XiaoMi-AI文件搜索系统
World File Search System风电
基于KECA-GRNN的风电机组齿轮箱状态监测与健康评估
收稿日期 ： 2020-01-03 基金项目 ：国家自然科学基金（ 61763037 ）；内蒙古自然科学基金（ 2019LH06007 ）；内蒙古自治区科技计划（ 2019 ， 2020GG0283 ） 通信作者 ：齐咏生（ 1975 —），男，博士、教授，主要从事风电机组状态监测与故障诊断方面的研究。 qys@imut.edu.cn
风电科技集团股份有限公司
运达电力是中国最早从事大型风电机组研发、设计、制造和服务的企业，是中国风电发展的先行者和创新者，是国家高新技术企业、国家创新型试点企业，拥有院士专家工作站、博士后科研工作站等一系列高端创新平台。运达电力深耕可再生能源领域五十余年，凭借优质的产品和技术服务，成为该领域的技术领先企业，是客户首选品牌。公司入选《财富》全球新能源企业500强、《福布斯》2022年中国可持续工业企业500强。
A Review of EEG-Neurofeedback 脑电神经反馈综述
脑电反馈是一种基于脑电图技术的无创脑刺激方法，通过脑机接口将脑电生理活动信号传送到计算机，将脑电活动的实时变化作为反馈刺激给予被试自身，帮助被试学习如何自我调节大脑活动。脑电反馈应用十分广泛，可作为精神疾病的辅助治疗、健康个体的认知能力提高以及作为脑电生理特征与认知功能相互作用的实验条件。为了对脑电反馈有一个清晰的认识，本文从脑电反馈系统的组成部分、脑电反馈方案的设计要素、脑电反馈的评价以及脑电反馈的机制理论四个部分对其进行了综述。
西营风电项目
West Camp Wind Farm, LLC（申请人）是 AES Corporation（AES）的间接子公司，该公司寻求批准两份单独的环境兼容性证书（CEC），用于 345 或 500 kV 发电连接输电线（Gen-Tie 线）、最多两个集电变电站以及一个开关站和线路分接头（统称为 Gen-Tie 项目）。申请人寻求根据 CEC 授权的 Gen-Tie 项目将支持申请人提议的 West Camp 风电场（风电场），该风电场的最大功率为 500 兆瓦（MW），电池存储设施的功率为 250 兆瓦，占地面积约为 52,500 英亩（风电场场地）。规划中的风力发电场场址位于亚利桑那州纳瓦霍县约瑟夫市西南约 10 英里处，如附件 A 的图 A-1 所示。一条发电机连接线将把风力发电场与现有的亚利桑那州公共服务公司 (APS) 输电系统连接起来，连接点可以是 Cholla 500 kV 变电站，也可以是通过现场开关站和线路分接头，该分接头位于基础设施选址区内 APS 345 kV Cholla-Mazatzal 输电线路附近（定义如下，如附件 A 的图 A-1 所示）。
新英格兰风电 LOA 申请
新英格兰风电项目的每个阶段都将使用项目设计范围（“范围”）进行开发和许可。这允许提议者正确定义和概括每个阶段的特征以进行环境审查，同时在选择关键组件（例如风力发电机、地基、海上电缆和 ESP）方面保持合理的灵活性。为了评估对各种资源的潜在影响和好处，考虑到每个阶段可能造成最大影响的范围参数，建立了“最大设计方案”或对该资源预期最大影响的设计方案。对于某些资源，这种方法高估了潜在的环境影响，因为最大设计方案不是提议者可能采用的方案。
Fox Meadows 风电项目
电池存储系统 该项目将寻求一个电池存储系统，该系统将从电网或项目充电，并在高峰需求时间放电。电池存储组件将包括电池模块、逆变器、变压器和能源管理系统。电池存储系统的加入将提高项目的灵活性和电网的可靠性。拟建电池的当前容量为 70 MW/216MWh，占地约 6 英亩。电池存储将放置在靠近项目变电站的位置，拟建变电站位于第 4 子午线以西第 4 区第 42 乡镇第 2 区东南部。项目变电站将包含一个升压变压器，它将在将项目电力输出到电网之前提高其电压。变电站还将包括断路器和用于维护现场的控制大楼。其他项目基础设施包括通道、收集线和气象塔。这些都显示在宣传册地图上。
大规模风电投资对...的影响
Torrens Island 333.0 1320 0.72 8 天然气蒸汽亚临界 AGL Pelican 287.6 529 0.48 1 天然气 CCGT Pelican Power Osborne 151.2 204 0.57 1 天然气 CCGT Origin Energy Quarantine 24.5 233 0.84 5 天然气 OCGT Origin Energy Ladbroke 22.9 100 0.66 2 天然气 OCGT Origin Energy Hallett 4.0 220 1.19 1 天然气 OCGT EnergyAustralia Mintaro 2.3 105 0.96 1 天然气 OCGT Synergen Dry Creek 0.8 171 1.36 3 天然气 OCGT Synergen Pt Stanvac 0.6 65 1.49 1 柴油压缩Lumo Angaston 0.4 50 1.01 1 柴油压缩 Lumo Lonsdale 0.2 21 1.49 1 柴油压缩 Lumo Snuggery 0.1 69 1.49 1 柴油 OCGT Synergen Port Lincoln 0.1 78 1.56 2 柴油 OCGT Synergen 屋顶光伏 116.5 800 0 - 太阳能可再生杂项风能 557.3 1700 0 13 风能可再生杂项从维多利亚州进口 52.6 800 1.12 - 褐煤蒸汽亚临界杂项
准确的风电预测对于具有高风电感知度的真正有效的电力系统至关重要。风电预测，正如
对于具有高风能感知能力的真正有效的电力系统来说，准确的风能预测非常重要。风能预测以及风力发电资源通过将风能转换为叶片的旋转能，再通过发电机将旋转能转换为电能来接收电能。风能随风速的立方增加。已经发展出许多常见的深度学习方法来实现风能预测。基于深度学习的方法被称为简单而强大的方法，近年来已用于风能预测并取得了一定的成功。然而，由于缺乏适当的特征选择过程，并且为了最大限度地减少用于风能预测的损失的影响，在处理多输入风能数据时需要大量计算，因此对可扩展性造成负面影响，从而影响风能预测时间。为了解决这些问题，在本文中，提出了一种称为同质点互信息和深度量子增强 (HPMI-QDR) 风能预测的方法。 HPMI-DQR 方法分为两个部分。在第一部分中，使用同质点互 (HPM) 特征选择模型设计了使用输入风力涡轮机数据进行稳健风力预测所需的信息和相关特征。在第二部分中，选择相关特征后，使用深度量子强化学习模型进行实际风力预测。为了验证所提出的方法，使用风力涡轮机 SCADA 数据集进行构建和测试。与使用传统技术相比，所提出方法的仿真结果显示，风力预测准确度提高了 13%，最短风力预测时间缩短了 25%，风能发电量提高了 20%，真实阳性率提高了 25%。此外，风力预测时间也有了显着改善，误差最小。