考虑多风电场黑启动价值的机组恢复顺序双层优化决策

大规模风电的接入为当今电力系统能源格局带来根本性变革,同时对大停电后电力系统恢复进程产生巨大影响。针对含多风电场的待恢复电力系统,文中首先构建了考虑空间集群效应的多风电场出力典型场景的确定方法及多风电场黑启动价值评价函数,并提出以综合净收益函数为评价标准的机组恢复顺序双层优化模型。上层模型求解当前电力系统可恢复的初始目标集,缩小恢复策略的求解范围,下层模型从该初始目标集中求取综合净收益最大的风电机组与火电机组恢复顺序组合,并根据动态可恢复节点重要度求解恢复路径。最后,在含风电机组的IEEE 39节点系统中验证了所提决策方法的有效性。     

链式电网动态稳定下多断面耦合特性研究

子系统网架结构及内部潮流对互联系统动态稳定性能有一定影响。针对多断面间呈链式结构的电网,为研究不同断面对系统稳定的影响差异性及断面间耦合特性,提出了动态稳定下链式电网断面相对敏感度与耦合度的计算方法。根据断面潮流与两侧角度差的关系,分析了断面潮流调整下互联系统送受端相对角度与扰动下振荡阻尼比的变化规律。对断面间耦合机理的研究表明,断面敏感度与其等值联系电抗、两侧角度差及送端机群惯量等因素有关。三机系统及实际链式电网算例的分析结果验证了方法的有效性与可行性,能够为实际电网动态稳定运行中断面潮流间的协调控制提供可靠依据。     

基于功率预测的新型变步长电导增量法最大功率点跟踪策略

光伏电池的输出特性具有强烈的非线性,最大功率点跟踪技术能够提高光伏系统的效率。常规定步长算法在选取步长时在响应速度和稳态精度之间无法兼顾。变步长算法在同一光照强度具有良好性能,但在光照突变时存在最大功率点跟踪死区的情况。提出了基于功率预测的新型变步长电导增量法。该方法采用一种新的步长调整系数,能够根据外界条件的变化调节步长,解决了跟踪速度与稳态精度之间的矛盾。并且当光照剧烈变化时,确保扰动前后的判断是基于同一功率曲线进行的,避免误判现象的发生。仿真验证了该算法的有效性。     

基于概率及结构重要度的电力系统事故链模型与仿真

通过分析电力系统连锁故障的一般演化规律,在已有的事故链模型基础上,提出一种同时考虑事故概率重要度和设备在网络中的结构重要度的事故链中间环节的预测指标.采用离差最大化的灰色关联度算法综合考虑各类指标,构建电网连锁故障的事故链搜索模型.采用IEEE-RTS系统仿真得到风险值较大的事故链集合,仿真结果验证了所提模型的有效性.     

基于节点电压相近度的黑启动子系统划分方法研究

互联电网发生大停电事故后,将电网划分成几个子系统实施并行恢复,可显著加快系统恢复进程。基于复杂网络的社团发现原理,采用节点电压相近度作为子系统划分的判据,提出一种黑启动子系统划分方法。该方法根据潮流计算的节点电压、黑启动电源的数目以及黑启动电源所在节点的电压获得电压阈值,将网络划分成几个子系统实施并行恢复,可满足子系统内部连续紧密、子系统之间联络的线路尽可能少且子系统的规模基本相当的分区目标。基于IEEE 118节点系统的算例验证了所提出方法的有效性。     

主动配电系统中分布式电源和储能系统的优化配置

针对多类型分布式电源和储能系统在主动配电系统中的接入位置及容量问题,建立了综合主动配电系统的经济成本、电压质量以及CO_2排放量三个方面的多目标优化配置模型。对传统的NSGA-Ⅱ算法进行了改进,在初始种群中引入反向学习机制,并以一定比例选择种群中的支配个体,以增加种群的多样性和提高算法的搜索能力,然后基于权重系数调节方法帕累托最优解集中确定最优解。最后,利用IEEE-33配电系统算例验证了所提出模型和算法的正确性和可行性。     

基于谱聚类的黑启动子系统划分

互联电网发生大停电事故后,将电网划分成几个子系统并行恢复,可以加快系统恢复进程.文中研究基于谱聚类算法的黑启动子系统划分方法,根据黑启动电源的数目及其分布,以子系统规模相当、系统内部联系紧密等为子系统划分原则,以电网拓扑Laplace矩阵的第一和第二小非平凡特征向量中各节点对应元素为聚类对象进行聚类计算得到子系统的划分方案.该算法基于复杂网络的社团结构发现原理,具有严谨的理论依据.以IEEE39节点和IEEE118节点系统为例验证了所提算法的有效性.     

含风电场的互联电力系统备用容量优化

针对风电并网所带来的电力系统备用容量需求增大的问题,提出了含风电场的互联电力系统备用容量优化模型。在机会约束规划的框架下,以互联系统备用容量最小为目标,综合考虑风电出力和负荷预测偏差、发电机组故障停运等不确定因素,建立了计及各子系统备用资源特点的机会约束模型,并量化了共享备用的容量和调用过程;采用基于Monte-Carlo 随机模拟的遗传算法对模型进行求解。算例分析结果表明,该方法能够在保证系统安全稳定的前提下,有效降低系统备用容量配置。     

利用小波能量特征的增长型自组织神经网络同调机组分群方法

提出了一种利用小波变换多尺度空间能量分布特征的自组织神经网络同调机组分群方法。首先改进了同调机群识别判据,然后利用小波变换的多尺度空间能量分布特征提取方法,对机组功角摇摆曲线提取特征,将时域特征、频域特征及小波能量特征构成的综合向量,作为增长型自组织神经网络的输入,通过调节阈值λ,得出不同精度的分群结果。最后在IEEE-39节点系统上对只考虑时频域特征和同时考虑小波能量特征、时频域特征的同调机组识别结果进行了对比分析,最终表明同时考虑小波能量特征、时频域特征的分群结果具有更高准确性。