动力工程影响因子精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的动力工程影响因子主题范文，仅供参考，欢迎阅读并收藏。

第1篇：动力工程影响因子范文

（沈阳工程学院能源与动力学院，沈阳 110136）

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

摘要： 总结了汽轮机回热系统常见故障，建立了回热系统典型故障集。在利用模糊规则建立回热系统故障征兆知识库基础上，提出了一种基于支持向量机多分类算法的回热系统故障诊断方法。最后将该方法用于某汽轮机组回热系统故障诊断中，结果表明，该模型能有效的识别回热系统故障。

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.

关键词 ： 热能动力工程；回热系统；支持向量机；故障诊断

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

中图分类号：TK264.1 文献标识码：A 文章编号：1006-4311（2015）18-0061-03

作者简介：张瑞青（1975-），女，山西大同人，硕士，讲师，主要研究方向为电厂节能、性能监测和故障诊断。

0 引言

在现代大型火电厂中，回热系统运行情况的好坏，直接关系到汽轮机的安全经济运行，随着发电厂机组参数的提高，回热系统的运行状况对整个机组的安全性、经济性的影响更加显著，因此，回热系统的故障诊断一直倍受关注。长期以来，回热系统的故障频繁出现，严重地影响了大机组高效率低能耗优越性的正常发挥。因此，如何运用计算机技术，发现回热系统中出现的故障，并相应采取及时措施，降低故障引起的损失，提高电厂的经济性，是当前摆在我们面前的迫切任务之一。支持向量机（Support Vector Machine，SVM）是Vapnik[1]最早提出的一种统计学习方法，这种学习算法目前在大型火电厂热力设备故障诊断中得到了成功的应用[2-3]。本文将该方法用于热力系统故障诊断中，通过建立回热系统典型故障征兆知识库来准确识别电站机组回热系统典型故障。

1 支持向量机多分类算法

支持向量机算法是为解决二值分类问题而提出的一类算法，其计算原理为：假设一个两分类样本组（x1，y1），…，（xi，yi），xi∈Rd，yi∈{+1，1}，支持向量机方法是寻找一个最优超分类平面w·x+b=0将样本合理归类，使各分类与超分类平面之间距离最大（如图1所示）。图中实心点与空心点分别表示两类样本，H表示最优分类线，直线H1、H2经过平行于分类线且与之相距最近。试着在高维空间中应用该结论进行分类，则最优分类线即为最优分类面，直线H1、H2上的训练样本点就是支持向量。将最优超平面问题转化为式（1）所示的二次规划问题进行运算，就能解决该二分类问题。

为了使分类面所覆盖的范围尽量大，还要使被错误区分的样本数量尽可能小，通常是通过增加一个松弛项ξi≥0，使式（1）中的目标函数变为求下式中的φ（w，ξ）最小值：

然后引入Lagrange函数求解此优化问题。若要解决二分类问题，则建立一个二维分类器。支持向量机构造二维分类器的方法主要有两种：一种是1998年Weston[4]提出的多类算法，另一种是通过组合多个二维分类器，构造多类分类器，这类方法目前主要有Vapnik[1]提出的一对多算法和Kressel[5]提出的一对一算法以及由该算法衍生出的有向无环决策图方法（Decision Directed Acyclic Graph，DDAG）[6-7]。

有向无环决策图方法：针对N类分类问题，首先建立N（N-1）/2个SVM二维分类器，然后将这些二维分类器组合成一个带有根结点的N层DDAG，在DDAG中，每个二维分类器对应两类，分布N层结构中，顶层仅仅分布一个根结点，第二层分布着对应两个级别的两个叶结点。以此类推，第N层有N个叶结点，对应N个类别。中间共有N（N-1）/2个结点，每一个中间结点是N（N-1）/2个SVM二维分类器中的一个，且每个结点对应一个决策函数。在分类环节，先从根结点开始按设计要求分别录入分类对象，以该结点所对应的分类函数为依据展开运算，根据运算结果（0或1）确定下一步应该按什么路径进行分类，然后通过（N-1）次的判别，最后一层结点处的输出就是最终所属的类别。图2给出了一个包含四个类别的有向无环DDAG决策图。

2 回热系统故障集合和征兆知识库

2.1 回热系统故障集合

结合相关文献[8-9]对回热系统典型故障的理论进行分析，同时根据现场运行经验，将抽汽管道逆止阀卡涩、排气管道排气不畅、排气管道排气量过大、加热器管束污染（结垢）、加热器内部水侧短路、加热器内部管系泄漏、疏水不畅、疏水器故障、加热器旁路阀故障、加热器满水、除氧器排气带水、除氧器自身沸腾12个比较典型常见的回热系统故障作为故障集合，记为uj（j=1，2，…，12）。

根据现场运行经验可知，回热系统运行参数的变化情况不合常规，是典型的故障征兆。为了使诊断系统具有实用性和通用性，选取抽汽流量、加热器抽汽压力、加热器进口压力、加热器进口水温、加热器出口水温、加热器混合点前出口水温、加热器出口端差、加热器疏水水位、加热器疏水温度9个参数测点（记为xi，i=1，2，…，9）来反映回热系统的故障表现，这些异常运行参数有的必须通过运算才可获得，有的则直接从电厂的实时数据库中获得。

2.2 训练征兆知识库

根据运行系统和现场技术人员的经验积累可知，运行过程中回热系统发生的故障与参数征兆表现之间的关系并不十分明确，因此，在利用SVM进行回热系统故障诊断时，需对故障的征兆进行模糊化处理，回热系统故障征兆集xi按下列规则取值[9]：

根据上式建立回热系统典型故障的训练样本库，如表1所示。

2.3 基于DDAGSVM的回热系统多故障诊断模型

根据回热系统典型故障类型设计一个12类问题的有向无环决策图（DDAGSVM）模型，由12*（12-1）/2=132个二维分类器将其中任何两类故障分开，每个结点对应一个二维分类器。将表1所示的典型故障作为训练样本展开分析，将径向基函数视为核函数建立SVM，已“对训练样本分类的错分率最小”为判断依据进行参数寻优，分别取径向基核函数的宽度系数σ=0.1~10，惩罚因子C=10~10000，具体步骤如下。

①选择宽度系数和惩罚因子（σ，C）建立模型，并对样本进行训练，得到最优分类结果。

②在训练网络中输入典型故障样本，比照样本实际类别对输出结果进行归类分析，建立有向无环决策图（DDAGSVM）模型分类错分样本统计矩阵D=[dij]，其中di，j（i=j，i，j=1，2，…12）为正确分类数，di，j（i≠j，1，2…，12）表示将第i类典型故障分到第j类的个数，令E=∑di，j，（i≠j，i，j=1，2，…，12）为错分样本总数。

③假设错分样本总数E未达到分类精度，就要按步骤1再进行一轮分析，然后重新进行样本训练，直至模型符合分类精度或达到迭代次数才可认定为合格。

在本文所述案例中，当宽度系数和惩罚因子分别为σ=5，C=1000时，将12类回热系统故障完全正确分类。

3 实例应用

以某电站某300MW机组回热系统的某加热器故障为例。该故障发生时的主要征兆为：高加出口端差变大，加热器温升（出口水温）下降，加热器疏水水位快速上升，加热器疏水温度下降。利用上述回热系统故障参数值进行模糊化处理，得到实时征兆故障模式向量：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进行诊断，诊断结果为[-1，-1，-1，-1，-1，1，-1，-1，-1，-1，-1，-1]，说明是回热系统发生第6类故障，即加热器管系泄漏，与实际情况相符。

4 结论

本文采用基于支持向量机多分类方法，建立了回热系统故障诊断多故障分类模型，在总结回热系统常见故障的基础上，建立了回热系统典型故障集，通过模糊规则获得凝汽器故障征兆知识库，用有向无环决策图（DDAGSVM）算法对小样本情况下回热系统典型故障诊断进行了研究，实例计算表明，有向无环决策图（DDAGSVM）算法具有较高的诊断准确率。

参考文献：

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

[2]王雷，张瑞青，盛伟，徐治皋.基于模糊规则和支持向量机的凝汽器故障诊断[J].热能动力工程，2009，24（4）：479-480.

[3]翟永杰，王东风，韩璞.基于多类支持向量机的汽轮发电机组故障诊断[J].动力工程，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：动力工程影响因子范文

自1977年恢复高考以来，我国高校招生政策主要经历了四个发展历程[1，2]。1977年至1985年我国实行的是在适当地点定期实行全部或局部高等学校联合或统一招生。1986年至1992年国家采取计划招生，实行单位委托培养和定向招生及招收部分自费生的双轨办法，改变了高度集中的单一招生计划体制。其后至2002年，国家实行了一系列的招生政策改革，使得我国高等教育实现了跨越式发展。2003年至今教育部实行了扩大高校招生自主权的改革，自此大类招生开始出现。大类招生政策自实施以来，经过近十年的发展和逐渐推广，迄今100多所“211工程”院校中已有超过一半的高校实行了按大类招生的模式。大类招生是指将相同或相近学科门类的专业合并，按一个专业大类进行招生。大类招生之所以能取得如此快速的发展是由其先进性决定的——大类招生不仅有利于培养创新型人才和按需培养人才，而且还可以帮助高校整合内部资源，提高办学效益[3]。

由于大类招生属于新生事物，部分高校实施不久，其潜在的弊端尚未显露，而按大类招生政策录取的学生的成绩往往隐含着这些信息[4]，因此，对这类学生的成绩进行统计分析，发现其潜在的问题，从而提出相应解决方案是尤为重要的。本文以较早实行大类招生的中南大学能源动力类学生成绩为研究对象，通过建立Logit对数线性模型，探讨生源地和入学年龄对学生成绩的影响，进而根据统计结果提出相关对策以进一步完善大类招生模式。

二、数据收集及处理

（一）对象

中南大学有工学、理学、医学、文学、法学和经济学等十一大学科门类，有30个二级学院和83个本科专业，是一所典型的综合性大学。中南大学能源科学与工程学院自2008年开始便实行了按能源动力类大类招生，能源动力类是培养从事动力机械和动力工程的设计、制造、运行和管理等方面的高级工程技术人才的典型工科专业。因此，以中南大学能源动力类学生成绩为研究对象建立Logit对数线性模型，分析得出的结论具有一般性，能够指导综合性大学工科专业大类招生下学生科学文化素质的培养。本文统计了中南大学能源动力类2009级185名和2010级166名本科生的成绩，涵盖了他们自入学到2012年上学期所学习的所有18门和15门基础课科目，包括工程制图、大学计算机基础、微积分、大学物理、基础英语等。限于篇幅原因，学生的各科原始成绩数据本文不予陈列。

（二）成绩评价模型及等级划分

学生成绩综合测评的方法主要有总分法、算术

[收稿日期] 2014-06-16；[修回日期] 2014-06-26

[基金项目] 中南大学开放式精品示范课堂计划项目“能源与动力工程测试技术”（2014sfkt223）

[作者简介] 孙志强（1980-），男，河南武陟人，博士，中南大学教授，主要研究方向：节能与新能源.

平均值法、加权平均法、模糊综合评判法、层次分析法、因子分析法和主成分分析法等[5，6]。总分法和算术平均值法是对单个学生所有课程成绩求出总和或平均数，作为综合考核结果来对学生进行比较和评定。这两种方法非常简单，但没有考虑课程学分的影响。模糊综合评判是对受多种因素影响的复杂的对象采用模糊数学的理论与技术进行综合评判而得到定量评价结果的方法[7]。层次分析法是一种将定性分析和定量分析相结合的系统分析方法，其首先需要将复杂的问题层次化，然后根据系统的特点和基本原则对各层的因素进行对比分析，最后以计算出的最低层相对于最高层的相对重要性次序的组合权值作为评价的依据[8]。主成分分析法是将原来的多个变量适当的组合成一些数量较少的综合指标来近似代替原来的多个变量[9]。因子分析法是将具有错综复杂关系的变量综合为数量较少的几个因子以再现原始变量和因子之间的相互关系，在某种程度上可看成是主成分分析的推广和拓展[10]。这四种方法较为复杂，面对本研究庞大的数据需要花费较长的时间，不便使用。

加权平均法不仅涵盖了课程的学分信息，而且其计算方法还简单，故本研究最终选取该方法进行综合成绩的分析。加权平均法一种考虑了课程所占权重的学生成绩综合评价方法，科目的学分越高，该科成绩在进行综合评测时所占的比重越大，其具体计算方法为：

通过计算发现，所取样本中学生加权平均成绩的最大值和最小值分别为90.66和60.77。考虑到这两数值的大小，本文最终利用成绩绩点的分界值将学生的成绩划分成优、良、中和及格四个等级：当加权平均成绩≥85时，成绩为优；当85>加权平均成绩≥78时，成绩为良；当78>加权平均成绩≥71时，成绩为中；当71>加权平均成绩≥60时，成绩为及格。

三、Logit对数线性模型

本文主要探讨生源地及入学年龄对学生成绩的影响，所研究问题的变量均为称名变量，有自变量和因变量的区别，而且还有两个自变量，因此，多变量分析方法中的Logit对数线性模型特别适合于分析此类问题。Logit对数线性模型主要用来探讨与解释因变量与自变量间的关系，通常以最大似然法进行模型估计与检验[11]。

（一）建模与自由度计算

考虑到生源地种类有31种，而2009级与2010级能源动力类学生总人数仅为351人，所以，为了满足Logit对数线性模型的使用前提必须对生源地进行分类[11]。根据表1所示的2010年高考985高校各省录取率将生源地归为三类：① 0<录取率≤1.5；② 1.5<录取率≤3；③ 3<录取率。由于大部分学生入学年龄为18或19岁，因此，将学生入学年龄分为两类：① 18岁及以下；② 19岁及以上。按前述分类后，中南大学2009级与2010级能源动力类学生成绩的统计结果如表2所示。

表1 2010年高考全国各省级行政区的985高校录取率

序号 生源地 985高校

录取率（%） 类别 序号 生源地 985高校

录取率（%） 类别 序号 生源地 985高校

录取率（%） 类别

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 贵州 1.380 1

3 北京 4.069 3 14 宁夏 2.231 2 25 广西 1.259 1

4 吉林 3.814 3 15 黑龙江 2.216 2 26 河北 1.191 1

5 重庆 3.690 3 16 湖南 2.122 2 27 内蒙古 1.177 1

6 辽宁 3.527 3 17 江苏 1.933 2 28 山西 1.168 1

7 青海 3.458 3 18 山东 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 陕西 1. 687 2 31 西藏 0.979 1

10 浙江 2.790 2 21 甘肃 1.646 2

11 广东 2.742 2 22 江西 1.437 1

表2 2009级与2010级能源动力类学生成绩统计结果

类别 18岁及以下 19岁及以上

优 良 中 及格 优 良 中 及格

1类生源地 4 16 20 4 7 32 26 7

2类生源地 10 31 26 4 13 42 48 14

3类生源地 2 5 7 3 1 9 17 3

A代表生源地，B代表入学年龄，C代表成绩等级，则变量A、B、C分别有3、2和4个类别。根据对数线性模型的阶层特性（C为因变量，A与B为自变量），则可能建立的五个模型如表3所示。其中，模型1代表三个变量彼此独立，生源地和入学年龄均与成绩等级无因果关系存在；模型2-1只有生源地与成绩等级的交互作用，代表只有生源地与成绩等级间有关系存在；模型2-2表示只有入学年龄与成绩等级有关系存在；模型3表示生源地和入学年龄都与成绩等级有关系存在；模型4表示生源地和入学年龄以及这两者的交互作用都与成绩等级有关系存在。

（二）模型拟合优度检验结果与分析

在建立三维度列联表的可能模型后，计算每一个模型的似然比，并进行拟合优度检验，其结果如表3所示。其中，似然比计算公式为：

式中，eijk为各细格的期望次数；fijk为各细格的实际次数；i为变量A的类别；j为变量B的类别；k为变量C的类别。

由表3可知，模型1的似然比值为10.831，在自由度为15时，显著水平p值为0.764，并未达到0.05显著水平，因此该模型已经可以拟合表2中的实际数据。同时还可以发现，在加入了生源地与成绩等级的交互作用和入学年龄与成绩等级的交互作用后，拟合结果的显著水平分别下降至0.698和0.645，其拟合精度有所下降，故模型1是最佳拟合模型。该结果表明，学生成绩基本与生源地和入学年龄无关。

现实生活中普遍认为学生成绩与班级学风密切相关，为了确定此种观点是否正确，本文对能源动力类2010级5个班的成绩情况进行了统计，其结果如表4所示。从表中可以看出，2010级整体成绩最好和最差的班级是能动1002班和能动1001，其成绩为良以上的比例分别为70%和25.71%，相差44.29%。这与现实生活中两个班级的整体表现相吻合，据观察，能动1002班的学生普遍学习用功，到课率高，而且该班会经常组织同学集体上早自习和晚自习，学风好；而能动1001班相对来说学风稍差，学生学习不够积极主动，缺课率相比其他班级也要高一些。由此表明，学生成绩与班级学风密切相关的观点是正确的。由于学生成绩能反映学生掌握知识和各种能力的程度，是评价大类招生政策下大学生培养方案实施效果如何最有力的标志之一，因此，为了提高大学生的成绩，帮助他们更好的成长成才，学校需要将班级学风的建设摆在首位，加强对其的建设以完善大类招生政策下的大学生培养计划。

表3 可能的Logit对数线性模型及其拟合优度检验结果

模型阶层 模型 表示法 似然比 自由度 显著水平

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，生源地的主效应；βB，入学年龄的主效应；γC，成绩等级的主效应；αγAC，生源地与成绩等级的交互作用效果；βγBC，入学年龄与成绩等级的交互作用效果；αβγABC，生源地、入学年龄与成绩等级的交互作用效果。

表4 能源动力类2010级各班成绩统计结果

成绩等级

班级 优 良 中 及格

人数 所占比例（%） 人数 所占比例（%） 人数 所占比例（%） 人数 所占比例（%）

能动1001 2 5.71 7 20.00 20 57.15 6 17.14

能动1002 3 15.00 11 55.00 6 30.00 0 0.00

能动1003 2 8.70 12 52.17 9 39.13 0 0.00

能动1004 0 0.00 11 37.93 17 58.62 1 3.45

能动1005 1 3.45 12 41.38 15 51.72 1 3.45

注：所占比例是指各成绩等级的人数占班级总人数的比例。

四、结论与建议

本文通过对建立的以成绩等级为因变量、生源地与入学年龄为自变量的Logit对数线性模型进行分析发现，学生成绩与生源地及入学年龄基本无关，而与班级学风密切相关。学风好，班级学习氛围好，努力学习的人数也就多，成绩优秀的人数也越多。所以，加强班级学风建设尤为重要，是提高学生成绩最有效的途径之一。

针对目前逐渐推广并流行的高校大类招生，笔者认为可以通过以下两方面的措施来加强学风的建设。

（1）重视入学教育。综合高校工科专业的学生来自全国各地，他们的学习基础自然各不相同，在付诸相同努力后，其取得的成效也是各有差异的。有些学生在阶段性成绩出来后，他们会因为觉得自己已经很努力了但依然赶不上别人而把原因归结于自己高中的学习基础差。当他们产生这样的想法后，他们便会失去学习的冲劲，从而造成成绩的下滑。因此有必要在本科生的入学教育中强调高中的学习基础（与生源地相关）和入学年龄基本与他们大学里所取得的成绩无关，而是取决于他们在大学里的学习努力程度。

（2）设立基于班级整体成绩的奖学金名额分配机制。校级奖学金的班级名额分配不再以班级学生名额为依据，而是调整为以班级整体成绩（班级加权平均分）为基准，根据班级整体成绩排名而分配奖学金的名额。班级整体成绩能够很好的反映各班级学风的好坏，将奖学金的名额与班级整体成绩挂钩后，每一位同学的成绩都会影响集体的荣誉与利益。在这种情况下，各班级都会积极主动地制定措施来加强自身班级学风的建设，学生的自我管理往往能取得更好的效果。

参考文献：

[1] 孙华.我国高校招生政策100年述评[J].复旦教育论坛，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：首都师范大学，2008.

[3] 唐苏琼.高校实施大类招生的利弊分析[J].中国高教研究，2009，24（1）：88-89.

[4] 吴兆奇，关蓬莱，吴晓明.考试成绩的Logistic回归模型研究[J].统 计与决策，2007，23（3）：21-23.

[5] 徐则中.基于变权的学生成绩综合评价[J].中国电力教育，2010，26（19）：50-52.

[6] 黄修芝.统计分析方法在成绩分析中的应用[J].统计与决策，2002，18（3）：48.

[7] 孙艳，蔡志丹.模糊综合评判法在学生考试成绩评价中的应用[J].长春理工大学学报（自然科学版），2011，34（4）：178-179.

[8] 李瑞兰.层次分析法在毕业设计（论文）成绩评定中的应用[J].长春工程学院学报（社会科学版），2011，12（4）：156-158，176.

[9] 张磊.基于主成分分析法的学生综合成绩分析[J].科技信息，2012，29（4）：113.

第3篇：动力工程影响因子范文

【关键词】锆合金；碘致应力腐蚀开裂；应力强度因子阈值；开裂速率；模型

0 引言

锆合金在拉应力和碘腐蚀介质共同作用下所引起的脆性断裂称为碘致应力腐蚀开裂，简称ISCC。ISCC与单纯的拉伸破坏不同，当有碘存在时，锆合金在低于它的屈服强度下即可发生破坏；它与单纯的腐蚀也不同，当有拉应力时，即使碘浓度很小，腐蚀速率也会很快[1]。

ISCC的发生过程一般分三个阶段，即孵化期（I）、初始裂纹的形成（II）、裂纹的扩展（III），韧性破裂（IV）。孵化期是ISCC的准备阶段，与锆表面保护性氧化层的弱化所需要的时间有关。在第二阶段，裂纹的形成以晶间脆性断裂为主，开裂速率一般为10-10m/s左右。之后当应力强度因子K超过KISCC，晶粒发生穿晶断裂，其速率在10-7～10-6m/s之间。K继续增大，开裂速率保持在一定值之后，当裂纹尖端真应力超过锆合金屈服强度，则发生韧性破裂，破裂速率进一步上升。锆合金开裂速率随应力强度因子K的变化关系如图1所示。

其中，Y是与试件几何形状、载荷条件、裂纹位置有关的形状系数，σ是试件所受真应力，a是裂纹深度。对于特定裂纹深a的试件，存在某真应力σC，使得超过它时，ISCC进入第（III）阶段，穿晶断裂发生，对应的K称为碘致应力腐蚀开裂的应力强度因子阈值，简称KISCC，代表材料抵抗裂纹失稳扩展的能力[2]。一旦K超过KISCC，裂纹以穿晶断裂的扩展方式发展，开裂速率急速上升[3]（图1）。

反应堆中，当芯包闭合发生PCI作用，包壳周向产生拉应力。若锆合金应力强度超过KISCC，裂纹开裂速率加快，燃料棒则有破裂的危险，因此，研究和建立的计算模型在实际工程应用和燃料包壳破裂失效的判断中有着重要的意义。

1 KISCC模型的建立

ISCC 的发生是多因素共同作用的结果，可能涉及到的因素有碘浓度、氧分压、温度、局部塑性应变、应力强度因子、应变率、应力水平和方向、晶向、织构。其中，影响KISCC最为重要的因素有以下四个：

（1）织构

（2）包壳温度

（3）快中子注量（E>0.1MeV）

（4）碘浓度

本节就以上四个重要因素展开讨论，通过数据拟合得到KISCC的四影响因子模型，并在此基础上建立计算KISCC的模型公式。

1.1 定量的选取

KISCC模型的建立主要是通过控制变量的方法，即先确定某条件下的KISCC为定量值，然后固定三个影响因素，拟合KISCC随另一影响因素的变化趋势。若数据不适合进行这样的处理时，则该定量做为归一化因子。本文中，取垂直于开裂面方向的织构为0.33，包壳温度350℃，未接受辐照，碘分压100Pa时锆合金的应力强度因子阈值13.06MPa m0.5做为定量[4-5]。

1.2 织构

800℃以下时，锆单晶是密排六方晶体，由它组成的晶粒在某些方向上的聚集排列叫做织构。图2是ISCC发生穿晶断裂的断面图[6]，准解理区由基平面组成，属于脆性断裂，而沟槽壁位于棱柱面上，属于韧性断裂。碘吸附在基平面上可使表面自由能大大降低， ISCC裂纹在基平面上的扩展加速[7]。准解理面与沟槽壁垂直，塑性变形不对基平面上的张应力起作用，所以基平面与作用力的相对取向是一个关键参数，而且织构的影响最为显著。

恒应力和断裂力学试验确证了当基平面与宏观断裂表面趋向一致时，ISCC的敏感性增加[8]。对于锆包壳管，由于芯块膨胀引起的张应力就是周向应力，最佳的织构是基轴与包壳径向平行。

织构对锆合金的KISCC有着重要的影响[9]。当基平面平行于开裂面的晶粒份额增加，即该方向上织构因子f增加时，穿晶断裂的可能性增加，KISCC值减小。

图3 是去应力态和再结晶态锆合金KISCC随织构因子的变化趋势[9]。使用13.06MPa・m1/2对KISCC进行归一化，并利用最小二乘法拟合得到两种不同退火状态下KISCC的织构影响因子：

1.3 包壳温度

温度对KISCC的影响比较复杂。温度升高，加快裂变气体释放，腐蚀环境恶化[4]，加快碘在锆合金中扩散速度，影响晶粒内部杂质的含量，残余应力的分布，合金的周向受力状态等。但从作用效果上，可将温度的影响集中在两个方面研究[4]：

1）降低材料强度而增加材料韧性，促进裂纹尖端的应力释放；

2）加快腐蚀介质碘对锆合金的腐蚀作用；

这两个方面对碘致应力腐蚀开裂的敏感性产生的影响是截然相反的。当温度升高时，一方面，由快中子和点阵原子碰撞所产生的损伤逐渐被驱除，减轻了中子辐照的硬化效应，使得裂纹尖端的应力更容易因局部塑性变形而释放，有利于缓解ISCC，提高KISCC。另一方面，环境中的碘向裂缝的传质速率加快，使裂纹尖端碘浓度增加。碘浓度增加增大碘浓度梯度，促进碘的晶界扩散，碘对晶界的弱化作用加强，裂纹在晶界上的扩展更容易。

温度升高带来的韧性增加可用力学性能回复系数[11]表示：

而碘在包壳中的扩散系数用Einstein- stokes公式[12]表示形如：

（4）式若用taylor公式展开，其二次函数就有很好的精度，而（5）为正比例函数。两种函数之间的位置关系可概括为相离，一个交点、两个交点（图4）。它们之间的位置关系反应了不同温度范围内两种作用效果的主导优势转化。当韧性增加占优势时，KISCC增加；当扩散占优势时，KISCC减小。这样，在整个温度范围内适合用三次多项式拟合KISCC的温度影响因子。

但是，表1中数据集中在300～400℃之间，并不在整个温度范围内，为了提高精度和公式的光滑度，采用二次多项式形式的e指数拟合温度影响因子：

材料受辐照后，微结构改变（沉淀相的定型化或再溶解，合金元素析出到晶界），大团点缺陷的产生使塑性变形更加困难，内层包壳还会受到反冲核的直接损伤[13]。随着中子注量增加，ISCC破裂应力逐渐提高，当中子通量在1019-1020n/cm2时，该应力达到最大值，随后则随中子通量的增加而降低[14]。

表2给出了各种不同中子注量条件下，锆合金KISCC值，单从快中子注量来比较KISCC，这两者之间并不存在直接的关系，但是从它们接受辐照后KISCC的下降幅度，即Kir/K0的比值来看，该比值随着剂量的升高而增大（表3）。

因此，考虑快中子注量影响因子形如：

由公式（8）的预测知道，当材料所接受的快中子注量为3.0068×1019n/cm2时，与未辐照时的应力强度因子阈值相等，根据罗尔定理，快中子注量在0至3.0068×1019n/cm2时，存在Kir/K0的极值（极大值）。前面提到，当中子通量在1019-1020n/cm2时，材料破裂应力有最大值，因此，该最大值对应的快中子注量的范围可缩小在1019-3.0068×1019n/cm2之间。

1.5 碘浓度

随着碘分压增加，碘浓度梯度增大，加快碘的晶界扩散，促进沿晶开裂。同时，裂纹扩展过渡到快速的穿晶断裂方式时对应的应力强度因子越低，增强锆合金发生ISCC的敏感性[5]。

由于温度波动引起碘饱和蒸汽压的变化较大，文献中多以碘分压的数量级来表示碘浓度，当碘分压为98kPa时，碘的面浓度近似为0.2mg/cm2[15]，因此，可估计碘分压P与其面浓度I2之间的换算关系为：

I2=2.0408×10-6P（9）

使用13.06MPa・m1/2对文献中数据进行归一化处理，并与换算后的碘浓度制成表4。使用乘幂的形式，对碘浓度影响因子进行最小二乘法拟合，得到关系式为：

1.6 KISCC计算模型的建立

综合上述织构、温度、快中子注量、碘浓度四个影响因子，可得出KISCC的模型：

其中：

将公式（11）的预测结果与试验数据比对（图5），被圈起来的数据点是没有被用于公式拟合的点，从图上可以看出大部分相对误差在±20%以内。

2 ISCC 开裂速率模型修正

式中，I2代表碘浓度（mg/cm2），T为包壳温度（K），σ为真应力（pa），a为裂纹深度（m）。实际上，锆合金发生ISCC穿晶断裂时，其速率为10-7～10-6m/s[10]，而由公式（12）的预测结果却趋近于10-8m/s，与实际情况不符。故对公式（12）的预测结果提高两个数量级开裂速率提高两个数量级（图6）。

另外，ISCC的裂纹生长过程主要分为晶间腐蚀，穿晶扩展，韧性撕裂。当KI超过KISCC时，裂纹生长模式转为穿晶扩展，开裂速率急速上升并在一段应力强度范围内维持某恒定速率。随着裂纹深度的继续增长，KI逐渐增大，当周向真应力σ超过屈服强度σy时，开裂模式转为韧性撕裂，此时开裂速率又是急速上升。公式（12）并不能反映上述裂纹生长模式的转变过程，使得公式的拟合与实验结果相差较远。因此，考虑为公式（12）添加修正因子：

其中，系数A和B是跟包壳材料相关的系数，理想情况状态下修正因子的添加不改变原公式数值，该修正因子为1，如图7所示的虚线。

文献[18]中，KISCC=4.8，σy=220MPa，包壳厚度L=900μm，固包壳最大所能承受的应力强度因子

将理想修正因子与（13）式的交点放于平台中点，得到A=3.15。分别取B=10， 20， 55， 110， 220 发现随着B的增大，实线在屈服强度处越来越陡峭，且当B>110时，这种陡峭趋势已经不是很明显（图7），固取B=110。结合公式（12-13）得到最终ISCC开裂速率公式：

将式（15）与实验数据[18]对比，得到图8所示结果。图中点划线为公式（12），实线为经过修正后的公式（15），星号为实验结果，虚线为文献中公式da/dt=3.9×10-7 ln（KI /4.8）。从图上可以看出，经过修正后的公式能更好的反应实验结果的变化趋势。

3 结论

本文利用文献中的试验数据，拟合KISCC的四影响因子，建立碘致应力腐蚀开裂的应力强度因子阈值模型，修正了开裂速率公式，得到结论如下：

（1）KISCC计算模型考虑到了材料织构、包壳温度、快中子注量、碘浓度、材料类型和热处理状态六个方面。经误差分析，除部分点之外，该模型的大部分相对误差在±20%之内。

（2）在快中子注量影响因子的建模过程中，采用无辐照情况下锆合金的KISCC做归一化因子，使不同实验条件下的数据有了对比和拟合的可能性。预测当快中子注量的范围在1019～3.0086×1019 n/cm2之间时，KISCC有最大值。

（3）对原ISCC开裂速率公式添加了修正因子，得到的计算结果与实验数据吻合较好。

【参考文献】

[1]杨文斗.反应堆材料学[M].原子能出版社，2006.

[2]王铎.断裂力学[M].广西人民出版社，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.， 温度对Zr―Sn―Nb合金致应力碘腐蚀开裂的影响[J].核动力工程，2006，27：40-43.

[5]倩， 彭.， et al.， 碘对N18锆合金应力腐蚀开裂的影响[J].腐蚀科学与防护技术，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.材料辐照效应[M].化学工业出版社，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：动力工程影响因子范文

关键词：文化自信；红色文化；文化认同；高校学生党员

红色文化是中国特色社会主义文化的有机组成部分。当前，国内外各类文化思潮的层次性与差异性较为突出，红色文化以其吸引力、感召力和向心力成为社会广泛认可的文化。正确的价值观念是人民群众的客观需要，亦是推动社会进步的强大精神力量。红色文化认同教育在高校学生党员教育中具有榜样示范、党性传承、道德涵养之功能，因此，提升高校学生党员的红色文化认同水平，是新时代促进高校学生党员全面发展与文化自信培育的内在需要。

一、教育载体：红色文化认同教育的重要支点

1.“红色浸润”仪式性教育。著名教育学家夸美纽斯认为：“一切知识都是从感官开始的。”感性认识是认识活动中的首要环节，为形成理性认识提供丰富的感性材料。“红色浸润”仪式性教育是传统红色文化认同教育的有益补充，是具有直观性、感官性、体验性的体验式教育形式，具有多维度的教育意义。“红色浸润”仪式性教育蕴含丰富的感性体验，学生在“红色浸润”仪式性的沉浸洗礼中深入体察红色文化的精神力量。将“红色浸润”仪式性教育作为红色文化认同教育的重要载体主要以三个层面为着力点：一是加强“红色浸润”仪式教育的规范化，涵盖教育内容、教育方式、教育目标、教育流程、教育效果反馈及教育活动组织的规范。二是教育内容的方向性与青年化。红色文化教育是思想政治教育的重要构成部分，具有明确的方向性，需始终与我国社会主义发展方向相一致。当前，高校学生党员红色文化教育只有以具有吸引力与感染力的形式呈现，才能进一步提升红色文化认同水平。三是充分发挥“红色浸润”仪式教育的向心作用。高校学生党员在红色氛围中产生情感共鸣并产生正能量体验，形成革命精神与中国精神的同频共振，充分发挥红色文化教育的向心作用。2.“微阵地”指尖微教育。红色文化认同教育要实现教育空间的迁移，构建教育“微阵地”，善用“指尖微教育”实现“键对键”与“面对面”的有益补充。第一，就高校学生党员群体而言，“微学习”是符合其认知特点与具有较强学习吸引力的教育形式。第二，各类微媒体教育平台应形成教育共同体，全面加强红色文化教育的时效性与传播的广泛性，搭建红色文化指尖网络空间，便于高校学生党员利用碎片化时间接受红色文化认同教育。第三，以微媒体平台为阵地反馈教育效果。红色文化认同教育可通过在线互动等新形式弥补“我教你学、我讲你听”的教育方法的不足，教育主体可通过教育客体的自媒体平台信息动态深入洞悉其教育内化与外化程度。第四，善用“微阵地”提高红色文化认同教育影响的延续性与长效性。传统红色文化认同教育普遍存在影响时效短、延续性不强的问题，基于此，应重视红色文化认同教育的系列化与回顾性呈现，充分利用“微阵地”制作系列化红色文化教育微视频、微故事、微讲堂，通过学生党员自媒体平台进行辐射性传播，提升红色文化影响力，使高校学生党员群体自觉成为红色文化的认同者、学习者、传播者、坚守者。3.红色文化符号提升党员凝聚力。符号既是一种象征物，亦是一种承载信息的介质。红色文化符号是红色文化精神的象征，是传递红色文化核心精神力量的载体。红色文化需要一种便于广泛传播以及具有直观性和视觉冲击性的载体用以传承与发展。追溯其源，红色文化符号是随着广大人民群众物质生活水平提高而产生的精神需求与信仰追求。近年来，红色文化研究逐步将红色文化与符号学研究有机结合开展红色文化符号研究。从符号的功能角度进行探究可知：第一，红色文化符号具有表述和理解的功能，红色文化中凝结的红色文化精神通过红色文化符号呈现，用视觉化的方式进行表述与阐释。第二，红色文化符号作为红色文化精神的缩影，具有多元化、可塑性强和易于传播的特征，红色文化的图像符号、指索符号及象征符号均有助于红色文化精神的传达和保存。红色文化符号作为具有凝聚力的载体，其传达功能与表述功能在高校学生党员教育过程中得到充分发挥。高校学生党员在红色精神的感召下，凝聚力进一步提升，进而提升对红色文化的认同水平，以及加强对文化自信的养成。

二、实践探索：红色文化认同教育的三重发展向度

1.红色文化认同教育场域重构。高校学生党员红色文化认同教育的传统教育场域可概括为三种类型：一是红色文化认同教育的“短时体验场域”，即以体验感受红色文化精神为出发点举行传统红色教育等社会实践活动。这种教育活动在活动期间或者活动结束后的短期之内效果明显，但从长远反馈来看，部分参与者并未形成真正的红色文化认同。二是红色文化认同教育的“碎片化场域”，即以各类型红色文化元素跨时空组合而成，在此类场域中，红色文化认同教育不具有系统性、延续性与统一性。三是红色文化认同教育的“共情化场域”，即红色文化认同教育以红色英雄、红色事迹为载体，以红色氛围为依托，以共情为基本手段，使高校学生党员在接受红色文化教育之时，对红色精神达到共情的状态，以加深对红色文化内涵的理解。当前，学生党员群体对红色文化的认知趋于衰微，红色文化认同教育呼唤教育场域的重构，需构建具有系统性、递进性、长时性的教育场域。这种红色文化认同教育场域以红色文化内容的纵向传承、红色文化元素的整合性、红色文化认同教育影响力的长效性为特征。以此为目标，将红色文化中的物质文化资源与人工智能技术与VR模拟技术相结合进行“跨时空”再现，结合大数据技术等将非物质文化资源系统整合，以组合式呈现的方式进行教育。2.红色文化认同教育生态形成。教育生态学是运用生态学的方法研究教育与人的发展规律的科学，它探讨的主要内容是如何构建科学合理的教育生态环境，如何整合校内外各类优质教育资源进而提高教学质量，最终促进学生的全面发展。由此而论，红色文化认同教育生态的形成需要进一步整合教育资源，从宏观、中观、微观的层面构建国家、政府、社会、学校、家庭的红色文化认同教育的良性生态环境，在这个生态环境中的各类生态因子互相联系、互相制约、互相促进。高校在进行学生党员红色文化认同教育时，首先应以线上线下相结合的综合教育环境为红色文化认同的基本生态，以家庭、学校、社会、政府及国家为该教育生态环境中的各类教育主体因子，各类优质红色文化资源为教育内容因子，高校学生党员群体为教育客体因子，各类因子相互配合、相互促进，形成红色文化认同教育的良性动力循环，不断促进红色文化认同教育发展的螺旋式上升与波浪式前进。3.大力培育红色文化自觉。红色文化自觉是指身处红色文化环境的公民对我国红色文化达到自我觉醒、自我反省与自我构建的水平，并能通过分析红色文化的形成与发展对其未来趋势作出清晰的预见。红色文化认同教育的终极目标是将红色文化中的精神内核通过教育的方式完成其客体主体化与主体客体化的过程，因此，全社会大力培育红色文化自觉是红色文化认同教育的必然发展向度。当前，红色文化已然成为对高校学生党员进行教育的宝贵资源，亦成为社会主义意识形态教育的重要载体。大力培育红色文化自觉与红色文化认同教育在本质上具有内在契合性，两者均为高校学生党员文化自信培育的内在需要，亦成为推动文化自信培育的源动力。

参考文献：

[1]主持召开文艺工作座谈会强调：坚持以人民为中心的创作导向创作更多无愧于时代的优秀作品[N].人民日报，2014-10-16（1）.

第5篇：动力工程影响因子范文

【关键词】有限元方法；涡流检测；可靠性

0 引言

涡流检测具有检测速度快、对表面缺陷反应灵敏等优异性能，在导电材料的缺陷检测中广泛应用。随着涡流检测技术的不断发展和检测要求的日益提高，不仅要求检测出缺陷的有无，还要对缺陷进行定性、定量分析，进而对检测对象做出无损评价[1]。在以往的可靠性研究当中，主要有两种方式来对涡流检测的可靠性进行分析。一是制造大量试验管，然后通过采集分析统计的方法来进行可靠性研究。第二种方法是对核电站实际缺陷进行定量后，取出管对缺陷进行解剖测量，再用统计的方法来评估涡流检测的可靠性。然而前者缺陷加工与计量的偏差对可靠性分析造成了一定的难度和成本的增加；后者由于实际缺陷的偶然性，采样不够完整全面，其结果并不具有普遍性[2]。

利用有限元法进行涡流检测分析时，可以研究理想条件下的涡流检测，模拟实际检测条件以进行分析，方便、迅速地得到检测数据，测量或计算已知缺陷产生的阻抗信号， 从而可以较好的实现检测对象的定性研究并对涡流定量检测的可靠性进行分析，能够很大程度上解决和补充试验方法的不足。

1 电涡流传感器的基本工作原理

涡流检测是建立在电磁感应基础上的，它利用交变磁场作用下被测工件表面产生不同的涡流分布、大小来反映工件上缺陷的有无[3]。

磁场的变化是通过敏感线圈的阻抗变化来反映的。线圈的等效阻抗Z一般可表示为：

式中：σ、μ分别是被测工件的电导率和磁导率；f是激励信号的频率；x是线圈与被测工件之间的距离；r是线圈的尺寸因子，与线圈的结构、形状以及尺寸相关。可见，线圈阻抗的变化完整而且唯一地反映了被测工件的电涡流效应。实际检测时，对不需要的影响因素加以控制，就可以实现对上式中某个相关量的检测[4]。作为接近式传感器，线圈到被测工件之间的距离与线圈的阻抗直接相关，而表面或近表面的缺陷时，缺陷的存在将引起被测导体电导率和磁导率的变化，进而使线圈的阻抗参数发生改变[5]。

2 定量分析方法

对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两种方法。

相位深度定量是根据制作的标定管的人工伤深度与响应信号的相位关系制作出一条相位深度判伤曲线，对检查过程中发现的显示使用该曲线进行对比进而得出缺陷的深度估计值。幅值深度定量主要采用的是测量不同深度的标定管上人工缺陷的幅值，得到幅值―缺陷深度判伤曲线，对检查过程中发现的同类显示使用该曲线进行对比进而得出缺陷的深度估计值。

在核设备管子在役检测中，由于核设备管子中出现的缺陷与响应信号的相位角及深度之间总是存在良好的对应关系，且这种关系的对应性要明显优于响应信号幅值与缺陷深度之间的对应性，因此，通常情况下采用以信号的相位角评定缺陷深度的方法。

3 缺陷有限元建模

应用有限元来分析电磁场，其基本原则是，首先将所处理的对象划分成有限个单元（若干点），然后根据矢量磁势或标量电势求解一定边界条件和初始条件下每一节点处的磁势或电势，进而求解出其它相关量，如磁通量密度和地磁场储能等。计算完成后将结果读入，进行相应的参数分析[4-5]。

为计算线圈的阻抗，可由线圈模型上某一点的电压和电流进行求解，时谐分析的计算结果分为实部与虚部，将其分别读入ANSYS分析软件的后处理器，可得线圈上的电流为IREAL，IIMAG.（ IREAL 表示电流实部，IIMAG 表示电流虚部），然后根据公式（2）得出线圈的阻抗：

在此，采用的有限元计算模型为用差动式轴绕探头，采用峰-峰值测量法（VPP法）对管子缺陷进行涡流检测。如图1所示，管壁中有一个孔缺陷.设导体电导率为σ，缺陷充满空气。

图1中，r1和r2为线圈的内、外半径；R1和R2为管的内、外半径；D为缺陷的直径；d为线圈的间距；h为线圈高度。以下计算采用的计算参数如下： r1为6.0mm， r2为8.0mm，h为1.5mm，d为1.5mm，线圈匝数为30，频率为550KHz，R1为 8.4mm，R2为9.5mm， 电导率σ为1.15×106 S・m-1，缺陷宽度从0.05mm-10mm，相对深度（%T）从5%ID-100%-10%OD.（其中ID表示内部缺陷，OD表示外部缺陷，%T表示占壁厚的百分比，下同）。

4 计算结果

图2是由此计算得出的管子槽宽从0.05mm至10mm，不同深度不同宽度情况下的缺陷相位阻抗关系曲线：

从图2中可以看出，随着缺陷宽度的逐渐减小相位变化较快，在最小缺陷宽度（0.05mm）时相位值趋近于最大值。而随着缺陷宽度增大到一定程度，相位存在最小值。

对缺陷深度的评价，是建立在利用一组不同深度人工缺陷绘制的相位深度标定曲线基础上的，再将计算结果中各深度下缺陷所处相位角分别对应到相位深度标定曲线上，可以得到对应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围，进而可以从上述数据中归纳出以下几种变化趋势，以及这些变化在实际检测中的意义：

1）对于外缺陷，在相同宽度下不同深度管槽的相位角随着深度加深而单调减小；对于内缺陷，在相同宽度下不同深度管槽的相位角随着深度加深而单调增大。

2）对于内缺陷，在缺陷宽度较小时单调变化，但在缺陷宽度进一步增大时，内环槽曲线则呈现不同的规律，这时对于内缺陷，在检测过程中可能存在大于标定曲线100%的相位角从而被误判为外缺陷，此时判伤曲线已经失去准度，可靠性不高。

3）随着槽外缺陷深度的增加，相位角极值范围逐渐变大；随着槽内缺陷深度的减小，相位角极值范围也在逐渐变小。由此可得出缺陷深度越小相位的变化范围越小，检测结果的深度定量偏差范围越小，可靠性也就越高。因此对于可靠性定量分析在缺陷宽度很小时具有更大的实用性。

【参考文献】

[1]姚运萍，韩捷.核电站管道缺陷涡流定量检测的可靠性分析[J].核动力工程，2009，30（4）：17-20.

[2]徐可北，周俊华.涡流检测[M].北京：机械工业出版社，2006：21-39.

[3]丁天怀，陈祥林.电涡流传感器阵列测试技术[J].测试技术学报，2006，20（1）：1 -5.

第6篇：动力工程影响因子范文

关键词：热电冷联供经济性影响因素

一．引言

近几年来，国内一些城市开始酝酿建设热电冷联供系统，即在原有热电联产系统基础上增设吸收式制冷机装置，利用供热汽轮机组的抽汽或背压排汽制冷，使得整个系统不但可以发电和供热，还可在夏季向用户提供空调用冷。由于热电冷联供系统规模和投资大，系统复杂，运行期间能源消耗多，因而对热电冷联供系统的经济性进行全面深入地分析和研究是非常必要的。本文从国家或一个地区的角度，分析和探讨影响热电冷系统经济性的主要技术因素。

二．影响热电冷联供系统经济性的技术因素分析

关于热电联产经济性的研究目前已很成熟，故本文仅讨论在热电联产基础上加入制冷系统后影响热电冷系统经济性的有关技术因素。以下就系统的几个组成部分，即热电厂、热力输送系统和制冷站，以及冷负荷特性、蓄能装置等几方面对各主要技术因素加以分析。

1．热电厂包括热电厂机组的型式、容量、初蒸汽参数、抽汽或背压排汽参数等。

1)机组型式机组型式对系统初投资和运行费的影响很大。燃煤热电厂主要包括背压机或抽凝机两种型式。由于背压机组初投资低，能量转换效率高，因而对于新建热电厂来讲，背压机组经济性显然好于抽凝机组。

再看一下在原有热电厂基础上扩建的热电冷系统。假设空调负荷峰谷变化与电力负荷一致。从整体角度看，背压机组由于制冷负荷的加入而增加了背压排汽量，进而增加了空调峰期的发电容量。这会减少电网相应容量的电厂初投资，从而使整体系统的投资大幅度降。而抽凝机组在电力高峰期一般会满功率发电，故在增加制冷用热负荷后不会减少电网投资。因此，就初投资而言，背压机组经济性更具优势。在运行费方面，抽凝机组所具有的经济性则好于背压机组，因为抽凝机组由于供冷而增加的抽汽发电代替了效率低的本机组纯凝汽发电，而背压机组则是代替了效率相对较高的电网机组发电量。由于背压机组初投资减少对经济性的影响大于运行费方面的劣势，使得由背压汽轮机组成的热电冷系统经济性好于抽凝汽轮机组成的系统[1]。顺便指出，冷负荷一天之中变化幅度较大，这给热电厂的运行调节带来困难。由于锅炉负荷调节范围和惯性的限制，背压机组如何满足冷负荷的变化是一个殛待解决的问题。抽凝机组因抽汽调节较为灵活而使该问题不那么突出。

随着人们现代文明和环境保护意识的不断增强，以油、气等相对清洁的燃料代替污染严重的煤而作为城市使用的主要一次能源以成为必然趋势，其中包括燃气轮机、内燃机等型式的热电厂在城市供热方面的应用。这种热电联产装置在西方国家使用较为普遍。其特点是热电比小，发电效率高，单位容量投资少。如果燃料价格较为合理，以这种热电厂为热源的热电冷联供系统有较好的经济性。

2)机组容量主要指系统热化系数的合理选取。空调负荷变化幅度大，可选取适当容量的锅炉蒸汽在负荷高峰期作为式制冷机的热源，进而减小供热机组的容量。这样，不仅可降低系统的初投资，而且还可提高系统运行效率，使热电厂运行工况更加稳定。

3)热电厂初蒸汽参数初蒸汽参数越高，系统的发电效率越高，热电比越小，会使热电冷的经济性越好。当热电冷系统系统和所代替的发电机组所用燃料的价格在正常波动范围内时，热电冷系统年运行成本是随着热电比的降低而减小的。因此，热电冷系统应优先选用高参数的热电厂为热源。

4)热电厂抽汽或背压排汽参数的降低，会使系统的发电效率增加，热电比减小，有利于提高热电冷系统的经济性。对于吸收式制冷机而言，抽汽或背压排汽参数在一定范围内变化对其热力系数影响不大，但对冷机的出力有较大影响。当蒸汽压力每降低0.1MPa时，蒸汽型双效机制冷量减少9%-11%[2]。这表明，当蒸汽压力降低时，为保证制冷量要选择内部传热面积更大的制冷机，从而增加了制冷站的初投资。因此，热电厂抽汽或背压排汽参数对于不同的具体系统应有其最优值。

2．热力输送系统包括供热管网和供冷管网，影响因素主要有输送介质种类及其热力参数、输送系统运行方式等。

1)输送介质种类由于技术条件的限制，供冷管网的输送介质只能采用冷水。但该介质输送冷量的能力小，管网初投资及输送电耗巨大。近年来国外正在研制以冰浆或在冷水中加入相变材料作为输冷介质，可使管网输送冷量的能力大大提高，较大幅度地降低管网初投资，但这种输送技术目前仍处于试验阶段[3]。

输热介质主要指蒸汽或热水。当以蒸汽作为作为热网的输送介质时，供冷系统可采用热力系数高的双效制冷机。同时，蒸气在输送中电耗低，不需要设置热力首站换热设备及泵等。但是，蒸汽在较远距离的热网输送中，压力损失大，导致供热机组抽汽或背压排汽压力较高，热电厂热电比大，且热网的热效率较低。这会对系统的经济性产生不利影响。以热水作为热网的输送介质，可使供热机组抽汽或背压排汽压力较低。同时，热网热效率较高。但是，由于管道成本的限制，通常采用直埋管道的热水网供水温度大都在120℃以下，供冷系统只能采用热力系数低的单效机。这会大幅度地增加供冷系统的初投资以及整个系统的运行费。另外，热水网还有输送耗电大等缺点。

2)输送介质热力参数对于蒸汽网而言是指蒸汽压力，亦即指汽轮机抽汽或背压排汽压力，上文对此已作分析。

对于热水网而言，输送介质的热力参数主要是指热网供回水温度，该参数对输送系统仍至整个热电冷系统的影响都很大。供水温度选择的小,热电厂供热机组抽汽或排汽压力可以降低。但热水温度低会使制冷机制冷效率降低，制冷设备的投资及耗电量高。供回水温差增大,无疑会节省热网初投资及输送能耗。但这会导致制冷系数降低，制冷设备初投资增加。因此，从系统的经济性看，热网供回水温度应有最佳选择。

3)输送系统运行方式为保证制冷机的出力及运行效率，不希望降低热网供水温度，热网的运行基本上依靠量调节完成。由于用户热负荷变化频繁，导致热网水的循环流量在很大范围内变化，且大部分时间在低负荷下运行，常规热网运行方式将使主循环泵的电耗很大。因此，输送系统的运行方式对于热网的低能耗和安全运行有重要作用[4][5]。

3．制冷站包括供冷站位置与规模，吸收式制冷机型式、容量和运行方式等。

1)制冷站位置与规模由于冷水管道的供回水温差通常在10℃以内，供冷管道输送能量的能力远小于供热管道，相同距离下供热管道的投资要小于供冷管道。从这一点看，制冷站应尽量靠近用户。但用户负荷在地理上是分散的，位置靠近用户会使单个制冷站规模变小，数量增多，导致制冷设备容量增加，整个系统的制冷站占用空间增大，而且用户附近的制冷站建筑造价往往更加昂贵。因此，位置靠近用户又会使热电冷系统制冷站的投资增大。合理选取制冷站位置与规模是一个较复杂的问题，应从整体供冷系统考虑，全面加以优化。

2)吸收式制冷机的型式、容量和运行方式制冷机的型式主要指单效或双效。毫无疑问，在条件允许的情况下应尽量使用双效机。由于空调负荷变化幅度大，制冷站内单台制冷机容量的选择，制冷机的运行方式，包括各制冷机之间的负荷分配、启停顺序等，都会影响系统的经济性。

4．供冷负荷特性包括负荷因子、负荷密度、用户负荷性质、年最大供冷负荷小时数等。

1)负荷因子指平均负荷与最大负荷之比。负荷因子越小，则设备利用率越低，单位制冷容量的供冷系统初投资越大。与采暖负荷相比，空调日负荷因子要小得多，这会使系统的容量无法得到充分利用。同时，也会给设备的运行效率和调节手段带来不利。解决问题的有效办法包括合理选取系统热化系数和适当设立蓄能装置。

2)负荷密度指单位社区面积所拥有的冷负荷量。负荷密度大，则输送系统单位负荷投资小，有利于区域供冷的经济性。当负荷密度过小，采用区域冷热联供的单位负荷初投资过大，就会被分散的供冷方式取代。

3)用户负荷性质由于建筑物使用功能不同，用户负荷性质，即用户之间最大空调负荷出现的时刻，会有所不同。这将使区域供冷系统与用户独立设置空调系统相比，设备容量减小。工程上采用系统供冷负荷峰值与各用户最大冷负荷之和的比值，即负荷同时使用系数以体现这一减小量。各用户负荷性质将直接影响制冷站的规模和分布，进而影响热电冷系统的经济性。

4)年最大供冷负荷小时数年最大供冷负荷小时数主要取决于当地的气候条件和用户负荷性质。年最大供冷负荷小时数越大，越有利于运行费低的供冷系统发展。1|2

5．蓄能装置

当负荷因子较小时，增设蓄能装置可以大幅度减小系统容量，提高系统运行效率和安全稳定性。对于在已有热电厂基础上扩建的热电冷系统，设置蓄能设备还可提高系统的供冷能力。蓄能装置对系统经济性的影响主要取决于该装置的形式、位置和性能等。

1)蓄能装置形式如图1所示，对于热电冷系统，蓄能装置有蓄热和蓄冷两种形式。

蓄热按蓄存介质的不同有直接蓄存和间接蓄存。间接蓄存采用某种中间介质作为蓄存介质来蓄热。这种蓄热方式的蓄热温度较高，如岩和油组成的蓄存介质蓄热温度达304℃，而用一种熔化的硝酸盐作为蓄热介质蓄热温度可达566℃[6]，但间接储存方式的投资大，而采暖空调所用热量温度相对较低，故不宜采取这种蓄热方式。

直接蓄热可将待蓄存的热水或蒸汽直接储存在蓄热容器内。直接蓄热又可分为无压蓄热和有压蓄热。无压蓄热方式最高蓄热温度可达95℃，且投资低。有压蓄热方式是将蒸汽或高温热水直接存蓄在球状或圆柱形压力容器内，蓄热温度最高可达200℃，适宜于向双效吸收式制冷机供热。但有压蓄热方式投资大，相当于无压方式的2至5倍[7]。

蓄冷装置主要有水蓄冷和冰蓄冷两种方式。冰蓄冷装置具有蓄冷量大，结构紧凑等优点。但如果供冷系统采用的是溴化锂吸收式制冷机，其最低制冷温度只能达到5℃，无法使用冰蓄冷装置。

空调用水蓄冷是将冷水直接蓄存于蓄冷容器的显热蓄冷方式。主要有分层式蓄冷和隔膜法蓄冷等型式。水蓄冷温度一般为5℃至7℃，可用于蓄存溴化锂吸收式制冷机所制取的冷量。但由于以显热蓄冷，蓄冷温度差小(约10℃左右)，因而蓄冷空间较大。

2)蓄能装置位置蓄能设备的位置对供能系统的经济性有较大影响。在热电冷联供系统中，夏季供冷时蓄能设备可安置在热电厂中作为蓄热器，也可安置在冷暖房中作蓄冷器，也可将蓄冷设置在用户处。蓄能装置的设立，可使热源至蓄能装置之间的系统容量降低和运行效率提高，而蓄能装置至用户之间的系统则无改观。从这一点讲，应尽量将蓄能装置的位置靠近用户侧。但这样又使蓄能装置因过于分散而加大了投资。

3）蓄能装置性能包括装置容量、蓄能功率、泄能功率和蓄能热效率等因素。蓄能装置容量增大有利于蓄能效果的提高，但会增大蓄能的投资。蓄能容量的大小取决于热电冷系统的构成和负荷特性，需经优化计算确定。蓄能、泄能功率则主要与蓄能容量和负荷变化频率等因素有关。

从宏观的角度看，热电冷系统的经济性还与电力系统有关参数密切相连，主要指所代替的电网其它发电机组初投资和发电效率。所代替的发电机组初投资越大、发电效率越低，则热电冷系统的经济性越好。除技术因素外，一些政策性和市场因素也对热电冷系统经济性有较大影响，例如热电冷系统和代替发电机组所用的燃料价格等。热电冷系统所用燃料的价格越低，代替发电机组所用燃料的价格越高，与压缩式制冷形式的经济性相比，热电冷联供系统越有利。由于篇幅所限，不再详述。

三．结束语

热电冷联供系统庞大，影响经济性的因素众多。目前国内对热电冷系统的认识和研究还处于初级阶段。本文仅对一些影响系统经济性的主要技术参数做了定性分析，对该问题更深入认识还需作进一步的定量研究。

参考文献

1．付林江亿热电冷系统三联供系统的经济性分析（待发）

2．戴永庆溴化锂吸收式制冷技术及应用机械工业出版社

3．GoranMornhedInnovationsinDistrictHeatingandCooling1984-1994andTheirEconomicImpactASHRAETransaction1995

4．付林江亿承担冷负荷的热水网水力工况模拟计算及其应用热能动力工程1999.4

5．江亿冷热联供热水网的用户回水加压泵方案区域供热1996.2

6．G.培克曼等著蓄热技术及其应用机械工业出版社

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

AnalysisofEcononicFactorsImpactingonCombinedHeating，

CoolingandElectricitySystem

第7篇：动力工程影响因子范文

关键词： 光伏逆变器； B样条神经网络； ARX模型； 系统辨识

中图分类号： TN711?34； TM615 文献标识码： A 文章编号： 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

光伏发电作为一种清洁的可再生能源，正处在快速发展和大规模应用的阶段[1?4]。模型参数的准确性对电力系统的分析尤为重要。文献[5]利用非线性自回归模型对光伏发电系统进行建模，所得模型包含了光伏电池和逆变器，可以反应不同天气条件下光伏发电系统的动态行为，但天气波动的剧烈程度对辨识效果影响较大。文献[6]提出了一种基于果蝇优化FOV?Elman神经网络的光伏电站出力短期预测模型，取得了较满意的预测效果。文献[7]采用改进小波神经网络对光伏发电系统进行非线性模型辨识，但其辨识结果均受不同天气状况的影响较大。

本文针对现有光伏系统辨识方法对不同天气状况辨识能力鲁棒性不强的缺点提出一种基于Hammerstein模型[8?9]（简称H模型）的B样条神经网络光伏逆变器系统模型辨识方法。该方法在H模型静态非线性环节采用B样条神经网络（B?Spline Neural Network，BSNN）[10?12]。动态线性环节采用自回归模型（Auto Regressive eXogenous System，ARX），并采用最小二乘法进行参数识别。为了验证BSNN?ARX模型的光伏逆变器模型辨识方法的有效性，采用实测数据对不同天气条件下的光伏逆变器进行模型辨识与数据结果分析。

1 B样条神经网络ARX模型

1.1 静态非线性环节

BSNN属于单层前馈神经网络，通过B样条激励函数实现输入到输出的映射，其基函数由一些局部多项式组成，本文采用的BSNN结构如图1所示。

设输入信号[uj]在区间[[uminj umaxj]]内，节点设置为[Kj={kj，1，kj，2，…，kj，p}，]区间划分为[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]是隐含层基函数的个数，[p]是节点数，且[n=p-3；][q]是输入信号的维数。

多输入单输出BSNN的输出信号[x（u）]可表示为：

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

多输入单输出BSNN网络权重从输入到输出分为两个部分：第一部分是每个BSNN网络中神经元到输出的权重[w1i，j（t）]；第二部分是[q]个BSNN网络输出求和过程中的权重[w2j（t）]。式（2）中第二层的权值更新公式为：

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

第一层的权值更新变为：

[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]是学习因子，为了使BSNN?ARX模型收敛，取[0

1.2 动态线性部分

在H模型的动态线性环节采用ARX模型可用式（5）表示：

[y（t）=B（z-1）A（z-1）x（t）] （5）

信号经过BSNN网络后由多输入变成了单输出，对单输入单输出线性系统式（5）可以写成如下表达式：

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

式中：[y（t）]是出；[x（t）]是输入；[n]是[A]的阶数；[m]是[B]的阶数。模型中待估计的参数[θT（t-1）]可以写成：

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

可以采用递推算法对ARX模型进行建模，则递归向量表示为：

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

则式（6）可以进一步写成：

[y0（t+1）=θT（t）?（t）] （8）

式中：[θT（t）]表示[θ（t）]的转置运算，ARX部分的递推最小二乘法参数估计如下：

[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）]是自适应增益矩阵，为了启动递推公式，由式（10）确定初始值[P（0）]和[θ（0）]：

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

2 BSNN?ARX算法实现

BSNN?ARX模型由单层B样条神经网络级联ARX模型组成。每个神经元的激励函数都由式（1）所示的函数表达式构成。为了对BSNN及ARX的模型参数进行识别，将1.1节和1.2节所述算法进行结合，自适应调节部分的具体算法实现如图2所示。

自适应调节部分程序运行结束后，只执行前向的计算，调整后计算BSNN的输出YBSNN作为ARX模型的输入，再根据[θ（tL）]计算ARX模型的输出，即可得到光伏电站模型的输出功率。

本文以光伏逆变器直流电压和电流作为输入[uii=1，2，]有功功率作为输出[ytt=1]。基于BSNN?ARX模型的光伏电站模型辨识流程图如图3所示。

3 仿真验证和结果分析

3.1 实验数据采集与处理

以青海某光伏电站系统为研究对象，分别采集晴天、多云、雨天三种不同天气条件下的直流电压、直流电流及输出功率数据。采样时间间隔为15 min，每种天气类型各采集20天数据，将20天的数据分成两部分，前15天作为训练组，实现模型相关参数的估计，后5天作为模型的验证数据。另外，还需要对数据进行预处理，去掉日出前和日落后的无效数据。经过处理的晴天、多云和雨天三种典型天气条件下的光伏逆变器输入电压电流及输出功率信号如图4所示。

3.2 性能评价指标

单相光伏并网逆变器的辨识模型与参数确定后，需要对其进行比较验证，以确保模型的有效性，验证采用如下指标：

（1） 平均绝对误差：用来反映预测值偏离真实值误差的大小。

[eMAE=1ni=1nyi-y*i] （11）

（2） 计算模型输出与实测数据的平均相对误差，误差越小，模型越可靠。

[eMRE=1ni=1nyi-y*iyi] （12）

（3） 计算模型输出与实测输出的最佳拟合度，所得数值最大者的精度最高，即：

[fBestFit=1-y-y*y-y×100%] （13）

式中：[y]为实测输出功率；[y*]为BSNN?ARX模型输出功率；[y]是实测输出功率[y]的平均值。

3.3 实验测试

为了验证提出的BSNN?ARX模型对光伏并网逆变器建模的有效性，将BSNN?ARX模型与BSNN模型，ARX模型进行比较。BSNN神经元个数取5，激励函数为二次B样条函数，表达式为式（1），学习常数取为0.005。对晴天、多云和雨天的数据进行辨识，输出功率的辨识结果如图5所示。

从图5可见，BSNN?ARX模型在不同天气情况下都可以对输出功率进行很好的预测。表1给出了不同天气条件下，训练样本和测试样本的预测误差。预测误差采用平均绝对误差[eMAE]和平均相对误差[eMRE。]平均绝对误差反映预测值偏离真实值的误差大小，平均相对误差反映该预测误差的可靠性。

从表1可见，对于训练样本，BSNN?ARX模型与BSNN模型相比，平均绝对误差在晴天、多云和雨天三种不同天气情况下分别降低了33.02%，53.83%和56.8%，而对训练数据则分别降低了43.98%，56.79%和66.03%。BSNN?ARX模型与ARX模型相比，对于训练样本和测试样本，平均绝对误差分别下降了62.23%和57.75%。BSNN?ARX模型的平均相对误差在三种模型中是最优的。

从表2可见，本文提出BSNN?ARX模型的输出功率在不同天气条件下均具有较高的最佳拟合度，平均最佳拟合度为94.74%，并且不同天气条件下最佳拟合度差异很小，对于天气条件具有更好的适应性。

4 结 论

本文提出一种基于BSNN?ARX的光伏逆变器模型辨识方法。该方法采用B样条神经网络描述H模型的非线性部分，线性自回归模型描述H模型的线性部分，采用青海某光伏电站的实则数据对晴天、多云和雨天三种天气进行BSNN?ARX模型辨识与实验测试。与其他常用的参数辨识估计算法相比，基于BSNN?ARX方法的辨识模型能够自适应不同天气条件下的动态变化，并且具有较高的辨识精度，在该方法下构建的辨识模型对于天气条件具有更广泛的适应性。

参考文献

[1] 周德佳，赵争鸣，袁立强.具有改进最大功率跟踪算法的光伏并网控制系统及其实现[J].中国电机工程学报，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.太阳能光伏并网系统的控制与仿真[J].电网与清洁能源，2014，30（2）：81?87.

[4] 刘东冉，陈树勇，马敏，等.光伏发电系统模型综述[J].电网技术，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] 韩伟，王宏华，杜炜.基于FOA?Elman神经网络的光伏电站短期出力预测模型[J].电测与仪表，2014，51（12）：120?124.

[7] 郑凌蔚，刘士荣，谢小高.基于改进小波神经网络的光伏发电系统非线性模型辨识[J].电网技术，2011，35（10）：159?164.

[8] 王东风，任燕燕，刘长良，等.基于量子遗传算法的循环流化床锅炉Hammerstein模型辨识[J].动力工程学报，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] 吴忠强，贾文静，吴昌韩，等.基于PSO?BSNN的短期风速预测[J].电力系统保护与控制，2015，43（15）：36?41.