廣州現(xiàn)代有軌電車能耗與節(jié)能分析

蘇 浚 宿亞軍 唐光華

(廣州有軌電車有限責(zé)任公司,510310,廣州∥第一作者,副總工程師)

廣州現(xiàn)代有軌電車能耗與節(jié)能分析

蘇 浚 宿亞軍 唐光華

(廣州有軌電車有限責(zé)任公司,510310,廣州∥第一作者,副總工程師)

根據(jù)廣州儲能式有軌電車運營統(tǒng)計數(shù)據(jù),分析有軌電車能耗組成及影響因素。利用回歸分析的方法,將影響有軌電車能耗的重要因素按照其對能耗影響的大小,依次引進回歸方程。建立了有軌電車能耗體系的多元回歸數(shù)學(xué)模型,并利用該模型檢驗了廣州有軌電車線路實際能耗。結(jié)果顯示,總能耗誤差小于5%,可以較精準地預(yù)測有軌電車能耗變動趨勢。在此基礎(chǔ)上,對節(jié)能措施進行了深入剖析,系統(tǒng)地提出了有軌電車節(jié)能方法及實現(xiàn)的途徑。

現(xiàn)代有軌電車; 能耗預(yù)測; 多元回歸; 節(jié)能分析

Author′s address Guangzhou Tram Limited Liability Company,510310,Guangzhou,China

1 有軌電車能耗組成

有軌電車能耗系統(tǒng)主要分為列車牽引及輔助能耗、動力照明能耗以及其它損耗3個部分,各部分組成見圖1。

圖1 有軌電車系統(tǒng)主要耗能設(shè)備

2 相關(guān)變量的選取

(1) 列車牽引及輔助能耗相關(guān)變量:根據(jù)物理知識,列車走行公里數(shù)越多、運輸質(zhì)量越大,電能消耗就越多。客運量的多少及日常氣溫的高低也會使空調(diào)的運行受到影響。依照自變量互斥、高度相關(guān)只選其一的原則,經(jīng)總體比較,列車牽引能耗初始選取運行里程、客運周轉(zhuǎn)量為自變量;列車輔助能耗則選取客運周轉(zhuǎn)量及日最高氣溫為自變量。

(2) 動力照明能耗相關(guān)變量:動力照明能耗主要受環(huán)境溫度的影響,因此選取日均氣溫為自變量。

(3) 其它損耗相關(guān)變量:其它損耗是以熱的形式消耗掉的電能。其它損耗主要受環(huán)境溫度的影響,并與充電電流量的二次方成正比例關(guān)系。充電電流量的表現(xiàn)形式是總耗電量,將總耗電量開方后可近似等同于充電電流量,因此可以總耗電量作為自變量進行擬合。

3 建立能耗回歸模型

根據(jù)以上分析,自變量與能耗之間滿足統(tǒng)計特征,故可通過回歸分析法研究它們之間的關(guān)系,建立能耗回歸模型。

3.1 列車牽引及輔助能耗的回歸模型

3.1.1 列車牽引能耗的回歸模型

列車牽引能耗的線性回歸模型為:

式中:

y11——列車牽引能耗,kW·h;

x1——總行駛里程,km;

x2——客運周轉(zhuǎn)量,103人·km;

β01——回歸常數(shù);

β02,β03——x1,x2的回歸常數(shù);

ε——隨機誤差項。

3.1.2 列車輔助能耗的回歸模型

考慮到列車輔助能耗與日最高氣溫不是純線性關(guān)系,因此將日最高氣溫的二次方作為自變量,其回歸模型為:

式中:

y12——列車輔助能耗,kW·h;

β04——回歸常數(shù);

x3——日最高氣溫,℃;

ε——隨機誤差項。

3.2 動力照明能耗的回歸模型

動力照明主要是受環(huán)境溫度的影響,其線性回歸模型為:

式中:

y2——動力照明能耗,kW·h;

x4——日平均氣溫,℃;

β07——回歸常數(shù);

β08——x4的回歸常數(shù);

ε——隨機誤差項。

3.3 其它損耗的回歸模型

其他損耗模型形式為:

式中:

y3——其它損耗,kW·h;

y總——總耗電量,kw·h;

β09——回歸常數(shù);

β10——x4的回歸常數(shù);

β11——y總的回歸常數(shù)。

4 能耗模型計算及顯著性檢驗

計算數(shù)據(jù)來源于廣州有軌電車有限責(zé)任公司2015年5、6月份各模塊部分能耗數(shù)據(jù),詳見表1。

4.1 列車牽引能耗計算

根據(jù)表1提供的數(shù)據(jù),利用Excel軟件進行列車牽引多元線性回歸分析。

(1) 相關(guān)系數(shù)為0.986:說明總行駛里程、客運周轉(zhuǎn)量這兩個自變量與列車牽引能耗這一因變量呈現(xiàn)高度正相關(guān),可用二元線性回歸方程進行擬合。計算得到的列車牽引能耗回歸方程為:y11=1.72x1+0.78x2+2.74。

(2) 判定系數(shù)等于97.17%:表明在列車牽能耗變動中,有97.17%可由總行駛里程、客運周轉(zhuǎn)量這2個因素的變動來解釋,只有2.83%的因素屬隨機誤差。

針對以上方程,需檢驗其顯著性水平。首先,設(shè)置顯著性水平α=0.05,進行牽引能耗F檢驗。因此給出原假設(shè)H0:β0=β1=β2=0。若H0被拒絕,則y11與x1,x2之間的關(guān)系可用線性回歸方程進行擬合。在正態(tài)分布下,若原假設(shè)H0:β0=β1=β2=0成立,則F檢驗服從自由度為(p,m-p-1)的F檢驗分布。因此,回歸方程的總體顯著性可用F檢驗統(tǒng)計量進行檢驗。對于以上回歸分析,P=2,m-p-1=41-2-1=38,α=0.05,從F檢驗分布表查得F0.05(2,38)=3.24。由多元線性得F=652.8(>3.24),故不接受原假設(shè)H0,因此y11與x1,x2之間線性關(guān)系顯著。

其次,設(shè)置顯著性水平α=0.05,β1的檢驗統(tǒng)計量t1=17.66,β2的檢驗統(tǒng)計量t2=2.36,查t分布表得t0.025(38)=2.02。因t1、t2均大于t0.025(38),故不接受原假設(shè)H0,所以各回歸系數(shù)也顯著。

表1 2015年5、6月份廣州有軌電車列車牽引能耗相關(guān)數(shù)據(jù)

4.2 其他模塊能耗計算

同理,可根據(jù)多元線性回歸分析數(shù)據(jù),計算出其他模塊能耗公式:

(1) 列車輔助能耗:

(2) 車站動力照明能耗:

y21=150.34+96.5x4

(3) 車場動力照明能耗:

y22=486.4+46.61x4

(4) 其他損耗:

4.3 總能耗y總計算

根據(jù)求根公式求得:

5 回歸模型的驗證

回歸方程建好后還須驗證,主要是檢驗預(yù)測值與實際值之間的誤差,如表2～表4。

表2 預(yù)測列車牽引及輔助能耗

表3 預(yù)測車站及車場動力照明能耗

表4 預(yù)測其他損耗及總能耗

根據(jù)以上檢驗結(jié)果,有軌電車總能耗最大誤差為-4.13%,說明上述建立的能耗預(yù)測模型總體準確度較高,實用性比較強,值得推廣使用。

6 節(jié)能措施分析

6.1 牽引能耗節(jié)能分析

6.1.1 滿載率經(jīng)濟性與牽引能耗平衡分析

從圖2可以看出,隨著列車滿載率的下降,邊際客運周轉(zhuǎn)量所耗費的能耗將快速升高。當列車滿載率在30%及以上時,邊際客運周轉(zhuǎn)量增加趨近于同一水平;當滿載率小于30%后,邊際客運周轉(zhuǎn)量能耗會成倍上升。因此,若能把列車的滿載率保持在30%及以上,將高效合理利用列車牽引能耗,而且舒適度也會得到保障。

圖2 滿載率與能耗增加率的關(guān)系

6.1.2 最高運行速度與牽引能耗分析

為分析各最高速度情況下的旅行速度對牽引能耗的影響,分別以區(qū)間最高行駛速度69、65、60、55、50 km/h進行牽引計算,結(jié)合停站時間、路口延誤時間對區(qū)間牽引能耗綜合分析。分析結(jié)果見表5。

表5 不同區(qū)間最高運行速度下的旅行速度與牽引能耗綜合比選

從表5可知,提高列車區(qū)間最高運行速度一定程度上可增加旅行速度,但受站間距、路口、人行通道及進出站限速等影響,旅行速度提升并不明顯。列車區(qū)間最高速度由50 km/h升至69 km/h后,旅行速度漲幅只有6.01%,牽引能耗卻增加了61.68%。而且,從50 km/h開始,最高速度每上升5 km/h,能耗將迅速增加。

6.1.3 車輛類型與牽引能耗分析

目前,廣州有軌電車工作日日均客流為6 900人次,根據(jù)牽引能耗模型計算,牽引自重做功為43 224 kJ,占62%;載客做功為26 737 kJ,占38%。因此,如能有效降低車輛自重,減少牽引做功,可有效降低牽引能耗。

6.2 動力照明能耗節(jié)能分析

6.2.1 簡化車站耗電設(shè)備

廣州有軌電車共開通10個車站,動力照明能耗占總能耗的30%,平均每月約為361 379 kW·h。面對如此大的耗電量,建議簡化車站耗電設(shè)備,如部分車站不安裝充電裝置、減少車站售票機數(shù)量等。

6.2.2 嚴格管理車場耗電設(shè)備

(1) 嚴格執(zhí)行空調(diào)管理制度:通風(fēng)空調(diào)能耗占停車場能耗46%(見圖3),該部分能耗應(yīng)作為控制重點。建議將空調(diào)溫度調(diào)至26 ℃以上,人員離開時及時關(guān)閉空調(diào)。

圖3 車場能耗分布及占比示意圖

(2) 照明節(jié)能:運用庫照明能耗占停車場能耗8%。據(jù)統(tǒng)計停車庫共有146盞吊燈,每盞250 W。若同時開啟,則每小時耗電將達36.5 kw·h。因此,在保證足夠照度的情況下,采取隔一盞開一盞,且工作完畢離開時及時關(guān)閉吊燈的措施。

6.3 其他損耗節(jié)能分析

根據(jù)廣州有軌電車《試驗段供電優(yōu)化方案》,可將琶洲大橋南站、會展中站、南風(fēng)站、廣州塔東站等車站的整流變壓器停用,并且夜間運營結(jié)束后的0:00至5:00將所有車站的整流變壓器退出服務(wù),可節(jié)省整流變空載損耗。其節(jié)約的電量為:

W0=p0×t×n

式中:

W0——空載損耗;

t——供電運行時間;

p0——空載損耗功率;

n——車站數(shù)。

通過變壓器設(shè)備資料查得車站800kVA整流變壓器空載損耗功率p0=1.192kW,因此停用4

個車站的整流變壓器每日可節(jié)約的電量W1=114.43kW·h。每日夜間運營結(jié)束后0:00至5:00將所有車站的整流變壓器退出服務(wù)可節(jié)約的電量為W2=35.76kW·h。則每日可節(jié)約的電量W日=w1+w2=150.19kW·h。由此,每年可節(jié)約的電量W年=54 819.35kW·h。

7 結(jié)語

本文采用樹狀構(gòu)造法分析了有軌電車能耗的組成,并根據(jù)廣州有軌電車運營統(tǒng)計數(shù)據(jù),通過4個重要變量(列車運行里程、客運周轉(zhuǎn)量、日最高氣溫及日平均氣溫)構(gòu)建了能耗預(yù)測回歸模型,并利用Excel軟件中的回歸統(tǒng)計方法進行了檢驗,與實際數(shù)據(jù)進行了對比,驗證了模型的可靠性。在此基礎(chǔ)上,深入分析了能耗模型變量函數(shù)關(guān)系,系統(tǒng)提出了有軌電車節(jié)能方法及實現(xiàn)途徑,對運營節(jié)能降耗具有重要意義。

[1] 楊臻明,岳繼光,王曉保,等.基于回歸模型的城市軌道交通能耗預(yù)測[J].城市軌道交通研究,2010(12):22.

[2] 石靜雅.關(guān)于上海城市軌道交通能耗指標體系的建立與分析[D].上海:同濟大學(xué)電子與信息工程學(xué)院,2009.

[3] 張燕燕.城市軌道交通系統(tǒng)牽引及車站能耗研究[D].北京:北京交通大學(xué),2008.

[4] 趙月想.城市軌道交通系統(tǒng)運營能耗研究[D].石家莊:石家莊鐵道大學(xué),2012.

[5] 計孝奎,成光,韓勇.10 kV及以下配電變壓器的經(jīng)濟運行[J].中國科技信息,2009(6):19.

[6] 于澤勇.建筑電氣節(jié)能問題研究[D].濟南:山東大學(xué),2009.

Analysis of Energy Consumption and Conservation in Guangzhou Modern Tram

SU Jun, SU Yajun, TANG Guanghua

The structure of power consumption and the influencing factors of modern tram system is analyzed based on the statistics provided by Guangzhou Tram Limited Liability Company.By using regression analysis,the main factors that influence the power consumption of modern tram are classified according to their influencing levels,and a multiple linear regression mathematical model of modern tram system is established,which is used to examine the power consumption in Guangzhou tram.The results show that the total power consumption can be predicted precisely within 5% of error.On this basis,the power conservation strategy is studied in depth,the implementation of power conservation in modern tram system is proposed systematically.

modern tram; power consumption prediction; multiple linear regression; power conservation analysis

U 482.1; TK 018

10.16037/j.1007-869x.2016.12.013

2015-10-10)