660 MW超临界锅炉暖风器疏水系统节能优化

文章讨论了锅炉暖风器水侧和汽侧调节的优劣,同时介绍了对暖风器疏水系统的设计优化,将暖风器的疏水优化为"至凝汽器"方式,在设计和应用上使暖风器疏水的回收利用更趋于合理,从而达到节能降耗、提高电厂经济效益的目的.     

基于元学习的时变信道估计方法

为了克服现有的基于深度学习的信道估计方法存在的训练样本与时间开销过大、且离线训练的网络无法适应在实际情况下实时变化的信道环境的问题，提出了一种高速移动正交频分复用(orthogonal frequency division multiplexing, OFDM)系统中的基于元学习的时变信道估计方法。该方法利用模型无关元学习(model-agnostic meta-learning, MAML)方法对不同的信道任务进行线下训练，仅利用少量的训练样本即可使网络充分学习到信道的传输特性，以及具备快速适应新任务的能力，且具有较低的计算复杂度。在线下训练中，该方法将网络的训练目标设置为具有较高精度的信道估计，而非理想的信道信息，增强了估计模型的实用性。另外，该方法仅采用接收的导频信号进行线下训练与线上估计，减少了网络输入样本的数目，进一步降低了计算复杂度。仿真结果表明，所提方法具有较高的估计精度与较低的计算复杂度，且可以快速地适应新的信道环境，适用于在高速移动通信系统中获取时变信道。     

基扩展模型下基于LSTM神经网络的时变信道预测方法

针对高速移动正交频分复用系统, 提出了一种基扩展模型(basis expansion model, BEM)下基于长短期记忆(long short-term memory, LSTM)神经网络的时变信道预测方法。为了降低传统BEM的建模误差, 根据高速移动环境中不同列车在相同位置处的无线信道具有强相关性的特点, 首先基于历史时刻的信道状态信息获取最优的基函数, 并利用该基函数对信道进行建模。然后, 通过LSTM神经网络对信道基系数进行线下训练与线上预测来获取未来时刻信道信息, 大大降低了计算复杂度。在线下训练中, 将网络的逼近目标设置为信道估计值, 而不是理想的信道信息, 以增强预测模型的实用性。仿真结果表明, 相比现有方法, 新方法的计算复杂度较低, 且预测精度较高。