负荷情况（精选七篇）
负荷情况 篇1
锅炉在生产过程中, 一般都会对运行参数进行设置, 取得也是调查数据的平均值或多数值。但是, 在实际应用中, 由于受到企业规模、技术条件、生产能力等的限制, 锅炉会存在负荷波动运行的情况, 需要根据用户的实际情况进行负荷调节, 这也就是锅炉变负荷运行的原因。通常情况下, 锅炉低负荷运行时, 与额定负荷相比, 内部吸热面的蒸汽参数以及吸热量都会有所降低, 同时排烟温度下降, 排烟的热损也会随之减少, 可能会使得锅炉的运行效率得到一定的提升;而高负荷运行时则恰好相反, 排烟温度和排烟热损会升高, 虽然可以提高汽轮机的工作效率和功率, 但是锅炉自身的效率难以保证, 如果温度超标, 还可能造成过热器和再热器的损坏。同时, 锅炉在变负荷运行时, 由于负荷的变化, 会导致燃料的消耗产生相应的趋势变化, 需要对燃料的效率进行重新计算。
2 锅炉的炉膛热量分布
炉膛热流量, 是电站锅炉的重要设计参数之一, 主要是由锅炉炉膛受热面积和输入热量所决定的。如果锅炉属于大功率锅炉, 炉膛内部空间较大, 会导致燃烧的不均匀分布, 同时烟气沿程的温度变化剧烈, 炉膛内部分区域的局部温热流量会超过平均热流量, 甚至可以达到数倍以上, 而热流量的分布不均会影响锅炉的工作效率。通常情况下, 在对炉膛的局部热流量进行分析时, 可以结合经验分布系数进行计算, 从而对锅炉的顺循环动力进行校验, 对受热面的管壁温度进行确定, 还可以对其结构材料进行选择, 其意义和作用都是十分巨大的。
而随着科学技术的进步和电能需求的增大, 火力发电厂也获得了发展, 出现了大容量机组和新型的燃烧方式, 一方面促进了电厂效率的提高, 另一方面也使得炉膛热流量呈现出新的特点。对于超高参数的锅炉而言, 工质温度的提高, 会导致蒸汽蒸发管的管壁温度同时提高, 提高的范围在40℃~100℃之间, 而超临界压力直流锅炉的蒸发管工质温度则会随着流程不断增加, 对炉内的辐射散热会产生一定程度的影响, 在这个方面, 与自然循环汽包炉炉膛的受热面工质温度始终维持在饱和温度范围内存在着明显的差异性。另外, 现代的大容量锅炉, 采用的是新型的低氮氧化物燃烧技术, 可以对烟气中的氮氧化物进行控制。其主要技术手段是, 通过对空气注入时间的延迟, 是煤粉在初始燃烧阶段可以得到充分的燃烧, 随即从锅炉的两个喷口注入空气, 确保燃烧的充分性和彻底性, 利用空气分级控制的方式, 对燃料的燃烧分布进行调节, 保证燃烧分布的均匀性, 从而起到降低初始火焰温度, 减少氮氧化物生产的目的, 同时也会在一定程度上改变炉膛的热流量分布。
3 实例分析
3.1 试验对象
这里选取某火力电厂的一台亚临界自然循环汽包炉为对象, 对炉膛热流量分布情况进行分析。该锅炉为燃煤锅炉, 型号为DG1000/170-I, 试验使用烟煤, 配备钢球磨粉机中间储仓式制粉系统以及配套的燃烧器。炉膛每个角都设计有6个一次风口和8个二次风口, 炉膛截面尺寸15.213m×13.125m, 对热流量的测量使用平板固定式热流计, 使用相应的计算机数据信息采集系统, 对燃烧过程中的温度数据等进行实时采集和记录, 并通过相应的公式对热流量进行计算。
3.2 试验结果
在151.3~275.6MW的范围内, 对锅炉进行了变负荷运行, 同时对不同运行方式下的热流量进行了测量, 选取其中数个点的测量结果, 对锅炉在不同负荷运行状态下的炉膛热流量分布情况进行分析, 主要分析其沿炉膛高度的变化规律, 经过分析可以知道, 在上述功率变化范围内, 炉膛热流的测量值在18.7~242.7k W/m2之间变化。测量数据如下:
3.3 结果分析
通过对上表数据的整理, 运用相应的公式, 对平均热流量的分布系数进行计算, 同时得出系数岁相对高度的变化趋势, 如下:
可以看出, 当锅炉变负荷运行时, 平均热流量分布系数存在较大的差别。通过对比, 低负荷运行时热流量的分布不均匀性较高, 则表明锅炉负荷对于炉膛热流量的分布有着明显的影响。
4 结论
(1) 炉膛热流量是高度和锅炉负荷的函数, 同时受到燃烧方式和相关运行工况的影响, 切随着炉膛高度的升高, 运行工况的影响会逐渐减弱; (2) 在不同负荷下, 炉膛热流量的分布规律存在明显差异, 负荷越高, 热流量分布越均匀, 反之亦然; (3) 炉膛热流量的分布受燃烧技术的影响, 会随着燃烧技术的变化而不断变动。
参考文献
分析运动生理负荷和运动负荷 篇2
1、运动性生理负荷
1.1、概念
运动性生理负荷指的是人体在进行体育运动的过程中,身体系统的内部机能状态发生改变的量。在特定的体育活动当中,人体通过有意识的变换体位与姿态,主动形成了一种刺激方式,进而使得人体机能系统内部也在不断地发生变化,这个因体育运动而产生的额外生理负担,就被称为生理负荷。并且,随着主动的体育运动时间增加,机能状态改变量的累积也就随之逐渐增多。由于生理符合与体育运动之间的联系较为紧密,所以生理负荷也被称为“运动生理负荷”。
1.2、表现形式
运动生理负荷的总值取决于在人体进行体育运动时生理机能的状态指标,与人体安静时生理机能状态的指标。人体在运动与安静之间表现出来的生理状态指标差,就是我们所说的运动生理负荷量。在安静时,人与人之间表现出来的生理状态指标就存有差异,所以在体育运动中所表现出的运动生理机能指标相应会存有差异,进而反映出的运动生理负荷也就不同。因此,在体育运动当中所安排的运动负荷应该按照人体机能的不同来制定不同的方案。在实际的体育运动当中,人体的运动状态时急时缓,时间也是长短不等,因此表现出来的运动生理负荷量自然也会忽大忽小。总的来说,其表现形式分为两种:一是瞬时生理负荷。这种形式是指某一时间段内产生的生理负荷,其值的变化取决于运动状态的激烈程度与否。运动状态越为激烈,对于人体机能产生的影响就越大,自然人体机能状态进行的变化也就越大,生理负荷也会随之增大;二是时段生理负荷。这种形式是指在某个时间段以内,人体机能状态指标的变化量,也是瞬时生理负荷经过时间进行的积累量。瞬时生理负荷的量越大,时间段越长,那么生理负荷也就越大。
1.3、衡量指标
(1)生理测定指标:血压、呼吸频率、肺活量、心跳、脉搏等;
(2)生化指标:尿蛋白、血乳酸等;
(3)心理负荷指标:人体在运动中承受生理负荷时,心理也会随之有所变化,会产生运动后感觉(如不累、累、很累、精疲力尽)与生理、生化指标密切相关。
2、运动负荷
2.1、概念
运动负荷指的是在一定时间内,对人体活动构成的定量描述,它的多少取决于运动的时间以及状态,运动的时间越长,那么运动负荷自然也就越大。基本上讲,对运动状态产生影响的因素分为以下几种:
(1)运动强度。
运动强度是指在一定时间内所用的功。在很多的周期性练习当中,比如跑步、游泳等,都是以人体最快速度的百分比来表示运动强度,而这个值的大小直接影响到瞬时生理负荷的大小。在实际的体育训练当中,目的是为了训练的质量,提高时段性生理负荷,因此不会在练习当中要求最大的运动强度。通过人体最大强度的80%-90%进行日常基本训练,就能有效提高训练质量。在非周期的训练当中,运动强度以负荷的质量与单位时间内负荷的数量进行参数的衡量。
(2)运动数量。
这个概念是指在单位时间段内完成运动练习的次数、距离以及质量,既可以反映训练内容的安排情况,也能反应进行不同训练内容的量。对运动数量进行研究以及分析,能够对运动训练的改善起到帮助,同时能够反映训练的着重点,以便加强训练质量。
(3)运动密度。
这一概念指的是训练的时间与总时间的比率。在常规运动训练当中,训练内容与下一个训练内容之间需要一定的过渡时间,可通过改变训练内容或方式来缩短训练内容间的过渡时间。但是在实际训练当中,为了使下一个训练内容质量更高,内容完成度更加流场,训练内容间最好还是安排一定量的过渡时间,以便人体得到精神上与生理上的放松。过疏的运动密度会使运动质量下降,过密的运动密度会导致人体受到生理机能层面的伤害。
3、运动生理负荷与运动负荷的关系
两者表现出来的意义不同,概念不同,所代表的变化量也不同,但是,两者间却有紧密不可分割的联系。在体育运动当中,人体接受了运动负荷后,自然会引发生理机能的变化,这一点是客观存在的。因此在实践当中,通常要通过运动生理负荷的指标来衡量运动负荷量的多少。
一般来说,运动负荷对于人体来说是一种主动的刺激行为,这种刺激的出现,必然会对人体内部生理系统产生变化,随着时间的推移,运动负荷的不断增强,运动生理负荷也就相应的不断增加,两者相辅相成,互相推进。所以,运动生理负荷与运动负荷在时间上有着绝对的统一性,即一方增加,另一方必然增加。当一次体育运动结束之后,运动生理负荷不再增加,但身体机能内部却自发产生改变来调整运动后的影响,因此运动生理负荷在衡量的标准上较运动负荷有一定的延迟。
参考文献
[1]凌超超.浅析运动生理负荷和运动负荷[J].山西师大体育学院学报,2000.
负荷情况 篇3
电力系统中的负荷特性分析是电力管理部门的一项重要工作,正是由于电力负荷会受到各种随机因素尤其是气候方面的影响,使得这些随机因素与负荷之间的关系存在不确定性和难预测性,进而导致诸如负荷预测存在误差等情况的发生[1]。
研究负荷特性的最终目的就是希望确定出能描述负荷用电特性的数学方程以及其中的参数,即是完成负荷建模的工作。但这一工作面临着两个重要问题:(1)从空间角度上来说,电力负荷在地域上的排布相当密集,随着电网规模的不断升级,即使在一个省级电网中也有数十乃至上百个220 k V的变电站,各个变电站的负荷构成会使其综合表现出的负荷特性存在差异。(2)从时间角度上来说,即使是对于同一个变电站,其负荷构成会随时间发生变化,也会导致在不同的时间段呈现不同的综合负荷特性[2]。
然而从工程应用方面来看,在同一电网所采用的综合负荷模型应尽可能的精简,这就使得在精确负荷建模和实际工程应用之间存在着突出矛盾。所以在研究负荷特性过程中,应该在影响负荷的诸多因素中抓住主要矛盾,通过把负荷特征接近或相似负荷归并为一类来进行研究分析。
本文在研究过程中仅考虑气象因素中温度对负荷的影响,选取了莫愁湖变和殷巷变作为两种典型负荷进行分析,并在此基础上利用模糊算法对32个变电站进行了归类。
1 气温对负荷特性的影响
1.1 南京电网负荷特性的描述
南京市属于亚热带气候,年温差较大。它三面环山,具有典型的“热岛效应”,闷热天气较多,湿度较大。居民生活用电负荷、农村生产排灌用电负荷具有明显的季节波动特点,在多数情况下,直接影响系统峰值负荷的大小和出现时间。尤其是随着取暖器、空调、电风扇之类家用电器日益广泛地使用,居民负荷变化对系统峰值负荷变化的影响越来越大。商业部门越来越广泛地采用空调、电风扇、制冷制热设备等,使得商业用电负荷也同样具有季节性变动的特性,并且这种趋势正在增长。相对来说,大多数工业负荷一般都受气候影响较小[3]。
1.2 数据的获取以及初步处理
本文处理的数据是2010年7月份南京电网32个变电站的实测数据以及7月份南京市区的气象数据。变电站的数据每隔5 min测取一次获得的,时间间隔较短,所以近似认为每日288个数据中的最大值就是当日的最大负荷。
1.3 负荷与气温的敏感度分析
相关系数r是描述变量之间相关程度的指标,其变量X和Y之间的相关系数计算公式如式(1)所示。相关系数的绝对值越接近1,说明两变量间相关越密切;若越接近于0,则相关越不密切。通常情况下,认为当|r|>0.8时,两个变量之间有较强的相关性[4]。
式中,xi、yi分别是X和Y的第i个分量,x、y分别是X和Y中分量的平均值。
本文分析负荷与温度的相关性时,负荷分量就是每天的负荷,气温分量就是每天的气温数据,根据式(1)可以分别计算出莫愁湖变和殷巷变所供给的负荷与气温的相关系数r,结果如表1所示。
表1中L1代表莫愁湖变的负荷,L2是殷巷变的负荷,Tmax、Tmin和Tavg分别代表最高、最低和平均气温。
根据表1中数据所示,莫愁湖变的负荷与气温成正相关,而且日最大负荷与最高气温以及最小负荷与最低气温之间的相关系数均大于0.8,表现出该变电站供给的负荷大小与气温有很强的相关性。这与实际情况是吻合的,因为莫愁湖变地处南京市区,主要为周围的居民负荷、第三产业以及企事业单位办公楼用电,在高温天气时,这些地方的空调负荷大大增加,使得总负荷量也明显上升。
本文取出7月最大气温数据和莫愁湖变的负荷数据,形成气象敏感负荷与气温因子的一一对应序列。图1就是莫愁湖变日最大负荷与日最高气温散点图。由散点图的趋势可以看出,温度和负荷的拟合关系较好,呈现出线性相关性,利用Matlab平台,建立线性回归模型,可以拟合出负荷与气温之间的回归方程:
利用相同的分析方法,可以对殷巷变负荷对气温的敏感度进行分析。因为殷巷变处于南京市江宁区,主要供给的是江宁开发区工业用电。由于部分工厂在周末停产,使得这阶段的负荷量锐减,所以这些天的负荷数据不适合用来表征其负荷特性,所以只对工作日的数据进行分析。表1中关于殷巷变的结果就是工作日的负荷与气温间的相关系数。正是因为殷巷变主要供给的是工业用户,其负荷随温度变化的波动性不大,所以使得负荷与气温之间并没有明显的相关性。由图2也可以看出,该变电站供给的负荷是由相对固定的基荷组成,负荷量与气温没有明显关联。
1.4 温度累积效应带来的影响
温度累积效应是指持续高温情况下目标日之前若干日气温对目标日的负荷具有比较明显的影响,表现为在持续低温或高温天气状况下,负荷出现一定程度的反常增长。南方地区夏季温度累积效应尤为明显。究其原因主要是人体感官对温度变化有一个适应的过程,使城市降温负荷滞后于气温增加而上升,另外持续的高温会使地表吸收的热量不断增加使得室内气度也不断上升[5]。例如同等温度(如37℃)下,连续数日最高气温出现为此温度和某一日气温陡然增高至此温度,其负荷值会有明显的差异。随着高温天气的持续,会出现负荷值明显持续升高的现象,使用常规的负荷预测方法会产生比较大的误差。因此,必须对这种现象进行研究,以期提高高温持续天气的负荷预测精度。
由于温度积累效应一般出现在夏季持续高温天气,参考文献[6]给出持续高温天气的定义如下:当某日日最高气温为T时,则该日为一个高温日,连续5日及以上的日最高气温为T时,为持续高温天气。其中T代表某一温度数值。不同的地区可能对应不同的T,即使在同一地区,T也可能随时间的变化而变化。由1.3节的相关性分析中可知,日最大负荷与日最高气温有着强相关性,所以本文着重研究日最高气温对日最大负荷的累积效应。通过分析南京地区2010年7月份的气温数据,选取T为30℃,认为若某日的最高气温高于30℃,则该日的最高气温会对后面几天的最大负荷造成影响,若某日的最高气温不足30℃,则该日的最高气温不会对后面的最大负荷产生影响。由于某日的高温不会一直地影响以后的负荷,所以对于某日的最大负荷,本文仅考虑前三天的累积气温,若前三天中有最高气温高于下限温度T的,则考虑其影响,对于最高气温低于下限温度T的,认为影响因子为0。取7月26～30日的数据,计算出这些天的等效温度,结果如表2所示。
这样就可以建立起一个等效温度模型:
其中,Teq为等效温度;Tm为当日的最高气温;TΔ为累积气温;α、β分别是日最高气温和累积气温的加权系数。
这样对于莫愁湖变,用Teq作为已知变量,使拟合函数的形式为:
式中,a和b是线性拟合方程的待定系数。
将式(3)代入式(4)中,可以进一步化简得到:
通过利用最小二乘法解超定方程组的方法可以求解出aα、aβ及b的值,最后拟合的方程是:p(T)=6.685Tm+0.814TΔ-32.938。
计算等效气温与负荷间的相关系数,结果如表3所示,可以看出通过考虑温度累积效应,可以建立更加精确的负荷-气温回归模型。
2 基于模糊聚类算法的负荷分类
2.1 模糊C均值(FCM)聚类算法
给定数据集X={x1,x2,…,xn},其中每个元素包含p个属性。模糊聚类就是要将X划分为C类(2≤C≤n),V={v1,v2,…,vC}为C个聚类中心,其中vi与xi结构相同。在模糊划分中,每一个样本点不能严格地划分到某一类,而是以一定的隶属度属于某一类。
令uij表示第j个样本点属于第i类聚类中心的隶属度:
式中,1≤j≤n,1≤i≤C。式(6)是隶属度矩阵所需满足的条件。
两个样本之间欧式距离为:
其中,vik和xjk分别是第i个聚类中心和第j个数据的第k个属性分量。
此处选取模糊指数m为2,则模糊C均值聚类的目标函数J为:
d2ij是样本xj到聚类中心vi之间的欧式平方距离。
模糊C均值算法就是求在满足式(6)的情况下,求取目标函数J的最小值。这是明显的有限定条件的函数求极值,所以采用拉格朗日乘数法。
首先,目标函数J在式(6)下的条件极值可以表示为:
其中,λ为常数。
目标函数J的两个一阶偏导数为:
根据拉格朗日乘数法,函数J取得极值的必要条件是式(10)和(11)都等于0,这样就可以得到隶属度矩阵和聚类中心矩阵的迭代公式:
模糊C均值聚类算法的思想是迭代调整(U,V),使得目标函数J最小。具体步骤大致见图3。
首先根据实际情况,确定需要划分的聚类数目C,模糊指数m,输入待分类数据集X,然后初始化聚类中心矩阵V0,令迭代次数为L,每次迭代时,由UL-1计算出新的隶属度矩阵UL,然后根据式(13)更新聚类中心矩阵VL,这样经过多次迭代后,当|UL-UL-1||小于预先设定的ξ时,认为迭代结束,根据此时的隶属度矩阵把每个数据划分到相应的聚类中心里去。
2.2 利用FCM对负荷分类
模糊C均值聚类算法其实质是把样本之间欧氏距离最短的样本分为一类[7],这样可能出现某两个变电站7月份的负荷随气温变化的波动性相似,应该被分为一类,但由于两者负荷的大小差距明显,反而使得两者间的欧式距离变大,使得分类结果不合理。鉴于此,本次研究中,需利用式(14)对这些变电站的数据进行标准化处理:
式中,设xij为第i个变电站第j天的最大负荷,xi max和xi min分别代表第i个变电站31天最大负荷里的最大值和最小值。
用标准化公式将变电站的数据压缩在[0,1]闭区间内,使得每个变电站样本的属性只表示其负荷大小随气温变化的波动性。
因这32个变电站同在南京地区,所以本次研究认为它们每日的气象数据相同。那么可根据32个变电站31天的负荷波动性对其进行分类,也就是说把每个变电站的数据作为一个样本,各变电站31天的数据作为该样本的31个属性。此处略去隶属度矩阵结果,只列出最后的分类结果,如表4所示。
注:1—东阳变2—钟山变3—尧化门变4—龙山变5—大定坊变6—六合变7—溧水变8—盘城变9—莫愁湖变10—殷巷变11—板桥变12—晓庄变13—下关变14—中央门变15—古柏变16—五总降变17—三总降变18—槽坊变19—汊河变20—双闸变21—仙鹤变22—高桥变23—大胜关变24—高旺变25—扬石变26—苏庄变27—梅钢变28—经港变29—华科变30—山江变31—桃花变32—沿泰变
选取其中龙山变和大定坊变两个来进行分析。这两个变电站在此分类算法中被分在同一个类别中,图4是龙山变电站和大定坊变电站31天最大负荷的波动性曲线,把两条曲线进行比较可以发现,尽管这两个变电站的负荷差距略大,但曲线变化趋势相近,说明这两个变电站有相近的负荷特性,所以把两个变电站分为一类较为合理。
3 结语
随着电网规模的升级,电力研究者需要对越来越多负荷进行建模,对负荷特性相近的变电站进行分类的重要性显得更加明显。本文就夏季城市中典型变电站负荷特性受气温的影响进行了分析,并采用相关分析法、画散点图法以及回归理论对负荷数据和气象数据进行分析。而后考虑了温度累积效应对负荷特性的影响,所建立的模型清晰、实用,有利于电力工作人员更好的掌握电力负荷特性的规律。最后,本文采用模糊C均值聚类算法对南京市32个变电站进行分类,结果表明该算法具有较好的聚类性能,具有重要的理论和应用价值。在今后的研究工作中,如何准确地把负荷与其他气象因素联系起来以及采用更加有效的分类方法是值得深入研究的。
参考文献
[1]朱振伟.气象因素对电网负荷特性影响的研究[D].杭州:浙江大学,2008.
[2]李培强,李欣然,陈辉华,等.基于模糊聚类的电力负荷特性的分类与综合[J].中国电机工程学报,2005,25(24):73-78.
[3]姜勇.南京市居民夏季用电负荷特性分析[J].继电器,2003,31(4):24-26.
[4]朱振伟,方鸽飞,王国福,等.电网夏季气象敏感负荷特性分析[J].华东电力,2008,36(9):53-58.
[5]张凯,姚建刚,李伟,等.负荷预测中的温度热累积效应分析模型及处理方法[J].电网技术,2008,32(4):67-71.
[6]黎灿兵,杨朋,刘玮,等.短期负荷预测中考虑夏季气温累积效应的方法[J].电力系统自动化,2009,33(9):96-99.
负荷情况 篇4
电力负荷预测对于电力系统控制、运行和规划具有非常重要的意义[1,2]。电力负荷预测是电力生产部门的重要工作之一,准确的负荷预测有利于提高电力系统运行的经济性和可靠性。电力系统负荷的大小受到多种因素的影响[3,4],具有很大的随机性,无论从宏观的角度,还是从微观的角度都难以对其进行分析。长期以来,国内外学者对短期负荷预测的理论和方法作了大量的研究工作,提出了许多预测方法,如时间序列法、支持向量机算法、人工神经网络算法、极限学习机算法等。神经网络是描述非线性关系很好的工具[5],目前,基于神经网络[6]的智能负荷预测算法得到了较广泛的发展和应用[7,8]。支持向量机作为一种新的机器学习算法能够较好地解决小样本、非线性、高维数和局部极小点等实际问题,因而其在电力负荷预测中的应用研究也逐渐兴起[9,10]。
本文从短期负荷信号模型的角度出发,结合小波理论的多尺度分析特性,将电力系统历史负荷信号分解为不同尺度上的信号序列,然后用分解后的信号序列作为BP神经网络的输入训练样本对BP神经网络进行训练,建立起神经网路内部结构,用训练好的BP神经网络模型预测未来短期负荷不同尺度上的子序列,再通过小波重构还原得到未来短期负荷的预测值。
1 理论分析基础
1.1 负荷变化的连续频谱
电力负荷有逐渐增长和周期性2种基本变化趋势。在此基础上,影响负荷变化的主要因素包括:负荷构成、负荷随时间的变化规律、天气和气候的影响以及负荷的随机波动。根据负荷预测的性质可知,其基本变化规律可由线性变化模型和周期变化模型来描述。由于影响负荷变化的随机因素太多,因而难以精确描述负荷变化的数学模型。
在工程中,通常需要将其进行简化。单独的线性变化模型可以表示为:
式中:A0和B0分别为线性方程的截距和斜率;ε为误差。反映到“时频”特性上,该部分负荷可以用非周期分量来描述。
对每天同一时刻的负荷分量进行分析,发现负荷表现出24 h的循环变化特性。对负荷的日、周、年数据进行分析,均表现出了不同的周期变化规律,即各个分量均有不同的频率特性。相对负荷的整体周期变化而言,各个时刻的随机负荷分量则可以看成随机时间序列分量,反映到周期性上,可以用各种不同的频率信号来表示。在实际应用中,可以根据工程实际需求,进行以下假设:
(1)输入信号由衰减线性分量、衰减基波分量和有限个衰减谐波分量(包括整数次和非整数次)构成,即:
(2)输入信号由衰减线性分量加上稳恒基波分量和有限个稳恒谐波分量组成,即:
(3)输入信号由线性分量加上稳恒基波分量和稳恒整数次谐波分量组成,即:
在电力系统中一般将日变化频率定义为基波频率w1。
1.2 负荷变化的离散频谱
负荷变化的离散频谱只是工程上的一种近似,考虑到输入信号是高频带限的,可根据工程需求做以下假设:
(1)输入信号由稳恒线性、基波和有限个谐波分量组成,即:
(2)输入信号由稳恒线性、基波和整数次谐波分量构成,即:
上述分析表明,按照具体的负荷特性和指标要求,选择合适的输入信号分析模型,是设计负荷预测的第一步。因此,对电力负荷原始数据进行序列处理是负荷预测的重要基础。在预测前,用一定的数学手段将电力负荷分解为趋势项、周期变量项和随机模型,然后根据各种变量的特性,选择恰当的预测模型分别进行时序外推,将外推结果叠加,从而得到预测结果。
1.3 小波理论
1.3.1 连续小波变换
设函数Ψ(t)∈L2R,其傅里叶变换为Ψ(w)。当Ψ(w)满足容许性条件(7)时,称ψ(w)为一个基本小波或母小波。
将母小波Ψ(w)进行伸缩和平移,设其伸缩因子为a,平移因子为b,可以形成一组小波基Ψa,b(t),可对任意函数f(t)∈L2R进行连续小波变换:
式中:a,b∈R;a≠0;Wf(a,b)为连续小波变换系数;为的共轭运算。
可以证明,Ψa,b(t)的时频域窗口中心及半径均随尺度a的变化而伸缩。从式(8)中可以看出,原来的一维信号a、b经过连续小波变换之后,得到的是一个二维信号,这样对于分析信号的时频特性就更加方便了。
通过式(8)得到小波变化系数之后,又可以通过小波逆变换重构原始信号f(t),其重构表达式为:
1.3.2 离散小波变换
连续的小波变换一般只用作理论研究,在实际工程应用时,由于离散形式的数值计算更符合实际,因而离散小波变换(DWT)用的更广泛。通过将连续小波变换中的伸缩因子与平抑因子进行离散化,继而得到了离散小波。
取,b=nb0a0,m,n∈Z,将a,b代入式(8)中,得到表示形式如下:
由式(10)可推导出离散小波变换公式:
由此理论上已经证明了离散小波和连续小波一样能够无损地还原原始信号。
2 小波神经网络建模与实现
2.1 小波神经网络建模
由于电力系统负荷时间序列是典型的非线性非稳态序列,可以看做是多个频率成分的稳态序列的叠加,而小波分析具有多尺度分辨能力,能够有效地提取电力系统负荷时间序列不同尺度下的特征信息。根据Kolmogorov连续性定理,具有一个隐含层的前向神经网络能够对任意周期、非周期和线性、非线性函数做任意精度的逼近。基于以上特点,本文将小波分析与神经网络相结合,以实现对电力负荷的短期预测。
小波神经网络是一种典型的前馈神经网络,具有非平稳信号的全局学习能力和局部突变细节捕捉能力。由输入层、隐含层和输出层组成,其中隐含层可以有1层或者多层,如图1所示为本文采用的小波神经网络模型结构框图。
在给定了小波神经网络的层次结构后,需要对输入和输出样本进行网络训练,不断对网络权值及阈值进行学习与修正,使得网络的输入和输出满足给定的映射关系。整个学习过程分为2个步骤:第一步向神经网络输入学习样本,根据网络结构与前一个节点的阈值和权值,计算出所有神经元的输出;第二步是从网络的最后一层开始,向前修改各个阈值和权值,其修改值由计算得到的各个阈值和权值对总误差的影响确定。这2个步骤交替进行,直到网络收敛为止。
基于小波分析的负荷序列特征提取能力和神经网络学习能力,本文采用小波分析将负荷序列分解成多个子序列,用子序列作为输入训练样本来训练神经网络,再用训练好的神经网络预测各个子序列,通过小波重构实现对短期负荷预测。在训练神经网络时,将输入层、隐含层和输出层按子序列进行分类训练,使得整个神经网络对各个频率分量都能进行准确的学习和预测。
2.2 小波神经网络实现
利用小波变换对电力系统的负荷数据进行分解时,涉及到尺度选择的问题,即分解到多少层合适。如果分解到n层,则有2n个子序列。如果分解层数太小,得到的子序列比较粗糙,不能很好地将随机分量和周期分量分开,从而不能体现小波变换的优势。如果分解层数太多,得到的子序列数量很大,影响预测速度,本文对短期负荷预测进行4层小波分解。确定小波分解的层数之后,为每个尺度的小波子序列配置3个输入共12个输入节点,在隐含层为每个尺度设置5个隐含节点共20个隐含节点,输出对应4个尺度序列为4个节点。本文选择某市2012年6月10～15日负荷数据作为小波分析样本,每小时采样点数为3,将样本数据通过小波4层分解之后得到的子序列作为神经网络训练样本集。在训练好的神经网络算法中,将6月16日作为预测样本集对6月17日进行负荷预测。将6月16日样本数据经过4层分解后的各层次细节效果和逼近效果如图2和图3所示。
图2中,a0是负荷原始序列,a4是a0经过小波4层分解后的近似信号(低频部分),d1,d2,d3和d4分别为a0从尺度1到尺度4分解的细节信号(高频部分)。从4个尺度上可以看到,负荷序列经过小波分析之后,不同尺度对应着负荷序列不同的负荷变化频率,对负荷数据进行分解的尺度越小,得到的细节数据波动变化越剧烈,说明电力系统中的小负荷变化频繁,随机性强。同时可以看出,电力系统的基础负荷变动很平缓。从各分解子图上未能看到周期序列,是因为原始负荷是1个工作日内的负荷数据,没有周期性。从图3中可以看出,经过分解之后的逼近系数序列分量紧紧跟随着负荷曲线的变化趋势,可以认为这是负荷的平均趋势,细节序列分量d1～d4是负荷的不同频率的变化趋势。从细节序列中可以看出,较大负荷波动的情况并不频繁,相反,小负荷的波动却非常频繁。负荷的平均趋势与不同频率的变化趋势叠加之后,便得到实际的负荷变化曲线。
2.3 小波神经网络实现流程
(1)首先确定小波分解层数,根据小波分解层数确定每一层神经元个数。
(2)神经网络的训练就是不断地调整层间链接权值和各层节点阈值,因此在确定神经元层次和个数后,需要选择合适的学习速率和阈值处理函数。本文选用Sigmoid函数作为阈值处理函数,经过多次测试,最终选择学习速率为0.1,训练次数为200次,训练目标为0.001。
(3)选择一个具有正交性、良好紧支撑性、有高阶消失矩、良好正则性的小波函数,本文选择Daubechies小波系中的db2来对负荷数据信号进行小波分解。
(4)对电力负荷数据样本进行小波分解,然后对其进行归一化处理,以消除数据间数量级差异导致的误差,按照式(12)进行处理:
式中:xmin为样本数据中的最小数;xmax为样本数据中的最大数;xk为需要进行归一化的数据,为最终归一化得到的数据。
(5)将归一化后的子序列作为小波神经网络的训练输入样本对小波神经网络进行训练,构建小波神经网络模型。
(6)将需要预测的负荷数据进行小波分解,得到的子序列作为预测样本,将预测样本输入已经训练过的BP神经网络进行预测,得到预测子序列。
(7)将预测得到的子序列进行反归一化处理,然后通过小波重构预测负荷数据。
通过上面7个步骤可以实现短期负荷预测。如图4所示为小波神经网络对电力系统短期负荷进行预测的结果,图5为预测误差。
从图4中可以看出,采用基于信息分解模型的小波神经网络负荷预测算法能有效地进行短期负荷预测,并取得良好的效果。从图5中可以看出,利用小波神经网络对短期负荷进行预测,由于小波分解尺度受限,未能抓住负荷突变剧烈时刻的高频变化信息,导致这些时刻点的预测结果误差较大,达到了1 0%左右。大部分情况下的预测误差在10%以内,平均预测误差约为3.53%,其预测结果能够满足工程应用需求。
3结论
本文从信号频谱角度对电力系统日负荷信号特性进行了模型分析,根据负荷频谱特性,通过将电力系统短期负荷序列信息进行小波分解,得到含有不同频率特性的样本小波子序列。将分解得到的样本小波子序列作为小波神经网络的训练输入样本,构建小波神经网络模型对电力系统的短期负荷子序列进行预测,然后将预测得到的负荷子序列通过小波重构,最终得到预测的负荷数据。通过对实际预测结果进行分析,表明基于信息分解模型的小波神经网络预测电力系统短期负荷具有较好的预测性能。
参考文献
[1]张大海,比研秋,邹贵彬,等.小波神经网络及其在电力负荷预测中的应用概述[J].电力系统及其自动化学报,2004,16(4):11-15.
[2]SONG K B,BAEK Y S,HONG D H,et al.Short-term Load Forecasting for the Holidays Using Fuzzy Linear Regression Method[J].IEEE Transactions on Power Systems,2005,20(1):96-101.
[3]纪晓军,杨娟.基于小波变换的混沌神经网络在陕西电网短期负荷预测中的应用[J].陕西电力,2013,41(10):66-70.
[4]许涛,贺仁睦,王鹏,等.基于输入空间压缩的短期负荷预测[J].电力系统自动化,2004,28(6):51-54.
[15]刘梦良,刘晓华,高荣.基于相似日小波支持向量机的短期电力负荷预测[J].电工技术学报,2006.21(11):59-64.
[6]HSU H H,HO K L.Fuzzy Expert System:an Application to Short Term Load Forecasting[J].IEE Proceedings C,Generation,Transmission and Distribution,1992,139(6):471-477.
[7]QING L P,MIN Z.Very Short-term Load Forecasting Based on Neural Network and Rough set[C].Changsha;2010International Conference on Intelligent Computation Technology and Automation(ICICTA),2010.
[8]马小慧,阳育德,龚利武.基于Kohonen聚类和SVM组合算法的电网日最大负荷预测[J].电网与清洁能源,2014.30(2):7-11.
[9]吴宏晓,侯志俭.基于免疫支持向量机方法的电力系统短期负荷预测[J].电网技术,2004,28(23):47-51.
负荷情况 篇5
电压稳定性、频率稳定性和功角稳定性是系统稳定性的3个主要方面, 电压和频率作为衡量电能质量的重要指标, 其稳定性已得到国内外的广泛关注[1,2,3]。然而, 由于传统低频减载和低压减载装置还存在分散配置、缺乏信息交换、未考虑频率变化率等缺点, 在严重故障下可能造成负荷的过切或者欠切。几起国际上的大停电事故也说明了传统的减载方案在保障极端故障情况下电力系统的电压稳定性和频率稳定性方面还存在着一些不足之处[4,5]。
目前, 随着同步相量测量技术[6,7]在广域测量系统WAMS (Wide-Area Measurement System) 中的应用和不断发展, 已有不少学者提出了综合考虑电压和频率响应的自适应减载方案。文献[8]基于WAMS, 利用频率变化率获得系统有功缺额, 并根据所提出的电压稳定性指标VQS进行切负荷量的分配。文献[9]将实际有功缺额与系统能承受的最大有功缺额进行比较, 确定自适应减载方案的总切负荷量, 并利用导纳矩阵和电压相量构建了电压稳定性判别指标L以确定切负荷地点和切负荷量。文献[10]提出暂态电压稳定性判别指标VSRI, 并根据有功缺额的不同设计了2套自适应减载方案。文献[11]使用潮流追踪法, 利用频率偏移量和电压稳定性判别指标VQS分别确定负荷的有功切除量和无功切除量, 构建了综合考虑频率与电压响应的自适应减载方案。
然而, 上述方案的切负荷量计算过程往往过于复杂, 所需信息量大, 对通信技术的要求较高。另外, 上述方案没有充分计及感应电动机负荷对电压稳定性和频率稳定性的影响。通过文献[12-14]的分析可知, 当系统发生严重故障时, 感应电动机在负荷中所占比例越大, 系统越可能发生负荷电压失稳以及频率过高等问题。因此, 在充分计及感应电动机负荷特性, 综合考虑系统频率与电压响应的基础上进行切负荷极有必要[15,16]。然而, 如何得知节点负荷中感应电动机所占比例却是一个难题。
本文从感应电动机一阶等效模型出发, 推导了计及负荷无功功率变化和电压偏移程度的切负荷量分配指标, 该指标在物理意义上相当于负荷等效电纳变化量, 指标大小不仅能衡量不同负荷模型对暂态电压稳定性的影响程度, 同时还能反映感应电动机在该节点负荷中所占比例大小。本文利用该指标分配各节点的切负荷量, 构建了综合考虑系统频率、负荷电压及无功响应的自适应减载方案。
1 切负荷量分配指标
电力系统的电压稳定性问题与发电、传输系统以及负荷特性有着密切联系, 传输网络的强度和功率传输水平、发电系统无功和电压调节的限制、负荷和无功补偿设备的电压特性等共同决定着系统的电压稳定水平[5]。系统发生暂态电压失稳主要与系统传输能力受限和负荷特性的影响有关。目前, 随着感应电动机动态负荷的日益增加, 由负荷动态特性导致暂态电压失稳的可能性也随之加大[17,18,19]。本节将从感应电动机模型出发, 推导由负荷无功和电压变化量构成的切负荷量分配指标, 通过该指标来反映负荷特性对电压稳定性的影响。
图1为感应电动机一阶等效模型, 图中, U为机端电压;Rs+j Xs为定子阻抗;Rr/s+j Xr为转子阻抗, s为感应电动机转差率;Xm为磁化电抗;P+j Q为感应电动机吸收的功率。
根据图1, 忽略磁化电抗Xm, 可得感应电动机所吸收无功功率的表达式为:
式 (1) 中转差率s对应的转子运动微分方程如下:
其中, H为惯性常数;Tm为机械转矩;Te为电磁转矩, 其大小与U2成正比。
忽略式 (2) 中转差率s对机械转矩Tm和电磁转矩Te的影响, 当感应电动机机端电压U下降时, 电磁转矩Te将迅速减小, 导致转差率s增大;根据式 (1) 可知, 虽然无功Q随着U下降而减少, 但s增大会造成电动机无功功率在扰动初期减少后又迅速增加[13], 加剧电压失稳过程。因此, 转差率s的增加可以反映节点负荷暂态电压扰动大小和负荷稳定程度。然而, 在实际系统中, 负荷构成无法预测, 感应电动机的转差率变化也难以获得。故将式 (1) 等号左右同除以U2得:
如式 (3) 所示, 可通过测量Q/U2的变化 (可测量) 来反映转差率s (不可测量) 的变化, 进而反映暂态电压稳定性和负荷稳定性。Q/U2从物理意义上看相当于感应电动机的等效电纳, 本文即以等效电纳的变化量ΔQ/U2构成如下Y指标来进行切负荷量的分配:
其中, Y (t) 为扰动后t时刻的切负荷量分配指标大小;Q (t) 和Q (t0) 分别为扰动后t时刻以及扰动瞬间负荷吸收的无功功率;U (t) 和U (t0) 分别为扰动后t时刻以及扰动瞬间的负荷电压。Y指标与负荷吸收无功成正比, 与负荷电压的平方成反比, 在负荷无功需求增加或者电压跌落的情况下该指标将迅速增大, 扰动后, 节点的Y指标越大, 则该节点的暂态电压稳定性越差。
对于感应电动机, 将式 (3) 代入式 (4) 可得其Y指标为:
其中, s (t) 和s (t0) 分别为扰动后t时刻和扰动瞬间感应电动机的转差率。当s增大时, 相应的Y指标也增大。
电力系统的负荷中除了感应电动机, 还包括恒阻抗负荷、恒电流负荷以及恒功率负荷。由这3种负荷类型构成的节点负荷, 其有功、无功功率可用式 (6) 和 (7) 所示多项式模型 (ZIP模型) 描述:
其中, AP、AQ分别为恒阻抗负荷在该节点的有功和无功负荷中所占比例;BP、BQ分别为恒电流负荷所占比例;CP、CQ分别为恒功率负荷所占比例;U0为负荷的额定电压;P0、Q0分别为负荷的额定有功功率和额定无功功率。将这3种负荷模型的无功表达式分别代入式 (4) 可得, 恒阻抗负荷、恒电流负荷及恒功率负荷的Y指标分别如式 (8) — (10) 所示。
其中, RZ+j XZ为恒阻抗负荷的阻抗;Ic和sinφc分别为恒电流负荷的电流和阻抗角正弦大小;Qc为恒功率负荷的额定无功功率。
ZIP模型中, 恒功率负荷对电压稳定性影响最严重, 恒电流负荷次之, 恒阻抗负荷对电压稳定性影响最小。当系统发生扰动时, 恒功率负荷的Y指标与电压平方成反比, 恒电流负荷的Y指标与电压的一次方成反比, 恒阻抗负荷的Y指标始终为0。因此, 对于恒阻抗负荷、恒电流负荷以及恒功率负荷, 其对电压稳定性影响越大, 发生扰动时相应的Y指标也升高越快。
将ZIP模型与感应电动机比较, 由式 (7) 可知, 对于ZIP模型, 当电压跌落时, 其无功功率不变或者减少, 相应的Y指标增长较小;而对于感应电动机, 由前述分析已知, 其机端电压跌落时会造成转差率升高, 使得负荷所吸收的无功功率增加, 形成正反馈, 从而进一步加快电压跌落, 其Y指标增长迅速, 在相同故障下感应电动机的Y指标将大于ZIP模型的Y指标。
综上所述, 对于不同负荷模型 (感应电动机、恒阻抗、恒电流、恒功率模型) , Y指标大小差异明显。Y指标大小不仅能衡量不同负荷模型对暂态电压稳定性的影响程度, 还能反映感应电动机在该节点负荷中所占比例大小。扰动后负荷节点的Y指标越大, 则该节点的暂态电压稳定性越差, 即该节点应切除更多的负荷。
2 基于负荷无功电压响应的切负荷控制决策优化
当系统出现严重扰动时, 系统频率与负荷电压往往发生迅速跌落甚至崩溃, 而传统减载方案仅根据本地信息进行切负荷, 各减载装置间缺少信息交换, 减载后可能无法保障系统稳定性。因此, 设计一套综合考虑系统频率和负荷无功电压响应的自适应减载方案具有重要价值。本文基于切负荷量分配新指标, 构建了如下自适应减载方案。
2.1 系统有功缺额计算
当系统频率与电压跌落时, 通过WAMS将各发电机组的频率变化率传输到系统的控制中心, 控制中心按照式 (11) 即可计算扰动发生瞬间全网的实际有功缺额:
其中, i为各机组序号;N0为机组数量;ΔPi为第i台机组测得的有功缺额;Ti为第i台机组惯性时间常数;Si为第i台机组额定容量;fn为额定频率50 Hz;d fi/dt为第i台机组在扰动发生瞬间的频率变化率。
2.2 各节点切负荷量计算
系统需要切除的负荷量与全网有功缺额相等。若在全网进行切负荷, 在获得了全网有功缺额之后, 则可根据式 (12) 计算扰动后0.5 s (即t=0.5 s) 时各节点负荷的Y指标大小。此处0.5 s的延时设置一方面是为了保证负荷的电压和无功功率在该段时间内有一定的变化量从而使得不同负荷节点的Y指标有较明显的差异, 另一方面是为了与短路等故障造成的电压骤降相区别, 不影响继电保护装置的动作。而后, 根据式 (13) 将总切负荷量按一定比例分配到各个负荷节点。
其中, j为负荷节点序号;Yj (t) 为扰动后t时刻第j个负荷节点的Y指标;Qj (t) 和Qj (t0) 分别为扰动后t时刻和扰动瞬间第j个负荷所吸收的无功功率;Uj (t) 和Uj (t0) 分别为扰动后t时刻和扰动瞬间第j个负荷的节点电压;ΔPj为第j个负荷节点的切负荷量;N为负荷节点总数;可由WAMS实时获得。
然而, 全网切负荷方案并未充分考虑各负荷母线电压失稳程度的差异, 因此, 本文利用式 (14) 作为切负荷地点选择判据, 即将各负荷节点按照电压从小到大进行排序, 并且仅选择母线电压不高于0.9 p.u.的负荷节点作为减载地点。
其中, M为母线电压不高于0.9 p.u.的负荷节点总数。这M个切负荷节点的切负荷量由式 (15) 计算得到:
其中, k为各负荷节点序号;ΔPk为第k个负荷节点的切负荷量;Yk为第k个负荷节点在扰动后0.5 s的Y指标。
式 (14) 和 (15) 给出了切负荷地点选择和切负荷量计算的方法, 即本文所提出的自适应减载方案。该方案选择电压跌落严重的节点进行负荷切除, 并按照切负荷量分配指标 (Y指标) 的大小分配各节点的切负荷量, 充分考虑了负荷电压的时空分布特性, 能同时保障系统在严重故障下的暂态电压稳定性和频率稳定性。
3 算例仿真分析
3.1 失稳场景1
图2为IEEE 39节点系统, 系统各负荷节点所采用模型由感应电动机电磁暂态模型、恒阻抗模型、恒电流模型与恒功率模型并联构成, 仿真在电力系统分析综合程序PSASP (Power System Analysis Software Package) 上进行。失稳场景为31号机组在0.5 s时故障跳开, 损失有功520 MW, 并且6-11和4-14这2条输电线路同时跳闸。如图3所示 (图中电压为标幺值) , 该扰动将造成大面积电压崩溃, 并且由于电压快速跌落导致感应电动机发生堵转, 负荷有功功率迅速减少, 使得系统各机组频率升高至50.4 Hz, 且振荡过程中最高机组频率超过50.6 Hz (如图4所示) 。
3.2 Y指标分析
表1为该失稳场景下故障后1 s时, 母线8连接不同负荷模型时该节点负荷的电压偏移量 (标幺值) 、无功增量 (标幺值) 及相应的Y指标大小。
如表1所示, 对4种负荷模型进行比较可得如下结论。
a.恒阻抗负荷、恒电流负荷、恒功率负荷以及感应电动机负荷的电压偏移量绝对值依次增大, 吸收的无功功率也依次增大, 即不同负荷模型对电压稳定性的影响不同, 感应电动机对电压稳定性影响最大, 恒功率负荷次之, 恒阻抗负荷对电压稳定性影响最小。
b.4种负荷模型的电压偏移量虽有差别但并不十分明显, 而本文所提出的Y指标则可以明显区分出不同的负荷模型;从表1中可以看出, 发生扰动时, 感应电动机由于无功的增加, 其对应的Y指标要明显高于恒功率负荷和恒电流负荷, 而对电压稳定性影响最小的恒阻抗负荷, 其对应Y指标在扰动过程中始终为0。
图5为表1所对应的不同负荷模型的Y指标变化曲线, 易看出, 故障后Y指标变化迅速, 不同负荷模型的Y指标变化过程相差较大, Y指标大小不仅能反映不同负荷模型对电压失稳的影响程度, 还能反映各节点负荷中感应电动机所占比例。因此, 通过比较故障后各节点负荷Y指标大小则可快速筛选出对电压稳定性影响较大的负荷并对其进行控制。
3.3 减载效果对比
将本文的基于Y指标的自适应减载方案与按照负荷电压偏移量ΔU分配切负荷量的经典自适应减载方案进行比较。表2为4种减载方案的对比。表中, 方案1为本文的自适应减载方案, 即在负荷电压不高于0.9 p.u.的节点按照Y指标分配切负荷量;方案2在全网各节点按照Y指标分配切负荷量;方案3在负荷电压不高于0.9 p.u.的节点按照ΔU大小分配切负荷量;方案4为经典自适应减载方案, 即在全网各负荷节点按照ΔU大小分配切负荷量;ΔUj为第j个负荷节点的母线电压偏移量。4种方案均在扰动发生后0.5 s进行切负荷。图6—8为4种减载方案的控制效果对比图 (图中电压均为标幺值) 。
由4种方案的对比结果可以看出, 利用本文Y指标的切负荷方案 (方案1和2) , 其减载结果要优于利用负荷电压偏移量ΔU的切负荷方案 (方案3和4) ;局部切负荷方案要优于全网切负荷方案 (方案1优于方案2, 方案3优于方案4) 。
若采用方案4 (经典控制方案) , 则减载后全网平均负荷电压比故障前下降约10%, 而且局部地区仍会出现暂态电压失稳, 其中负荷母线31的电压为全网最低电压, 在故障后2 s内跌落至0.5 p.u.以下, 另外, 系统等效惯性中心频率将升高至50.45 Hz, 超出了系统正常运行所能接受的频率最高值。
方案1、2、3均能保障系统的暂态电压稳定性和频率稳定性。其中, 方案2 (利用本文Y指标的全网切负荷方案) 与方案3 (利用ΔU的局部切负荷方案) 效果相近, 说明利用Y指标即使是在全网进行切负荷量分配, 其减载效果也优于利用负荷电压偏移量在局部区域进行切负荷的方案, 表明Y指标在反映负荷电压稳定性方面优于ΔU指标。
另外, 方案1 (本文的自适应减载方案) 具有最佳的减载效果, 减载后全网平均电压能够迅速恢复到1.0 p.u., 负荷母线31的电压即全网最低电压能迅速恢复至接近0.9 p.u., 并且系统等效惯性中心频率波动在±0.05 Hz范围内。
3.4 失稳场景2
失稳场景为39号发电机在0.5 s时故障跳闸, 损失有功出力1 000 MW, 该故障将导致发电机频率降低和全网大面积电压崩溃, 而且由于电压的跌落使得频率在短时下降后迅速升高至50.5 Hz以上。采用如表2所示4种减载方案进行切负荷控制, 本文的自适应减载方案仍具有最佳的减载效果, 减载后全网平均电压能够迅速恢复到额定值, 且频率偏移量最小。此处限于文章篇幅, 故不再赘述。
4 结论
负荷情况 篇6
关键词：空调逐时负荷计算房间模型,EXCEL hhduct
建筑的能耗中, 空调系统的能耗占了很大的比重, 根据《公共建筑节能设计标准》GB 50189-2005的5.1.1明确要求, “施工图设计阶段, 必须进行热负荷和逐项逐时的冷负荷计算”, 在《夏热冬冷地区节能设计标准》及《公共建筑节能设计标准》对建筑物的节能要求中对节能后的建筑能耗有明确要求, 并提出对建筑空调系统的能耗要按动态的方式计算, 并提到空调设计手册的空调逐时负荷计算是动态计算的一种选择。本文是根据《空气调节设计手册》与《实用供热空调设计手册》 (以下均简称手册) 的公式, 结合E X C E L对数据的处理和分析功能, 通过建立空调逐时负荷计算房间模型, 将整座建筑各种功能房间的能耗计算简化为一个基本房间模型, 通过空调逐时负荷计算房间模型的能耗分析, 实现逐时负荷计算, 替代传统的手算, 并可结合EX-C E L的数据统计及分类比较等功能对计算结果的数据加以分析, 使设计人员对整个建筑的能耗有更全面的认识。
1 逐时负荷计算的概述
暖通专业的计算一般有逐时负荷计算、风管阻力计算、水管水力计算、防排烟计算等内容, 逐时负荷计算是暖通计算中比较复杂的部分, 一般要通过专业的计算软件, 或者通过查找手册中大量的表格数据进行手算.本文介绍了一种通过Excel的数据处理功能, 实现替代手算的一种尝试。
空调房间的总冷负荷一般有以下几种。
(1) 窗的辐射热和窗的传热冷负荷;
(2) 屋盖的传热冷负荷;
(3) 外墙的传热冷负荷;
(4) 人体、照明和设备的冷负荷。
其它冷负荷可以认为是稳定的, 各小时均等, 不必参加比较。
手册中有提到, 人体、照明和设备的冷负荷由于无确切资料, 也只能按稳定冷负荷计算。所以逐时负荷计算中最重要的就是围护结构的逐时负荷计算, 求出围护结构的综合最大冷负荷, 加上其它稳定的冷负荷。
2 空调逐时负荷计算房间模型的建立
由于围护结构包括窗、墙、屋顶、楼板、地面, 共同点是都和相应面积有关, 所以hhduct的负荷计算思想是通过EXCEL建立一个基表, 分别基于窗和墙建立单位面积的逐时负荷指标, 屋顶和地面, 楼板可以看作特殊的墙基表的延伸, 这样就形成一个基本的空调逐时负荷计算房间模型。
窗的得热主要是由太阳辐射得热+窗传热转化的冷负荷;墙的得热是通过墙体传热及辐射得热, 由于墙体的热惰性, 经过一段时间才会逐渐转化为室内有效的冷负荷。
为了解决窗及墙体的朝向对冷负荷计算的影响, 以及和手册中的各个朝向的参数表保持一致, 把房间的模型简化为一个有八个面 (北、西北、西、西南、南、东南、东、东北) , 上有屋盖H, 下有地面或楼板的模型, 任何形状的房间都可转化为这种基本模型进行逐时负荷计算, 根据手册中提供的数据建立每个窗或墙在不同朝向的单位面积逐时负荷分布, 不存在的面或不需要计算传热的面按其面积为0来考虑。计算时基本按有内遮阳考虑, 外遮阳由于计算比较复杂, 对减少房间的冷负荷是一个很有效的方式, 所以按没有外遮阳来计算的结果会保守些。不过具备外遮阳的面也可以建立相应的模型来分析, 分为遮挡部分和无遮挡部分, 遮挡部分的直射辐射为0 (图1、图2) 。
通过逐时负荷计算房间模型的建立, 将建筑物的逐时负荷计算转化为对几个基本逐时负荷计算房间模型的研究和计算, 逐时负荷计算房间模型的计算又转化为每一个基本面的逐时指标负荷的计算和分析。只要根据每个项目的具体情况将逐时负荷计算房间模型的每个面的技术资料加以分析完善, 衍生出具体的模型各个面的逐时负荷指标表, 在以后具体计算时只要调用相对的面模型数据就可以了。每个面, 也就是逐时负荷计算房间模型的围护结构, 由窗和墙组成, 通过手册中的相关表格的调用, 结合工程的室外气候参数和房间的室内计算参数, 就很容易得到单位面积 (门或窗) 一天的逐时热负荷。通过V B A可以获取C A D图纸中围护结构各个朝向窗与墙的面积, 综合计算后就可以计算出一个典型逐时负荷计算房间模型的建筑逐时能耗。如表1。
房间编号:103;房间功能:办公;
室内计算温度tn℃:25;室内计算相对湿度%:60;房间面积m2:35.521。
24小时内的负荷分布, 如图3。
建筑各种类型房间的负荷分布, 如图4。
建筑各层的的冷负荷分布, 如图5。
3 结语
通过空调逐时负荷计算房间模型的建立, 结合Excel的数据分析和处理功能, 将建筑物的动态空调负荷计算问题分解成单个典型空调逐时负荷计算房间模型的计算, 相对传统的查表手算的方式, 大大减少了工作量, 减少了计算时间, 减轻了空调逐时负荷计算的工作量。
建筑参数及计算结果通过EXCEL数据计算、整理、分析, 可以实现对各个房间分楼层, 分使用功能进行能耗汇总, 为合理选择冷源和空调系统提供了数据基础与分析条件。空调负荷计算由单一的计算选型转向全面分析建筑物的能耗特点进行空调系统设计, 为合理有效地节约空调系统的能耗提供一个新的思路。
参考文献
[1]陆耀庆.实用供热空调设计手册 (上、下册) (第2版) [M].中国建筑工业出版社, 2008, 5.
负荷情况 篇7
所谓运动负荷, 又称运动量或生理负荷, 它是指人做练习时所承受的生理负担量。心理负荷则指人做练习时所承受的心理负担量, 它一般包括认识、情绪、意志三方面的负荷。在幼儿体育教学中, 只有运动负荷和心理负荷保持适宜, 才能收到较好的教学效果, 过小过大都不行。过小, 则达不到锻炼的目的;过大, 又超出了幼儿身心所能承受的限度, 对幼儿身体的健康和教学任务的完成均十分不利。因此, 合理地安排和调节幼儿园体育课的生理和心理负荷是对教师体育教学的一项基本要求, 二者是否适宜还是评价体育教学和体育活动的锻炼效果的一项重要指标。
二、影响幼儿运动负荷和心理负荷的因素
1.运动强度。
2.幼儿的活动时间。
3.活动项目的特点。
4.练习的数量和质量。
5.教师的教学内容、教法和组织措施。
6.幼儿的个别差异。
三、合理调节幼儿运动负荷和心理负荷的策略
1.合理安排每节课的教材和确定课的任务
这就要求教师课前的备课要做到心中有数, 在安排教材内容时, 应合理搭配不同性质、不同负荷、适宜数量的教材。运动量大和运动量小的练习交替安排, 如强度较小的走平衡木或窄道、投掷与强度较大的跑、跳跃、攀登、爬、滚翻等内容组合。教师要合理安排幼儿体育课的密度, 尤其是幼儿的练习密度。确定任务时新教的知识、技能不宜太多太难, 且必须富有趣味性。
2.合理调节负荷节奏
教师要根据人体生理机能能力活动变化规律和心理变化规律、教材特点、幼儿的实际以及器械、气候等合理确定课的运动负荷和心理负荷曲线。对运动负荷总的要求是从逐步上升到一定程度, 保持一段相对平稳, 然后再逐步下降到相对安静。但由于影响生理负荷的各种因素是复杂多样的, 因而每节课的运动负荷曲线就要视具体的教学内容和幼儿的实际而合理确定。
3.灵活运用教法
由于体育课是以直接的身体练习为基本手段, 因此, 教师在领导幼儿的体育课时应精讲, 让幼儿多练, 应使幼儿的练习密度在课的总密度中占最大的比例 (一般幼儿在体育课中的练习密度在35%～55%较为适宜) 。
4.充分利用场地、器械
事实上, 每个幼儿园的具体情况各不相同, 在体育场地上, 有的幼儿园还达不到正常标准, 这就需要教师开动脑筋, 最大限度地提高场地利用率, 多采用分组活动和分散活动。如器械不够, 则可采用分组轮换型或循环练习型等形式, 以加大幼儿的练习密度。