動力工程影響因子精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的動力工程影響因子主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：動力工程影響因子范文

（沈陽工程學院能源與動力學院，沈陽 110136）

（College of Energy and Power，Shenyang Institute of Engineering，Shenyang 110136，China）

摘要： 總結了汽輪機回熱系統常見故障，建立了回熱系統典型故障集。在利用模糊規則建立回熱系統故障征兆知識庫基礎上，提出了一種基于支持向量機多分類算法的回熱系統故障診斷方法。最后將該方法用于某汽輪機組回熱系統故障診斷中，結果表明，該模型能有效的識別回熱系統故障。

Abstract： The faults of regenerative heating system are briefly summarized， the typical fault set of regenerative heating system is built. A fault diagnosis model of regenerative heating system based on multi-class support vector machines algorithm is presented. Finally， the faults in a regenerative heating system of a turbine unit are diagnosed with the aid of the presented method， the result of diagnosis shows that it is simple and practical and it can effectively identify the regenerative heating system faults.

關鍵詞 ： 熱能動力工程；回熱系統；支持向量機；故障診斷

Key words： thermal power engineering；regenerative heating system；support vector machines；fault diagnosis

中圖分類號：TK264.1 文獻標識碼：A 文章編號：1006-4311（2015）18-0061-03

作者簡介：張瑞青（1975-），女，山西大同人，碩士，講師，主要研究方向為電廠節能、性能監測和故障診斷。

0 引言

在現代大型火電廠中，回熱系統運行情況的好壞，直接關系到汽輪機的安全經濟運行，隨著發電廠機組參數的提高，回熱系統的運行狀況對整個機組的安全性、經濟性的影響更加顯著，因此，回熱系統的故障診斷一直倍受關注。長期以來，回熱系統的故障頻繁出現，嚴重地影響了大機組高效率低能耗優越性的正常發揮。因此，如何運用計算機技術，發現回熱系統中出現的故障，并相應采取及時措施，降低故障引起的損失，提高電廠的經濟性，是當前擺在我們面前的迫切任務之一。支持向量機（Support Vector Machine，SVM）是Vapnik[1]最早提出的一種統計學習方法，這種學習算法目前在大型火電廠熱力設備故障診斷中得到了成功的應用[2-3]。本文將該方法用于熱力系統故障診斷中，通過建立回熱系統典型故障征兆知識庫來準確識別電站機組回熱系統典型故障。

1 支持向量機多分類算法

支持向量機算法是為解決二值分類問題而提出的一類算法，其計算原理為：假設一個兩分類樣本組（x1，y1），…，（xi，yi），xi∈Rd，yi∈{+1，1}，支持向量機方法是尋找一個最優超分類平面w·x+b=0將樣本合理歸類，使各分類與超分類平面之間距離最大（如圖1所示）。圖中實心點與空心點分別表示兩類樣本，H表示最優分類線，直線H1、H2經過平行于分類線且與之相距最近。試著在高維空間中應用該結論進行分類，則最優分類線即為最優分類面，直線H1、H2上的訓練樣本點就是支持向量。將最優超平面問題轉化為式（1）所示的二次規劃問題進行運算，就能解決該二分類問題。

為了使分類面所覆蓋的范圍盡量大，還要使被錯誤區分的樣本數量盡可能小，通常是通過增加一個松弛項ξi≥0，使式（1）中的目標函數變為求下式中的φ（w，ξ）最小值：

然后引入Lagrange函數求解此優化問題。若要解決二分類問題，則建立一個二維分類器。支持向量機構造二維分類器的方法主要有兩種：一種是1998年Weston[4]提出的多類算法，另一種是通過組合多個二維分類器，構造多類分類器，這類方法目前主要有Vapnik[1]提出的一對多算法和Kressel[5]提出的一對一算法以及由該算法衍生出的有向無環決策圖方法（Decision Directed Acyclic Graph，DDAG）[6-7]。

有向無環決策圖方法：針對N類分類問題，首先建立N（N-1）/2個SVM二維分類器，然后將這些二維分類器組合成一個帶有根結點的N層DDAG，在DDAG中，每個二維分類器對應兩類，分布N層結構中，頂層僅僅分布一個根結點，第二層分布著對應兩個級別的兩個葉結點。以此類推，第N層有N個葉結點，對應N個類別。中間共有N（N-1）/2個結點，每一個中間結點是N（N-1）/2個SVM二維分類器中的一個，且每個結點對應一個決策函數。在分類環節，先從根結點開始按設計要求分別錄入分類對象，以該結點所對應的分類函數為依據展開運算，根據運算結果（0或1）確定下一步應該按什么路徑進行分類，然后通過（N-1）次的判別，最后一層結點處的輸出就是最終所屬的類別。圖2給出了一個包含四個類別的有向無環DDAG決策圖。

2 回熱系統故障集合和征兆知識庫

2.1 回熱系統故障集合

結合相關文獻[8-9]對回熱系統典型故障的理論進行分析，同時根據現場運行經驗，將抽汽管道逆止閥卡澀、排氣管道排氣不暢、排氣管道排氣量過大、加熱器管束污染（結垢）、加熱器內部水側短路、加熱器內部管系泄漏、疏水不暢、疏水器故障、加熱器旁路閥故障、加熱器滿水、除氧器排氣帶水、除氧器自身沸騰12個比較典型常見的回熱系統故障作為故障集合，記為uj（j=1，2，…，12）。

根據現場運行經驗可知，回熱系統運行參數的變化情況不合常規，是典型的故障征兆。為了使診斷系統具有實用性和通用性，選取抽汽流量、加熱器抽汽壓力、加熱器進口壓力、加熱器進口水溫、加熱器出口水溫、加熱器混合點前出口水溫、加熱器出口端差、加熱器疏水水位、加熱器疏水溫度9個參數測點（記為xi，i=1，2，…，9）來反映回熱系統的故障表現，這些異常運行參數有的必須通過運算才可獲得，有的則直接從電廠的實時數據庫中獲得。

2.2 訓練征兆知識庫

根據運行系統和現場技術人員的經驗積累可知，運行過程中回熱系統發生的故障與參數征兆表現之間的關系并不十分明確，因此，在利用SVM進行回熱系統故障診斷時，需對故障的征兆進行模糊化處理，回熱系統故障征兆集xi按下列規則取值[9]：

根據上式建立回熱系統典型故障的訓練樣本庫，如表1所示。

2.3 基于DDAGSVM的回熱系統多故障診斷模型

根據回熱系統典型故障類型設計一個12類問題的有向無環決策圖（DDAGSVM）模型，由12*（12-1）/2=132個二維分類器將其中任何兩類故障分開，每個結點對應一個二維分類器。將表1所示的典型故障作為訓練樣本展開分析，將徑向基函數視為核函數建立SVM，已“對訓練樣本分類的錯分率最小”為判斷依據進行參數尋優，分別取徑向基核函數的寬度系數σ=0.1~10，懲罰因子C=10~10000，具體步驟如下。

①選擇寬度系數和懲罰因子（σ，C）建立模型，并對樣本進行訓練，得到最優分類結果。

②在訓練網絡中輸入典型故障樣本，比照樣本實際類別對輸出結果進行歸類分析，建立有向無環決策圖（DDAGSVM）模型分類錯分樣本統計矩陣D=[dij]，其中di，j（i=j，i，j=1，2，…12）為正確分類數，di，j（i≠j，1，2…，12）表示將第i類典型故障分到第j類的個數，令E=∑di，j，（i≠j，i，j=1，2，…，12）為錯分樣本總數。

③假設錯分樣本總數E未達到分類精度，就要按步驟1再進行一輪分析，然后重新進行樣本訓練，直至模型符合分類精度或達到迭代次數才可認定為合格。

在本文所述案例中，當寬度系數和懲罰因子分別為σ=5，C=1000時，將12類回熱系統故障完全正確分類。

3 實例應用

以某電站某300MW機組回熱系統的某加熱器故障為例。該故障發生時的主要征兆為：高加出口端差變大，加熱器溫升（出口水溫）下降，加熱器疏水水位快速上升，加熱器疏水溫度下降。利用上述回熱系統故障參數值進行模糊化處理，得到實時征兆故障模式向量：V=[0.76，0.66，0.77，0.54，0.31，0.23，0.86，0.95，0.21]，利用本文提出的故障模型進行診斷，診斷結果為[-1，-1，-1，-1，-1，1，-1，-1，-1，-1，-1，-1]，說明是回熱系統發生第6類故障，即加熱器管系泄漏，與實際情況相符。

4 結論

本文采用基于支持向量機多分類方法，建立了回熱系統故障診斷多故障分類模型，在總結回熱系統常見故障的基礎上，建立了回熱系統典型故障集，通過模糊規則獲得凝汽器故障征兆知識庫，用有向無環決策圖（DDAGSVM）算法對小樣本情況下回熱系統典型故障診斷進行了研究，實例計算表明，有向無環決策圖（DDAGSVM）算法具有較高的診斷準確率。

參考文獻：

[1]V.Vapnik. Statistical Learning Theory [M].Wiley，1998.

[2]王雷，張瑞青，盛偉，徐治皋.基于模糊規則和支持向量機的凝汽器故障診斷[J].熱能動力工程，2009，24（4）：479-480.

[3]翟永杰，王東風，韓璞.基于多類支持向量機的汽輪發電機組故障診斷[J].動力工程，2005，23（5）：2694-2698.

[4]J.Weston， C.Watkins. Multi-class support vector machines. Royal Holloway College [J]. Tech Rep： CSD-TR-98-04， 1998.

[5]U.Kressel. Pairwise classification and support vector machines. In B.Scholkopf et al (Eds.)， Advances in kernel Methods-Support vector learning， Cambridge， MA， MIT Press， 1999：255-268.

[6]Hsu Chih-Wei， Lin Chih-Jen. A Comparison of Methods for Multiclass Support Vector Machines [J].IEEE Transactions on Neural Networks， 2002， 13(2)：415-425.

[7]J.Platt， et al. Large Margin DAGs for Multiclass Classification， in Advances in Neural Information Processing Systems 12，The MIT Press，Cambridge，MA，2000.

第2篇：動力工程影響因子范文

自1977年恢復高考以來，我國高校招生政策主要經歷了四個發展歷程[1，2]。1977年至1985年我國實行的是在適當地點定期實行全部或局部高等學校聯合或統一招生。1986年至1992年國家采取計劃招生，實行單位委托培養和定向招生及招收部分自費生的雙軌辦法，改變了高度集中的單一招生計劃體制。其后至2002年，國家實行了一系列的招生政策改革，使得我國高等教育實現了跨越式發展。2003年至今教育部實行了擴大高校招生自主權的改革，自此大類招生開始出現。大類招生政策自實施以來，經過近十年的發展和逐漸推廣，迄今100多所“211工程”院校中已有超過一半的高校實行了按大類招生的模式。大類招生是指將相同或相近學科門類的專業合并，按一個專業大類進行招生。大類招生之所以能取得如此快速的發展是由其先進性決定的——大類招生不僅有利于培養創新型人才和按需培養人才，而且還可以幫助高校整合內部資源，提高辦學效益[3]。

由于大類招生屬于新生事物，部分高校實施不久，其潛在的弊端尚未顯露，而按大類招生政策錄取的學生的成績往往隱含著這些信息[4]，因此，對這類學生的成績進行統計分析，發現其潛在的問題，從而提出相應解決方案是尤為重要的。本文以較早實行大類招生的中南大學能源動力類學生成績為研究對象，通過建立Logit對數線性模型，探討生源地和入學年齡對學生成績的影響，進而根據統計結果提出相關對策以進一步完善大類招生模式。

二、數據收集及處理

（一）對象

中南大學有工學、理學、醫學、文學、法學和經濟學等十一大學科門類，有30個二級學院和83個本科專業，是一所典型的綜合性大學。中南大學能源科學與工程學院自2008年開始便實行了按能源動力類大類招生，能源動力類是培養從事動力機械和動力工程的設計、制造、運行和管理等方面的高級工程技術人才的典型工科專業。因此，以中南大學能源動力類學生成績為研究對象建立Logit對數線性模型，分析得出的結論具有一般性，能夠指導綜合性大學工科專業大類招生下學生科學文化素質的培養。本文統計了中南大學能源動力類2009級185名和2010級166名本科生的成績，涵蓋了他們自入學到2012年上學期所學習的所有18門和15門基礎課科目，包括工程制圖、大學計算機基礎、微積分、大學物理、基礎英語等。限于篇幅原因，學生的各科原始成績數據本文不予陳列。

（二）成績評價模型及等級劃分

學生成績綜合測評的方法主要有總分法、算術

[收稿日期] 2014-06-16；[修回日期] 2014-06-26

[基金項目] 中南大學開放式精品示范課堂計劃項目“能源與動力工程測試技術”（2014sfkt223）

[作者簡介] 孫志強（1980-），男，河南武陟人，博士，中南大學教授，主要研究方向：節能與新能源.

平均值法、加權平均法、模糊綜合評判法、層次分析法、因子分析法和主成分分析法等[5，6]。總分法和算術平均值法是對單個學生所有課程成績求出總和或平均數，作為綜合考核結果來對學生進行比較和評定。這兩種方法非常簡單，但沒有考慮課程學分的影響。模糊綜合評判是對受多種因素影響的復雜的對象采用模糊數學的理論與技術進行綜合評判而得到定量評價結果的方法[7]。層次分析法是一種將定性分析和定量分析相結合的系統分析方法，其首先需要將復雜的問題層次化，然后根據系統的特點和基本原則對各層的因素進行對比分析，最后以計算出的最低層相對于最高層的相對重要性次序的組合權值作為評價的依據[8]。主成分分析法是將原來的多個變量適當的組合成一些數量較少的綜合指標來近似代替原來的多個變量[9]。因子分析法是將具有錯綜復雜關系的變量綜合為數量較少的幾個因子以再現原始變量和因子之間的相互關系，在某種程度上可看成是主成分分析的推廣和拓展[10]。這四種方法較為復雜，面對本研究龐大的數據需要花費較長的時間，不便使用。

加權平均法不僅涵蓋了課程的學分信息，而且其計算方法還簡單，故本研究最終選取該方法進行綜合成績的分析。加權平均法一種考慮了課程所占權重的學生成績綜合評價方法，科目的學分越高，該科成績在進行綜合評測時所占的比重越大，其具體計算方法為：

通過計算發現，所取樣本中學生加權平均成績的最大值和最小值分別為90.66和60.77。考慮到這兩數值的大小，本文最終利用成績績點的分界值將學生的成績劃分成優、良、中和及格四個等級：當加權平均成績≥85時，成績為優；當85>加權平均成績≥78時，成績為良；當78>加權平均成績≥71時，成績為中；當71>加權平均成績≥60時，成績為及格。

三、Logit對數線性模型

本文主要探討生源地及入學年齡對學生成績的影響，所研究問題的變量均為稱名變量，有自變量和因變量的區別，而且還有兩個自變量，因此，多變量分析方法中的Logit對數線性模型特別適合于分析此類問題。Logit對數線性模型主要用來探討與解釋因變量與自變量間的關系，通常以最大似然法進行模型估計與檢驗[11]。

（一）建模與自由度計算

考慮到生源地種類有31種，而2009級與2010級能源動力類學生總人數僅為351人，所以，為了滿足Logit對數線性模型的使用前提必須對生源地進行分類[11]。根據表1所示的2010年高考985高校各省錄取率將生源地歸為三類：① 0<錄取率≤1.5；② 1.5<錄取率≤3；③ 3<錄取率。由于大部分學生入學年齡為18或19歲，因此，將學生入學年齡分為兩類：① 18歲及以下；② 19歲及以上。按前述分類后，中南大學2009級與2010級能源動力類學生成績的統計結果如表2所示。

表1 2010年高考全國各省級行政區的985高校錄取率

序號 生源地 985高校

錄取率（%） 類別 序號 生源地 985高校

錄取率（%） 類別 序號 生源地 985高校

錄取率（%） 類別

1 上海 5.129 3 12 四川 2.417 2 23 云南 1.418 1

2 天津 4.378 3 13 福建 2.290 2 24 貴州 1.380 1

3 北京 4.069 3 14 寧夏 2.231 2 25 廣西 1.259 1

4 吉林 3.814 3 15 黑龍江 2.216 2 26 河北 1.191 1

5 重慶 3.690 3 16 湖南 2.122 2 27 內蒙古 1.177 1

6 遼寧 3.527 3 17 江蘇 1.933 2 28 山西 1.168 1

7 青海 3.458 3 18 山東 1.801 2 29 安徽 1.035 1

8 湖北 3.201 3 19 新疆 1.700 2 30 河南 0.987 1

9 海南 3.074 3 20 陜西 1. 687 2 31 西藏 0.979 1

10 浙江 2.790 2 21 甘肅 1.646 2

11 廣東 2.742 2 22 江西 1.437 1

表2 2009級與2010級能源動力類學生成績統計結果

類別 18歲及以下 19歲及以上

優 良 中 及格 優 良 中 及格

1類生源地 4 16 20 4 7 32 26 7

2類生源地 10 31 26 4 13 42 48 14

3類生源地 2 5 7 3 1 9 17 3

A代表生源地，B代表入學年齡，C代表成績等級，則變量A、B、C分別有3、2和4個類別。根據對數線性模型的階層特性（C為因變量，A與B為自變量），則可能建立的五個模型如表3所示。其中，模型1代表三個變量彼此獨立，生源地和入學年齡均與成績等級無因果關系存在；模型2-1只有生源地與成績等級的交互作用，代表只有生源地與成績等級間有關系存在；模型2-2表示只有入學年齡與成績等級有關系存在；模型3表示生源地和入學年齡都與成績等級有關系存在；模型4表示生源地和入學年齡以及這兩者的交互作用都與成績等級有關系存在。

（二）模型擬合優度檢驗結果與分析

在建立三維度列聯表的可能模型后，計算每一個模型的似然比，并進行擬合優度檢驗，其結果如表3所示。其中，似然比計算公式為：

式中，eijk為各細格的期望次數；fijk為各細格的實際次數；i為變量A的類別；j為變量B的類別；k為變量C的類別。

由表3可知，模型1的似然比值為10.831，在自由度為15時，顯著水平p值為0.764，并未達到0.05顯著水平，因此該模型已經可以擬合表2中的實際數據。同時還可以發現，在加入了生源地與成績等級的交互作用和入學年齡與成績等級的交互作用后，擬合結果的顯著水平分別下降至0.698和0.645，其擬合精度有所下降，故模型1是最佳擬合模型。該結果表明，學生成績基本與生源地和入學年齡無關。

現實生活中普遍認為學生成績與班級學風密切相關，為了確定此種觀點是否正確，本文對能源動力類2010級5個班的成績情況進行了統計，其結果如表4所示。從表中可以看出，2010級整體成績最好和最差的班級是能動1002班和能動1001，其成績為良以上的比例分別為70%和25.71%，相差44.29%。這與現實生活中兩個班級的整體表現相吻合，據觀察，能動1002班的學生普遍學習用功，到課率高，而且該班會經常組織同學集體上早自習和晚自習，學風好；而能動1001班相對來說學風稍差，學生學習不夠積極主動，缺課率相比其他班級也要高一些。由此表明，學生成績與班級學風密切相關的觀點是正確的。由于學生成績能反映學生掌握知識和各種能力的程度，是評價大類招生政策下大學生培養方案實施效果如何最有力的標志之一，因此，為了提高大學生的成績，幫助他們更好的成長成才，學校需要將班級學風的建設擺在首位，加強對其的建設以完善大類招生政策下的大學生培養計劃。

表3 可能的Logit對數線性模型及其擬合優度檢驗結果

模型階層 模型 表示法 似然比 自由度 顯著水平

1 lneijk=μ+αA+βB+γC {A} {B} {C} 10.831 15 0.764

2-1 lneijk=μ+αA+βB+γC +αγAC {AC} {B} 6.415 9 0.698

2-2 lneijk=μ+αA+βB+γC +βγBC {BC} {A} 9.668 12 0.645

3 lneijk=μ+αA+βB+γC+αγAC+βγBC {AC} {BC} 5.280 6 0.508

4 lneijk=μ+αA+βB+γC+αγAC+βγBC +αβγABC {ABC} 0 0 1

注：αA，生源地的主效應；βB，入學年齡的主效應；γC，成績等級的主效應；αγAC，生源地與成績等級的交互作用效果；βγBC，入學年齡與成績等級的交互作用效果；αβγABC，生源地、入學年齡與成績等級的交互作用效果。

表4 能源動力類2010級各班成績統計結果

成績等級

班級 優 良 中 及格

人數 所占比例（%） 人數 所占比例（%） 人數 所占比例（%） 人數 所占比例（%）

能動1001 2 5.71 7 20.00 20 57.15 6 17.14

能動1002 3 15.00 11 55.00 6 30.00 0 0.00

能動1003 2 8.70 12 52.17 9 39.13 0 0.00

能動1004 0 0.00 11 37.93 17 58.62 1 3.45

能動1005 1 3.45 12 41.38 15 51.72 1 3.45

注：所占比例是指各成績等級的人數占班級總人數的比例。

四、結論與建議

本文通過對建立的以成績等級為因變量、生源地與入學年齡為自變量的Logit對數線性模型進行分析發現，學生成績與生源地及入學年齡基本無關，而與班級學風密切相關。學風好，班級學習氛圍好，努力學習的人數也就多，成績優秀的人數也越多。所以，加強班級學風建設尤為重要，是提高學生成績最有效的途徑之一。

針對目前逐漸推廣并流行的高校大類招生，筆者認為可以通過以下兩方面的措施來加強學風的建設。

（1）重視入學教育。綜合高校工科專業的學生來自全國各地，他們的學習基礎自然各不相同，在付諸相同努力后，其取得的成效也是各有差異的。有些學生在階段性成績出來后，他們會因為覺得自己已經很努力了但依然趕不上別人而把原因歸結于自己高中的學習基礎差。當他們產生這樣的想法后，他們便會失去學習的沖勁，從而造成成績的下滑。因此有必要在本科生的入學教育中強調高中的學習基礎（與生源地相關）和入學年齡基本與他們大學里所取得的成績無關，而是取決于他們在大學里的學習努力程度。

（2）設立基于班級整體成績的獎學金名額分配機制。校級獎學金的班級名額分配不再以班級學生名額為依據，而是調整為以班級整體成績（班級加權平均分）為基準，根據班級整體成績排名而分配獎學金的名額。班級整體成績能夠很好的反映各班級學風的好壞，將獎學金的名額與班級整體成績掛鉤后，每一位同學的成績都會影響集體的榮譽與利益。在這種情況下，各班級都會積極主動地制定措施來加強自身班級學風的建設，學生的自我管理往往能取得更好的效果。

參考文獻：

[1] 孫華.我國高校招生政策100年述評[J].復旦教育論壇，2007，5（1）：59-64.

[2] 高桂芬.教育公平背景下的高校招生政策研究[D].北京：首都師范大學，2008.

[3] 唐蘇瓊.高校實施大類招生的利弊分析[J].中國高教研究，2009，24（1）：88-89.

[4] 吳兆奇，關蓬萊，吳曉明.考試成績的Logistic回歸模型研究[J].統 計與決策，2007，23（3）：21-23.

[5] 徐則中.基于變權的學生成績綜合評價[J].中國電力教育，2010，26（19）：50-52.

[6] 黃修芝.統計分析方法在成績分析中的應用[J].統計與決策，2002，18（3）：48.

[7] 孫艷，蔡志丹.模糊綜合評判法在學生考試成績評價中的應用[J].長春理工大學學報（自然科學版），2011，34（4）：178-179.

[8] 李瑞蘭.層次分析法在畢業設計（論文）成績評定中的應用[J].長春工程學院學報（社會科學版），2011，12（4）：156-158，176.

[9] 張磊.基于主成分分析法的學生綜合成績分析[J].科技信息，2012，29（4）：113.

第3篇：動力工程影響因子范文

【關鍵詞】鋯合金；碘致應力腐蝕開裂；應力強度因子閾值；開裂速率；模型

0 引言

鋯合金在拉應力和碘腐蝕介質共同作用下所引起的脆性斷裂稱為碘致應力腐蝕開裂，簡稱ISCC。ISCC與單純的拉伸破壞不同，當有碘存在時，鋯合金在低于它的屈服強度下即可發生破壞；它與單純的腐蝕也不同，當有拉應力時，即使碘濃度很小，腐蝕速率也會很快[1]。

ISCC的發生過程一般分三個階段，即孵化期（I）、初始裂紋的形成（II）、裂紋的擴展（III），韌性破裂（IV）。孵化期是ISCC的準備階段，與鋯表面保護性氧化層的弱化所需要的時間有關。在第二階段，裂紋的形成以晶間脆性斷裂為主，開裂速率一般為10-10m/s左右。之后當應力強度因子K超過KISCC，晶粒發生穿晶斷裂，其速率在10-7～10-6m/s之間。K繼續增大，開裂速率保持在一定值之后，當裂紋尖端真應力超過鋯合金屈服強度，則發生韌性破裂，破裂速率進一步上升。鋯合金開裂速率隨應力強度因子K的變化關系如圖1所示。

其中，Y是與試件幾何形狀、載荷條件、裂紋位置有關的形狀系數，σ是試件所受真應力，a是裂紋深度。對于特定裂紋深a的試件，存在某真應力σC，使得超過它時，ISCC進入第（III）階段，穿晶斷裂發生，對應的K稱為碘致應力腐蝕開裂的應力強度因子閾值，簡稱KISCC，代表材料抵抗裂紋失穩擴展的能力[2]。一旦K超過KISCC，裂紋以穿晶斷裂的擴展方式發展，開裂速率急速上升[3]（圖1）。

反應堆中，當芯包閉合發生PCI作用，包殼周向產生拉應力。若鋯合金應力強度超過KISCC，裂紋開裂速率加快，燃料棒則有破裂的危險，因此，研究和建立的計算模型在實際工程應用和燃料包殼破裂失效的判斷中有著重要的意義。

1 KISCC模型的建立

ISCC 的發生是多因素共同作用的結果，可能涉及到的因素有碘濃度、氧分壓、溫度、局部塑性應變、應力強度因子、應變率、應力水平和方向、晶向、織構。其中，影響KISCC最為重要的因素有以下四個：

（1）織構

（2）包殼溫度

（3）快中子注量（E>0.1MeV）

（4）碘濃度

本節就以上四個重要因素展開討論，通過數據擬合得到KISCC的四影響因子模型，并在此基礎上建立計算KISCC的模型公式。

1.1 定量的選取

KISCC模型的建立主要是通過控制變量的方法，即先確定某條件下的KISCC為定量值，然后固定三個影響因素，擬合KISCC隨另一影響因素的變化趨勢。若數據不適合進行這樣的處理時，則該定量做為歸一化因子。本文中，取垂直于開裂面方向的織構為0.33，包殼溫度350℃，未接受輻照，碘分壓100Pa時鋯合金的應力強度因子閾值13.06MPa m0.5做為定量[4-5]。

1.2 織構

800℃以下時，鋯單晶是密排六方晶體，由它組成的晶粒在某些方向上的聚集排列叫做織構。圖2是ISCC發生穿晶斷裂的斷面圖[6]，準解理區由基平面組成，屬于脆性斷裂，而溝槽壁位于棱柱面上，屬于韌性斷裂。碘吸附在基平面上可使表面自由能大大降低， ISCC裂紋在基平面上的擴展加速[7]。準解理面與溝槽壁垂直，塑性變形不對基平面上的張應力起作用，所以基平面與作用力的相對取向是一個關鍵參數，而且織構的影響最為顯著。

恒應力和斷裂力學試驗確證了當基平面與宏觀斷裂表面趨向一致時，ISCC的敏感性增加[8]。對于鋯包殼管，由于芯塊膨脹引起的張應力就是周向應力，最佳的織構是基軸與包殼徑向平行。

織構對鋯合金的KISCC有著重要的影響[9]。當基平面平行于開裂面的晶粒份額增加，即該方向上織構因子f增加時，穿晶斷裂的可能性增加，KISCC值減小。

圖3 是去應力態和再結晶態鋯合金KISCC隨織構因子的變化趨勢[9]。使用13.06MPa?m1/2對KISCC進行歸一化，并利用最小二乘法擬合得到兩種不同退火狀態下KISCC的織構影響因子：

1.3 包殼溫度

溫度對KISCC的影響比較復雜。溫度升高，加快裂變氣體釋放，腐蝕環境惡化[4]，加快碘在鋯合金中擴散速度，影響晶粒內部雜質的含量，殘余應力的分布，合金的周向受力狀態等。但從作用效果上，可將溫度的影響集中在兩個方面研究[4]：

1）降低材料強度而增加材料韌性，促進裂紋尖端的應力釋放；

2）加快腐蝕介質碘對鋯合金的腐蝕作用；

這兩個方面對碘致應力腐蝕開裂的敏感性產生的影響是截然相反的。當溫度升高時，一方面，由快中子和點陣原子碰撞所產生的損傷逐漸被驅除，減輕了中子輻照的硬化效應，使得裂紋尖端的應力更容易因局部塑性變形而釋放，有利于緩解ISCC，提高KISCC。另一方面，環境中的碘向裂縫的傳質速率加快，使裂紋尖端碘濃度增加。碘濃度增加增大碘濃度梯度，促進碘的晶界擴散，碘對晶界的弱化作用加強，裂紋在晶界上的擴展更容易。

溫度升高帶來的韌性增加可用力學性能回復系數[11]表示：

而碘在包殼中的擴散系數用Einstein- stokes公式[12]表示形如：

（4）式若用taylor公式展開，其二次函數就有很好的精度，而（5）為正比例函數。兩種函數之間的位置關系可概括為相離，一個交點、兩個交點（圖4）。它們之間的位置關系反應了不同溫度范圍內兩種作用效果的主導優勢轉化。當韌性增加占優勢時，KISCC增加；當擴散占優勢時，KISCC減小。這樣，在整個溫度范圍內適合用三次多項式擬合KISCC的溫度影響因子。

但是，表1中數據集中在300～400℃之間，并不在整個溫度范圍內，為了提高精度和公式的光滑度，采用二次多項式形式的e指數擬合溫度影響因子：

材料受輻照后，微結構改變（沉淀相的定型化或再溶解，合金元素析出到晶界），大團點缺陷的產生使塑性變形更加困難，內層包殼還會受到反沖核的直接損傷[13]。隨著中子注量增加，ISCC破裂應力逐漸提高，當中子通量在1019-1020n/cm2時，該應力達到最大值，隨后則隨中子通量的增加而降低[14]。

表2給出了各種不同中子注量條件下，鋯合金KISCC值，單從快中子注量來比較KISCC，這兩者之間并不存在直接的關系，但是從它們接受輻照后KISCC的下降幅度，即Kir/K0的比值來看，該比值隨著劑量的升高而增大（表3）。

因此，考慮快中子注量影響因子形如：

由公式（8）的預測知道，當材料所接受的快中子注量為3.0068×1019n/cm2時，與未輻照時的應力強度因子閾值相等，根據羅爾定理，快中子注量在0至3.0068×1019n/cm2時，存在Kir/K0的極值（極大值）。前面提到，當中子通量在1019-1020n/cm2時，材料破裂應力有最大值，因此，該最大值對應的快中子注量的范圍可縮小在1019-3.0068×1019n/cm2之間。

1.5 碘濃度

隨著碘分壓增加，碘濃度梯度增大，加快碘的晶界擴散，促進沿晶開裂。同時，裂紋擴展過渡到快速的穿晶斷裂方式時對應的應力強度因子越低，增強鋯合金發生ISCC的敏感性[5]。

由于溫度波動引起碘飽和蒸汽壓的變化較大，文獻中多以碘分壓的數量級來表示碘濃度，當碘分壓為98kPa時，碘的面濃度近似為0.2mg/cm2[15]，因此，可估計碘分壓P與其面濃度I2之間的換算關系為：

I2=2.0408×10-6P（9）

使用13.06MPa?m1/2對文獻中數據進行歸一化處理，并與換算后的碘濃度制成表4。使用乘冪的形式，對碘濃度影響因子進行最小二乘法擬合，得到關系式為：

1.6 KISCC計算模型的建立

綜合上述織構、溫度、快中子注量、碘濃度四個影響因子，可得出KISCC的模型：

其中：

將公式（11）的預測結果與試驗數據比對（圖5），被圈起來的數據點是沒有被用于公式擬合的點，從圖上可以看出大部分相對誤差在±20%以內。

2 ISCC 開裂速率模型修正

式中，I2代表碘濃度（mg/cm2），T為包殼溫度（K），σ為真應力（pa），a為裂紋深度（m）。實際上，鋯合金發生ISCC穿晶斷裂時，其速率為10-7～10-6m/s[10]，而由公式（12）的預測結果卻趨近于10-8m/s，與實際情況不符。故對公式（12）的預測結果提高兩個數量級開裂速率提高兩個數量級（圖6）。

另外，ISCC的裂紋生長過程主要分為晶間腐蝕，穿晶擴展，韌性撕裂。當KI超過KISCC時，裂紋生長模式轉為穿晶擴展，開裂速率急速上升并在一段應力強度范圍內維持某恒定速率。隨著裂紋深度的繼續增長，KI逐漸增大，當周向真應力σ超過屈服強度σy時，開裂模式轉為韌性撕裂，此時開裂速率又是急速上升。公式（12）并不能反映上述裂紋生長模式的轉變過程，使得公式的擬合與實驗結果相差較遠。因此，考慮為公式（12）添加修正因子：

其中，系數A和B是跟包殼材料相關的系數，理想情況狀態下修正因子的添加不改變原公式數值，該修正因子為1，如圖7所示的虛線。

文獻[18]中，KISCC=4.8，σy=220MPa，包殼厚度L=900μm，固包殼最大所能承受的應力強度因子

將理想修正因子與（13）式的交點放于平臺中點，得到A=3.15。分別取B=10， 20， 55， 110， 220 發現隨著B的增大，實線在屈服強度處越來越陡峭，且當B>110時，這種陡峭趨勢已經不是很明顯（圖7），固取B=110。結合公式（12-13）得到最終ISCC開裂速率公式：

將式（15）與實驗數據[18]對比，得到圖8所示結果。圖中點劃線為公式（12），實線為經過修正后的公式（15），星號為實驗結果，虛線為文獻中公式da/dt=3.9×10-7 ln（KI /4.8）。從圖上可以看出，經過修正后的公式能更好的反應實驗結果的變化趨勢。

3 結論

本文利用文獻中的試驗數據，擬合KISCC的四影響因子，建立碘致應力腐蝕開裂的應力強度因子閾值模型，修正了開裂速率公式，得到結論如下：

（1）KISCC計算模型考慮到了材料織構、包殼溫度、快中子注量、碘濃度、材料類型和熱處理狀態六個方面。經誤差分析，除部分點之外，該模型的大部分相對誤差在±20%之內。

（2）在快中子注量影響因子的建模過程中，采用無輻照情況下鋯合金的KISCC做歸一化因子，使不同實驗條件下的數據有了對比和擬合的可能性。預測當快中子注量的范圍在1019～3.0086×1019 n/cm2之間時，KISCC有最大值。

（3）對原ISCC開裂速率公式添加了修正因子，得到的計算結果與實驗數據吻合較好。

【參考文獻】

[1]楊文斗.反應堆材料學[M].原子能出版社，2006.

[2]王鐸.斷裂力學[M].廣西人民出版社，1982.

[3]Fregonese， M.， et al.， Strain-hardening influence on iodine induced stress corrosion cracking of Zircaloy-4[J]. Journal of Nuclear Materials， 2008，373：59-70.

[4]彭倩. et al.， 溫度對Zr―Sn―Nb合金致應力碘腐蝕開裂的影響[J].核動力工程，2006，27：40-43.

[5]倩， 彭.， et al.， 碘對N18鋯合金應力腐蝕開裂的影響[J].腐蝕科學與防護技術，2005，17：27-30.

[6]Farina， S.B.， G.S. Duffo， and J.R. Galvele， Stress corrosion cracking of zirconium and Zircaloy-4 in halide aqueous solutions[J]. Corrosion Science， 2003，45：2497-2512.

[7]Hwang S K， Han H T. J. Nucl. Mater.[Z]， 1989，161：175-181.

[8]Knorr D， Pelloux R M. Met. Trans[Z]， 1982， 13A：73-83.

[9]Knorr， D.B. and R.M. Pelloux， Effects of texture and microstructure on the propagation of iodine stress corrosion cracks in zircaloy[J]. METALLURGICAL TRANSACTIONS A， 1982，13A：73-83.

[10]IAEA， Iodine induced stress corrosion cracking of Zircaloy fuel cladding materials[C]. 2010： Vienna， Austria.

[11]Torimaru， T.， T. Yasuda， and M. Nakatsuka， Changes in mechanical properties of irradiated Zircaloy-2 fuel cladding due to short term annealing[J]. Journal of Nuclear Materials， 1996，238：169-174.

[12]郁金南.材料輻照效應[M].化學工業出版社，2007.

[13]Isabelle， S.， Lemaignan.Clement， and Joseph.Jacques， Testing and modelling the influence of irradiation on iodine induced stress corrosion cracking of Zircaloy-4[J]. Nuclear Engineering and Design， 1995，156：343-349.

[14]Takeo ONCHI， Hideo KAYANO and Minoru NARUI， J，Nucl.Sci.Technol.[Z]， Sep.1982 V.19（9）：184-192.

[15]Bibilashvili， Y.K.， et al.， Influence of irradiation on KISCC of Zr-1%Nb claddings[J]. Journal of Nuclear Materials， 2000，280：106-110.

[16]K. Norring， Y. Haag， C. Wikstrom， J. Nucl. Mater.[Z]， 105（1982） 231.

第4篇：動力工程影響因子范文

關鍵詞：文化自信；紅色文化；文化認同；高校學生黨員

紅色文化是中國特色社會主義文化的有機組成部分。當前，國內外各類文化思潮的層次性與差異性較為突出，紅色文化以其吸引力、感召力和向心力成為社會廣泛認可的文化。正確的價值觀念是人民群眾的客觀需要，亦是推動社會進步的強大精神力量。紅色文化認同教育在高校學生黨員教育中具有榜樣示范、黨性傳承、道德涵養之功能，因此，提升高校學生黨員的紅色文化認同水平，是新時代促進高校學生黨員全面發展與文化自信培育的內在需要。

一、教育載體：紅色文化認同教育的重要支點

1.“紅色浸潤”儀式性教育。著名教育學家夸美紐斯認為：“一切知識都是從感官開始的。”感性認識是認識活動中的首要環節，為形成理性認識提供豐富的感性材料。“紅色浸潤”儀式性教育是傳統紅色文化認同教育的有益補充，是具有直觀性、感官性、體驗性的體驗式教育形式，具有多維度的教育意義。“紅色浸潤”儀式性教育蘊含豐富的感性體驗，學生在“紅色浸潤”儀式性的沉浸洗禮中深入體察紅色文化的精神力量。將“紅色浸潤”儀式性教育作為紅色文化認同教育的重要載體主要以三個層面為著力點：一是加強“紅色浸潤”儀式教育的規范化，涵蓋教育內容、教育方式、教育目標、教育流程、教育效果反饋及教育活動組織的規范。二是教育內容的方向性與青年化。紅色文化教育是思想政治教育的重要構成部分，具有明確的方向性，需始終與我國社會主義發展方向相一致。當前，高校學生黨員紅色文化教育只有以具有吸引力與感染力的形式呈現，才能進一步提升紅色文化認同水平。三是充分發揮“紅色浸潤”儀式教育的向心作用。高校學生黨員在紅色氛圍中產生情感共鳴并產生正能量體驗，形成革命精神與中國精神的同頻共振，充分發揮紅色文化教育的向心作用。2.“微陣地”指尖微教育。紅色文化認同教育要實現教育空間的遷移，構建教育“微陣地”，善用“指尖微教育”實現“鍵對鍵”與“面對面”的有益補充。第一，就高校學生黨員群體而言，“微學習”是符合其認知特點與具有較強學習吸引力的教育形式。第二，各類微媒體教育平臺應形成教育共同體，全面加強紅色文化教育的時效性與傳播的廣泛性，搭建紅色文化指尖網絡空間，便于高校學生黨員利用碎片化時間接受紅色文化認同教育。第三，以微媒體平臺為陣地反饋教育效果。紅色文化認同教育可通過在線互動等新形式彌補“我教你學、我講你聽”的教育方法的不足，教育主體可通過教育客體的自媒體平臺信息動態深入洞悉其教育內化與外化程度。第四，善用“微陣地”提高紅色文化認同教育影響的延續性與長效性。傳統紅色文化認同教育普遍存在影響時效短、延續性不強的問題，基于此，應重視紅色文化認同教育的系列化與回顧性呈現，充分利用“微陣地”制作系列化紅色文化教育微視頻、微故事、微講堂，通過學生黨員自媒體平臺進行輻射性傳播，提升紅色文化影響力，使高校學生黨員群體自覺成為紅色文化的認同者、學習者、傳播者、堅守者。3.紅色文化符號提升黨員凝聚力。符號既是一種象征物，亦是一種承載信息的介質。紅色文化符號是紅色文化精神的象征，是傳遞紅色文化核心精神力量的載體。紅色文化需要一種便于廣泛傳播以及具有直觀性和視覺沖擊性的載體用以傳承與發展。追溯其源，紅色文化符號是隨著廣大人民群眾物質生活水平提高而產生的精神需求與信仰追求。近年來，紅色文化研究逐步將紅色文化與符號學研究有機結合開展紅色文化符號研究。從符號的功能角度進行探究可知：第一，紅色文化符號具有表述和理解的功能，紅色文化中凝結的紅色文化精神通過紅色文化符號呈現，用視覺化的方式進行表述與闡釋。第二，紅色文化符號作為紅色文化精神的縮影，具有多元化、可塑性強和易于傳播的特征，紅色文化的圖像符號、指索符號及象征符號均有助于紅色文化精神的傳達和保存。紅色文化符號作為具有凝聚力的載體，其傳達功能與表述功能在高校學生黨員教育過程中得到充分發揮。高校學生黨員在紅色精神的感召下，凝聚力進一步提升，進而提升對紅色文化的認同水平，以及加強對文化自信的養成。

二、實踐探索：紅色文化認同教育的三重發展向度

1.紅色文化認同教育場域重構。高校學生黨員紅色文化認同教育的傳統教育場域可概括為三種類型：一是紅色文化認同教育的“短時體驗場域”，即以體驗感受紅色文化精神為出發點舉行傳統紅色教育等社會實踐活動。這種教育活動在活動期間或者活動結束后的短期之內效果明顯，但從長遠反饋來看，部分參與者并未形成真正的紅色文化認同。二是紅色文化認同教育的“碎片化場域”，即以各類型紅色文化元素跨時空組合而成，在此類場域中，紅色文化認同教育不具有系統性、延續性與統一性。三是紅色文化認同教育的“共情化場域”，即紅色文化認同教育以紅色英雄、紅色事跡為載體，以紅色氛圍為依托，以共情為基本手段，使高校學生黨員在接受紅色文化教育之時，對紅色精神達到共情的狀態，以加深對紅色文化內涵的理解。當前，學生黨員群體對紅色文化的認知趨于衰微，紅色文化認同教育呼喚教育場域的重構，需構建具有系統性、遞進性、長時性的教育場域。這種紅色文化認同教育場域以紅色文化內容的縱向傳承、紅色文化元素的整合性、紅色文化認同教育影響力的長效性為特征。以此為目標，將紅色文化中的物質文化資源與人工智能技術與VR模擬技術相結合進行“跨時空”再現，結合大數據技術等將非物質文化資源系統整合，以組合式呈現的方式進行教育。2.紅色文化認同教育生態形成。教育生態學是運用生態學的方法研究教育與人的發展規律的科學，它探討的主要內容是如何構建科學合理的教育生態環境，如何整合校內外各類優質教育資源進而提高教學質量，最終促進學生的全面發展。由此而論，紅色文化認同教育生態的形成需要進一步整合教育資源，從宏觀、中觀、微觀的層面構建國家、政府、社會、學校、家庭的紅色文化認同教育的良性生態環境，在這個生態環境中的各類生態因子互相聯系、互相制約、互相促進。高校在進行學生黨員紅色文化認同教育時，首先應以線上線下相結合的綜合教育環境為紅色文化認同的基本生態，以家庭、學校、社會、政府及國家為該教育生態環境中的各類教育主體因子，各類優質紅色文化資源為教育內容因子，高校學生黨員群體為教育客體因子，各類因子相互配合、相互促進，形成紅色文化認同教育的良性動力循環，不斷促進紅色文化認同教育發展的螺旋式上升與波浪式前進。3.大力培育紅色文化自覺。紅色文化自覺是指身處紅色文化環境的公民對我國紅色文化達到自我覺醒、自我反省與自我構建的水平，并能通過分析紅色文化的形成與發展對其未來趨勢作出清晰的預見。紅色文化認同教育的終極目標是將紅色文化中的精神內核通過教育的方式完成其客體主體化與主體客體化的過程，因此，全社會大力培育紅色文化自覺是紅色文化認同教育的必然發展向度。當前，紅色文化已然成為對高校學生黨員進行教育的寶貴資源，亦成為社會主義意識形態教育的重要載體。大力培育紅色文化自覺與紅色文化認同教育在本質上具有內在契合性，兩者均為高校學生黨員文化自信培育的內在需要，亦成為推動文化自信培育的源動力。

參考文獻：

[1]主持召開文藝工作座談會強調：堅持以人民為中心的創作導向創作更多無愧于時代的優秀作品[N].人民日報，2014-10-16（1）.

第5篇：動力工程影響因子范文

【關鍵詞】有限元方法；渦流檢測；可靠性

0 引言

渦流檢測具有檢測速度快、對表面缺陷反應靈敏等優異性能，在導電材料的缺陷檢測中廣泛應用。隨著渦流檢測技術的不斷發展和檢測要求的日益提高，不僅要求檢測出缺陷的有無，還要對缺陷進行定性、定量分析，進而對檢測對象做出無損評價[1]。在以往的可靠性研究當中，主要有兩種方式來對渦流檢測的可靠性進行分析。一是制造大量試驗管，然后通過采集分析統計的方法來進行可靠性研究。第二種方法是對核電站實際缺陷進行定量后，取出管對缺陷進行解剖測量，再用統計的方法來評估渦流檢測的可靠性。然而前者缺陷加工與計量的偏差對可靠性分析造成了一定的難度和成本的增加；后者由于實際缺陷的偶然性，采樣不夠完整全面，其結果并不具有普遍性[2]。

利用有限元法進行渦流檢測分析時，可以研究理想條件下的渦流檢測，模擬實際檢測條件以進行分析，方便、迅速地得到檢測數據，測量或計算已知缺陷產生的阻抗信號， 從而可以較好的實現檢測對象的定性研究并對渦流定量檢測的可靠性進行分析，能夠很大程度上解決和補充試驗方法的不足。

1 電渦流傳感器的基本工作原理

渦流檢測是建立在電磁感應基礎上的，它利用交變磁場作用下被測工件表面產生不同的渦流分布、大小來反映工件上缺陷的有無[3]。

磁場的變化是通過敏感線圈的阻抗變化來反映的。線圈的等效阻抗Z一般可表示為：

式中：σ、μ分別是被測工件的電導率和磁導率；f是激勵信號的頻率；x是線圈與被測工件之間的距離；r是線圈的尺寸因子，與線圈的結構、形狀以及尺寸相關。可見，線圈阻抗的變化完整而且唯一地反映了被測工件的電渦流效應。實際檢測時，對不需要的影響因素加以控制，就可以實現對上式中某個相關量的檢測[4]。作為接近式傳感器，線圈到被測工件之間的距離與線圈的阻抗直接相關，而表面或近表面的缺陷時，缺陷的存在將引起被測導體電導率和磁導率的變化，進而使線圈的阻抗參數發生改變[5]。

2 定量分析方法

對于缺陷的深度定量分析方法，目前主要有相位深度定量和幅值深度定量兩種方法。

相位深度定量是根據制作的標定管的人工傷深度與響應信號的相位關系制作出一條相位深度判傷曲線，對檢查過程中發現的顯示使用該曲線進行對比進而得出缺陷的深度估計值。幅值深度定量主要采用的是測量不同深度的標定管上人工缺陷的幅值，得到幅值―缺陷深度判傷曲線，對檢查過程中發現的同類顯示使用該曲線進行對比進而得出缺陷的深度估計值。

在核設備管子在役檢測中，由于核設備管子中出現的缺陷與響應信號的相位角及深度之間總是存在良好的對應關系，且這種關系的對應性要明顯優于響應信號幅值與缺陷深度之間的對應性，因此，通常情況下采用以信號的相位角評定缺陷深度的方法。

3 缺陷有限元建模

應用有限元來分析電磁場，其基本原則是，首先將所處理的對象劃分成有限個單元（若干點），然后根據矢量磁勢或標量電勢求解一定邊界條件和初始條件下每一節點處的磁勢或電勢，進而求解出其它相關量，如磁通量密度和地磁場儲能等。計算完成后將結果讀入，進行相應的參數分析[4-5]。

為計算線圈的阻抗，可由線圈模型上某一點的電壓和電流進行求解，時諧分析的計算結果分為實部與虛部，將其分別讀入ANSYS分析軟件的后處理器，可得線圈上的電流為IREAL，IIMAG.（ IREAL 表示電流實部，IIMAG 表示電流虛部），然后根據公式（2）得出線圈的阻抗：

在此，采用的有限元計算模型為用差動式軸繞探頭，采用峰-峰值測量法（VPP法）對管子缺陷進行渦流檢測。如圖1所示，管壁中有一個孔缺陷.設導體電導率為σ，缺陷充滿空氣。

圖1中，r1和r2為線圈的內、外半徑；R1和R2為管的內、外半徑；D為缺陷的直徑；d為線圈的間距；h為線圈高度。以下計算采用的計算參數如下： r1為6.0mm， r2為8.0mm，h為1.5mm，d為1.5mm，線圈匝數為30，頻率為550KHz，R1為 8.4mm，R2為9.5mm， 電導率σ為1.15×106 S?m-1，缺陷寬度從0.05mm-10mm，相對深度（%T）從5%ID-100%-10%OD.（其中ID表示內部缺陷，OD表示外部缺陷，%T表示占壁厚的百分比，下同）。

4 計算結果

圖2是由此計算得出的管子槽寬從0.05mm至10mm，不同深度不同寬度情況下的缺陷相位阻抗關系曲線：

從圖2中可以看出，隨著缺陷寬度的逐漸減小相位變化較快，在最小缺陷寬度（0.05mm）時相位值趨近于最大值。而隨著缺陷寬度增大到一定程度，相位存在最小值。

對缺陷深度的評價，是建立在利用一組不同深度人工缺陷繪制的相位深度標定曲線基礎上的，再將計算結果中各深度下缺陷所處相位角分別對應到相位深度標定曲線上，可以得到對應缺陷的最大深度及最小深度，由此得到缺陷相位定量及偏差范圍，進而可以從上述數據中歸納出以下幾種變化趨勢，以及這些變化在實際檢測中的意義：

1）對于外缺陷，在相同寬度下不同深度管槽的相位角隨著深度加深而單調減小；對于內缺陷，在相同寬度下不同深度管槽的相位角隨著深度加深而單調增大。

2）對于內缺陷，在缺陷寬度較小時單調變化，但在缺陷寬度進一步增大時，內環槽曲線則呈現不同的規律，這時對于內缺陷，在檢測過程中可能存在大于標定曲線100%的相位角從而被誤判為外缺陷，此時判傷曲線已經失去準度，可靠性不高。

3）隨著槽外缺陷深度的增加，相位角極值范圍逐漸變大；隨著槽內缺陷深度的減小，相位角極值范圍也在逐漸變小。由此可得出缺陷深度越小相位的變化范圍越小，檢測結果的深度定量偏差范圍越小，可靠性也就越高。因此對于可靠性定量分析在缺陷寬度很小時具有更大的實用性。

【參考文獻】

[1]姚運萍，韓捷.核電站管道缺陷渦流定量檢測的可靠性分析[J].核動力工程，2009，30（4）：17-20.

[2]徐可北，周俊華.渦流檢測[M].北京：機械工業出版社，2006：21-39.

[3]丁天懷，陳祥林.電渦流傳感器陣列測試技術[J].測試技術學報，2006，20（1）：1 -5.

第6篇：動力工程影響因子范文

關鍵詞：熱電冷聯供經濟性影響因素

一．引言

近幾年來，國內一些城市開始醞釀建設熱電冷聯供系統，即在原有熱電聯產系統基礎上增設吸收式制冷機裝置，利用供熱汽輪機組的抽汽或背壓排汽制冷，使得整個系統不但可以發電和供熱，還可在夏季向用戶提供空調用冷。由于熱電冷聯供系統規模和投資大，系統復雜，運行期間能源消耗多，因而對熱電冷聯供系統的經濟性進行全面深入地分析和研究是非常必要的。本文從國家或一個地區的角度，分析和探討影響熱電冷系統經濟性的主要技術因素。

二．影響熱電冷聯供系統經濟性的技術因素分析

關于熱電聯產經濟性的研究目前已很成熟，故本文僅討論在熱電聯產基礎上加入制冷系統后影響熱電冷系統經濟性的有關技術因素。以下就系統的幾個組成部分，即熱電廠、熱力輸送系統和制冷站，以及冷負荷特性、蓄能裝置等幾方面對各主要技術因素加以分析。

1．熱電廠包括熱電廠機組的型式、容量、初蒸汽參數、抽汽或背壓排汽參數等。

1)機組型式機組型式對系統初投資和運行費的影響很大。燃煤熱電廠主要包括背壓機或抽凝機兩種型式。由于背壓機組初投資低，能量轉換效率高，因而對于新建熱電廠來講，背壓機組經濟性顯然好于抽凝機組。

再看一下在原有熱電廠基礎上擴建的熱電冷系統。假設空調負荷峰谷變化與電力負荷一致。從整體角度看，背壓機組由于制冷負荷的加入而增加了背壓排汽量，進而增加了空調峰期的發電容量。這會減少電網相應容量的電廠初投資，從而使整體系統的投資大幅度降。而抽凝機組在電力高峰期一般會滿功率發電，故在增加制冷用熱負荷后不會減少電網投資。因此，就初投資而言，背壓機組經濟性更具優勢。在運行費方面，抽凝機組所具有的經濟性則好于背壓機組，因為抽凝機組由于供冷而增加的抽汽發電代替了效率低的本機組純凝汽發電，而背壓機組則是代替了效率相對較高的電網機組發電量。由于背壓機組初投資減少對經濟性的影響大于運行費方面的劣勢，使得由背壓汽輪機組成的熱電冷系統經濟性好于抽凝汽輪機組成的系統[1]。順便指出，冷負荷一天之中變化幅度較大，這給熱電廠的運行調節帶來困難。由于鍋爐負荷調節范圍和慣性的限制，背壓機組如何滿足冷負荷的變化是一個殛待解決的問題。抽凝機組因抽汽調節較為靈活而使該問題不那么突出。

隨著人們現代文明和環境保護意識的不斷增強，以油、氣等相對清潔的燃料代替污染嚴重的煤而作為城市使用的主要一次能源以成為必然趨勢，其中包括燃氣輪機、內燃機等型式的熱電廠在城市供熱方面的應用。這種熱電聯產裝置在西方國家使用較為普遍。其特點是熱電比小，發電效率高，單位容量投資少。如果燃料價格較為合理，以這種熱電廠為熱源的熱電冷聯供系統有較好的經濟性。

2)機組容量主要指系統熱化系數的合理選取。空調負荷變化幅度大，可選取適當容量的鍋爐蒸汽在負荷高峰期作為式制冷機的熱源，進而減小供熱機組的容量。這樣，不僅可降低系統的初投資，而且還可提高系統運行效率，使熱電廠運行工況更加穩定。

3)熱電廠初蒸汽參數初蒸汽參數越高，系統的發電效率越高，熱電比越小，會使熱電冷的經濟性越好。當熱電冷系統系統和所代替的發電機組所用燃料的價格在正常波動范圍內時，熱電冷系統年運行成本是隨著熱電比的降低而減小的。因此，熱電冷系統應優先選用高參數的熱電廠為熱源。

4)熱電廠抽汽或背壓排汽參數的降低，會使系統的發電效率增加，熱電比減小，有利于提高熱電冷系統的經濟性。對于吸收式制冷機而言，抽汽或背壓排汽參數在一定范圍內變化對其熱力系數影響不大，但對冷機的出力有較大影響。當蒸汽壓力每降低0.1MPa時，蒸汽型雙效機制冷量減少9%-11%[2]。這表明，當蒸汽壓力降低時，為保證制冷量要選擇內部傳熱面積更大的制冷機，從而增加了制冷站的初投資。因此，熱電廠抽汽或背壓排汽參數對于不同的具體系統應有其最優值。

2．熱力輸送系統包括供熱管網和供冷管網，影響因素主要有輸送介質種類及其熱力參數、輸送系統運行方式等。

1)輸送介質種類由于技術條件的限制，供冷管網的輸送介質只能采用冷水。但該介質輸送冷量的能力小，管網初投資及輸送電耗巨大。近年來國外正在研制以冰漿或在冷水中加入相變材料作為輸冷介質，可使管網輸送冷量的能力大大提高，較大幅度地降低管網初投資，但這種輸送技術目前仍處于試驗階段[3]。

輸熱介質主要指蒸汽或熱水。當以蒸汽作為作為熱網的輸送介質時，供冷系統可采用熱力系數高的雙效制冷機。同時，蒸氣在輸送中電耗低，不需要設置熱力首站換熱設備及泵等。但是，蒸汽在較遠距離的熱網輸送中，壓力損失大，導致供熱機組抽汽或背壓排汽壓力較高，熱電廠熱電比大，且熱網的熱效率較低。這會對系統的經濟性產生不利影響。以熱水作為熱網的輸送介質，可使供熱機組抽汽或背壓排汽壓力較低。同時，熱網熱效率較高。但是，由于管道成本的限制，通常采用直埋管道的熱水網供水溫度大都在120℃以下，供冷系統只能采用熱力系數低的單效機。這會大幅度地增加供冷系統的初投資以及整個系統的運行費。另外，熱水網還有輸送耗電大等缺點。

2)輸送介質熱力參數對于蒸汽網而言是指蒸汽壓力，亦即指汽輪機抽汽或背壓排汽壓力，上文對此已作分析。

對于熱水網而言，輸送介質的熱力參數主要是指熱網供回水溫度，該參數對輸送系統仍至整個熱電冷系統的影響都很大。供水溫度選擇的小,熱電廠供熱機組抽汽或排汽壓力可以降低。但熱水溫度低會使制冷機制冷效率降低，制冷設備的投資及耗電量高。供回水溫差增大,無疑會節省熱網初投資及輸送能耗。但這會導致制冷系數降低，制冷設備初投資增加。因此，從系統的經濟性看，熱網供回水溫度應有最佳選擇。

3)輸送系統運行方式為保證制冷機的出力及運行效率，不希望降低熱網供水溫度，熱網的運行基本上依靠量調節完成。由于用戶熱負荷變化頻繁，導致熱網水的循環流量在很大范圍內變化，且大部分時間在低負荷下運行，常規熱網運行方式將使主循環泵的電耗很大。因此，輸送系統的運行方式對于熱網的低能耗和安全運行有重要作用[4][5]。

3．制冷站包括供冷站位置與規模，吸收式制冷機型式、容量和運行方式等。

1)制冷站位置與規模由于冷水管道的供回水溫差通常在10℃以內，供冷管道輸送能量的能力遠小于供熱管道，相同距離下供熱管道的投資要小于供冷管道。從這一點看，制冷站應盡量靠近用戶。但用戶負荷在地理上是分散的，位置靠近用戶會使單個制冷站規模變小，數量增多，導致制冷設備容量增加，整個系統的制冷站占用空間增大，而且用戶附近的制冷站建筑造價往往更加昂貴。因此，位置靠近用戶又會使熱電冷系統制冷站的投資增大。合理選取制冷站位置與規模是一個較復雜的問題，應從整體供冷系統考慮，全面加以優化。

2)吸收式制冷機的型式、容量和運行方式制冷機的型式主要指單效或雙效。毫無疑問，在條件允許的情況下應盡量使用雙效機。由于空調負荷變化幅度大，制冷站內單臺制冷機容量的選擇，制冷機的運行方式，包括各制冷機之間的負荷分配、啟停順序等，都會影響系統的經濟性。

4．供冷負荷特性包括負荷因子、負荷密度、用戶負荷性質、年最大供冷負荷小時數等。

1)負荷因子指平均負荷與最大負荷之比。負荷因子越小，則設備利用率越低，單位制冷容量的供冷系統初投資越大。與采暖負荷相比，空調日負荷因子要小得多，這會使系統的容量無法得到充分利用。同時，也會給設備的運行效率和調節手段帶來不利。解決問題的有效辦法包括合理選取系統熱化系數和適當設立蓄能裝置。

2)負荷密度指單位社區面積所擁有的冷負荷量。負荷密度大，則輸送系統單位負荷投資小，有利于區域供冷的經濟性。當負荷密度過小，采用區域冷熱聯供的單位負荷初投資過大，就會被分散的供冷方式取代。

3)用戶負荷性質由于建筑物使用功能不同，用戶負荷性質，即用戶之間最大空調負荷出現的時刻，會有所不同。這將使區域供冷系統與用戶獨立設置空調系統相比，設備容量減小。工程上采用系統供冷負荷峰值與各用戶最大冷負荷之和的比值，即負荷同時使用系數以體現這一減小量。各用戶負荷性質將直接影響制冷站的規模和分布，進而影響熱電冷系統的經濟性。

4)年最大供冷負荷小時數年最大供冷負荷小時數主要取決于當地的氣候條件和用戶負荷性質。年最大供冷負荷小時數越大，越有利于運行費低的供冷系統發展。1|2

5．蓄能裝置

當負荷因子較小時，增設蓄能裝置可以大幅度減小系統容量，提高系統運行效率和安全穩定性。對于在已有熱電廠基礎上擴建的熱電冷系統，設置蓄能設備還可提高系統的供冷能力。蓄能裝置對系統經濟性的影響主要取決于該裝置的形式、位置和性能等。

1)蓄能裝置形式如圖1所示，對于熱電冷系統，蓄能裝置有蓄熱和蓄冷兩種形式。

蓄熱按蓄存介質的不同有直接蓄存和間接蓄存。間接蓄存采用某種中間介質作為蓄存介質來蓄熱。這種蓄熱方式的蓄熱溫度較高，如巖和油組成的蓄存介質蓄熱溫度達304℃，而用一種熔化的硝酸鹽作為蓄熱介質蓄熱溫度可達566℃[6]，但間接儲存方式的投資大，而采暖空調所用熱量溫度相對較低，故不宜采取這種蓄熱方式。

直接蓄熱可將待蓄存的熱水或蒸汽直接儲存在蓄熱容器內。直接蓄熱又可分為無壓蓄熱和有壓蓄熱。無壓蓄熱方式最高蓄熱溫度可達95℃，且投資低。有壓蓄熱方式是將蒸汽或高溫熱水直接存蓄在球狀或圓柱形壓力容器內，蓄熱溫度最高可達200℃，適宜于向雙效吸收式制冷機供熱。但有壓蓄熱方式投資大，相當于無壓方式的2至5倍[7]。

蓄冷裝置主要有水蓄冷和冰蓄冷兩種方式。冰蓄冷裝置具有蓄冷量大，結構緊湊等優點。但如果供冷系統采用的是溴化鋰吸收式制冷機，其最低制冷溫度只能達到5℃，無法使用冰蓄冷裝置。

空調用水蓄冷是將冷水直接蓄存于蓄冷容器的顯熱蓄冷方式。主要有分層式蓄冷和隔膜法蓄冷等型式。水蓄冷溫度一般為5℃至7℃，可用于蓄存溴化鋰吸收式制冷機所制取的冷量。但由于以顯熱蓄冷，蓄冷溫度差小(約10℃左右)，因而蓄冷空間較大。

2)蓄能裝置位置蓄能設備的位置對供能系統的經濟性有較大影響。在熱電冷聯供系統中，夏季供冷時蓄能設備可安置在熱電廠中作為蓄熱器，也可安置在冷暖房中作蓄冷器，也可將蓄冷設置在用戶處。蓄能裝置的設立，可使熱源至蓄能裝置之間的系統容量降低和運行效率提高，而蓄能裝置至用戶之間的系統則無改觀。從這一點講，應盡量將蓄能裝置的位置靠近用戶側。但這樣又使蓄能裝置因過于分散而加大了投資。

3）蓄能裝置性能包括裝置容量、蓄能功率、泄能功率和蓄能熱效率等因素。蓄能裝置容量增大有利于蓄能效果的提高，但會增大蓄能的投資。蓄能容量的大小取決于熱電冷系統的構成和負荷特性，需經優化計算確定。蓄能、泄能功率則主要與蓄能容量和負荷變化頻率等因素有關。

從宏觀的角度看，熱電冷系統的經濟性還與電力系統有關參數密切相連，主要指所代替的電網其它發電機組初投資和發電效率。所代替的發電機組初投資越大、發電效率越低，則熱電冷系統的經濟性越好。除技術因素外，一些政策性和市場因素也對熱電冷系統經濟性有較大影響，例如熱電冷系統和代替發電機組所用的燃料價格等。熱電冷系統所用燃料的價格越低，代替發電機組所用燃料的價格越高，與壓縮式制冷形式的經濟性相比，熱電冷聯供系統越有利。由于篇幅所限，不再詳述。

三．結束語

熱電冷聯供系統龐大，影響經濟性的因素眾多。目前國內對熱電冷系統的認識和研究還處于初級階段。本文僅對一些影響系統經濟性的主要技術參數做了定性分析，對該問題更深入認識還需作進一步的定量研究。

參考文獻

1．付林江億熱電冷系統三聯供系統的經濟性分析（待發）

2．戴永慶溴化鋰吸收式制冷技術及應用機械工業出版社

3．GoranMornhedInnovationsinDistrictHeatingandCooling1984-1994andTheirEconomicImpactASHRAETransaction1995

4．付林江億承擔冷負荷的熱水網水力工況模擬計算及其應用熱能動力工程1999.4

5．江億冷熱聯供熱水網的用戶回水加壓泵方案區域供熱1996.2

6．G.培克曼等著蓄熱技術及其應用機械工業出版社

7．S.HORIIetl.OptimalPlanningofGasTurbineCogenerationPlantsBasedonMixed-integerlinearLinearProgramming.IaternationalJournalofEnegyResearchVol.11.1987

AnalysisofEcononicFactorsImpactingonCombinedHeating，

CoolingandElectricitySystem

第7篇：動力工程影響因子范文

關鍵詞： 光伏逆變器； B樣條神經網絡； ARX模型； 系統辨識

中圖分類號： TN711?34； TM615 文獻標識碼： A 文章編號： 1004?373X（2017）07?0167?04

Photovoltaic inverter model identification based on BSNN?ARX

YANG Libin1， ZHANG Haining1， LI Chunlai1， YANG Jun1， WANG Ping2

（1. Electric Power Research Institute， State Grid Qinghai Electric Power Company， Xining 810008， China；

2. State Key Laboratory of Power Transmission Equipment & System Security and New Technology， Chongqing University， Chongqing 400044， China）

Abstract： The photovoltaic inverter is the core component of the photovoltaic grid?connected system. A nonlinear system identification method based on Hammerstein model is introduced into the modeling of the photovoltaic grid?connected inverter， in which the single?phase photovoltaic grid?connected inverter is considered as a nonlinear black?box system with dual inputs and single output. The B?spline neural network （BSNN） is adopted in the static nonlinear link of the Hammerstein model， and the ARX model is adopted in the dynamic linear link. The adaptive learning method based on error learning criterion and least square recursion criterion is employed. The experimental measuring results show that the photovoltaic inverter model identification method based on BSNN?ARX can identify the inverter′s output power with high accuracy under different weather conditions， and provide an effective way to model the grid?connected inverter.

Keywords： photovoltaic inverter； B?spline neural network； ARX model； system identification

0 引 言

光伏發電作為一種清潔的可再生能源，正處在快速發展和大規模應用的階段[1?4]。模型參數的準確性對電力系統的分析尤為重要。文獻[5]利用非線性自回歸模型對光伏發電系統進行建模，所得模型包含了光伏電池和逆變器，可以反應不同天氣條件下光伏發電系統的動態行為，但天氣波動的劇烈程度對辨識效果影響較大。文獻[6]提出了一種基于果蠅優化FOV?Elman神經網絡的光伏電站出力短期預測模型，取得了較滿意的預測效果。文獻[7]采用改進小波神經網絡對光伏發電系統進行非線性模型辨識，但其辨識結果均受不同天氣狀況的影響較大。

本文針對現有光伏系統辨識方法對不同天氣狀況辨識能力魯棒性不強的缺點提出一種基于Hammerstein模型[8?9]（簡稱H模型）的B樣條神經網絡光伏逆變器系統模型辨識方法。該方法在H模型靜態非線性環節采用B樣條神經網絡（B?Spline Neural Network，BSNN）[10?12]。動態線性環節采用自回歸模型（Auto Regressive eXogenous System，ARX），并采用最小二乘法進行參數識別。為了驗證BSNN?ARX模型的光伏逆變器模型辨識方法的有效性，采用實測數據對不同天氣條件下的光伏逆變器進行模型辨識與數據結果分析。

1 B樣條神經網絡ARX模型

1.1 靜態非線性環節

BSNN屬于單層前饋神經網絡，通過B樣條激勵函數實現輸入到輸出的映射，其基函數由一些局部多項式組成，本文采用的BSNN結構如圖1所示。

設輸入信號[uj]在區間[[uminj umaxj]]內，節點設置為[Kj={kj，1，kj，2，…，kj，p}，]區間劃分為[uminj=kj，1

[Ni，j（uj）=（uj-kj，i）22（Δkj）2， ki，j≤uj

式中：[Δkj=（umaxj-uminj）p，][j=1，2，…，q；i=1，2，…，n；][n]是隱含層基函數的個數，[p]是節點數，且[n=p-3；][q]是輸入信號的維數。

多輸入單輸出BSNN的輸出信號[x（u）]可表示為：

[x（u）=j=1qw2j?i=1p-3w1i，j?Ni，j（uj）] （2）

多輸入單輸出BSNN網絡權重從輸入到輸出分為兩個部分：第一部分是每個BSNN網絡中神經元到輸出的權重[w1i，j（t）]；第二部分是[q]個BSNN網絡輸出求和過程中的權重[w2j（t）]。式（2）中第二層的權值更新公式為：

[Δw2j=η2?i=1p-3w1i，j?Ni，j（uj）?（x-x）?1-w2j（t）， j=1，2，…，q] （3）

第一層的權值更新變為：

[Δw1i，j=η1，j?Ni，j（uj）?w2j?（x-x）?1-w1i，j（t）， i=1，2，…，n， j=1，2，…，q] （4）

式中：[η]是學習因子，為了使BSNN?ARX模型收斂，取[0

1.2 動態線性部分

在H模型的動態線性環節采用ARX模型可用式（5）表示：

[y（t）=B（z-1）A（z-1）x（t）] （5）

信號經過BSNN網絡后由多輸入變成了單輸出，對單輸入單輸出線性系統式（5）可以寫成如下表達式：

[y（t）=-a1y（t-1）-…-any（t-n）+b1x（t-1）+…-bmx（t-m）] （6）

式中：[y（t）]是出；[x（t）]是輸入；[n]是[A]的階數；[m]是[B]的階數。模型中待估計的參數[θT（t-1）]可以寫成：

[θT（t-1）=a1（t-1），…，an（t-1），b1（t-1），…，bm（t-1）] （7）

可以采用遞推算法對ARX模型進行建模，則遞歸向量表示為：

[?T（t-1）=-y（t-1），…，y（t-n），x（t-1），…，x（t-m）]

則式（6）可以進一步寫成：

[y0（t+1）=θT（t）?（t）] （8）

式中：[θT（t）]表示[θ（t）]的轉置運算，ARX部分的遞推最小二乘法參數估計如下：

[θ（t+1）=θ（t）+K（t+1）y（t+1）-?T（t+1）θ（t）K（t+1）=P（t）?T（t+1）1+?（t+1）P（t）?T（t+1）P（t+1）=1-K（t+1）?（t+1）P（t）] （9）

式中：[P（t）]是自適應增益矩陣，為了啟動遞推公式，由式（10）確定初始值[P（0）]和[θ（0）]：

[P（0）=α， α∈（104～1010）θ（0）=ε， ε?1] （10）

2 BSNN?ARX算法實現

BSNN?ARX模型由單層B樣條神經網絡級聯ARX模型組成。每個神經元的激勵函數都由式（1）所示的函數表達式構成。為了對BSNN及ARX的模型參數進行識別，將1.1節和1.2節所述算法進行結合，自適應調節部分的具體算法實現如圖2所示。

自適應調節部分程序運行結束后，只執行前向的計算，調整后計算BSNN的輸出YBSNN作為ARX模型的輸入，再根據[θ（tL）]計算ARX模型的輸出，即可得到光伏電站模型的輸出功率。

本文以光伏逆變器直流電壓和電流作為輸入[uii=1，2，]有功功率作為輸出[ytt=1]。基于BSNN?ARX模型的光伏電站模型辨識流程圖如圖3所示。

3 仿真驗證和結果分析

3.1 實驗數據采集與處理

以青海某光伏電站系統為研究對象，分別采集晴天、多云、雨天三種不同天氣條件下的直流電壓、直流電流及輸出功率數據。采樣時間間隔為15 min，每種天氣類型各采集20天數據，將20天的數據分成兩部分，前15天作為訓練組，實現模型相關參數的估計，后5天作為模型的驗證數據。另外，還需要對數據進行預處理，去掉日出前和日落后的無效數據。經過處理的晴天、多云和雨天三種典型天氣條件下的光伏逆變器輸入電壓電流及輸出功率信號如圖4所示。

3.2 性能評價指標

單相光伏并網逆變器的辨識模型與參數確定后，需要對其進行比較驗證，以確保模型的有效性，驗證采用如下指標：

（1） 平均絕對誤差：用來反映預測值偏離真實值誤差的大小。

[eMAE=1ni=1nyi-y*i] （11）

（2） 計算模型輸出與實測數據的平均相對誤差，誤差越小，模型越可靠。

[eMRE=1ni=1nyi-y*iyi] （12）

（3） 計算模型輸出與實測輸出的最佳擬合度，所得數值最大者的精度最高，即：

[fBestFit=1-y-y*y-y×100%] （13）

式中：[y]為實測輸出功率；[y*]為BSNN?ARX模型輸出功率；[y]是實測輸出功率[y]的平均值。

3.3 實驗測試

為了驗證提出的BSNN?ARX模型對光伏并網逆變器建模的有效性，將BSNN?ARX模型與BSNN模型，ARX模型進行比較。BSNN神經元個數取5，激勵函數為二次B樣條函數，表達式為式（1），學習常數取為0.005。對晴天、多云和雨天的數據進行辨識，輸出功率的辨識結果如圖5所示。

從圖5可見，BSNN?ARX模型在不同天氣情況下都可以對輸出功率進行很好的預測。表1給出了不同天氣條件下，訓練樣本和測試樣本的預測誤差。預測誤差采用平均絕對誤差[eMAE]和平均相對誤差[eMRE。]平均絕對誤差反映預測值偏離真實值的誤差大小，平均相對誤差反映該預測誤差的可靠性。

從表1可見，對于訓練樣本，BSNN?ARX模型與BSNN模型相比，平均絕對誤差在晴天、多云和雨天三種不同天氣情況下分別降低了33.02%，53.83%和56.8%，而對訓練數據則分別降低了43.98%，56.79%和66.03%。BSNN?ARX模型與ARX模型相比，對于訓練樣本和測試樣本，平均絕對誤差分別下降了62.23%和57.75%。BSNN?ARX模型的平均相對誤差在三種模型中是最優的。

從表2可見，本文提出BSNN?ARX模型的輸出功率在不同天氣條件下均具有較高的最佳擬合度，平均最佳擬合度為94.74%，并且不同天氣條件下最佳擬合度差異很小，對于天氣條件具有更好的適應性。

4 結 論

本文提出一種基于BSNN?ARX的光伏逆變器模型辨識方法。該方法采用B樣條神經網絡描述H模型的非線性部分，線性自回歸模型描述H模型的線性部分，采用青海某光伏電站的實則數據對晴天、多云和雨天三種天氣進行BSNN?ARX模型辨識與實驗測試。與其他常用的參數辨識估計算法相比，基于BSNN?ARX方法的辨識模型能夠自適應不同天氣條件下的動態變化，并且具有較高的辨識精度，在該方法下構建的辨識模型對于天氣條件具有更廣泛的適應性。

參考文獻

[1] 周德佳，趙爭鳴，袁立強.具有改進最大功率跟蹤算法的光伏并網控制系統及其實現[J].中國電機工程學報，2008，28（31）：94?100.

[2] HU Bo， NONAKA Yuto， YOKOYAMA Ryuichi. Influence of large scale grid?connected photovoltaic system on distribution networks [J]. Automation of electric power system， 2012， 36（3）： 34?38.

[3] 巢睿祺，王杰.太陽能光伏并網系統的控制與仿真[J].電網與清潔能源，2014，30（2）：81?87.

[4] 劉東冉，陳樹勇，馬敏，等.光伏發電系統模型綜述[J].電網技術，2011，35（8）：47?52.

[5] XIONG Xiaofu， ZHENG Wei， CHEN Kang， et al. Identification approach in modeling a photovoltaic grid?tie inverter [J]. International review of electrical engineering， 2012， 7（3）： 4575?4584.

[6] 韓偉，王宏華，杜煒.基于FOA?Elman神經網絡的光伏電站短期出力預測模型[J].電測與儀表，2014，51（12）：120?124.

[7] 鄭凌蔚，劉士榮，謝小高.基于改進小波神經網絡的光伏發電系統非線性模型辨識[J].電網技術，2011，35（10）：159?164.

[8] 王東風，任燕燕，劉長良，等.基于量子遺傳算法的循環流化床鍋爐Hammerstein模型辨識[J].動力工程學報，2013，33（10）：782?788.

[9] HONG X， MITCHELL R， CHEN S. Modelling and control of Hammerstein system using B?spline approximation and the inverse of De Boor algorithm [J]. International journal of system science， 2012， 43（10）： 1976?1984.

[10] 吳忠強，賈文靜，吳昌韓，等.基于PSO?BSNN的短期風速預測[J].電力系統保護與控制，2015，43（15）：36?41.