多级并联模块化大温差换热机组运行特性

针对某末端大温差热力站和普通热力站运行数据进行了分析,同时对两种换热站的一次侧回水温度和二次侧实际热指标进行了数据拟合,最后,对大温差换热机组运行过程中真空度的维持情况进行了统计分析。研究结果表明,末端大温差压力站和普通热力站最显著的区别在于一次侧回水温度的大小不同。两种换热站的一次侧回水温度和二次侧实际热指标存在较好的线性关系。多级并联模块化吸收式大温差换热机组的使用,解决了地下热力站由于限高不易改造的难题,并且拉大了一次侧供回水温差,实现了低流量供热,大幅度提升了二次侧实际热指标,有效改善了末端热力站的供热效果。     

Matlab用于热力站能量控制系统仿真

采用二次侧供回水平均温度为热力站的被控参数，并对热力站能量控制系统的每个环节的传递函数做了详细的介绍，在此基础上用Matlab／Simulink对热力站的整个控制系统做了仿真，可以很直观地看出在室外温度变化时二次侧供回水平均温度的变化情况。     

改进的DDPG算法在机器人路径规划中的应用

深度强化学习(DRL)在连续控制问题中具有优异的性能,被广泛用于路径规划等领域.为了实现移动机器人在未知环境中的智能路径规划,提出了一个路径规划的模型,基于深度确定性策略梯度算法(Deep Deterministic Policy Gradient,DDPG)的自主路径规划模型.针对DDPG算法前期对环境没有先验知识,收敛速度慢和移动时会出现局部最优情况,提出了一种改进的DDPG算法.通过在DDPG算法中添加人工势场的引力场和斥力场,以加快收敛速度和移动机器人到达目标点的时间.对奖赏函数进行改进,增加直走奖励,以提高规划路径的稳定性.     

热力站供热调节方式的探究

本文对热力站供热调节方式进行了比较,提出以二次网供回水平均温度为被控参数,操作量为二次循环水流量,补偿信号为室外温度。二次网供回水平均温度随室外温度而变化,变化率(补偿度)可调,供回水平均温度给定的初始值可调,执行器是一用一备的变频调速循环水泵,变频下限限幅可调。此调节控制方法,被控参数选择合理,运行稳定可行,节能经济。     

不同散热末端耦合运行调节方法

针对目前集中供热系统热量提供的不准确和用户端的热力失调等问题,提出3种对不同末端用户进行耦合计算的方法.采用水力失调度和热力失调度作为判断依据,进而由综合失调度进行分析比较,并通过具体实例计算分析.结果表明:加权值计算方法耦合的一次侧运行调节公式更适合指导供热系统的运行调节.     

阳泉市热电联产工程简介

对阳采市热电联产工程做了全面介绍，着重分析了已实施的一期工程在热力站规模确定、位置选择上的得失，以及利用旧热力站与旧二次网带来的问题，最终得出适合阳泉山地地区城市的热力站的最佳规模。     

基于时空特征融合的端到端无人车控制

基于深度学习的端到端车辆控制器多是由二维卷积神经网络(2D convolutional neural netuark,2D CNN)训练得到的,因未考虑时间维度上的帧间运动信息,使得控制器的可解释性与泛化能力较差,而三维卷积神经网络(3D CNN)可以从连续视频帧中学习时空特征。深度确定性策略梯度强化学习(depth deterministic policy gradient,DDPG)常用于连续动作的控制优化,但DDPG算法仍存在采样方式不合理而导致的样本利用率低的问题。基于此,采用3D CNN与改进DDPG算法相结合的方法对车辆方向盘转角和速度进行预测。通过实车实验实现了车辆在所设置轨道上的自主驾驶,为基于深度学习和强化学习方法解决自动驾驶中的端到端控制问题提供了科学方法。     

基于强化学习的沥青路面长期性能养护决策方法

针对道路长期性能养护决策中庞大的数据分析问题，将深度确定性策略梯度(deep deterministic policy gradient, DDPG)强化学习模型引入到了养护决策分析中，将道路性能的提升及养护资金的有效利用作为机器学习的奖励目标，建立了一套科学有效的沥青路面长期性能养护决策方法，经过与DQN(deep Q-learning network)算法和Q-Learning算法进行对比，DDPG算法所需要的采样数据更少、收敛速度更快，表现更为优异，可有效提升道路服役性能的评估效率，对沥青路面多目标长期养护决策方案的制定起着重要的推动作用。     

具有优先级的深度确定性策略梯度算法在自动驾驶中的应用

深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法在自动驾驶领域中应用广泛,但DDPG算法因采用均匀采样而导致低效率策略比例较高、训练效率低、收敛速度慢等.提出了基于优先级的深度确定性策略梯度(priority-based DDPD,P-DDPG)算法,通过优先级采样代替均匀采样来提升采样利用率、改善探索策略和提高神经网络训练效率,并且提出新的奖励函数作为评价标准.最后,在开源赛车模拟(The Open Racing Car Simulator,TORCS)平台上对P-DDPG算法的性能进行了测试,结果表明相对于DDPG算法,P-DDPG算法的累积奖励在25回合之后就有明显提升而DDPG在100回合之后训练效果才逐渐显现,提升约4倍.P-DDPG算法不仅训练效率提升且收敛速度加快.     

无人职守热力站自动保护程序研究

目的:在无人职守运行条件下,基于站内自动控制,提出了城市供暖热力站站内发生运行故障时的全自动电气设备保护方案。方法:通过热力站自控柜对现场各种运行参数的采集以及对热力站内各种电气设备的控制。结果:在无人职守条件下发生故障时,热力站自控柜可通过程序自动保护站内各种电气设备,大大降低了设备损坏比例。结论:通过电子仪表采集现场信号及热力站自控柜处理,完全可以实现对热力站内各种电气设备的保护功能。     

基于新型直流牵引供电系统的变下垂控制策略

与传统交流制式牵引供电系统相比,基于模块化多电平换流器的中压直流(medium voltage direct current based on modular multilevel converter, MMC-MVDC)牵引供电系统具有电能品质高、供电距离远以及便于分布式可再生能源系统和储能系统接入等诸多优势。针对传统下垂控制下MMC-MVDC牵引供电系统中存在的输出电压跌落、功率分配不平衡问题,提出一种变下垂控制策略。该方法在传统下垂控制中引入下垂扰动量和电压补偿量,利用一致性算法根据各所输出电流得到下垂扰动量实时动态调节下垂系数实现负载功率在各所之间的均匀分配,同时各所输出电压的平均值稳定在额定值附近且偏移量较小。该策略在保证电能质量的同时提高了牵引变电所容量的利用率,在负荷突变时该系统也能较快地重新达到稳态,具备良好的动态特性。最后,在MATLAB/Simulink中搭建了两牵引变电所模型,将提出的控制策略与传统下垂控制进行对比,仿真结果验证了该策略具备较好均流特性的同时能够基本无差地跟踪输出电压参考值,保证MMC-MVDC牵引供电系统的安全、稳定运行。     

新型变电站电压无功综合控制算法

传统的基于区域图控制的变电站电压无功综合控制方法对短期负荷波动的抗干扰能力较差,为解决该问题本文提出了一种变电站电压无功综合控制算法数学模型,该算法模型由启动判据、负荷预测结果修正算法、动作判据、区域配合算法几个数学模型构成,文中给出了这些模型的数学表达式,并给出了这些数学模型怎样与超短期负荷预测结果相结合来实现地区变电站的电压无功综合控制的方法,采用该算法研制的设备的变电站的运行结果证实了该算法模型的正确性与优越性.     

面向IEC61850智能变电站的网络安全异常流量分析方法

为了保证智能变电站的网络通信安全和整个变电站的稳定运行,提出了一种基于机器学习k-means聚类算法的异常流量分析方法。根据智能变电站中过程层网络的特性,结合对IEC61850智能变电站专有GOOSE(generic object-oriented substation event)以及SV(sample value)协议的报文结构解析,使用了一种基于信息熵的特征选取方法对智能变电站正常工作时站内网络通信流量进行特征分析选择,利用k-means聚类算法完成了对异常流量的检测分析及其相关分析。相较于以往方法,文中方法对智能变电站的过程层网络流量信息的特征进行了选取,根据信息熵理论,完成了重要特征的选择和冗余特征的剔除,提高了聚类算法的效率,提高了对异常流量检测的准确性。     

计算传热学在控制算法研究中的应用

介绍了计算传热学在热工过程控制中的重要作用·给出了加热炉计算机监督控制系统和直接数字控制系统的算法和参数研究中的计算传热学应用实例·例如以热传导反问题的方法实现了SCC参数的辨识·研究了总括热吸收率在线动态补偿的基本算法,和提高模型精度的基本措施·提出了以炉子生产率和燃耗作为总括热吸收率在线动态补偿的依据·模拟表明,二者在算法上具有叠加性·此外,以计算传热学为基础,讨论了待轧策略和炉子优化控制的目标函数真实化问题·     

矿井移动变电站低压侧漏电保护

为了降低由供电问题造成的煤矿事故当中70%～80%的瓦斯事故,以矿井移动变电站低压侧漏电保护为研究对象,从研究、设计到检测过程详细分析了矿井移动变电站低压侧附加直流电源保护过程,对变电站起动前、后进行编程控制运用新设计、新控制方法。通过现场实验研究表明:系统整体性能优良、操作简便,运行稳定,能达到目前对煤矿移动变电综合保护的能力,对降低煤矿瓦斯事故具有保障作用。     

基于深度强化学习的无人机姿态控制器设计

为了能让四旋翼无人机的姿态控制器具有强大的目标值追踪与抗外部干扰的能力,提出了一种基于参考模型的深度确定性策略梯度的四旋翼无人机姿态控制器设计。该方法通过神经网络,将四旋翼无人机的状态直接映射到输出。本文的强化学习算法是结合深度确定性策略(deep deterministic policy gradient,DDPG)和深度神经网络所设计的。在DDPG算法结构中,进一步加入参考模型,规避控制量太大造成的系统超调,增强了系统的稳定性以及鲁棒性。同时,修改了强化学习中奖励的构成,成功消除了系统的稳态误差。经过研究实验表明,该控制方法可以对目标值进行快速地追踪且有着较强的鲁棒性,可见该控制器相比于传统的控制器,提高了其目标值追踪能力以及抗干扰能力。     

集中供热网智能控制方法研究

城市集中供热是现代化城市建设的重要措施之一．采用专家模糊控制方法实现了对热网各热力子站二次供水温度的控制．这种具有全局性优化性能的智能协调控制方法可对集中供热网实现整体控制;深入探讨了专家模糊控制方法和智能协调控制方法的设计．沈阳皇姑供热网的应用实例表明,该方法可实现全网内热量的合理分配,提高供热网的供热质量,达到稳定和均衡供热．     

基于DDPG算法的风力发电机变桨距控制研究

风电机组模型的不确定性以及风速等外部干扰严重影响风电机组输出功率的稳定性,基于准确风机参数的传统控制策略难以满足系统控制需求。因此,本文提出一种基于DDPG算法的风机变桨距控制器。借助强化学习仅需与环境交互无需建模的优势,以风机模型为训练环境,功率为奖励目标,变桨角度为输出,采用深度神经网络搭建Actor-Critic单元,训练最优变桨策略。采用阶跃、低湍流、高湍流三种典型风况对算法进行检测。仿真结果表明,不同风况下基于DDPG算法控制器的控制精度、超调量、调节时间等性能均优于传统比例-积分-微分控制器效果。