蜜网系统中蜜墙的研究与设计

蜜网是一种高交互的蜜罐,是一个具有高度可控性的网络系统。蜜网的核心需求就是数据控制和数据捕获,而其关键部件就是蜜墙。本文将结合蜜网的核心需求尝试对蜜墙进行研究与设计。     

直接耦合放大器静态工作点的图解分析法

本文是属于《电子技术》这门课程的加深扩充内容。文中采用图解分析法对直接耦合放大器各级静态工作点相互影响的问题进行了分析讨论,可以从图解分析中形象具体地看到单独正常工作的放大电路直接联接以后静态工作点的变化情况,以便使读者建立起一个完整而清楚的概念。同时指出设计直接耦合放大器应该注意的问题和设计分析方法。     

结合模糊PI与前馈补偿的光伏微型逆变器仿真

光伏并网微型逆变器能够解决集中式逆变器安全性差、效率低的缺点,有着良好的应用前景。作为一个高度非线性、时变的系统,采用传统PI控制器进行并网电流控制难以达到较好的效果。建立了微型逆变器的小信号分析模型,提出了结合模糊PI控制与电网电压前馈补偿的并网电流控制方法,并利用遗传算法进行PI控制器参数初始值的优化。仿真结果表明,该控制方法具有鲁棒性好、控制偏差小的特点,并能够有效地降低并网电流的谐波含量。     

300MW火电机组高加系统典型故障特征规律的仿真研究

针对某300MW火电机组的大旁路布置U型管管板式高压加热器系统,借助电站全工况、全范围真机的真实模型环境,通过详细的故障仿真实验,深入地分析、总结了高加管系泄漏和进出水室短路两类故障的特征参数变化规律。由于充分考虑了各高加间的相互影响以及高加系统与机组其它热力系统间耦合引起的系统效应,因此得到的高加系统故障特征规律与现有文献相比更加可靠,真实,弥补了现有高加故障知识库的不足。     

30MW火电机组高加系统典型故障特征规律的仿真研究

针对某300MW火电机组的大旁路布置U型管管板式高压加热器系统，借助电站全工况、全范围仿真的真实模型环境，通过详细的故障仿真实验，深入地分析，总结了高加管系泄漏和进出水室短路两类故障的特征参数变化规律。由于充分考虑了各高加间的相互影响以及高加系统与相组其它热力系统间耦合引起的的系统效应，因此得到的高加系统故障特征规律与现有文献相比更加可靠，真实，弥补了现有高加故障知识库的不足。     

基于广义回归神经网络的风电机组性能预测模型及状态预警

提出了一种基于广义回归神经网络（GRNN）的风力发电机组性能预测及异常状态预警方法。通过分析运行中影响风机主轴转速和发电功率的主要因素,确定了性能预测模型的输入和输出参数。运用SCADA系统的真实历史数据,采用广义回归神经网络（GRNN）建立了风电机组的性能预测模型,通过比较模型的预测精度对GRNN的平滑因子进行了优选。以此模型为基础,采用滑动数据窗方法实时计算风电机组转速和功率的残差评价指标,当评价指标连续超过预先设定的阈值时,则可判断风电机组状态异常。采用某实际风电机组若干历史故障发生前后的真实SCADA数据进行模拟,验证了方法的有效性。     

管式换热器动态数学模型的跷跷板效应分析

跷跷板效应使管式换热器动态数学模型的流体出口温度动态扰动曲线出现错误,与实际设备的变化趋势相反。从流体出口温度计算公式和建模过程中的简化假设两个方面进行分析,指出跷跷板效应的产生原因,给出避免跷跷板效应的判定条件,并指明其物理含义。计算机仿真计算实例表明该结论是正确的。此方法可用于管式换热器的动态实时仿真计算中。     

基于G1法的公路施工环境保护评价

公路建设是国民经济发展的支柱，近些年来随着我国国民经济的飞速发展，公路的建设也得到了蓬勃的发展，公路总里程不断增长，汽车保有量持续增加。然而公路的高速发展也带来了严重的环境问题，突出表现在以下几方面：①因选线不当而造成的沿线生态环境的破坏；②因保护不当而造成的水土流失，如坡面侵蚀与泥沙沉淀等；③因公路带状延伸而造成的路域自然风貌的破坏和损失；④因公路施工造成的环境污染；⑤因公路通车营运而对沿线造成污染。随着近些年来我国对环境保护问题的日益重视，如上由公路施工问题带来的环境保护问题也已受到各方的重视，并提出了一系列的保护措施。     

基于Savitzky-Golay滤波的双向门控循环单元神经网络汽轮机热耗率预测

汽轮机热耗率是火电机组运行过程中的一项重要监测指标。为建立更加准确的汽轮机热耗率预测模型,借助某1 000 MW火电机组的真实历史数据,提出一种基于双向门控循环单元(gated recurrent unit,GRU)神经网络的汽轮机热耗率预测模型。针对火电机组现场运行数据噪声大的问题,采用SG(Savitzky-Golay)滤波器对所选变量数据进行降噪处理,将处理后的数据作为建模样本构建双向GRU神经网络汽轮机热耗率预测模型。并将其与BP(back propagation)神经网络、传统循环神经网络等2种算法的模型预测结果进行对比,结果表明:双向GRU神经网络热耗率预测模型的预测精度更高,泛化能力和鲁棒性更强,能够满足现场的实际需求。