风力、光伏等新能源发电输出功率具有波动性,为减小功率波动对电网的影响,提出平抑功率波动的储能优化配置方法。将频谱分析和低通滤波相结合,根据新能源输出功率频谱分析结果,结合并网功率波动率约束、储能充放电效率及荷电状态(state ...风力、光伏等新能源发电输出功率具有波动性,为减小功率波动对电网的影响,提出平抑功率波动的储能优化配置方法。将频谱分析和低通滤波相结合,根据新能源输出功率频谱分析结果,结合并网功率波动率约束、储能充放电效率及荷电状态(state of charge,SOC),在频率波动范围内确定最佳的一阶低通滤波器的截止频率,得到经滤波和修正的并网联络线功率及储能充放电补偿功率,从而确定满足平滑出力运行控制需求的最优储能额定功率、容量和初始SOC。采用南京地区某屋顶光伏实测数据及波动要求,对该方法进行验证,结果表明采用此方法能以较小储能容量将光伏输出功率波动从27.3%降低到1.62%,且在整个周期内储能不会过充过放。展开更多
为了进一步提高玉米叶绿素含量的高光谱估算精度,该文测定了西北地区玉米乳熟期叶片的光谱反射率及其对应的叶绿素相对含量(soil and plant analyzer development,SPAD)值,分析了一阶微分光谱、高光谱特征参数与SPAD的相关关系,构建了...为了进一步提高玉米叶绿素含量的高光谱估算精度,该文测定了西北地区玉米乳熟期叶片的光谱反射率及其对应的叶绿素相对含量(soil and plant analyzer development,SPAD)值,分析了一阶微分光谱、高光谱特征参数与SPAD的相关关系,构建了基于一阶微分光谱、高光谱特征参数和BP神经网络的SPAD估算模型,并对模型进行验证;再结合主成分回归(principal component regression,PCR)、偏最小二乘回归(partial least squares regression,PLSR)以及传统回归模型与BP神经网络模型进行比较。结果表明:SPAD值与一阶微分光谱在763nm处具有最大相关系数(R=0.901);以763 nm处的一阶微分值、蓝边内最大一阶微分为自变量建立的传统回归模型可用于玉米叶片SPAD估算;将构建传统回归模型时筛选到的光谱参数作为输入,实测SPAD值作为输出,构建BP神经网络模型,其建模与验模R2分别为0.887和0.896,RMSE为2.782,RE为4.59%,与其他回归模型相比,BP神经网络模型预测精度最高,研究表明BP神经网络对叶绿素具有较好的预测能力,是估算玉米叶片SPAD值的一种实时高效的方法。展开更多
为给小麦的长势监测与农艺决策提供科学依据,利用高光谱技术实现了小麦冠层叶绿素含量的估测。通过分析18种高光谱指数对叶绿素的估测能力,筛选出可敏感表征叶绿素含量的指数REP,利用地面光谱数据为样本集,以最小二乘支持向量回归(least...为给小麦的长势监测与农艺决策提供科学依据,利用高光谱技术实现了小麦冠层叶绿素含量的估测。通过分析18种高光谱指数对叶绿素的估测能力,筛选出可敏感表征叶绿素含量的指数REP,利用地面光谱数据为样本集,以最小二乘支持向量回归(least squares support vector regression,LS-SVR)算法建立了小麦冠层叶绿素含量反演模型,其校正决定系数C-R2与预测决定系数P-R2分别为0.751与0.722,在各指数中反演精度最高。进一步分析表明,REP对叶绿素含量以及LAI值较高与较低的样本均具备良好的预测能力,可有效避免样本取值范围以及冠层郁闭度等因素对叶绿素含量估测的影响。利用LS-SVR反演模型完成了OMIS影像叶绿素含量的遥感填图,并以地面实测值进行检验,其拟合模型R2与RMSE值分别为0.676与1.715。结果表明,高光谱指数REP所建立的LS-SVR模型实现了叶绿素含量的准确估测,可用于小麦叶绿素含量信息的快速、无损获取。展开更多
文摘风力、光伏等新能源发电输出功率具有波动性,为减小功率波动对电网的影响,提出平抑功率波动的储能优化配置方法。将频谱分析和低通滤波相结合,根据新能源输出功率频谱分析结果,结合并网功率波动率约束、储能充放电效率及荷电状态(state of charge,SOC),在频率波动范围内确定最佳的一阶低通滤波器的截止频率,得到经滤波和修正的并网联络线功率及储能充放电补偿功率,从而确定满足平滑出力运行控制需求的最优储能额定功率、容量和初始SOC。采用南京地区某屋顶光伏实测数据及波动要求,对该方法进行验证,结果表明采用此方法能以较小储能容量将光伏输出功率波动从27.3%降低到1.62%,且在整个周期内储能不会过充过放。
文摘为给小麦的长势监测与农艺决策提供科学依据,利用高光谱技术实现了小麦冠层叶绿素含量的估测。通过分析18种高光谱指数对叶绿素的估测能力,筛选出可敏感表征叶绿素含量的指数REP,利用地面光谱数据为样本集,以最小二乘支持向量回归(least squares support vector regression,LS-SVR)算法建立了小麦冠层叶绿素含量反演模型,其校正决定系数C-R2与预测决定系数P-R2分别为0.751与0.722,在各指数中反演精度最高。进一步分析表明,REP对叶绿素含量以及LAI值较高与较低的样本均具备良好的预测能力,可有效避免样本取值范围以及冠层郁闭度等因素对叶绿素含量估测的影响。利用LS-SVR反演模型完成了OMIS影像叶绿素含量的遥感填图,并以地面实测值进行检验,其拟合模型R2与RMSE值分别为0.676与1.715。结果表明,高光谱指数REP所建立的LS-SVR模型实现了叶绿素含量的准确估测,可用于小麦叶绿素含量信息的快速、无损获取。
