河南偃师市国有资产经营债权2023年融资计划

【河南偃师市国有资产经营债权2023年融资计划】  
洛阳市，十三朝古都经济实力位居中部非省会第一AA担保主体+足额应收账款质押+不动产抵押
规模：每期5000万元
期限：12个月/24个月
起息方式：当日计息
付息方式：按月付息（每月15号）
预期收益率：
认购金额 一年期 二年期
10-99万 9.0% 9.5%
100-299万 9.5% 10.0%
300万及以上 10.5% 11.0%
【发行方】
偃师xx团有限公司，洛阳市偃师区ZF平台，实控人为偃师区财政局，主要从事市政府授权管理的国有资产经营；城市基础设施及市属重大项目的投资与建设；旧城改造（棚户区、城中村改造）项目投资等，截止2021年年底，总资产44.2亿元。
【担保方】
 洛阳xx股集团有限公司，主体评级AA，债项评级AA。由偃师市国有资产管理局于2011年12月出资成立的国有企业，现实控人为偃师区财政局，主要从事偃师市内基础设施及保障房建设，同时还从事粮食加工、保管及销售以及城市水务等业务。截止2021年底，总资产103.34亿元。
【风控措施】
1.【应收账款质押】发行方提供2亿应收账款质押，作为增信担保。
2.【不动产抵押】发行方提供价值1.3亿优质不动产抵押。
3.【发行方回购承诺】发行方本息兑付回购承诺，无条件、不可撤销。
4.【不可撤销】担保方提供不可撤销连带责任保证担保。
【区域介绍 】
洛阳市为河南省第二大地级市，十三朝古都，世界文化名城，中国四大古都之一！中原城市群副中心城市，2021年实现GDP达5447亿元，一般预算收入接近400亿元，经济实力位居中部非省会城市第一！
偃师，洛阳市重点区，位于河南省中西部地区，南屏嵩岳，北临黄河。是河南省经济扩权市、对外开放重点市和城乡一体化试点市，2021年GDP达464.7亿元。

优质知识分享：

强大的破坏力瞬间袭来时，需要承受的力很大，容易造成局部受损最后全部毁坏；而太柔的结构虽然可以很好的消减外力，但容易造成变形过大而无法使用甚至全体倾覆

    结构是刚多一点好，还是柔多一点好？刚到什么程度或柔到什么程度才算合适呢？我个人认为刚多点使工程不经济，造成造价过高，而且应变能力差

    柔多一点虽然造价便宜但是必然产生变形以适应外力，太柔的结果必然是太大的变形

    甚至会导致立足不稳而失去根本

    这些问题历来都是专家们争论的焦点，现今的规范给出的也只是一些控制的指标，但无法提供精确答案

     　　2、多道防线 　　安全的结构体系是层层设防的，灾难来临，所有抵抗外力的结构都在通力合作，前仆后继

    这时候，如果把“生存”的希望全部寄托在某个单一的构件上，是非常非常危险的

    如土建结构中多肢墙比单片墙好，框架剪力墙比纯框架好等等，就是体现了多道防线的设计思路

     　　3、抓大放小 　　在框架结构结构体系中具有“强柱弱粱”、“强剪弱弯”等的说法也是钢结构设计中非常重要的概念

    有人问：为什么不是“强柱强梁”“强剪强弯”呢？为什么所有构件都很强的结构体系反而不好，甚至会有安全隐患呢？这里面首先包含着一个简单的道理：绝对安全的结构是没有的

    简单地说，虽然整个结构体系是由各科，构件协调组成一体，但各个构件担任的角色不尽相同，按照其重要性也就有轻重之分

    一旦不可意料的破坏力量突然袭来，各个构件协作抵抗的目的，就是为了保住最重要的构件免遭摧毁或者至少是最后才遭摧毁，这时候牺牲在所难免，让谁牺牲呢？明智之举是要让次要构件先去承担灾难

    “宁为玉碎，不为瓦全”，如果平均用力，可能会“玉石俱粉”，损失则更大矣！在钢框架结构中，柱倒了，粱会跟着倒；而梁倒了，柱还可以不倒的

    可见柱承担的责任比梁大，柱不能先倒

    为了保证柱是在最后失效，我们故意把梁设计成相对薄弱的环节，使其破坏在先，以最大限度减少可能出现的损失

    如果梁柱等同看待，企图让他们都“坚不可摧”，则可能会造成同时破坏，后果会更糟糕，损失会更大

     所以关键时刻要分清主次，抓大放小，也就是要取大舍小

    有舍才有得，舍是为了得

     　　4、打通关节 　　理想的结构体系当然是浑然一体的一也就是没有任何关节的，这样的结构体系使任何外力都能迅速传递和消减

    基于这个思路，设计者要做的就是要尽可能地把结构中各种各样的关节“打通”，使力量在关节处畅通无阻

    中医上云：“通则不痛，痛则不通”，结构就像一个人，气穴若不能畅通，症结和隐患就会产生

    在设计的四项基本原则中，“刚柔相济”，“多道防线”，“抓大放小”是设计概念中的战略问题，但要想得让这些战略思想得以实现，靠的是“打通关节”这个原则作为保证的，结构设计的具体操作，最后全都归到“打通关节”的贯彻和实施上来

     打通关节保持平衡的目的其实就是使其永远处于原始的静态，当力量不能畅通时，构件与构件之间，构件的组成元素与元素之间的静态平衡一旦被破坏，结构变成机动，“动”即是死，即为终结

    可见设计者是协调者，其任务是让所有互不相关的静态构件相聚之后依然处于静态（也就是使其保持常态），或者是处在相对的静态之中

    其实处理和成就世间万物，必须使动为动，静为静，才能平衡：必须动者动之，静者静之，才能持久；必须知其本源，施以规则，顺之导之，才能达至繁荣昌盛

    一切的一切，以顺应自然为始，达到平衡为终，诸多规则，只是手段，只为平衡，只为畅通

     　　以上内容均根据学员实际工作中遇到的问题整理而成，供参考，如有问题请及时沟通、指正

     主要包括室外逐时气象参数的预测和建筑物逐时冷负荷的预测

    其中，温度预测通常采用形状系数法；而人工神经网络在太阳辐射预测和建筑物冷负荷预测中优势显著

     关键词： 冰蓄冷 气象参数 形状系数 人工神经网络 1 前言 对北京市冬夏季典型日电力负荷构成情况的调查表明：民用建筑用电是构成电力峰荷的主要因素［１］

    目前，我国城市建筑夏季的空调用电量占其总用电量的40％以上

    解决电力不足的途径有很多种，根据有关资料，在采用电能储存解决电力峰谷差的成熟技术中，冰蓄冷的转换效率最高［２］

    在建筑物空调中应用冰蓄冷技术是改善电力供需矛盾最有效措施之一

     冰蓄冷空调系统的设计前提是设计日的负荷分布，系统主要设备的容量都是按设计日进行的

    然而，100％的设计冷负荷出现时间仅占总运行时间的o％［3］

    同时，由于分时电价或实时电价（RTP）的引入，建筑物中各种设备的运行控制更为复杂，运行决策必须以天、甚至小时为基础【4】.1993年，ASHRAE研究项目RP776对美国蓄冷（水蓄冷、优态盐

    冰蓄冷）系统的调查显承；冰蓄冷系统约占近对m个蓄冰系统总数的86.7％

    从设计到运行、维护，控制及控制相关问题是蓄冷系统的首要问题

    在蓄冷系统满意程度的调查中，冰蓄冷系统满意率最低，仅有50％的冰蓄冷用户认为达到了预期的设计目的人正确地运用优化和控制技术至关重要【5】 一些研究报告指出，某些蓄冷系统在降低电力峰值需求的同时，显著地增加了总的年电力消耗

    因此，将最终导致发电量增加，自然资源浪费和环境污空失这些批评导致了对蓄冷系统及相关研究项目资助的减少【６】.1994年，Brady根据实测数据证明，上述消极影响可以通过充分的利用蓄冰系统的优点来消除

    蓄冰系统可以降低年能量消耗、峰值电力需求、年运行费用【7】 【8】和系统对环境的影响【6】［9］

    1993年，Fiorino对Dallas某（水）蓄冷进行了改造，使蓄冷系统不但减少了运行费用，而且节约了用电量［10］［11］

    冰蓄冷空调也是如此［12］［13］

     随着《中华人民共和国节约能源法》的公布施行，冰蓄冷系统节能问题受到更加广泛的重视

    冰蓄冷系统优化和控制的目的是在满足建筑物供冷要求的同时，使系统空调期运行费用最小

    准确的预测是蓄体系统优化和控制的基础和前提，主要包括下列内容

     2 室外逐时气象参数的预测 2.l 室外逐时温度 许多研究结果表明：室外温度直接影响负荷大小、能量消耗和高峰期用电量

    以往温度预测算法大多建立在室外温度按正弦曲线变化的假设上

    Chen通过对蒙特利尔最近十年气象数据的分析，得出了室外温度波的三种模式：近正弦波模式、降温模式、升温模式

    他发现该市1月和12月份每日温度最高温度孵出现在午夜12：00.将温度波简单地假设为正弦曲线不能反映室外温度实际变化的趋势［14］

    全球“温室效应”和城市的“热岛”效应的影响，需要对室外温度变化做进一步的分析和研究

    况且，我们所指的室外温度是针对某个实际建筑而言的，而气象预报是一个大区域内的整体平均，二者存在着差异，因此

    需要一个有针对性的预测手段

     预测中通常采用的模型包括回归模型（线性回归、多元回归等）、时间序列模型（ARIMA、ARMA、AR、MA等）、Kalman滤波模型、模糊集模型、人工神经网络模型等

     1985年Rawlingr指出对蓄冰系统，为了防止冰在热天提前耗尽，一种预测热天的办法是观察当天早晨的气温（主观预测法）

    例如，在新泽西地区，如果上午8：00的温度为29℃，统计数据表明当天很可能接近“设计日”【15】 用于客观天气预测的模型输出统计（Model output statistics）可以给出精确的未来天气撒尼“然而，这种方法需要大量的气象数据和超级计算机；而不适于在线控制

    实时控测

    气象参数和负荷预测的方法大多数基于最小M乘回归分析

    1989年MacA－rthur【16】等利用以前测量的环境温度和当地气预报的最高、最低温度来预测未来温度曲线

     1995年Kawashima等采用预报的最高，最低温度和ASHRAE建议的形状系数预测环境逐时温度【17】.因为利用了更有效的信息，他们的方法优于仅采用过去测量气象数据的方法

    Chen对天气预报的最高、最低温度作了更详尽的修正

    由数据采集系统实测室外温度，并根据算法是未来几个小时的逐时温度；同时将室外温度变化分为上升阶段和下降阶段，分别计算各时刻的形状系数；二者共同用于室外温度的预测，取得了较好的效果

     2.2 逐时太阳辐射的预测 1996 年，Kawshima将天气分为晴、阴、多云、雨四种典型情况

    首先根据实测数据拟合出用于预测次日太阳辐射总量的多项式，然后乘以逐时的系数来预测次日的太阳辐射【18】.Chen将太阳辐射细分为10个级别，并给出了它们的相对于各时刻历史最大太阳辐射强度的中值，用于太阳辐射的预测，他发现对于晴朗小时或天晴间多云（sunny hour or day）预测效果较好；而对于不确定的天气状况，如晴间多云（clearing and clouding）则有一定的偏差【14】.在建筑物能耗预测结果的报告中【19】，前六名分别为英国剑桥卡文迪许实验室的Mackay［20］、瑞典 Lund大学理论物理系的Ohlsson［2］、普林斯顿大学中心研究实验室汽车研究和发展公司的Feuston【22】，南非的Stevenson 【23】、日本东京电气工程部的Iijima【24】、日本东京技术大学的Kawashima【25】.他们分别在各自的文章中介绍了自己的模型和预测方法

    其中，只有Iijima采用了非ANN的分段线性回归方法

    虽然算法取得了较为满意的结果，但是作者指出线性算法的在解决实际非线性问题时，还是有限局性的

     温度和太阳辐射是影响建筑物冷负荷的主要因素，其他参数的预测，如相对湿度等，本文不再赘述

     3 建筑物逐时冷负荷的预测 简单的负荷预测方法是将当天的负荷作为第二天冷负荷的预测值

    1985年Tamblyn利用测量仪器，如流量计和温差传感器产生准确的冷吨一小时冷负荷曲线，然后建立冷负荷与环境温度和内部负荷之间的函数关系，用于负荷预测【26】.1989年Meredith等在利用BASIC程序进行蓄冷系统模拟时，根据ASHRAE通用负荷曲线（ASHRAE 1987），采用四阶多项式回归得到方程来预测模拟日的负荷［27］

     RuChti【28】采用了标准日、最热日负荷预测器进行负荷预测

    这种方法实际上是将一定时期内（如一个月）某一特殊的负荷图样作为该时期每天的负荷图样

    此方法简单、计算量小、比较适合于一般的工程应用，对运行管理水平要求不高，但远不能满足优化和控制的要求

     1989 年Boonyatikam等指出采用数学模型预测空调冷负荷的缺陷，包括①详细模型需要内存的增加；②数学方程不容易适应外界条件或运行状况的改变；③计算机处理时间过长；④有精度要求时，对建筑物的输人描述过多等

    为了避免这些问题，作者采用基于实际空间响应（负荷）而不是理论模型的预测函数

    收集相关变量的历史数据用于分析

    将每一个变量，如：室外干球温度、相对温度、人射太阳辐射、风速、风向、负荷等的数值记录到数据文件中，最后采用多元线性回归导出预测方程［29］

     1989年MacArthur等采用ARMAX时序模型进行负荷预测，预测误差在5％以内【16】. 1989 年Spethmann【7】和1994年Simmonds［3］采用第二天预报的最高、最低温度、历史形状因子曲线，并区分了工作日与周末

    首先预测室外温度，然后通过温度曲线和历史形状因子进行负荷预测，并将算法集成于预测优化蓄冷控制器

    实际运行时，测量温度和负荷用于对预测值的在线修正

     1990 年Ferrano采用ANN预测次日总冷负荷，并与实时专家系统结合用于迈阿密一幢建筑冰蓄冷系统控制

    根据每天24小时的温度波动情况，分三种温度模式：冷（COld）10℉、暖（warm）14℉下和普通（normal）2.5℉，对神经网络进行训练

    神经网络训练完成后，预测值与理想值的偏差为 4％［30］

     以上研究工作具有各自的特点，然而各预测模型间没有性能对比

    1993年，在ASHRAE首届建筑物能量预测竞赛中，在对比多个参赛选手的预测结果后，Kreider指出为了达到更为精确的预测效果，传统方法将让位于新的预测方法，如ANN.1995年Ka- washima采用完全相同的数据集，对包括ANN模型在内的七种预测模型（ARIMA、LR、EWMA）进行比较论证，指出ANN模型预测最精确［17］

     4 结束语 准确的预测是冰蓄冷系统优化和控制的基础和前提

    根据以上文献，目前冰蓄冷系统中的温度预测通常采用形状因子法；而对于太阳辐射和建筑物冷负荷的预测，人工神经网络是更为有效的方法

    

河南偃师市国有资产经营债权2023年融资计划