建筑负荷

建筑负荷（精选十篇）

建筑负荷 篇1

近几年, 随着人们对建筑节能要求的不断提高, 建筑维护结构的保温技术也在不断提高, 尤其是外墙外保温技术得到了长足发展, 并成为我国一项重要的建筑节能技术。在建筑中, 外围护结构的热损耗较大, 其中墙体又占了很大份额。所以建筑墙体改革与墙体节能技术的发展是建筑节能技术的一个最重要的环节, 发展外墙保温技术及节能材料则是实现建筑节能的主要方式。建筑中常使用的外墙保温主要有内保温、外保温、内外混合保温等方法。外墙外保温是一种新兴的保温技术, 就是将保温材料置于主体围护结构的外侧, 以达到保温隔热目的。这种技术可以有效解决我国冬夏两季室内外温差大而造成的能源损失问题, 代表我国节能保温技术的发展方向。外墙外保温不会产生热桥, 因此具有良好的建筑节能效果。冬天, 当室内的热量经过墙体保温材料时会被隔绝保存下来, 而当室内温度降下来后, 墙体内的热量又会释放出来, 调节室内的温度;夏天, 外保温同样会阻止太阳的辐射和外部热量传入室内。从而使建筑物内冬暖夏凉[1]。

在设计分析一栋建筑时, 对建筑的热性能无法进行测试, 简单的理论计算也无法对复杂的建筑进行有效的分析, 所以最有效的手段就是采用建筑环境模拟软件进行模拟计算, 这里我们采用了DEST-C (商业建筑) 模拟软件。设计人员首先提出几种不同的方案 (如外墙有、无外保温) , 然后利用模拟软件分别计算得到其热性能指标, 如全年累计冷热负荷等, 根据此指标选择节能效果较好的方案, 这样结合设计人员的专业知识和计算机的计算能力, 使得设计出的建筑在满足人们舒适度要求的情况下, 能够尽可能地做到节省能源[2]。

1. DEST-C模拟过程

1.1 建筑模型及参数设定

以某综合办公楼为计算对象, 该办公楼共5层, 建筑面积为5453.57m2, 建筑南北向布置, 体型系数为0.212, 立面外围护如下表1。

为了方便比较外墙保温参数对负荷和能耗的影响程度, 先建立一未采用外墙外保温措施的基准建筑, 该建筑的围护结构热工参数参照建筑节能设计标准限值, 再加上选取建筑的体型系数为0.212, 故其内墙、屋面、楼板及外窗的构造设置如表2。

此办公楼按功能主要以办公室为主, 还有卫生间、消防控制室、电梯、楼梯间等等。办公室的空调启停时间为08:00—18:00开, 其余时间关。消防控制室24小时全开。电气竖井, 电梯、管井等不设空调。室温上下限分别为26℃和18℃[4], 采用连续运行的方式, 其他相关参数参照容忍温度上下限分别为29℃和16℃, 湿度上下限分别为80%和20%。夏季当空调关闭时, 采取自然通风。人员、灯光和设备作息均采用默认值。气象参数和其他相关参数参照文献[5]。

1.2 其他参数与基准建筑相同如表3。

1.3 模拟结果

选取我国五个分别代表严寒地区A区, 严寒地区B区, 寒冷地区, 夏热冬冷地区, 夏热冬暖地区的城市:哈尔滨, 沈阳, 济南, 上海, 厦门分别进行模拟分析。

为了比较相同外保温系统在不同气候条件下的节能率, 以未外墙外保温房的全年负荷为比较基础进行分析。由于全年负荷与能耗的关系取决于系统的能效比, 当假设系统能效比在不同城市相同时, 负荷降低率即为节能率。

(1) 哈尔滨 (如表4)

对于严寒地区A区的城市哈尔滨, 采取外墙保温时, 全年累计热负荷减少, 并且随着外保温层的厚度的增加, 节能率越大, 相应的采暖季热负荷指标减少;同时由于采取外墙保温, 全年累计冷负荷增大, 并且随着外保温层的厚度的增加, 耗能增加率越大, 相应的空调季冷负荷指标减少, 并且随着外保温层的厚度的增加, 耗能增加率越大。比较全年累计热负荷和全年累计冷负荷、采暖季热负荷指标和空调季冷负荷指标, 采用外墙外保温后热负荷的减少率远大于冷负荷的增加率, 因此严寒地区A区的城市采取外墙外保温比较节能。

(2) 沈阳 (如表5)

对于严寒地区B区的城市沈阳, 采取外墙保温时, 全年累计热负荷减少, 并且随着外保温层的厚度的增加, 节能率越大, 相应的采暖季热负荷指标减少;同时由于采取外墙保温, 全年累计冷负荷增大, 并且随着外保温层的厚度的增加, 耗能率越大, 相应的空调季冷负荷指标减少, 耗能增加率越大。比较全年累计热负荷和全年累计冷负荷、采暖季热负荷指标和空调季冷负荷指标, 采用外墙外保温后热负荷的减少率远大于冷负荷的增加率, 因此严寒地区B区的城市采取外墙外保温比较节能。与严寒地区A区的城市哈尔滨相比, 采暖季的节能率随外保温层的厚度增加而增加程度相近, 但空调季的耗能增加率随外保温层的厚度增加而增加程度要小, 因此严寒地区B区比严寒地区A区节能程度高。

(3) 济南 (如表6)

对于寒冷地区的城市济南, 采取外墙保温时, 全年累计热负荷减少, 并且随着外保温层的厚度的增加, 节能率越大, 相应的采暖季热负荷指标减少;同时由于采取外墙保温, 全年累计冷负荷增大, 并且随着外保温层的厚度的增加, 耗能率越大, 但是采取外保温空调季冷负荷指标减少, 且随着外保温层的厚度的增加, 空调季冷负荷指标逐渐减少, 即耗能减少, 节能率越大。因此寒冷地区的城市采取外墙外保温冬季、夏季都比较节能。

(4) 上海 (如表7)

对于夏热冬冷地区的城市上海, 采取外墙保温时, 全年累计热负荷减少, 并且随着外保温层的厚度的增加, 节能率越大, 相应的采暖季热负荷指标减少;同时由于采取外墙保温, 全年累计冷负荷增大, 并且随着外保温层的厚度的增加, 耗能率越大, 但是采取外保温空调季冷负荷指标减少, 且随着外保温层的厚度的增加, 空调季冷负荷指标逐渐减少, 即耗能减少, 节能率越大。因此夏热冬冷地区的城市采取外墙外保温冬季、夏季也比较节能。

(5) 厦门 (如表8)

对于夏热冬暖地区的城市厦门, 采取外墙保温时, 全年累计热负荷减少, 并且随着外保温层的厚度的增加, 节能率越大, 相应的采暖季热负荷指标减少;同时由于采取外墙保温, 全年累计冷负荷增大, 随着外保温层的厚度的增加, 耗能增大率先增大, 而后减小, 但是采取外保温随着外保温层的厚度的增加, 空调季冷负荷指标逐先增大后减小, 再增大。

2. 模拟结果对比

从全年累计热负荷来看, 采取外墙外保温均使其减少, 并随保温层厚度增加, 而逐渐减少。比较而言严寒地区A区的节能效果较好。

从采暖季热负荷指标来看, 采取外墙外保温均使其减少, 并随保温层厚度增加, 而逐渐减少。比较而言严寒地区A区的节能效果较好。与全年累计热负荷相似。

从全年累计冷负荷来看, 采取外墙外保温大致使其增大, 并随保温层厚度增加, 而逐渐增大, 但是增大比例很小。但厦门随保温层厚度增加, 先逐渐增大, 后减小, 再增大。比较而言夏热冬暖地区的冷负荷增大较大, 耗能较多。

从空调季负荷指标来看, 采取外墙外保温, 哈尔滨、沈阳稍增大, 并随保温层厚度增加, 而逐渐增大, 但是增大比例很小;济南、上海稍减少, 并随保温层厚度增加, 而逐渐减少, 但是减少比例很小;厦门随保温层厚度增加, 先逐渐增大, 后减小, 再增大。比较而言寒冷地区和夏热冬冷地区的空调季负荷减少, 较节能。

结论

进行外墙外保温,

(1) 对严寒地区A区, 能减小冬季负荷和增加夏季负荷, 但对减小冬季热负荷更有利, 总体来说较节能;

(2) 对严寒地区B区, 能减小冬季负荷和增加夏季负荷, 但对减小冬季热负荷更有利, 总体来说较节能;

(3) 对寒冷地区, 能减小冬季负荷和空调季冷负荷指标, 但增加全年累计热负荷, 总体来说较节能;

(4) 对夏热冬冷地区, 能减小冬季负荷和空调季冷负荷指标, 但增加全年累计热负荷, 总体来说较节能, 但节能效果不如寒冷地区;

(5) 对夏热冬暖地区, 能减小冬季负荷和增加夏季负荷, 但对增大夏季冷负荷更明显, 总体来说不节能。

参考文献

[1]宁勇飞, 刘泽华, 陈刚.外墙保温对夏热冬冷地区住宅空调负荷的影响.怀化学院学报, 2006.5.25 (5) :113-115.

[2]张晓亮, 朱光俊, 江亿.住宅模拟优化实例J.暖通空调, 2005, 35 (8) :65-72.

[3]国家标准《公共建筑节能设计标准》GB50189-2005.

[4]郭莹.外墙内、外保温技术在建筑节能住宅中的作用.建筑技术开发, 2002. (2) :46～48.

建筑负荷 篇2

一、土建施工用电的需要系数和功率因数

用电设备名称

用电设备数量

功率因数（cosφ）［tgφ］

需用系数（Kη）混凝土搅拌机及砂浆搅拌机 10以下 0.65 【1.17】 0.7 10～30 0.65 0.6 30以上 0.6 【1.33】 0.5 破碎机、筛洗石机 10以下 0.75 【0.88】 0.75 10～50 0.7 【1.02】 0.7 点焊机 0.6 0.43～1 对焊机 0.7 0.43～1 皮带运输机 0.75 0.7 提升机、起重机、卷扬机 10以下 0.65 0.2 振捣器 0.7 0.7 仓库照明 1.0【0.0】 0.35 户内照明 0.8 户外照明 1【0】 0.35 说明：需要系数是用电设备较多时的数据。如果用电设备台数较少，则需要系数可以行当取大些。当只有一台时，可取1。

二、实例：某建筑工地的用电设备如下，由10KV电源供电，试计算该工地的计算负荷并确定变压器容量及选择变压器。

用电设备名称

用电设备数量（台数）

功率（KW）

备注

混凝土搅拌机 4 10 砂浆搅拌机 4 4.5 皮带运输机 5 7 有机械联锁 升降机 2 4.5 塔式起重机 2 7.5 1 22 1 35 JC=40% 电焊机 5 25 JC=25%单相，360V 照明 20 分别计算各组用电设备的计算负荷：

1、混凝土搅拌机：查表，需用系数Kη=0.7，cosφ=0.68，tgφ=1.08

PC：有功计算负荷，QC：无功计算负荷，Pe:设备容量 PC1= Kη×∑Pe1=0.7×（10×4）=28KW QC1= PC1×tgφ=28×1.08=30.20KVAR

2、砂浆搅拌机组：查表，需用系数Kη=0.7，cosφ=0.68，tgφ=1.08 PC2= Kη×∑Pe2=0.7×（4.5×4）=12.6KW QC2= PC2×tgφ=12.6×1.08=13.61KVAR

3、皮带运输机组：查表，需用系数Kη=0.7，cosφ=0.75，tgφ=0.88 PC3= Kη×∑Pe3=0.7×（7×5）=24.5KW QC3= PC3×tgφ=24.5×0.88=21.56KVAR

4、升降机组：查表，需用系数Kη=0.2，cosφ=0.65，tgφ=1.17 PC4= Kη×∑Pe4=0.2×（4.5×2）=1.8KW QC4= PC4×tgφ=1.8×1.17=2.11KVAR

5、塔式起重机组：塔式起重机有4台电动机，往往要同时工作或满载工作，需要系数取大一些，Kη=0.7，cosφ=0.65，tgφ=1.17 又：对反复短时工作制的电动机的设备容量，应统一换算到暂载率JC=25%时的额定功率：

Pe’:换算前的电动机铭牌额定功率（KW）Pe：换算到JC=25%时电动机的设备容量（KW）

Pe5=2∑Pe’ sqr(JC)=2（7.5×2+22×1+35×1）sqr(0.4)=2×40.5×0.632=51.19 KW 其计算负荷为

PC5= Kη×∑Pe5=0.7×51.19=35.83KW QC5= PC5×tgφ=35.83×1.17=41.92KVAR

6、电焊机组成部分：查表，需用系数Kη=0.45，cosφ=0.6，tgφ=1.33

因为电焊机是单相负载，它有5台则按6台计算设备容量。又由于它的JC=25%，应统一换算到JC= 100%的额定功率 PC6= Kη×∑Pe6’× sqr(JC)

=0.45×(6×25)× sqr(0.25)=33.75 KW QC6= PC6×tgφ=33.75×1.33=44.88 KVAR

7、照明：施工期间主要是室外照明，查表，需用系数Kη=0.35，cosφ=1，tgφ=0 PC7= Kη×∑Pe7=0.35×20=7 KW QC7= PC7×tgφ=0

再求总的计算负荷,取同时系数K∑=0.9

浅谈建筑工程电力负荷的计算 篇3

按用电设备的重要性及对供电的可靠性的要求，建筑工程的电力负荷分为以下三个等级，电力负荷计算的目的是为了合理选择供电系统的发电机、变压器、馈电线、开关设备等，也计算电能消耗的重要依据。电力负荷的计算准确与否，对于选择高低压供电系统的原件有色金属的消耗以及经济核算有着极其重要的影响。

2设备功率的确定

进行负荷计算时，需将用电设备按其性质分为不同的用电设备组，然后确定设备功率。用电设备的额定功率Pe或额定容量Se是指铭牌上的数据，对于不同负载持续率下的额定功率或额定容量，应换算成同一幅在持续率下的有功功率，即设备功率Ps。

1）连续工作制的电动机的设备功率Ps等于铭牌的额定功率Pe。

2）断续或短时工作制电动机（起重用电动机）的设备功率是指将额定功率转换为统一负载持续率下的有功功率。

当采用需要系数法或二项式法时，应统一换算到负载持续率委JC=25%下的有功功率，其换算关系如下：Ps=Pe√JCe/0.25=2Pe√JCe千瓦

当采用利用系数法时，应统一换算成负载持续率为JC=100%的有功功率：

Ps=Pe√JCe千瓦

式子中Pe——电动机的额定功率，千瓦；

JCe——电动机的额定负载持续率；

3）电焊机设备的功率是指将额定容量换算到负载持续率为JC=100%时的有功功率，其换算公式为：Ps=Se√JCe COS∮e千瓦式中Se——电焊机的额定容量，千伏安；JCe——电焊机的额定负载持续率；COS∮e——额定功率因数。

4）整流器的设备功率是指额定直流功率。

5）成组用电设备的设备功率是指不包括备用设备在内的所有单个用电设备的设备功率之和。

6）照明设备功率是指灯泡上标出的设备功率，对于荧光灯及高压水银灯等还应计入镇流器的功率损耗，即灯管得额定功率应分别增加20%及80%。

3用需要系数法确定计算负荷

1）用电设备组的计算负荷：

有功功率 Pjs=Kx Ps 千瓦

无功功率 Qjs=Pjs tg ∮千乏

视在功率 Sjs=√pjs2+ Qjs2 千伏安

2）配电干线或配电变电所的计算负荷：

有功功率 Pjs=K∑p∑（KxPs）千瓦

无功功率 Qjs=K∑q∑（KxPstg∮）千乏

视在功率 Sjs=√Pjs2+ Qjs2 千伏安

Ps ——用电设备组的设备功率，千瓦

Kx——需要系数，可以查表；

COS∮，tg∮——用电设备的功率因数及功率因数角正切值可以查表；

K∑p、K∑q——有功、无功同时系数，分别取0.8~0.9及0.93~0.97。

4二项式法确定计算负荷

1）单个用电设备组的计算负荷：

有功功率 Pjs=CPn+bPs千瓦

无功功率 Qjs=Pjstg∮ 千乏

2）多个用电设备组的计算负荷：

有功功率Pjs=（CPn）max +∑bPs千瓦

无功功率Qjs=（CPn）maxtg∮n +∑（bPs tg∮）千乏

3）计算负荷的视在功率及计算电流：

Sjs=√Pjs2+Qjs2 千伏安

Ijs=Sjs/√3*Ue 安

5利用系数法确定计算负荷

采用利用系数法确定计算负荷时，不论范围大小，都必须求出该计算范围内的用电设备有效台数及最大系数Kmax，一次求出结果，不再乘以其他系数。

1）同类型各用电设备组在最大负荷班内的平均负荷：

有功功率Pp=K1Ps 千瓦

无功功率Qp=Ptg∮千乏

2）平均利用系数：K1p=∑Pp/∑Ps

3）计算负荷

有功功率 Pjs=Kmax∑Pp千瓦

无功功率 Qjs=Kmax ∑Qp 千乏

视在功率 Sjs=√Pjs2+ Qjs2千伏安

式中Kmax——最大系数，可查表求得

6单相负荷计算

建筑工地现场有些设备是单相的，如电焊机、对焊机等。单相用电设备的接入应尽可能使三相变压器的三相负载均衡。但有些较大的单相用电设备接于一相时，往往容易造成三相负载不平衡。在单相负荷与三相负荷同时存在时，应将单相负荷换算成三相负荷，再与三相负荷相加。在进行单相负荷换算时，一般采用计算功率，对需要系数法为需要功率，对二项式法为平均功率，对利用系数法为平均功率；当单相负荷均为同类用电设备时，则可以直接采用设备功率计算。无论采用那种计算方法，都应该把线间负荷换算成相负荷，否则计算将偏大。

6.1单相负荷换算为等效三相负荷的一般方法

对于既有线间负荷又有相间负荷的情况

1）先将相间负荷换算为相负荷，各相负荷分别为

a相： Pa=Pabp（ab）a+Pca P（ca）a

Qa= Pabq（ab）a+Pca q（ca）a

b相： Pb=Pabp（ab）b+Pca P（bc）b

Qb= Pabq（ab）a+Pca q（bc）b

C相： Pc=Pbcp（bc）c+Pca P（ca）c

Qc= Pabq（bc）c+Pca q（ca）c

2）各相负荷分别相加，选出最大相负荷，取其3倍作为等效三相负荷。

6.2单相负荷换算为等效三相负荷的简化方法

1）只有线间负荷时，将个相间负荷相加，选取较大两相数据进行计算，现以

Pab≥Pbc≥Pca为例：

当Pbc＞0.15Pab时，Pd=1.5（Pab+Pbc）

当Pbc≤0.15Pab时，Pd=√3Pab

当只有Pab时，Pd=√3Pab

2）只有相负荷时，等效三相负荷取最大相负荷的3倍。

建筑负荷 篇4

空调系统一经选定后, 在维持一定舒适度的前提下, 如何使系统运行在总体能耗较小或最小的工况下非常关键。因此, TRN-SYS (Transient Systems Simulation) 软件经常用于作为仿真工具来分析系统的运行特性。空调系统的运行特性与众多因素有关, 其中最主要的影响因素就是建筑物的负荷状况。虽然TRNSYS系统强于部件, 但对系统负荷进行准确的分析后才能有针对性的运行策略。因此, 在利用TRNSYS软件涉及空调系统优化的分析中经常遇到首先要计算负荷的情况。

然而, 在文献查阅过程中发现, 经常见到负荷模拟借助于其他能耗模拟软件如DOE, ENERGYPLUS, e-Quest等软件先计算出负荷, 再由TRNSYS仿真软件来读入负荷数据[1,2]。这样做从方法上而言没有任何问题, 但是需要增加使用另外一个软件的工作量, 另一方面, 接口及后续工作的处理并不方便。因此, 本文以一办公建筑为例, 说明如何利用TRNSYS软件及模型前处理软件SIMCAD二者的结合来计算负荷。SIMCAD界面类似于CAD, 有助于比较快的完成前期建模及模型的可视化问题。

1 模拟软件介绍

1.1 模拟软件的功能

在空调领域, 计算机模拟分析主要是用来解决能耗定量分析、能耗预测和系统优化的问题。利用计算机对上述因素间的相互关系与作用进行仿真, 可以节约搭建实验台的成本和人力成本, 有利于进行重复性实验, 对结果的表达也更直观清晰, 从而帮助人们优化建筑物设计方案, 改善系统运行。模拟技术在如下两方面得到广泛应用:

1) 建筑物能耗预测与设计优化。

在分析评价建筑物设计方案的年度运行能耗时, 一般都采用模拟计算的方法。

2) 空调系统性能预测。

借助于侧重于空调系统性能的描述软件, 可以了解运行中可能会出现的工况和问题, 从而在系统、结构或者控制方案中采取措施以节约整体能耗。同时, 还能预测不同空调系统设计方案下全年运行能耗, 从而对系统方案和设备配置进行优化。

1.2 建筑模拟技术的发展[3]

继20世纪70年代美国和欧洲相继推出的建筑模拟程序BLAST和DOE及ESP-r后, 70年代末期, 在模块化集成思想的指导下, 相继开发出TRNSYS和HVACSIM+。20世纪90年代, 模拟技术的研究重点逐渐从模拟建模 (Simulation Modeling) 向应用模拟方法 (Simulation Method) 转移, 即研究如何充分利用现有的模型和模拟软件, 使模拟技术能够更有效地应用于实际工程。

1.3 建筑模拟软件分类

1) 空调系统仿真软件。

此类软件主要用于空调系统及控制部件的仿真。以TRN-SYS, HVACSIM+为代表, 这类软件的主要模拟目标是由各种模块搭成系统的动态特性及在各种控制方式下的响应。采用的是简单的房间模型和复杂的系统模型, 可以根据需要灵活地组合系统形成和控制方法, 适于空调系统的高频动态特性和过程的仿真分析。

2) 建筑能耗模拟软件。

此类软件主要用于建筑和系统的动态能耗模拟分析, 如:VI-SUALDOE, Energy Plus, e-Quest。这类软件的主要模拟目标是建筑和系统长周期的动态能耗特性。软件中一般是建筑物模型的描述占据主要的建模时间, 且建筑物模型比较直观可见, 而空调系统模型就比较简单化和理想化, 此类软件适于分析建筑物围护结构的动态热特性和建筑物的全年运行能耗。

1.4 TRNSYS软件介绍

TRNSYS仿真软件 (Transient Systems Simulation) 由美国威斯康星大学太阳能实验室开发, 是一款瞬态系统仿真软件, 采用模块化的结构来解决复杂的能源系统问题。在TRNSYS中, 每一个组件是一个TYPE, 这个组件可以是一个部件, 如主机, 水泵, 也可以是建筑物, 也可以是若干个部件的组合。组件之间的连接就是它们之间信息的传递。

2 软件模型

2.1 建筑物基本信息

以一幢5层办公建筑为例, 每层层高4 m, 建筑面积为3 025.6 m2 (48.8 m×12.4 m) , 空调面积为2 635.2 m2。南向与北向墙面的窗墙比均为0.22。建筑物围护结构传热系数见表1。建筑物南、北侧对称布置。其中, 立面图中黄色区域代表窗户。此处的建筑物模型是用SIMCAD软件建立, SIMCAD界面类似于CAD界面, 操作起来简单, 建模方便, 可以使建筑物图形可视化。在SIMCAD中完成模型的建立后, 会生成TRNBUILD可以读取的.bui文件。如果不需要建筑物图形, 也可以在TRNBUILD中进行建筑物模型的建立。

此外, 建筑物需要划分热区, 热区的划分可以根据空调系统, 或温度相近的房间, 或南、北朝向不同等原则来进行处理。一般而言, 在后续软件处理过程中, 同一个热区人员作息、围护结构、室内温湿度及舒适度标准相同或相近。热区数目应该尽量少, 以减少工作量及软件处理时间。

在围护结构的热工性能的输入中, 既可以采用软件中自带的数据库的材料类型, 也可以根据建筑物围护结构的实际情况自建材料, 这一点与DOE等能耗模拟软件有相同之处。

W/ (m2·K)

厕所的渗透风取为10次/h, 其他房间渗透风取值为0.5次/h。

依据GB 50189—2005公共建筑节能设计标准附录B.0.4确定办公建筑工作日逐时室内空调计算温度, 如图1所示。

关于房间内热源的设定, 依据GB 50189—2005附录B.0.5, B.0.6, B.0.7, 将照明装置逐时开启率、房间人员逐时在室率、电器设备逐时使用率分别在软件的计划表 (SCHEDULE) 中进行工作日和周末的设定 (见图2) 。

照明、人员、电器设备等形成的内热源在软件的得热 (GAINS) 中进行设定, 同时, 软件中要求。灯光及设备得热数据如表2所示。

k J/ (h·m2)

2.2 气象数据与建筑物的连接

气象数据对建筑物的影响因素在这两个部件中的连接包括:干球温度、有效天空温度、相对湿度及水平面和建筑物其他表面的总辐射强度、直射辐射强度、散射辐射的入射角。气象数据可采用TMY, TM2等格式气象数据。此处模拟采用重庆市TM2气象数据读入。

2.3 建筑物负荷模拟系统信息

依据以上描述, 在Studio中建立部件模型的连接, 图3中的“building”即为TYPE56, 其他各部件在系统中的作用如表3所示。模块选择完成后, 要正确进行模块间的信息传递的连接及结果文件的设定。

3 结果信息文件

在完成以上设置后, 就可以完成对建筑物信息的描述, 进行结果输出部分。TRNSYS结果文件输出可以根据所要的结果自行选择输出, 如可以选择输出显热或潜热得热及对流得热量及辐射得热量;可以输出指定房间的热负荷;可以输出建筑物的总负荷;可以输出指定表面的温度等。上述所有结果均可以选择指定的时间段来输出。上述结果由“打印机”部件进行输出。

图4即为在上述模型系统搭建完成后以夏季第5 352 h~5 600 h工作日逐时的冷负荷值及室外干、湿球温度的结果文件。同时, 这些数据点也可以导出到外部文件中进行编辑及处理。

4 结语

通过上述办公建筑模型的演示, 可以看出利用TRNSYS与SIMCAD的结合, 可以简便灵活的完成模型的前期处理与负荷计算, 为下一步进行空调系统部分的优化处理及分析带来了便利, 可以节约建模的前期处理时间, 避免再使用另外的能耗模拟软件而带来的不便。另外, TRNSYS也可以利用Sketchup完成前期建模的过程。

参考文献

[1]谢爱霞, 蒋小强.水源制冷机房单位冷量能耗的影响参数分析[J].制冷技术, 2005, 38 (9) :69-72.

[2]顾珍, 王胜男, 冯炼.基于Trnsys的复合式地板辐射供冷控制系统的仿真[A].2013年第十五届西南地区暖通热能动力及空调制冷学术年会论文集[C].2013:78-81.

[3]吴伟伟.夏热冬冷地区居住建筑围护结构节能研究[D].重庆:重庆大学硕士论文, 2008.

[4]GB 50189—2005, 公共建筑节能设计标准[S].

工厂供电负荷计算 篇5

1、确定此工厂是什么性质的工厂，有加工业、重工业等等，不同性质的工厂的负荷计算是不同的；、引入两个系数：同时率和负载率。所有负荷与其他负荷之间都有一个是否同时运行的概率，此概率就是同时率。任何负荷其的电动机铭牌容量与其实际容量之间都有一定的余度，这就是此负荷的负载率，全厂负荷与铭牌的差异就是全厂负荷的负荷率。

3、上述两个系数的乘积就是负荷换算系数K值。不同的工厂有不同报道K值。可以从不同领域的设计手册中查到；

建筑负荷 篇6

【关键词】儿童体育课；心里负荷；调节

一、影响儿童运动负荷和心理负荷的因素

运动强度指单位时间内，人在运动时的生理负荷量，常用心跳频率来表示。在儿童体育活动中，较大强度的项目有跑、跳、攀登等，而走、钻、爬、投掷等动作的运动强度则相对较小。

活动项目的特点。不同的活动项目对儿童身体的影响也不同。如儿童做直体滚动时，前庭分析器所受的 刺激和意志负荷均较大，而运动负荷却不大。障碍跑时，不仅全身运动负荷很大，而且认识和意志负荷也较大 。连续立定跳远，运动负荷较大而心理负荷却较小。在平衡木上走、跑、过障碍、滚球、拍球时，儿童的心理 负荷都很大。儿童参加感兴趣的体育活动，一般两种负荷均较大。

练习的数量和质量。前者指练习的次数、距离的总和，它们与儿童的运动负荷一般成正比。后者指练习 的正确规格和要求。对练习质量的要求越高，儿童需负出的心理负荷则越大。

教师的教学内容、教法和组织措施。教师组织体育课内容的难易是否合适，是否具有趣味性，组织措施 是否得当，讲解示范是否正确形象、生动规范等都会较大程度地影响儿童的运动和心理负荷。如过多的排队调 换队形，分组太少而导致儿童长时间的轮番等待，均易使儿童产生烦燥情绪，甚。

儿童的个别差异。指儿童的身体机能水平和心理特点的个别差异。在儿童园体育活动中，往往相同的练 习对不同的儿童会产生不同的影响。 此外，教师的教态、教具、环境、气候等因素都会在一定程度上影响儿童的生理负荷和心理负荷。

二、合理调节儿童运动负荷和心理负荷

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、钻宜与强度较大的跑 、跳跃、攀登、爬、滚翻等内容组合。教师要合理安排儿童体育课的密度，尤其是儿童的练习密度。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。

没找到“朋友”的儿童立即退出游戏。第二轮变化为儿童听信号双脚沿边线行进跳，第三轮则变跳跃为竞走。后二轮均为鼓声停止，儿童迅速跑向圆内找“朋友”。儿童跑、跳和竞走的时间和距离，可根据儿童的具体情况 而定。显然，此教师的教材安排是较合理的。

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、儿童的实际以及器械、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 具体的教学内容和儿童的实际而合理确定。一般有标准型、双峰型、前高后低型、前低后高型等模式。

心理负荷的曲线较复杂，往往要视具体的情况而定，但是，这并不意味着就无任何规律可循。一般来说，体育活动中儿童的认识负荷不应太大，且需有积极愉快的情绪伴随儿童，让儿童在快乐中动脑筋。儿童的意志 负荷也不应太大，应让儿童通过一定的努力就能完成任务，从而体验到成功的喜悦，增强自信心，培养活泼开朗的性格。这就要求教师在安排教材时充分考虑儿童心理发展的特征，所选的内容难易适当，富有兴趣性和直观性。同时还应循序渐进，由易到难，注意个别差异因材施教。由于儿童十分喜欢游戏，孩子在游戏中的认识 负荷、情绪负荷、意志负荷都较高，因此，在体育教学中教师应多采用生动有趣、针对性强的体育游戏和道具，再结合教师生动形象的讲解、示范，来调动儿童活动的积极性，提高儿童锻炼的效果。一般来讲，基本部分的前半部分应抓住儿童头脑较清醒的时机安排新的较难的教材，以增大儿童的认识负荷，而后半部分则宜安排 认识负荷较小的带复习性质的教材。而情绪负荷，基本部分的前半部分不应过大，以避免因儿童情绪过度兴奋 而影响新教材的学习掌握，在后半部分可安排适当的内容以让儿童的情绪负荷达到高潮。对意志负荷，学习新 教材和较难教材时应先大后小，学习较易教材或复习旧教材时则可是先小后大。

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，教师在领导儿童的体育课时应精讲 让儿童多练，应使儿童的练习密度在课的总密度中占最大的比例。还应讲练结合。为了加大儿童的运动负荷和练习密度，可多采用同时练习法、鱼贯练习法、循 环练习法等方法。还可增加儿童练习的次数，扩大其活动范围，增加障碍物，提高练习难度。反之，如儿童的运动负荷和心理负荷已较大，则应通过缩短其练习的时间和距离，变同时练习为分组轮流练习或相互观摩，改 变练习的内容，缩小活动的范围， 减少障碍物等手段来降低儿童的运动量和心理负荷。

建筑负荷 篇7

随着人们生活水平的不断提高,各类娱乐性游泳馆在全国各地迅速发展起来。由于游泳馆类建筑的特殊性,在空调室内参数设定时会有所不同,考虑人员舒适性问题,其参数往往偏大,而且其室内散湿量较之一般建筑要大很多。

文中以沈阳市某戏水大厅为例,在建筑结构基本确定的情况下,综合考虑了外墙传热系数、屋顶传热系数、外窗类型、人员密度、室内设定温度、相对湿度、散湿量等因素对戏水大厅空调冷负荷的影响。由于建筑环境变化是由众多因素所决定的一个复杂过程,而利用传统的空调冷热负荷的计算手段已经远远无法满足上述要求。文中利用Dest - c软件模拟出戏水大厅在一个空调季的逐时负荷变化情况,并利用Spss16. 0 软件,对模拟结果进行极差和方差分析[1]。

1 项目背景

1. 1 工程概况

该工程为沈阳市某戏水大厅,总建筑面积16572m2,共1 层,最高层高26. 7m,墙体四周有大面积玻璃幕墙,天窗面积约3294m2,均为电动启闭,大厅主体包括螺旋组合滑道、风洞造浪区、急速组合滑道、滑板冲浪等。利用Dest - c建立的戏水大厅建筑模型如图1 所示。

1. 2 模型基本参数设定

由于戏水大厅建筑结构基本确定,所以,在讨论影响冷负荷的因素时,并没有将窗墙比、建筑体量等因素考虑在内。需要指出,文中模拟的地区设定为沈阳市,空调季为5 月1 日~ 10 月1 日,空调工作时间为9: 00 ~ 21: 00,模拟结果取空调季的累计冷负荷指标( 下文简称冷负荷) 。

2 实验方法

将正交实验法应用到建筑冷负荷影响因素的实验中,并进行初步探讨。

2. 1 正交实验方案确定

假定传热系数、屋顶传热系数、外窗类型、人员密度、室内设计温度、相对湿度、散湿量等7 个因素,相互独立,互不影响,并在各个影响因素中分别选取了3 个水平。影响因素及水平取值如表1 所示。

2. 2 正交实验模拟计算

选用L18( 37) 型的正交表,根据正交实验表的要求,将各个参数填写到相应位置,共有18 组实验。

通过Dest - c模拟出各组实验的冷负荷,并将模拟结果填写到表格中( 见表2) 。

3 实验结果分析

针对正交实验的数据分析,目前有2 种方法比较常用,即极差分析法和方差分析法。因极差分析法具有计算量小、直观形象、简单易懂等优点,是正交实验结果分析最常用的方法。但是,极差分析法不能估计实验过程及实验结果测定中必然存在的误差,因而不能区分某因素各水平所对应的实验结果的差异究竟是由于水平的改变所引起的,还是由于实验误差所引起的。因此,得出的结论不够精确,而且对影响实验结果的各因素的重要程度也不能给出精确的数量估计。为了弥补极差分析法的不足,一般应采用方差分析法[3]。文中分别采用极差分析和方差分析2 种方法,对实验结果进行分析。

3. 1 极差分析

极差分析法数据结果如表3 所示。

其中均值1 为A、B、C、D、E、F、G各个因素中水平1 所对应的冷负荷的平均值,均值2 为各个因素中水平2 所对应的冷负荷的平均值,均值3 为各个因素中水平3 所对应的冷负荷的平均值。各个因素的极差R = 各因素均值( Max) - 各因素均值( Min)[4]。

极差越大,该因素对建筑物的累计冷负荷影响越大[5]。则可以将上述7 个因素按影响冷负荷最大到最小顺次排序为: F→D→E→G→C→A→B,即,相对湿度→人员密度→设计温度→散湿量→外窗类型→外墙传热系数→屋顶传热系数,其中外墙、屋顶传热系数的影响相对较小,相对湿度、人员密度、设计温度、散湿量、外窗类型对负荷影响较大,且相对湿度、人员密度的影响最明显。

根据极差计算结果,可以得出最优方案,即冷负荷最小的方案。文中以A项( 外墙传热系数) 为例。在A项的3 个水平中,A3﹥ A1﹥ A2。3 个水平比较,得出选用A2作为外窗传热系数时,建筑冷负荷累计值相对较小。进而推出: A3> A1> A2,B2> B3> B1,C1> C2> C3,D3> D2> D1,E1> E2> E3,F1> F2> F3,G3> G2> G1。以此,可以得到最优方案为A2B1C3D1E3F3G1,即外墙传热系数0. 415、屋顶传热系数0. 538、外窗类型low - e中空、人员密度0. 1、设计温度28、相对湿度70% 、散湿量0. 06。

笔者根据最优方案提出的参数要求,利用Dest - c模拟出建筑的累计冷负荷为61. 62k Wh /m2。

3. 2 方差分析

文中使用统计分析软件SPSS16. 0 对数据进行方差分析,有效地减少了繁琐的计算过程[6],计算结果如表4 所示。

从方差分析表中可知: 因素D、因素E、因素F、因素G的主效应很显著,即对负荷有较大影响( P < 0. 05) 。影响顺序依次为: F( P = 0. 001,P <0. 05) > D ( P = 0. 003,P < 0. 05 ) > E ( P = 0. 010,P < 0. 05) > G( P = 0. 031,P < 0. 05)

正交实验中,除了考虑各素影响建筑冷负荷的显著性外,还考虑了单个因素各个水平之间对于影响冷负荷的显著性。文中主要针对外墙传热系数、外窗类型、相对湿度3 个因素介绍,如表5 ~ 表10所示。

从表5 中可以看出: A1均数最大( 212. 288) ,且A1> A2> A3; A1与A2无显著差异( P = 0. 280,P> 0. 05 ) ,A1与A3无显著差异( P = 0. 319,P >0. 05) 。

从表7 中可以看出: C1均数最大( 217. 663) ,且C1> C2> C3; C1与C2无显著差异( P = 0. 427,P > 0. 05) ,C1与C3有显著差异( P = 0. 035,P <0. 05) 。

从表9 中可以看出: F1均数最大( 267. 460) ,且F1> F2> F3; F1与F2有显著差异( P = 0. 003,P < 0. 05) ,F1与F3有显著差异( P = 0. 001,P <0. 05) ,F2与F3有显著差异( P = 0. 006,P <0. 05) 。

从单因素各水平之间的显著性分析,可以看出: 1) 单因素中并不是每个水平之间都具有显著性; 2) 该因素影响冷负荷具有较高的显著性,则其水平之间的显著性较为明显; 3) 该因素影响冷负荷的显著性较弱,则其水平之间的显著性不明显( 或没有显著性) 。

4 结语

文中给出了7 个影响游泳馆类建筑冷负荷的主要因素,每个因素下设定3 个水平,利用正交试验的方法做了18 组实验,分析实验结果,给出了最优的参数设定以达到节能目的。同时定量的比较了7 个因素的显著性,并依次排序。也给出了同一因素下,各个水平之间的显著性差异。可以看出,针对游泳馆类建筑,合理确定室内设计温度、相对湿度,选择合适的外窗类型,尽量减少室内散湿量是建筑设计初期要着重做好的工作。

摘要：利用正交实验的方法,通过能耗模拟软件Dest-c对沈阳市某戏水大厅空调冷负荷进行模拟分析,比较外墙传热系数、屋顶传热系数、外窗类型、人员密度、室内设计温度、相对湿度、散湿量等7个因素对建筑模型的影响。通过统计分析软件Spss16.0进行极差分析、方差分析得出最优方案,并比较各因素、各水平的显著性。

关键词：冷负荷,正交试验,Dest-c,方差分析

参考文献

[1]张伟捷,吴金顺,魏一然,等.基于正交实验法的建筑冷负荷影响因素分析[J].暖通空调,2006,36(11):77-80.

[2]徐仲安,王天保,李常英,等.正交试验设计法简介[J].科技情报开发与经济,2002,12(5):148-150.

[3]郝拉娣,张娴,刘琳,等.科技论文中正交试验结果分析方法的使用[J].编辑学报,2007,19(5):340-341.

[4]中国科学院数学研究所统计组.常用数理统计方法[M].北京:科学出版社,1973.

[5]杨美媛,秦以鹏,张伟捷,等.办公建筑自然室温影响因素的研究[J].科技创新与应用,2015,(6):171.

分析运动生理负荷和运动负荷 篇8

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.

建筑负荷 篇9

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.

建筑负荷 篇10

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.