位移放大型扭转阻尼器性能分析

为了加固梁柱节点、避免框架结构出现"弱节点"的破坏模式、提高框架结构整体的抗震和耗能能力,研制出一种具有自主知识产权的位移放大型扭转阻尼器(DATD),并对其进行数值分析和试验研究.首先,设计了18个具有不同参数的DATD,建立其有限元模型进行数值分析;随后,设计并制作了一个DATD,进行性能试验并与有限元分析结果对比.结果表明:DATD滞回曲线饱满,耗能能力强;有限元分析与性能试验的滞回曲线吻合较好,且随着加载位移的增加,两者间误差变小,因此可以采用建立的有限元模型来研究DATD的力学性能.最后,对DATD进行参数影响分析,研究了铅芯直径、铅芯距中轴距离、橡胶层直径、橡胶层厚度及橡胶剪切模量对其特征参数的影响,结果表明:DATD的屈服剪力、等效刚度、等效阻尼比及耗能系数随着铅芯直径增大而明显增大,随着铅芯距中轴距离的增大略有增大;随着橡胶层直径、橡胶剪切模量的增大,屈服剪力及等效刚度逐渐增大而耗能系数及等效阻尼比逐渐减小;4个特征参数均随着橡胶层厚度的增大而略微减小.     

腐蚀对风车联合作用下斜拉桥拉索 疲劳可靠性的影响分析

为探讨腐蚀对随机交通和风载联合作用下斜拉索疲劳可靠性的影响规律和机理,通过拉索高强钢丝的加速腐蚀和疲劳试验,提出了考虑腐蚀的斜拉索疲劳抗力模型;基于线性累积损伤准则,建立了考虑腐蚀影响的风车联合作用下拉索疲劳可靠性的分析方法和流程;依托工程实例,分析了腐蚀等级和时变腐蚀对拉索疲劳可靠性的影响.结果表明:随腐蚀加剧拉索动态疲劳可靠指标下降速率增大;等级达到Ⅲ级及以上的腐蚀对拉索疲劳可靠寿命影响显著,尤其对于靠近桥塔及辅助墩处拉索;Ⅳ级和Ⅴ级腐蚀时拉索疲劳寿命相对无腐蚀状况降幅最大分别达24%和44%;相对完好状况,时变腐蚀影响下拉索的动态疲劳可靠指标下降更为迅速,且降幅明显大于仅考虑腐蚀分级的状况.     

锂电池异常状态监测的FEKF方法研究

为了保障锂离子电池的使用安全，提出了基于带渐消因子的扩展卡尔曼滤波 （Fading Extended Kalman Filter，FEKF）的电池状态在线监测方法. 建立锂电池一阶等效电路模型，利用递推最小二乘法进行锂电池状态参数在线辨识，建立状态方程；引入最优渐消因子，构造FEKF，得到端电压残差；使用端电压残差序列构造χ2分布的诊断函数，计算误检率与状态参数异常阈值. 实验结果显示利用FEKF生成的残差能更早对异常状态进行告警，证明FEKF能够显著提高χ2检验对锂电池内部缓变型异常状态判断的准确率.     

关于象棋的不败算法

给出了数学方法，根据它可以写出算法，依此算法，在高速大容量电子计算机的帮助下，象棋（中国象棋或国际象棋）棋手与任何人或机器下两盘（一盘先着子，一盘后着子）后，按总成绩计皆不输。     

校园网终端网络节点自治性的探讨

讨论了校园网终端网络节点自治性的建设，给出了开通另一通信出口，电子邮局及实时在线通信等问题的设计与实现的方法，并指出终端网络节点信息化建设的优劣决定校园网的网络性能。     

计算Sanderson电负性标度中D_i的新方法

用一线性公式代替D_t-Z作图法,求Sanderson电负性标度中的D_t值。     

液压蓄能式风力机组并网转速解耦优化控制

针对在风速、同步发电机负载变化情况下,液压蓄能式风力机组并网转速控制问题,提出一种新型并网转速控制方法——解耦广义预测优化控制方法（Decoupled Generalized Predictive Optimization Control, DGPOC）.首先,DGPOC利用基于广义预测的前馈解耦方法解除变量马达摆角和蓄能器比例阀开度之间的耦合关系,进而调节蓄能器比例阀,依靠蓄能器吸收波动流量,同步调节变量马达摆角实现恒转速控制,解决因风速、同步发电机负载变化引起的变量马达转速波动问题; 其次,将蓄能器比例阀的能量损耗作为性能约束项,加入到优化目标函数中,求取最优控制量,从而提高液压蓄能式风力机组风能利用率; 最后,利用建立的MATLAB-AMESim联合仿真实验平台验证DGPOC方法的有效性.实验结果表明： DGPOC方法不仅可以实现变量马达摆角和蓄能器比例阀开度两个变量的解耦,提升变量马达转速控制的快速性及鲁棒性,而且能够降低系统的能量损耗.     

基于新型相似日选取和VMD-NGO-BiGRU的短期光伏功率预测

光伏功率预测在现代电力系统调度和运行中起着重要作用.针对光伏发电功率的多变性和复杂性,提出了一种基于新型相似日选取和北方苍鹰算法（Northern Goshawk Optimization, NGO）优化双向门控循环单元（Bidirectional Gated Recurrent Unit, BiGRU）的短期光伏功率预测方法.首先,利用斯皮尔曼相关系数选取主要气象因子,通过变分模态分解（Variational Mode Decomposition, VMD）将原始光伏功率和最大气象因子分解重构为一系列子信号.其次,通过构建新的评价指标筛选出相似日数据集,利用一组BiGRU建立以相似日子信号为网络输入的深度学习模型,并利用NGO对每个BiGRU网络的超参数进行有效优化.最后,对各子信号的预测结果进行综合,得到最终的光伏功率预测值.仿真结果表明,所提混合深度学习方法在预测精度和计算效率方面均优于其他方法.