负荷曲线分类范文（精选7篇）
负荷曲线分类 第1篇
电力系统状态估计是利用量测系统的冗余度来提高数据精度,自动排除随机干扰所引起的错误信息,来估计和预报系统的真实运行状态。估计结果的准确性是对电力系统状态估计的基本要求。
不良数据检测和辨识是电力系统状态估计的重要功能之一,它对状态估计结果的准确性起着重要作用。对输电网来说,由于量测装置多,实测量多,有冗余度,因此传统的不良数据检测和辨识主要集中在输电网,但是传统方法存在残差污染和残差淹没。因此,如何准确地对输电网状态估计中不良数据进行检测和辨识是不可回避的一个研究课题。对配电网而言,由于分布广,节点数目众多,量测装置匮乏,实测量少,需要产生伪量测来补充负荷数据进行配电网状态估计,由于以往采用的将配电变压器容量等方法来补充伪量测与实测数据准确度差别较大,导致配电网状态估计结果不准确甚至不收敛,因此,必须寻找一种新方法来补充与实测数据比较接近的伪量测数据。
本文围绕上述问题,以提高状态估计结果的准确性为目的,以某一节点负荷数据为研究对象,运用数据挖掘中k-means聚类算法并结合有效指数准则,提取出日负荷特征曲线,分别对输电网状态估计中的不良数据检测和辨识、配电网状态估计中的伪量测补充进行了研究。用Matlab编制算法程序并进行仿真分析,结果表明,此方法效果良好。
1 改进的k-means聚类算法
鉴于k-means聚类算法存在其固有的缺点:初始值k的选取直接影响聚类的最终结果,而且有可能出现无解的情况,一般要事先确定聚类个数k是困难的,k的选定需要进行多次试验才能找到。目前k值的确定主要有以下几种方法:
1)经验法,根据问题性质、数据分布来来选择比较合理的k。
2)将全部样本随机分成k类,计算每一类的重心,然后将这些重心作为每类的代表点。
3)按照密度大小来选择代表点。
针对上述问题,要解决上述问题,需对k-means算法进行改进,使其能自动确定聚类个数k的大小。
基于类内距离和类间距离的指数度量方法,这种将有效指数准则与k-means进行结合的算法,一般称为基于有效指数的k-means聚类算法,也叫改进的k-means算法。它可以通过动态地调整参数k,从而自动地确定聚类个数k,使最终的聚类结果达到最优。计算公式为
式中:k表示聚类个数;Zi表示每一类Ci的中心;N表示数据集中的数据的个数;i=1,2,3,,k-1;j=i+1,i+2,i+3,,k。
以上计算公式表明:为了使类内数据有最大相似度,就要使类内数据与类中心的距离最小。这个距离决定了类内数据的内聚性。同时,类间的距离应该尽可能大,因为这样才能使得类与类之间的数据相异度最大即相似度最小。有效指数算法的Inter(k)就是通过计算类间距离的最小值,从而可以保证所有类间距离都大于这个最小值。这样有效指数通过计算Validity(k)的最小值来确定k值。
在上述改进的k-means聚类算法中,k不用事先给定,但是,必须对k做个限制:2kkmax,一般情况下,这里的k是远小于k即k<<N;也就是说聚类的数目k远小于数据的个数N,该基于有效指数的k-means聚类算法的工作流程如下所示。
输入:一个包含N个数据对象的集合;
输出:最佳聚类个数k以及每个聚类所包含的数据,此时的k使得有效指数Validity(k)的值达到最小;
算法步骤为:
(1)选取kmax;
(3)随机选择k个初始聚类中心:C1(1),C2(1),C3(1),,Ck(1);
(4)把每个数据分配到离聚类中心最近的聚类中;
(5)更新聚类的均值,对每个类中的数据求取平均值;
(6)重复步骤(3)和(4),使聚类中心不再改变即收敛为止,然后转到下一步;
(7)计算聚类个数k时的有效指数Validity(k);
(8)比较Validity(k)与先前Validity(k-1)大小,保存使Validity值最小的k;
(9)算法结束,输出最佳聚类个数k和k个聚类中心以及每个类中的数据。
基于有效指数的k-means聚类算法流程图如图1。
改进的k-means聚类算法是在k-means算法中引入了有效指数准则,并将其作为聚类结果的评价指标,在算法执行过程当中,它能对聚类参数进行动态调节并能确定最佳聚类个数k。
2 基于改进k-means的特征曲线提取
用特征曲线的方法来检测和辨识电力系统不良数据,主要包含以下两个部分:
(1)检测某条日负荷曲线中是否含有不良数据;
(2)对不良数据进行辨识,即确定不良数据的具体位置。
相似性和平滑性是电力日负荷曲线非常重要的两个特征。一般也将这两个特征分别称为横向相似性和纵向相似性。相似性即横向相似性是指相邻的几天内类型相同的日负荷曲线的几个峰谷时刻基本相同,曲线的大致形状也非常相似。平滑性即纵向相似性是指一条曲线的相邻点的负荷一般不会有大的变化,(极特殊情况除外,但此刻的负荷数据也被视为不良数据)。不良数据的存在将明显破坏了日负荷曲线的平滑性特征。
从模式识别的角度来说,对不良数据的辨识实际上就是对含有不良数据的日负荷曲线的辨识,这本质上就是一个分类问题。如果能将含有不良数据的不正常曲线模式同正常的曲线模式分开,那么不良数据辨识的任务也就完成了。不良数据的产生是一种偶然现象,不良数据的个数在一条负荷曲线中所占的比例一般都很小。假设曲线X1和X2是相似的,即使曲线X1中存在几个少数不良数据,那么X1与曲线X2仍然相似,不良数据的存在仅仅破坏了曲线X1的平滑性而己。
聚类分析能将高维数据集合划分为很多类,使得同一类内数据对象相似度最高,类与类之间的数据对象的相似度最小即相异度最大。如果存在一种比较好的聚类方法能将曲线X2和含有不良数据的曲线X1分开,并与和其相似的其他曲线聚成一类,那么这一类的代表曲线是一条不包含不良数据的正常负荷曲线,即日负荷特征曲线。本章采用改进的k-means聚类算法对日负荷曲线进行分类,从大量可能含有日负荷曲线中提取出正常曲线模式,即每一类的日负荷特征曲线Xt。本章之所以采用改进的k-means方法,原因主要有两个:
(1)由于有工作日、周末和节假日之分,再加上日负荷的本身两个特征,一段时间内的负荷曲线至少分为两类。
(2)基于k-means的要求2kkmax,并能自动判别最佳聚类个数。
3 基于特征曲线的不良数据处理
3.1 基于特征曲线的不良数据检测与辨识
利用提取出来的日负荷特征曲线Xt对待检测日负荷曲线进行辨识,从而确定日负荷曲线中是否含有不良数据,即确定该日负荷曲线模式是正常曲线模式还是非正常曲线模式,对非正常曲线模式要对不良数据进行辨识,即确定不良数据的具体位置。
由于日负荷曲线的横向相似性和纵向相似性这两个特征,因此有两种不同的不良数据辨识方法。
(1)利用横向相似性检测和辨识不良数据
首先,假设Xd代表待检测日负荷曲线,Xt代表日负荷特征曲线。
考虑待检测日负荷曲线Xd上的第i点,其中i∈{1,2,,M},M为采样点数;它的负荷值为Xd(i),将其与日负荷特征曲线Xt(i)上第i点对应的负荷值Xt(i)进行比较,计算它们之间的负荷变化率δ(i)。公式如式(4)。
然后,统计历史上各日第i时刻的负荷变化率的正常范围,记为[+r,-r]。对比待检测日的第i时刻的负荷变化率是否在这个正常范围,来判断该点是否为不良数据所在点。若δ(i)>+r,或者δ(i)<-r,则待检测日的第i时刻的负荷值被认为是不良数据。
(2)利用纵向相似性检测和辨识不良数据
负荷特征曲线代表了正常曲线的基本特征,它具有很好的纵向相似性即平滑性,这就决定了相邻时刻的正常负荷不可能突变,因此,可以利用特征曲线的平滑性特征来辨识负荷是否为不良数据。
统计历史上该日各采样点的负荷变化率δ(i)的正常范围,记为[+r,-r]。对比待检测日各时刻的负荷变化率是否在该正常范围,以认定该点是否为不良数据点。若δ(i)>+r,或者δ(i)<-r,则待检测日的第i时刻的负荷值被视为不良数据点,然后就必须对其进行修正。
3.2 基于特征曲线的不良数据修正
提取出来负荷特征曲线以后,首先以它为基准来对不良数据进行调整,使得不良数据恢复为正常值。具体方法是将负荷特征曲线Xt的相应部分平移到待检测负荷曲线Xd上。
假设待检测曲线Xd的p点至q点为不良数据,它的特征曲线设为Xt,修正后的曲线设为Xc,采用公式(5)对不良数据进行修正。
最终结果表明,修正后的曲线Xc更加符合了它的日负荷曲线的特征,即使偶尔把正常数据误检,用公式(5)进行修正也不会产生较大偏差。不良数据处理的流程如图2所示。
4 试验及结论
实测节点数据主要来源于SCADA系统,根据不良数据产生的原因可知,不良数据产生是随机的,因而在在数据库中的分布具有不确定性,各类不良数据的出现可能在某一时刻、在同一日连续的时段内等多种情况。因此,能够准确地检测和辨识不良数据,必须综合考虑多种情况。验证聚类方法检测和辨识不良数据的实用性,以我国某地区供电部门的2005年10月~1月每天24点的某节点的实测负荷数据为研究对象,一共有100天的负荷数据。为了测试此方法是否也能对出现在同一日连续的时段内的多个不良数据进行准确辨识,以上面处理过的数据集为研究对象,人为设置一些不良数据点,来测试方法的准确性。
将第6天的第15、16、17点原始数据751.46、754.7、761.19分别增加60%的误差,变为1 202.336、1 207.52、1 217.904,此时日负荷曲线如图3所示。
则对含有这三个不良数据的数据集进行聚类,这样就得到新的特征曲线,结果发现,Validity(2)=0.347 9为最小值,因此最佳聚类个数为2。
第6天负荷曲线与其特征曲线如图4,其中粗实线表示其所属的特征曲线。
第15、16、17点数据的负荷变化率分别为:39.41%、38.71%、37.95%,这几个变化率都不在正常范围内,因此被认定为是不良数据。
应用公式(5)对这些不良数据进行修正,修正后的数值为
修正后的曲线如图5虚线所示。
修正后的数据与其实际值的误差百分比见表1。
仿真结果表明,对于同一日内连续时段的多个连成片的不良数据,基于改进k-means的聚类方法能进行准确的检测和辨识,避免了漏检和误检现象,并且通过表1可知,修正后的数据和实际数据比较接近,从而为输电网状态估计提供了相对精度高的量测值z,排除了不良数据的影响,进而运用状态估计算法(比如加权最小二乘法)来估计状态量x,确保了输电网状态估计结果的可靠性。
参考文献
[1]闫丽梅,张士元,任伟建.基于粒子群进化算法的电力系统状态估计研究[J].电力系统保护与控制,2010,38(22):86-89.YAN Li-mei,ZHANG Shi-yuan,REN Wei-jian.Power system state estimation based on particle swarm optimization algorithm[J].Power System Protection and Control,2010,38(22):86-89.
[2]刘浩.状态估计中不良数据的混合检测辨识法[J].电工技术杂志,1999,11(6):18-20.LIU Hao.Hybrid detection and identification method of bad data in state estimation[J].Electro Technical Journal,1999,11(6):18-20.
[3]李钊年.电力系统状态估计中的不良数据辨识[J].青海大学学报:自然科学版,2001,19(l):49-51.LI Zhao-nian.Identification of bad data of electric power system state estimation[J].Journal of Qinghai University:Natrual Science Edition,2001,19(l):49-51.
[4]叶芳,卫志农,孙国强.基于自动微分技术的电力系统状态估计算法[J].电力系统保护与控制,2010,38(17):91-95.YE Fang,WEI Zhi-nong,SUN Guo-qiang.State estimation of power systems with automatic differentiation technology[J].Power System Protection and Control,2010,38(17):91-95.
负荷曲线分类 第2篇
一、运动负荷测定及曲线的由来
体育课上的运动负荷采集主要有脉搏测量、询问和观察等方法。采用脉搏测量的方法,主要是在体育课上从课的开始到结束,通过相等的时间隔(如3分钟测一次),测定的学生每分钟心跳次数,并将各时间节点与测得的心跳次数绘制在一个坐标系中,连接各点所得曲线便是运动负荷曲线。心跳次数与安排的练习内容、练习方式等有关。采用询问法确定运动负荷时,主要是通过询问学生练习后的身体自我感觉而获得。当学生回答很累、有点累、还行、较轻松、很轻松等感觉时,与之对应的心率也会有所不同,但这种主观感觉的方式往往不绘制心率曲线,而是可以作为教师调控运动量和强度的依据。观察法测定运动负荷,主要是教师通过课堂观察,及时了解和把握学生在练习中的负荷是否适宜,过大过小都可以通过观察判断,并及时做出调整。例如,可以通过观察学生在体育课上的脸色、表情、出汗量、反应速度等判断所承受运动负荷的大小。无论采取哪种方式判断运动负荷的安排是否适宜,都不容忽视。而且,要能够始终以学生的身心健康发展为主线,有效调控练习的次数、组数、时间、强度等。只有这样,体育课的科学性才能够有所体现。2015年5月在武汉举办的第六届中小学体育教学观摩展示活动中,采取了每节课上同时测一名男生和一名女生心率的方式,准确记录了每节课的运动负荷。这样做无形中告诉我们,体育课要重视运动负荷的合理控制。
二、教案中运动负荷曲线绘制的若干现象
有教师对教案上是否要绘制运动负荷曲线产生过疑惑,即不知道教案上是否需要绘制负荷曲线,因为看到有些课的教案上未能绘制负荷曲线图。运动负荷曲线需不需要绘制?以前的教案中关于负荷曲线的绘制都存在哪些不良现象?归纳如下。
1.无负荷曲线要素现象
在对以往的体育课教案进行查阅的时候发现,有少部分教案上找不到“负荷曲线”(或心率曲线)这一要素,也就未能给该要素留有空间。这种现象说明,这部分教师完全忽略了运动负荷大小的控制。可以反映出,对练习活动的安排会带有一定的随意性,或是跟着感觉走的不良现象,结果会给人一种“上成什么样是什么样,上到哪里是哪里”的直观感觉。至于要达到什么锻炼目的,也就很难有效控制和合理判断。同时,教案上有无负荷曲线,也可以作为衡量体育课设计是否科学的一项重要指标。如果没有该要素内容,课与课之间的衔接性,学生发展的递进性,也很难显现。因此,对运动负荷这一要素需要引起足够的重视。
2.有要素但无负荷曲线图
有的教案上已设计有负荷曲线要素这一栏目,但是,却没有填写具体的内容,有的也只是画一个空坐标系放置于此,未能将运动负荷变化情况进行预计,更没有绘制出具有一定规律的图形。这些现象表明,假如教案格式是由教师所在区域的教研管理部门统一设计的,说明顶层设计者考虑到了绘制运动负荷曲线的必要性,只是任课教师未能引起高度的重视。假如是这种情况,与前面谈到的无负荷曲线要素一样,都表明是任课教师对运动负荷的忽视。假如,教案是由任课教师自己设计的具有个性化的范式,说明该任课教师从思想上对运动负荷曲线引起了重视,只是未能将其落到实处。要么方法没有掌握,不知道该如何预计曲线图;要么时间有限,未顾上预计,或等到课后再补。无论是何种原因,只要未绘制负荷曲线都可以看做是不够完整的教案,或教案尚不够规范。
3.有曲线无时间次数刻度标注
假如一份教案上绘制有心率变化规律曲线,既说明重视,还显得比较规范。然而,有些曲线图上却没有标注时间和次数的刻度。这种现象说明,该曲线图与课的实际有可能脱离,有可能是随意画出的曲线。这种情况表明,仍存在应付现象。也就难以准确反映学生在课堂上的心率变化,因此,形式化的负荷曲线要尽可能地避免。
4.有刻度标注但曲线与课不符
教案上既有带时间次数刻度的坐标系,又有负荷变化规律曲线图,显然比前者更进一步。但是,经过认真与课的各项安排进行比对发现,有一部分教案上的负荷曲线的绘制不够准确,即曲线上的心率高低变化情况与课上各部分安排的练习不相符。尽管已考虑到了标注刻度,看似更加规范了,但是,由于与课上的实际不太相符或差异较大,还说明依然未能达到足够的重视。或许这种现象相对较为普遍,但是,主要根源何在?是态度问题还是方法问题?这种看上去“更真但却不够准确”,“更像但却不完全是”的负荷曲线呈现形式,与真正的规范的教案要求仍有距离。
三、规范准确绘制负荷曲线的必要性与可行性
教案上规范准确绘制运动负荷曲线,不仅是十分必要的,而且是可行的。
1.负荷曲线规范准确绘制的必要性
体育课教案上的负荷曲线,代表着一节课上学生参与各项活动时心率发生的变化规律。图形不同,说明学生心率变化有所区分。一般而言,运动负荷呈现类型有如下几种,即标准型、双峰型、前高后低型、前低后高型。实践中各种类型都有可能出现,根据课的内容、类型、目标各异有着不同的倾向性。第一种是运动负荷由小到大逐渐上升到一定水平,在基本部分学习期间持续一段时间以后再逐渐下降。图形上一般是出现一次高峰,这样的负荷曲线变化类型,通常被界定为标准型。第二种是出现两次高峰的双峰型,即学生在一节课上主要是指基本部分承受两次运动负荷较高的练习,特点是有两个明显的或较为突出的心率曲线最高点。第三种类型表现出的是基本部分出现两次一高一低的负荷峰值,且前面的较高,后面的较低。与此相反,还有第四种类型,呈现出的是前面较低后面较高的两次高低不等的峰值。但哪种最为理想呢,一般而言,由于课的类型不同(新授课、复习课等)、课的内容不同(如跳远、篮球、武术等),呈现的负荷曲线结果也不尽相同。但总体上来看,假如是一个最高峰,一般安排在基本部分的中期偏后一点为宜,符合人体机能在运动过程中的变化规律。两个高峰的话也尽量都安排在基本部分,那些在准备部分或结束部分出现最高峰的现象是不妥的。前者容易过早产生身心疲惫之感,后者不利于课后恢复,影响下一节课的学习。
2.规范准确绘制负荷曲线的可行性
体育课教案中的运动负荷曲线的绘制,对于任何一个任课教师而言并不难,难就难在观念未能转变,导致对负荷曲线的重视程度不够,结果就会出现上述各种现象。规范准确绘制负荷曲线一旦观念得以转变,充分认识到绘制运动负荷的重要性,就不会忽视在教案的适当位置绘制负荷曲线图。
除此之外,要考虑能否绘制规范准确的曲线图的问题。实际上,由于大家在教学中安排学生参与各项练习都有一定的经验,甚至有的教案上某项练习的具体次数与时间标注的十分清楚,而且,任课班级的人数也事先已经确定,因此,预计各项练习中学生的心率及其变化应该不是一件难事。这就要求教师根据学校场地器材情况、学生人数,以及教学内容和选择的练习手段、方法等合理规划各项练习的时间和次数,以便于为绘制规范准确的负荷曲线提供保障。
四、绘制运动负荷曲线的过程与方法
体育课教案上绘制运动负荷曲线,假如未掌握绘制的过程与方法,运动负荷曲线就很难体现出规范与准确。如何才能达到绘制要求呢?具体的过程与方法如下。
1.转变观念:绘制规范准确运动负荷曲线的前提
教案中要绘制规范准确的负荷曲线,最为首要的就是要转变观念,即把不重视的认识转变过来,把原有的态度提高认真程度,把未掌握的方法力求掌握等。假如从思想上、认识上、方法上都发生了质的变化,等于为此迈出了重要的第一步。无论是过去处于“不重、不愿”,还是“不懂、不会”的情况,只要迈出了重要一步,就等于具备了绘制规范准确运动负荷曲线的前提。因此,对于每一个任课教师而言,转变观念,强化对运动负荷曲线图绘制的认识至关重要。
2.把握时间:绘制规范准确运动负荷曲线的关键
无论课的内容、练习手段安排如何,绘制运动负荷曲线需要对课中各项练习的时间分配十分清晰,而且,在考虑时间这一关键因素的时候,还要能够区分出各项练习的毛时间和净时间。比如,一节肩肘倒立课,在基本部分,教师讲解、示范以后,组织学生进行3分钟的每人一垫做仰卧举腿等辅助练习,接着是3分钟的两人一组互助性练习……从练习时间分配情况来看,显然看到的都是毛时间,而我们要预计学生所承受的运动负荷时,就要考虑其中某一个学生在各项练习规定的时间内参与练习的具体时间。就集体练习而言,如果练习中无停顿现象,可以算是学生练习的净时间;假如是分组后单人依次练习,就要根据分组人数多少来计算单人在规定时间内可能占用的练习时间,如3分钟的两人一组推送举腿练习,其中一个人的练习时间最多只能是一分半钟,甚至更少(要除去相互交换的时间)。准确把握毛净时间,在课前绘制的负荷曲线就能够提高其准确度,而不至于随意勾画。然而,分清毛净时间绘制负荷曲线,是一项细心的工作,这一要求也体现出,规范准确绘制运动负荷曲线,需要认真的态度。
3.明确方法:规范准确绘制负荷曲线的保障
负荷曲线分类 第3篇
1 试验条件
1.1 测量方法
依据GB/T228-2002《金属材料室温拉伸试验方法》。
1.2 环境条件
室温10-35℃, 相对湿度85%。
1.3 试验设备
微机控制电子万能试验机
1.4 被测对象
材料A3试样尺寸夹持部分直径Φ16mm, 测试件部分直径Φ10mm, 标距长度50mm的试样若干件。
2 试验结果与分析
2.1 曲线分析
图1所示曲线是低碳钢材料 (A3) 使用引伸计拉伸试验时, 拉伸受控速度为1mm/min时的试验曲线, 其分析结果简述如下:
从低碳钢拉伸试验曲线可以看出, 任何碳钢材料使用引伸计做拉伸试验时, 拉伸速度不仅对测试数据有影响, 它对拉伸曲线的形貌也是有影响的, 低碳钢A3材料拉伸试验在拉伸时, 其曲线在上屈服力处不是先沿线弹性直线向上达到下屈服力时, 曲线先向右, 而后向上, 再向下, 再向下来回颤抖向右晃动, 最后再进入下屈服点。这表明试样在拉伸达到屈服力附近时, 材料开始产生不均匀的塑性变形, 负荷-变形曲线出现平台或锯齿, 在此过程中, 外力不增加 (保持恒定) 试样仍然继续伸长, 或外力增加到一定数值时突然下降, 随后, 在外力不增加或上下波动的情况下, 试样可以继续伸长变形, 由于以上某种原因引伸计标距范围外的部分首先进入了屈服状态, 其试样积蓄的轴向变形快速增加, 而释放是试验机传递能量的速度小于试样塑性变形增长的速度, 也就是如果此时试验机横梁位移速度过低, 就不能及时满足试样的屈服流动伸长变形对横梁位移的需求, 就不能例试样在引伸计标距范围内还处于线弹性状态的一段保持其变形的正常增长, 造成引伸计标距范围内这一段试样的变形回弹。
2.2 曲线理论分析 (图2屈服阶段的负荷-变形)
图2的b-c段为屈服阶段的负荷-变形曲线, 这段外力没怎么增加, 而曲线在颤抖着向右移动, 即试样在此应力作用下逐渐伸长, 此时材料已经发热, 说明很多结构元在外力作用下相互滑移换位, 重新组合, 随着不均匀的屈服塑性变形发生, 位错能快速增值, 位错运动速率与外加应力有强烈的依存关系, 它们之间有下式关系:
γ-为塑性应变速率
b-为柏氏适量的大小
p-为可动位错密度
ν-为位错运动速率
由上式可知, 由于屈服前可动位错很少, 为了满足一定的塑性应变速率γ (拉伸机横梁位移速度) 的要求, 必须增大位错运动速率ν, 另外, 在一定条件下, 金属的变形会从滑移机制转变为一孪生机制, 孪晶的成核需要很高的应力, 然而孪晶长大所需的应力往往比成核应力小得多, 所以孪晶一旦成核就会爆发地传播, 在负荷-变形曲线上出现锯齿形波动, 此时如果试样的应变速度超过拉伸速度时, 就会发生载荷波动现象。
2.3 试样加工表面分析
曲线异常现象与试样加工表面粗糙度稍差也有一定关系, 试样的加工多采用车削, 在过渡圆弧处稍有不甚多有扎刀现象, 在加工抗力的作用下, 过渡圆弧处与平行段相衔接处的断面有所减少, 又由于过渡圆弧处的断面有所减少, 又由于过渡圆弧处应力集中的不利影响, 这样的试样在拉伸时出现标距处先进入屈服状态, 就是很自然的现象了, 所以试样的尺寸必须满足标准规定的精度。
3 结论
通过上述分析和试验验证表明, 拉伸速度不仅在过高时对测试数据在影响, 拉伸速度过低同样对测试数据, 特别是曲线形貌有影响, 所在在上述拉伸曲线异常后, 经适当提高拉伸速度。所绘制的负荷-变形都不再异常, 而且曲线所所表现出的初始瞬时效应似乎也有减弱的趋势。
摘要：在材料力学的拉伸试验中, 除了要测定其材料的抗拉、屈服强度等特性外, 还要进一步测取力的负荷-变形全过程曲线, 轴向拉力负荷-变形时最基本的特征曲线, 也是设计机械零件, 评定、选择金属材料的重要依据, 而这些力学性能试验的数据是否准确可靠, 与拉伸时的受控速率密切相关。就金属拉伸对负荷-变形曲线的影响进行分析探讨。
关键词：金属拉伸速率,材料力学试验,电子拉伸试验机
参考文献
[1]施江澜.材料成型技术基础[M].北京:北京机械工业出版社.
负荷曲线分类 第4篇
关键词：核主分量分析,独立分量分析,负荷曲线,估计
1 引言
在解除管制的电力市场下, 由于系统不同部分的归属权和测量成本等问题, 负责电网管理运行的企业很难获得足够的电力系统网络信息, 并且电力系统在运行过程中难免会发生故障, 系统的拓扑结构和网络参数也会随之发生变化, 成为不完全信息状态, 此时只能获得部分支路的潮流数据, 所以需要一种不需要拓扑结构和网络参数的在线算法。目前已有一些学者致力于研究在没有网络参数和拓扑结构的情况有功功率, 无功功率和谐波的估计[1,2], 在这些研究中, 应用了一种叫独立分量分析的盲源分离算法, 这种算法是基于负荷统计特性的。用观测数据通过独立的统计方法的优化函数估计相互统计独立的信息源, 即相互统计独立的负荷曲线。常用的统计方法有熵, 高阶统计, 互信息等。
本文结合了核主成分分析 (KPCA) 和独立成分分析 (ICA) 算法对电力系统负荷曲线实现估计。首先, 对观测数据应用KPCA算法减少数据的相关性, 提高非高斯性, 然后使用ICA算法实现负荷曲线的估计。
2 核主分量分析
KPCA是PCA的一种新算法, 并不基于一个简单的非线性函数[3], 而是一类在再生核希尔伯特空间上借助对比函数完成主分量分析的算法。数据输入空间X= (x1, x2, …xn) ∈RN映射到一个潜在的更高维特征空间下, 把数据转换为更简单的形式易于分析, 核技术的思想就是利用非线性映射把源输入空间的非线性变量映射到某一核特征空间, 使其线性化, 然后在这个特征空间中对被映射的数据进行分析, 在执行核算法时, 并不需要准确计算特征向量Φ, 其中:
只需要用下列核函数计算F中两个向量的内积K (xi, xj) =Φ (xi) ·Φ (xj) (2)
定义x1和x2的相关系数ρF为随机变量f1 (x1) 和f2 (x2) 之间的最大相关系数:
显然, 如果x1和x2是独立的则σF=0, 而且如果F空间足够大, 那么逆命题, 即ρF=0, x1和x2相互独立也成立。通过相关系数ρF的定义, 对比函数可定义为:1
对比函数是非负的, 有且只有当x1和x2相互独立时等于零。
利用再生核希尔伯特空间的思想, 就会使ρF在计算上易于处理。令F是实数集合上的RKHS, K (x, y) 是一个与这个空间相关的核, 用Φ (x) =K (·, x) 表示从输入空间到RKHS的一个映射, K (·, x) 是F空间上以x为变量的泛函。由核希尔伯特空间的再生特性
则有
因此, 式 (7) 的成立使得式 (6) 定义的ρF可以在泛函空间上计算实现。式 (6) 就是正则相关的一种定义。它表明KPCA就是对于PCA问题利用“核”的正则相关分析来计算一个灵活的对比函数。
3 独立分量分析
独立成分分析 (ICA) 是一种新的多元数据分析方法, 是近年备受关注的一种新的盲源信号处理技术。ICA是从未知的线性混合观测信号中分离出源信号S= (s1, s2, …sn) T的算法, si被假定是统计独立的。算法的数据模型是
其中X= (x1, x2, …xn) 是观测信号阵列, An×n为混合矩阵。ICA算法的目的是估计解混矩阵W, 使S=WX的元素尽量独立。
4 负荷曲线估计
4.1 电力平衡
潮流方程中的有功功率和无功功率为:
其中Si是节点i的复数功率, Pi和Qi分别是有功功率和无功功率, |Vi|是是节点i的电压幅值, Yik是节点i与k之间的导纳。在点 (|V0|δ0) 处泰勒级数展开:
上式中fp和fQ分别是 (8) 中第一个和第二个方程中更简化的形式, 一般和是很小且可以忽略的, 假设系统是无损耗的, 而且电压的影响可以忽略, 则方程式可以进一步简化为:
在支路有功功率和电压相位之间也有一个相似的关系
其中, Bf是一个矩形矩阵.将式 (11) 中的△δ代入式 (10) 中, 详细的推导过程见文献[4]。我们可以得到一个有功功率的线性模型:
方程式 (12) 中的矩阵隐含系统的网络参数和拓扑结构。
在文献[1]中, 以成功的将独立分量分析应用于负荷曲线估计。
4.2 负荷信号的统计特性
负荷信号由瞬时变化的快波动部分和以日, 周, 季节为周期的慢波动部分组成[4]。快波动部分是个体负荷的随机活动产生的, 是以秒或分钟计的波动;慢波动部分是由常见的外因形成的, 例如天气, 气候, 温度等, 是以小时或更长时间为周期的。快波动的变化频率很快, 变化幅值很小, 而且因为是随机产生的所以相互之间没有相关性;而慢波动部分是变化频率低, 变化幅值也比快波动变化的大很多, 由于产生慢波动的外因使其具有相关性。因此, 负荷信号间不是统计独立的。
5 仿真及结果分析
5.1 电力系统负荷曲线估计步骤
(1) 应用线性滤波器分离出负荷的快波动部分。 (2) 对应用KPCA算法。 (3) 将在线ICA算法应用于经步骤 (2) 后的数据, 得到解混矩阵W。 (4) 用步骤 (3) 中估计得到的分离矩阵与负荷信号的的慢波动部分相乘获得负荷曲线。 (5) 通过历史数据, 应用最大相关系数原则对估计的负荷曲线重排序。 (6) 用峰值法拟合排序后的负荷曲线。实验基于IEEE-14母线系统, 设一个平衡节点, 3个为PV节点, 还有两个没有连接外部负荷的负荷节点, 其余节点为待估计节点。通过本文中提出的结合算法得到8个负荷节点的负荷估计, 即图1中的虚线所示, 实线为实际负荷曲线。
6 结论
本文将KPCA算法与ICA算法结合应用于电力系统用户负荷曲线的估计, 并在在IEEE14节点系统中进行仿真验证, 以支路潮流为观测值, 应用结合算法估计了8个点的负荷曲线, 由于经KPCA算法处理过的信号提高了非高斯性, 因此改进了ICA算法收敛速度慢和难于收敛的不足, 实验也证明, 结合算法有更好的准确性, 和稳定性。
参考文献
[1]H.W.Liao and D.Niebur, "Load profileestimation in electric transmission networksusing independent component analysis[J], "IEEETransactions on Power Systems, vol.18, pp.707-715, 2003.
[2]吴小培, 李晓辉, 等.基于独立分量分析的谐波估计和消除[J].电工技术学报, 2003, 18 (4) :56-60.
[3]J.J.Grainger and W.D.Stevenson.Powersystem analysis.New York:McGraw-Hill, 1994.
负荷曲线分类 第5篇
1 基于负荷曲线进行用户分类的意义
作为需求侧管理的一部分,现代意义的电力营销更加注重在保证售电商合理利润的前提下销售电力商品的使用效率,促进电力工业的可持续发展。基于用户用电特性的分类方法通过用户曲线与系统曲线的对比,为电力公司选择用户、采取各种价格措施,如峰谷分时电价、可中断电价、避峰电价等影响用户用电行为、改善系统负荷曲线形状提供有益参考,促进电力系统的生产和运行效率的提高[2]。
电力消费市场细分是指根据不同电力消费者的电力需求特点、用电行为和用电习惯等不同特征把市场分割为若干个相类似的消费者群体。由于不同的用电行为对电力系统的生产运行成本影响不同,因此,基于负荷曲线的用户分类是电力消费市场细分的基础[3]。
2 负荷曲线的正规化处理
假设对于每一个用户能够观测到多日(如一个月)的日负荷曲线。由于用户的用电行为因不同季节的工作日、休息日而有所不同,因此首先将观测到的日负荷曲线按不同季节的工作日、休息日分类。下文负荷曲线均指按此意义分类完毕后的工作日曲线。为消除各种偶然因素的影响,对每一用户负荷曲线求平均值,以平均后的负荷曲线作为该用户的代表曲线。
记最大负荷为Pmax,第h时刻的负荷为P(h=1,2,,t),以Pmax为正规化因子对负荷曲线进行正规化处理,则有undefined,其中xh为正规化后的负荷曲线第h时刻值。以下所指负荷曲线均为正规化后的代表性日负荷曲线,对用户的分类即为对用户负荷曲线的分类。
3 模糊C均值聚类法
3.1 算法描述
模糊C均值聚类方法中,每一个数据点按照一定的模糊隶属度属于某一聚类中心。首先随机选取若干聚类中心,所有数据点被赋予对聚类中心一定的模糊隶属度,然后通过迭代方法不断修正聚类中心,迭代过程以极小化所有数据点到各个聚类中心的跳高与隶属度的加权和为优化目标[3,4]。目标函数为:
undefined
n为负荷曲线数量。
c为事先指定的聚类数。
kx为第k条负荷曲线,以向量表示。
vi为第i类负荷曲线的中心,迭代停止时为第i类负荷曲线的聚类中心。
μik为第k个用户隶属于第i类用户的隶属度。
每一次迭代过程中的迭代中心及隶属度分别由公式(2)和(3)更新
undefined
其中:r为迭代次数。
m为模糊化变量,通常取m=2。
聚类过程如下:
Step1令m=2,对c(2c
Step2根据公式(2)和(4)计算vundefined和(dundefined)2。
Step3由公式(3)计算μundefined。
Step4对于给定阈值ρ,若有
[J(r+1)-J(r)]<ρ (5)
则聚类过程停止,否则返回至Step2。
模糊C均值聚类在聚类结束时会生成聚类中心和隶属度矩阵,该矩阵表示每条曲线相对于各分类的隶属程度。根据最大隶属度原则可以判断每条曲线所属的分类,实现聚类目的。
3.2 聚类有效性检验
由于模糊C均值聚类方法需要事先指定分类数,因此,有必要进行聚类的有效性检验,以此为基础,综合考虑负荷数据获取的经济性以及实际需要,选取适当的分类。直观上,有效的分类具有以下特点:①同类曲线间距离较小。②非同类的典型曲线间距离较大。③在聚类生成的隶属度矩阵中,每条曲线的最大隶属度的平均值较高。因此,可以引入以下检验指标[5,6]:
undefined
ν(i)为第i类曲线的聚类中心。
X(i)为第i类中所有负荷曲线的集合。
I1描述了同一类中的所有负荷曲线与该类负荷曲线中心的距离,因此该指标为逆指标。
undefined
其中undefined(X(i))为同属于第i类的所有曲线之间的距离;undefined(V)为聚类中心之间的距离之和。分母数值较大时,类与类之间的差别相对明显。分子的数值较小时,同类曲线具有较好的相似性。因此,该指标为逆指标。
undefined
Umaxk为第k条负荷曲线在隶属度矩阵中的最大隶属度。在聚类相对清晰有效时,曲线k应具有相对于某一分类的较大的隶属度。因此,该指标为正指标。
3.3 模糊聚类在大用户负荷特性分类中的应用
本节选取某市25个主要用户2005年的负控数据作为研究对象,数据格式为每日 24点采样,取年平均后,得到 25 条曲线:通过综合比较,将负荷曲线分为六类较为适当。其中第一类曲线:第 15、24 条;第二类曲线:第 3、4 条;第三类:第 1、5、7、8、21、25 条;第四类:第 9、11、12、13、16、18、22 条;第五类:第 2、6、10、17、20 条;第六类:第 14、19、23 条。根据这六条曲线可以得到如图1所示的用户特征曲线。
由图1可知,第一类曲线从上午8时左右开始快速攀升,至12时左右达到早高峰,随后负荷率略有下降,但仍处于较高水平,直至晚19时左右,随后呈较快下降趋势;第二类曲线从凌晨6点左右开始上升,早高峰在13点左右,然后略有下降,从16点左右又开始上升,晚上21点左右出现晚高峰,随后开始下降;第三类曲线从上午8点到晚上22点左右负荷率都比较高,其余时段都处于低谷,类似于较为典型的商场负荷;第四类曲线相对平稳,负荷率较高,从上午9时至晚21时保持相对较高的负荷率,高峰出现在11时左右;第五类曲线从上午9时左右开始上升,高峰出现在12时左右,随后虽有起伏,但总体呈下降趋势;第六类曲线从上午8时左右开始上升,在上午10时至晚18时负荷率保持在较高水平,并在上午10左右达到高峰,18时以后开始下降。
通过用模糊聚类方法,原本隶属不同行业的用户在负荷特性上会有较大的相似性,也就是可能会属于一个类,而以往的做法往往是先划分行业再分析同行业的用户,使得不同行业的用户之间本来潜在的一些共性和联系没有被发掘。
4 构筑负荷曲线的意义
构筑负荷曲线的理论依据:先将系统的用电负荷分行业,求得分行业典型日负荷曲线,然后根据分行业典型日负荷曲线和构筑的分行业最大负荷转换叠加得出构筑的典型日负荷曲线。该方法需要分析行业用电与负荷特性的关系,并需要得出分行业的基本负荷曲线和分行业的最大负荷。由于分行业叠加法能有效地反映产业结构、用电结构变化对负荷特性的影响,成为构筑日负荷(分行业负荷)曲线的可行方法。
5 结束语
本文主要采用了模糊聚类方法中的C均值聚类算法对不同行业不同用户以及同用户不同时间的负荷曲线进行分类和分析比较,模糊C均值聚类算法本质上就是将一堆数据按距离的长度分类,因此这里存在着一个最优化的问题:就是当C取多少时,聚类的效果最好。为了能判断分类数C的恰当与否和分类的结果是好还是不好,在此定义类间分辨率。对某一聚类中心Vi,它与其它聚类中心的距离的最小值是dundefined,在属于该聚类中心的所有原始数据中,每个原始数据与该聚类中心都有一个距离,这个距离中最大的距离记为rundefined,这个距离的平均值记为undefinedi,则类间分辨率的好坏由如下两个公式的值来判断:
undefined
如果数据分布的较为合理,则每个聚类中心周围都应聚集着一定数量的原始数据,且rundefined应该小于dundefined,且αi应该大于1,同时αi比βi小,β越大,说明那些属于某一类的数据点越接近聚类中心。当分类数从小变大时,α也会从小变大,直到达到一个极大值,也就是说此时的分类效果最好。然后由于分类数c的增加,α又会开始变大,并远大于第一个极大值,所以在取相对最合理的分类数时,以取α的第一个最大值为宜。而β则作为一个辅助判断量,它只是说明了分类时数据围绕在聚类中心的程度。
摘要：应用数据挖掘技术研究用户的负荷特性分析。采用模糊聚类方法对典型行业典型用户的负荷特性进行分析,将用户分类,然后在分类后的曲线的基础上构筑负荷曲线。
关键词：负荷曲线,特性分析,数据挖掘
参考文献
[1]赵希正.中国电力负荷特性分析与预测[M].北京:中国电力出版社,2002.
[2]陶莉.峰谷电价政策对负荷特性的影响[D].南京:东南大学硕士学位论文,2004.
[3]李波波.模糊聚类在电力用户分类中的应用[J].需求侧管理,2005,7(9):18-21.
[4]赵德应,李胜洪,张巧霞.气温变化对用电负荷和电网运行影响的初步探讨[J].电网技术,2000,24(1):55-58.
[5]李扬,王治华,卢毅,等.南京市夏季气温——日峰荷特性分析[J].电网技术,2001,25(7):63-66.
[6]张祥,肖达强,廖可贵.华中电网用电负荷与气温关系分析[J].华中电力,2001,14(2):51-53.
电力用户负荷模式分类 第6篇
关键词：负荷模式,聚类算法,负荷预测
0 引言
电力大客户绝大部分为工业企业用户, 研究工业企业用户的负荷模式对于掌握区域负荷的空间分布有重要作用。并且, 大型的企业在管理上由于生产安排有一定规律, 因此许多日负荷曲线是“相似”的, 企业的日负荷曲线总体上可能只呈现一定数目的负荷模式。通过研究企业历史负荷曲线数据, 再根据企业自身的生产安排, 可以预先确定企业未来的负荷的大致情况。通过仿真表明, 本文的研究方法对大型企业是比较有效的。
1 电力负荷的模式分类
1.1 近邻测度
近邻测度包含相似测度函数与不相似测度函数。两个向量 (可看作序列或曲线) 之间相似性越大, 其相似测度函数的函数值也越大, 其不相似测度函数的函数值就越小;反过来, 两个向量之间相似性越小, 其不相似测度函数的函数值就越大, 其相似测度函数的函数值就越小。
对两个向量x, y, 以下举例3种常见的不相似测度:
举例3种常见的相似测度
将这个理论运用到电力负荷曲线中, 量化负荷曲线之间的相似程度, 从而将同一电力客户的日负荷曲线分类成不同的负荷模式。
1.2 日负荷曲线聚类算法
假定已知n条日负荷曲线, 设可以分成m类, 1≤m≤n, 聚类数m未知, 并且日负荷曲线将会不断增多, 即每过一天后日负荷曲线的数目将会变为n+1。
假设存在一个非空集合Ci奂X, Ci中的元素都是相似的, 设Ci的元素个数为l, 记Ci中的全部元素为y1, y2, …, yl。对X中的元素xk∈X, 扩充测度函数s (xi, yi) 的概念, 用S (xj, Ci) 表示元素xj与集合Ci之间的测度。设y赞为集合Ci中所有元素y1, y2, …, yl产生的中心,
中心可以有多种方法定义, 最常见的为平均向量作为中心
采用相似性测度函数ssimi (xi, xj) 表示元素xi, xj之间相似度sdissimi (xi, xj) (采用不相似测度函数的的情况类似, 仅仅是比较的符号>和<互换, 不再详述) , 根据ssimi (xi, xj) 定义Ssimi (xk, Ci) 表示元素xk与类中元素Ci之间的相似度。设xk∈X, k=1, 2, 3, …, n。用Ci表示第i个类, 1≤i≤m。设定两个大小不同的阀值θ1、θ2并令θ1>θ2。如果Ssimi (xk+1, Ci) >θ1, 则认为xk+1将聚类到Ci是可靠的;如果对于每一个Ci均有Ssimi (xk+1, Ci) <θ2, 那么也认为建立一个新的类Ci+1={xk+1}也是合适的;对于剩下来的那些元素xj, 重新运用以上方法来进行聚类 (这个做法的意义是, 由于每次Ci更新后可能会使一些原来无法聚类到Ci的元素符合聚类条件并聚类到Ci中去) 。不断进行这个过程, 假定始终存在某些元素无法处理, 那么对这些剩下来的元素, 要么建立一个新的类, 要么聚到最相近的类中去。该算法的优点在于聚类的结果不受元素xi的排列顺序影响。下面描述双阀值的聚类算法:
(1) 设定阀值θ1、θ2并令θ1>θ2。并建立一个数组clas (i) =0, i=1, 2, …, n, 作为每个元素xi的标志。
(2) 将x1当做第1个类, 即C1={x1}, 此时令k=1, m=1。
(3) 假设前k个元素已经产生m个聚类, 若k<n, 即第k+1个元素xk+1还没有被聚类。那么从1到m开始逐个检验类Ci, i=1, 2, …, m, 找出令Ssimi (xk+1, Ci) 值最大的Ci, 设为Cp, 1≤p≤m。若Ssimi (xk+1, Cp) >θ1成立, 将xk+1并入Cp, 并且更新Cp, 然后令k=k+1;若Ssimi (xk+1, Cp) <θ2成立, 那么创建新的类cm+1={xk+1}, 同时令m=m+1, k=k+1;若Ssimi (xk+1, Cp) <θ2, 元素xk+1暂时被放下, 并令相应的标志数组clas (k+1) =1。
(4) 反复进行步骤 (3) , 直到k=n。
(5) k=n时, 说明集合X已经经过一轮的处理, 剩下的所有标志clas (i) =1的元素组成新集合X′, 对X′中的元素xj与当前已存在的类Ci, i=1, 2, …, 的相似度进行检验, 通过和两个阀值θ1、θ2的比较, 决定xj是并入某一个已有的类Ci中, 或创建一个新的类并令m=m+1。如果xj聚类成功, 令标志clas (j) =0;若xj依然无法合适地聚类, 那么标志保持clas (j) =1。
(6) 反复进行第 (5) 步, 对标志clas (j) =1的元素xj继续聚类。直到出现以下两种情况之一:1) 所有元素的标志clas (j) =0, j=1, 2, …, n, 即所有元素已被聚类, 聚类成功, 算法终止;2) 剩余的所有标志clas (j) =1的元素经过一轮聚类后, 没有任何元素被聚类, 即所有标志clas (j) =1依然保持为1, 没有任何标志clas (j) 由1转为0, 这时转入步骤 (7) 。
(7) 设定一个合适的阀值θ3, 将剩余的标志为clas (j) =1的元素xj与目前存在的所有的类Ci的相似度进行比较, 并找出最相近的类Co (即Ssimi (xj, Co) 的值最大) , 若Ssimi (xj, Co) >θ3, 将xj聚类到Co中去;若Ssimi (xj, Co) <θ3则令xj建立新的类。这样全部元素均已处理, 算法终止。
1.3 实际数据分析
图1为某电子制造企业的71天的日负荷曲线如下 (包含3、7、8月, 日负荷曲线为每隔15分钟采样一次, 共96个数据点) 。
对图1的日负荷曲线进行模式分类, 按公式 (2) 的算法进行聚类, 聚类的近邻测度函数采用Pearson系数 (式5) 与欧几里得距离 (式1) 。采用多个近邻测度函数时算法的逻辑上会变得复杂, 但容易取得较好的效果。分类结果得到5类曲线, 如下组图2-图6所示。
2 在确定客户未来日负荷曲线中的应用
企业的负荷曲线分类之后, 企业根据生产安排、过往用电量等的历史数据, 可以大致估计出未来数天的日用电量, 由日用电量这个参数进行匹配可以确定企业未来数天的负荷模式。并且, 企业在一段时间内负荷模式不变。
假定企业在一段时间内负荷曲线基本上是相似的, 除去周末或停产维修等特殊情况, 那么企业很容易预测出下一天的负荷曲线。如下图为从图1中挑选出连续8天 (2014年8月8日~15日) 的日负荷曲线 (图7) 。
通过负荷模式分类很容易将明显不同的一条负荷曲线区分出来, 得到图8的结果, 被单独区分曲线实际对应的日期为8月10日 (周日) 。
假设下一天 (16日) 的负荷模式与 (a) 类相同, 日负荷曲线是相似的。取该负荷模式中最近三天 (13、14、15日) 的曲线来确定下一天的日负荷曲线, 见图9。
用向量l1, l2, l3表示这3条曲线, 把向量看作序列, 用表示每个向量的平均值, σ1, σ2, σ3表示标准差, 令
将向量l1, l2, l3分别减去自身平均值, 再除以自身的模长 (欧几里得长度) , 得到图10结果, 用l1*+l2*+l3*表示, 这3个序列中每个元素都在-1到1之间。将l1*+l2*+l3*相加取平均得到ltyp, 如图11。
令εi, li*-ltyp, i=1, 2, 3, ε1、ε2、ε3共3×96=288个数据。求出这288个数据的平均με值和方差σε, 对这288个数据落在的区间进行统计, 得到表1。 (με=0, σε=26.996×10-3)
更直观地, 用坐标轴来表示。图12、图13的相似性说明了序列ε1, ε2, ε3是符合正态分布的。通过多个例子验证, 大量的统计数据表明, 总体上来序列{εi}符合正态分布。
上述结果表明13、14、15日的日负荷曲线归一化后都是ltyp由和一些符合正态分布的“误差”序列{εi}合成的, 可以将{εi}当成白噪声来对待。并且当确定16日企业的负荷模式与前三天相同时, 可以认为16日的负荷曲线归一化后同样由ltyp和一些符合正态分布的“误差”序列{εi}合成。因此, 要确定16日的日负荷曲线l4, 只需根据ltyp, 并估计16日的平均负荷 (或者换个说法, 估计出日用电量, 然后除以24) , 将前三天的平均标准差σ軍作为l4的标准差σ4, 即可求出16日的日负荷曲线, 实际日负荷曲线与预测结果如图14所示。
3 结论
负荷曲线分类 第7篇
随着科学技术日新月异不断的发展,供电企业的用电营销管理工作进入了信息化的时代,已经实现了用电信息的“五遥”及其他功能。在电力用户用电信息采集系统实用化运行后,短短的时期内就为供电企业的用电营销管理工作提供了极为便利条件,尤其在防窃电,防用电计量装置接线错误两个方面显示了强大的生命力,根据电力用户用电信息采集系统里的电流、电压及其他的曲线基本上可以判断计量装置接线的正确与否。电能计量的公平、公正、准确、可靠直接影响到供、用电双方的利益。电能计量工作的好与坏,要求电能表、互感器及负荷控制终端的检修、检验符合有关规定,更重要的是计量方式合理、接线正确。由于人为因素造成的错误接线,会使电能表不转、反转、少转,或快转,直接影响到供电企业、用电用户双方的经济利益,势必破坏和谐的供用电市场秩序。本文通过对电力用户用电信息采集系统的一起特殊的负荷曲线理论分析与现场检查得出准确的结论,用电营销人员使用电力用户用电信息采集系统过程中在第一时间内掌握这类典型的、不容易发现且具有非常隐蔽性的错误接线方式,进而及时查处,在最大限度内减少供用电双方的经济损失,从而营造一片和谐的供用电市场秩序。
1 计量装置特殊接线分析
宁夏公路管理局石嘴山分局平罗养护中心为100KVA专变客户,计量方式为高供低计,三相四线电能表型号为DTSD194,表号0000137507,穿心式电流互感器变比150/5。2011年1月3日,在电力用户用电信息采集系统中查看该用户的实时电流曲线时,发现A相电流在电流曲线图中始终为负值(日电流、功率曲线图分别如下),96个瞬间电流采样值与B相瞬间采样值电流的绝对值相等,C相电流采样值的绝对值比A、B两相电流采样值的绝对值较大,这主要由于负荷的不平衡造成的(该用户主要的用电设备为供热锅炉与办公照明)。
据此似乎可以初步判定该计量装置的错误接线方式为A相计量回路极性接反,B、C两相计量回路接线正确,但是在瞬间功率曲线图中也发A相计量回路极性接反,B、C两相计量回路接线正确的结论出现了矛盾。到现场检查发现错误接线实际为A、B两相计量回路K2接线串接,C相计量回路接线正确。否定了先前的错误接线判定:A相计量回路极性接反,B、C两相计量回路接线正现A、B两相计量功率并不相等,这与前面判断的接线方式确。
现在以B、C两相计量回路K2接线串接,A相计量回路接线正确进行理论分析计算更正系数。错误接线情况如图3所示。
根据上图可知:第一元件电压为
第二元件电压为
第三元件电压为U
由各元件所接电压、电流可画相量图如图4。
第一元件功率表达式:
第二元件功率表达式:
第三元件功率表达式:p3′=Ua·Ia·cosφ,
错误接线总功率表达式:
理论分析得出结论为:从更正系数可以看出电能表在该错误接线情况下的功率仅为正确计量时功率的一半,表明电能表少计一半电量。
前面已讲在电力用户用电信息采集系统中发现的三相电流、功率瞬时采样点值,虽然A相电流始终为负值,其绝对值与B相电流值相等,C相电流采样值比A、B两相电流采样值的绝对值较大,但是A、B两相的功率是不相等的,现场检查确定只有C相能正确计量电能。在三相负荷完全平衡的前提下,该计量装置3倍的C相功率(电能)就是该用户的正确的与供电企业结算功率(电能)。
统计在电力用户用电信息采集系统中负荷较平衡的16个瞬间采样点的电流、功率值如表1。
经过计算发现每一个瞬时采样点的总功率与3倍的C相计量功率(C相计量准确功率)几乎存在50%的关系,如上表统计计算所示,将16个瞬间采样值百分数平均之后的值为46.46%。这主要由于三相负荷不对称造成了。
计算出来的结果与理论分析出来的结果一致。表明电能表在该错误接线情况下的功率仅为正确计量时功率的一半,表明电能表少计一半电量。
随后在电力用户用电信息采集系统中又陆续发现几个专变用户的电能计量装置有两相计量回路K2极性串接、一相能准确计量的接线方式,也有两相计量回路K2极性串接、一相能准确计量,但三只电流互感器K2短接后接地的现象。对与K2短接后接地这种接线方式电流曲线表现为:错误两相的电流大小相等,有一相为负值,正确一相的电流为正值且值分别为错误两相电流值大小的2倍。不论是哪种接线方式,经过与前面一样的检查、演算、分析得出的结论与前面结论一致:每一个瞬时采样点在负荷三相接近对称时总功率与3倍的正确计量相功率几乎存在50%的关系。表明电能表在该错误接线情况下的功率仅为正确计量时功率的一半,表明电能表少计一半电量。特别强调一点:低压计量装置中电流互感器坚决不可以接地,原因之一就是从防雷的角度讲低压计量装置的绝缘程度较低,容易遭受雷击造成装置的损坏,另外一个原因是从防窃电的角度讲更不允许接地。将低压计量装置中电流互感器的三个K2接线分别串接后,把三只电流互感器看做是电流源,三个电流元件看做是负载。此时电能表的三个电流元件流过的电流为三相电流之和,三个电压元件共同承受的电压为三相电压之和。因为三相电流(电压)向量之和为零。如下式:
∑I觶=(U、a+U、b+U、c)/∑Z觶=0=I觶a+I觶b+I觶c=0
所以该计量装置是不计量电能的。如果将低压计量装置中电流互感器的三个K2接线分别串接后接地,经过理论分析与大量的实践证明是完全能够准确计量电能的。假设K2接地打开计量装置是不计量电能,在电力用户用电信息采集系统中显示为无电流、无功率。将就给窃电的创造了绝佳的机会。这种接线方式与本文所讨论的接线方式同样具有非常的隐蔽性,容易做又不易被发现,造成电量无形的丢失,损失几乎无法挽回。
在电力用户用电信息采集系统中发现的电流为负值得出结果是错误接线也有例外。如平罗明力达金属制品厂为80KVA专变客户,计量方式为高供低计,三相四线电能表型号为DTSD194,表号φ0000137507,穿心式电流互感器变比150/5。在电力用户用电信息采集系统中查看该用户的实时电流曲线时,发现C相电流在电流曲线图中有负值,A、B两相均为正值。在电流、功率曲线及瞬时采集点值中也发现分析不出问题。现场检查计量装置的接线准确无误,可为什么会出现负电流呢?对该用户进一步的现场检查,原来该用户主要的设备为电焊机及其他的单相设备,在负荷极端不对称和功率因数过低,就会出现负电流,这是正常现象。这时,总电量为电能表的代数和。下面以负荷是单相(380V)电焊机为例,说明这种情况。
如在A、B相间接入单相电焊机,其功率因数为cosφ,C相无负荷,这时通过第一元件的功率为:PAB=UAIABcos(φ-30°);
这时通过第二元件的功率为:PBA=UBIBAcos(φ+30°)。
当电焊机的功率因数为cosφ低于0.5(即φ>60。)时,UB与IBA的夹角将大于90°,则PBA为负值,第二元件将反向计量功率。电焊机消耗的有功电能为两个元件的代数和。
2 结束语
根据电力用户用电信息采集系统中显示的这起特殊的负荷曲线,检查出一起典型的、不容易发现且具有非常隐蔽性的的错误接线方式,为供电企业挽回了一定的经济损失。所以说电力用户用电信息采集系统上线,对供电企业的营销管理工作提供了一个新的工作平台,特别是在防窃电,防计量装置错误接线的工作管理上提供及时、准确无误的工作指导,用电信息采集系统带来的是巨大的经济效益与社会效益,对营造一片和谐的供用电市场秩序有着巨大的推动力。同时对我们用电营销人员也提出了新的、更高的工作要求:用电营销人员不仅要有丰富的工作经验,扎实的电能计量理论基础,还要具备一定的负荷侧管理经验,熟悉用户的用电设备,用户的负荷运行状况,生产过程及产品。才能充分利用电力用户用电信息采集系统的采集值。因为专变用户的电能计量装置在任何一种接线下均在电力用户用电信息采集系统中以电流、电压、功率及瞬间电能量示值显示出来,用电营销人员完全可以通过电力用户用电信息采集系统中电流、电压、功率及瞬间电能量示值进行用电营销管理的各项工作。
摘要：本文通过对电力用户用电信息采集系统中的一起特殊的负荷曲线理论分析与装置实际接线检查结果的对照,最后判定其接线错误方式,并计算出更正率,为电量退补提供了合理的依据,保证电量退补能够公平、公正地进行。
