用先进的电子及传感器、计算机信息论、数据处理等技术,借助专门的探测仪器设备,沿钻井剖面观测岩层剖面的物理性质,以研究和解决地质问题。本文主要通过使用Matrix测井仪获得四种常用的曲线,对比分析这四条曲线,识别和划分出某实验室3号钻孔的沉积相层序。     

中国黑龙江东部鸡西盆地白垩纪多期砾岩特征及古地理意义

对鸡西盆地白垩纪不同时期砾石统计结果显示:下白垩统城子河组和穆棱组砾石主要成分为石英岩和花岗岩,与盆地周缘露头前中生代基底主要岩性相吻合;上白垩统猴石沟组砾石成分流纹岩、安山岩、凝灰岩增多,出现石英砂岩和少量泥岩,砾石很大一部分来源于下白垩统。6个统计点的砾石主要为次棱角状到圆状,长短轴之比集中在1~2,粒径以小砾为主,粒径长度符合正态分布;沉积环境判别函数显示砾石主要属于河流(三角洲)成因。研究表明城子河组沉积时期,盆地西部的张广才岭和盆地内的古隆起为盆地提供物源,城子河组到穆棱组的沉积过程是一个水体不断扩大的过程;穆棱组沉积中晚期,盆地西部成为盆地主要物源区。晚白垩开始,在强烈的逆冲作用下,盆地及周缘发生区域抬升,抬升区遭受强烈剥蚀,为盆地提供物源,低洼处沉积猴石沟组。     

基于深度残差收缩注意力网络的雷达信号识别方法

针对低信噪比条件下雷达信号识别率低，以及分类网络不具备识别样本库新添加信号类型的局限，提出了一种基于深度残差收缩注意力网络的雷达信号识别方法。通过网络将一维雷达信号映射到32维向量空间。网络中的残差连接能有效强化特征的传播能力，解决网络过深无法训练的问题；注意力机制的引入，不仅构建掩码支路充当主干支路的特征选择器，还能够帮助网络自适应地选择合适的阈值进行软阈值化，从而减少网络中噪声或者冗余信息的影响，提高网络对噪声的鲁棒性。训练过程中排序表损失(ranked list loss, RLL)和分类损失函数共同指导网络训练。RLL能够有效克服传统度量学习损失函数忽略类内特征的问题，分类损失函数能够弥补度量损失优化下对样本整体分布不敏感的问题。实验表明，该方法在提高低信噪比雷达信号识别准确率的同时仍具有识别样本库新添加信号类型的能力。