“双碳目标”背景下,煤电机组将长期作为主力调峰电源,保障电网安全稳定。储热是提升煤电机组灵活性的重要手段,但煤电耦合储热系统的运行特性尚不明确,不同储热技术与煤电机组耦合适应性亟待研究。为此,该文构建600 MW煤电-90 MW显热/...“双碳目标”背景下,煤电机组将长期作为主力调峰电源,保障电网安全稳定。储热是提升煤电机组灵活性的重要手段,但煤电耦合储热系统的运行特性尚不明确,不同储热技术与煤电机组耦合适应性亟待研究。为此,该文构建600 MW煤电-90 MW显热/潜热/热化学储热3种耦合系统,详细考察系统储/释热过程调峰能力及热力学性能,并基于优劣解距离法(technique for order preference by similarity to an ideal solution,TOPSIS)综合评价,明确最优耦合方案。研究发现,储热过程,Ca(OH)_(2)/CaO热化学储热的调峰容量、调峰深度及?效率均优于热水及熔融盐储热,而释热过程熔融盐储热性能最优;通过TOPSIS综合评价法确定热储热方案均为抽取主蒸汽作为热源,最佳释热方案均为以#2高加进水为冷源,同时确定煤电耦合熔融盐储热为最佳系统耦合方案。相关研究结论可为构建煤电耦合储热调峰系统提供一定的理论和数据支撑。展开更多
热误差是影响高精密数控机床加工精度的重要因素。为了提高机床加工精度和性能,减少机床运行中产生的热误差,文章提出一种基于热图像的灰狼优化算法(grey wolf optimization algorithm,GWOA)和双向长短期记忆神经网络(bidirectional lon...热误差是影响高精密数控机床加工精度的重要因素。为了提高机床加工精度和性能,减少机床运行中产生的热误差,文章提出一种基于热图像的灰狼优化算法(grey wolf optimization algorithm,GWOA)和双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)混合的热误差预测模型。首先,采用热成像仪获取机床主轴区域的温度场信息;其次,利用DBSCAN聚类(density-based spatial clustering of applications with noise)算法和相关系数法筛选出温度敏感点;然后,通过模拟灰狼群体捕食行为,在参数空间中进行搜索以找到BiLSTM所需的最优参数;最后,使用获得的机床温度敏感点和热位移数据进行热误差预测,并在试验机床上进行验证。实验结果表明,使用GWOA优化BiLSTM神经网络的预测模型相比BiLSTM神经网络预测模型的均方根误差(root mean square error,RMSE)和平均绝对误差(mean absolute error,MAE)分别减小了约0.5180、0.3823μm,决定系数R^(2)提升了0.0578。与BiLSTM神经网络模型相比,利用GWOA优化后的模型具有更加优良的预测性能。展开更多
文摘“双碳目标”背景下,煤电机组将长期作为主力调峰电源,保障电网安全稳定。储热是提升煤电机组灵活性的重要手段,但煤电耦合储热系统的运行特性尚不明确,不同储热技术与煤电机组耦合适应性亟待研究。为此,该文构建600 MW煤电-90 MW显热/潜热/热化学储热3种耦合系统,详细考察系统储/释热过程调峰能力及热力学性能,并基于优劣解距离法(technique for order preference by similarity to an ideal solution,TOPSIS)综合评价,明确最优耦合方案。研究发现,储热过程,Ca(OH)_(2)/CaO热化学储热的调峰容量、调峰深度及?效率均优于热水及熔融盐储热,而释热过程熔融盐储热性能最优;通过TOPSIS综合评价法确定热储热方案均为抽取主蒸汽作为热源,最佳释热方案均为以#2高加进水为冷源,同时确定煤电耦合熔融盐储热为最佳系统耦合方案。相关研究结论可为构建煤电耦合储热调峰系统提供一定的理论和数据支撑。
文摘热误差是影响高精密数控机床加工精度的重要因素。为了提高机床加工精度和性能,减少机床运行中产生的热误差,文章提出一种基于热图像的灰狼优化算法(grey wolf optimization algorithm,GWOA)和双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)混合的热误差预测模型。首先,采用热成像仪获取机床主轴区域的温度场信息;其次,利用DBSCAN聚类(density-based spatial clustering of applications with noise)算法和相关系数法筛选出温度敏感点;然后,通过模拟灰狼群体捕食行为,在参数空间中进行搜索以找到BiLSTM所需的最优参数;最后,使用获得的机床温度敏感点和热位移数据进行热误差预测,并在试验机床上进行验证。实验结果表明,使用GWOA优化BiLSTM神经网络的预测模型相比BiLSTM神经网络预测模型的均方根误差(root mean square error,RMSE)和平均绝对误差(mean absolute error,MAE)分别减小了约0.5180、0.3823μm,决定系数R^(2)提升了0.0578。与BiLSTM神经网络模型相比,利用GWOA优化后的模型具有更加优良的预测性能。
