XiaoMi-AI文件搜索系统
World File Search System爬升
学习飞机运行因素以改善飞机爬升预测：一项大规模多机场研究
地面飞机轨迹预测是空中交通管制和管理的主要关注点。安全有效的预测是实施新自动化工具的先决条件。在当前的操作中，轨迹预测是使用物理模型计算的。它模拟作用在飞机上的力，以预测未来轨迹的连续点。使用这样的模型需要了解飞机状态（质量）和飞机意图（推力定律、速度意图）。大部分这些信息对于地面系统来说是不可用的。本文重点关注爬升阶段。我们通过预测一些未知的点质量模型参数来提高轨迹预测精度。这些未知参数是质量和速度意图。本研究依赖来自 OpenSky 网络的 ADS-B 数据。它包含该传感器网络检测到的 2017 年的爬升段。研究了 11 种最常见的飞机类型。获得的数据集包含来自世界各地的数百万个爬升段。爬升段未根据其高度进行过滤。使用机器学习方法从该数据集中学习返回缺失参数的预测模型。训练后的模型在一年的最后两个月进行测试，并与基线方法（使用 BADA 和前十个月计算的平均参数）进行比较。与此基线相比，机器学习方法降低了海拔高度的 RMSE
基于混合模型的 BESS 容量计算和控制，用于风能爬升率控制
摘要：本文提出了一种由动态平滑技术和粒子群优化技术组成的混合模型，用于优化电池储能系统的容量和控制，从而控制风能的上升率并提高电力系统的频率性能。在当今的现代电力系统中，高比例的可再生能源电网是不可避免的。这种高比例的可再生能源电网是在储能工具存在的情况下充分整合可再生能源资源的电力系统。储能工具被集成到此类电力系统中以平衡可再生能源的波动和间歇性。高比例可再生能源电网的要求之一是发电和负载之间的部分功率平衡。电力系统监管机构提出的要求之一是两个时间点之间的发电变化。电力生产商必须满足电网所有者设定的上升率要求。本文提出了用于电池储能系统初始尺寸确定的动态平滑技术和基于电池储能系统最佳容量和控制的粒子群优化技术，用于集成大量风能系统的电力系统的上升率控制和频率调节性能。使用了来自中国张家口风电场的风能数据。结果表明，电池储能系统改善了风电场的爬坡率特性。此外，电池储能系统的虚拟惯性能力使测试电力系统的瞬态和稳态频率响应显著改善。