基于分层节点识别策略的中低压配电网同期线损优化系统的研究

作为电力工业的综合性经济指标之一,线损率可直接反映电网结构及其运行方式的合理性,同时也严重影响着电力企业的经济效益。随着智能电网的快速发展,对配电网的同期线损有了更高的要求。设计了10 kV中低压配电网同期线损优化系统,由数据采集单元、传输单元及分析单元三部分构成。其中,GPRS公网和230 M无线专网作为信息传输的通道;数据分析单元由数据读取、拓扑分析及线损计算构成。针对目前电量采集过程中数据缺失严重、同期线损取数及计算过程中误差较大、可靠性低等问题,在线损计算过程中,引入了分层式节点识别策略,提出了基于支持向量机的负荷节点智能识别方法,可有效、快速求取各种负荷节点的注入电流,从而降低了非同期数据所带来的线损误差。利用实际案例验证了配电网同期线损优化系统在线损计算中的可行性和有效性,该系统可为智能配网的规划设计、生产运行和运营管理等方面提供可靠的依据。     

基于同期线损的低压配电线路电量异常监测系统设计

为解决传统电量异常监测系统挖潜增效能力水平不平均、降损节能效果不明显等问题,设计基于同期线损的新型低压配电线路电量异常监测系统。从电量监测数据获取模块入手,对线损计算模块、配电监测电路的连接形式进行有效规划,完成低压配电线路电量异常监测系统的硬件运行环境搭建。在此基础上,通过计算低压配电线路原件同期线损的方式,完成异常电量监测轨迹对比,再连接所有输入、输出信道,完成异常监测存储数据库建立,实现低压配电线路电量异常监测系统的软件运行环境搭建。结合软、硬件运行环境,实现新型系统的顺利应用。在相同背景条件下设计对比实验结果显示,新型系统挖潜增效平均水平最大值可达67%、降损节能效果接近90%,远超传统系统。     

基于同期线损系统线路空载、轻载损耗的研究

传统方法在分析同期线损系统线路空载、轻载损耗时,计算量过大,抗干扰能力很差。针对上述问题,分别对同期线损系统线路空载、轻载损耗进行研究,当线路两侧的断路器处于停处热备用状态、停处冷备用状态、停处检修状态时,线损系统线路会出现空载,通过计算线损耗电量AP,计算出线损率,以数据采集层、数据处理层和数据应用层建立管理模型,解决同期线损系统线路空载损耗量过大这一问题。变换器的一些主要元器件或部分磁性元件出现问题会造成轻载损耗,轻载损耗量计算过程分为参数输入、线路负载电流计算、线损率计算三步。与传统研究方法进行对比实验,结果证明,给出的同期线损系统线路空载、轻载损耗研究方法计算过程简单,抗干扰能力强,具有很大的发展空间。     

经济新常态下基于Verhulst-SVM的中长期负荷预测模型

经济新常态背景下,电力系统中长期负荷预测面临着很多新问题,例如:GDP、人口等电力负荷影响因素呈"S"型曲线增长、电力负荷影响因素与电力负荷之间的不确定性增加、历史样本数量少等。为此,提出一种基于Verhulst-SVM的中长期负荷预测模型。首先,从经济新常态特征中提取影响电力负荷的主要因素,并分析各影响因素的发展趋势;然后,利用Verhulst模型对"S"型曲线增长的电力负荷影响因素进行预测,并采用支持向量机(Support Vector Machine,SVM)替代线性回归预测模型,实现小样本、高不确定性条件下中长期负荷高精度预测。最后,通过天津市2015年和2016年的负荷预测算例,验证了所提模型的精度和可靠性,可为经济新常态背景下中长期负荷预测提供借鉴。     

计及电动汽车充电与可再生能源协同调度的负荷特性分析

电动汽车与可再生能源的协同调度是促进可再生能源消纳、平抑可再生能源并网带来的波动、减少电动汽车无序充电对电网影响的有效手段。本文以降低光伏发电入网后电网的净负荷波动为目标,建立电动汽车与光伏发电协同调度的数学模型。同时,针对现有的研究缺乏对电动汽车有序充电后的电网和电动汽车负荷特性进行定量分析的问题,提出特性评价指标,用于定量分析电动汽车响应调度后电网的负荷特性,并评估协同调度的效果和影响。最后,采用天津市某区域的数据进行仿真分析,结果表明,本文所提出的协同调度模型在不同光伏渗透率下均能有效地平抑可再生能源波动,减少负荷峰谷差。     

基于ARIMA时间序列的分布式光伏系统输出功率预测方法研究

分布式光伏系统输出功率的预测是对配电网进行协调调度,进而有效消纳分布式光伏发电的关键。文章对天津某地区配电网中分布式光伏电站的功率特性进行研究,建立了基于ARIMA时间序列的分布式光伏系统输出功率预测模型。此外,还分别建立了基于ARIMA时间序列与神经网络的分布式光伏系统输出功率预测模型,以及基于ARIMA时间序列与支持向量机的分布式光伏系统输出功率预测模型,并比较了3种预测模型的预测误差。分析结果表明,与其他2种预测模型相比,基于ARIMA时间序列与支持向量机预测模型的预测误差较小,晴天、雾霾天、阴天和雨天条件下,该模型的预测误差分别为7.02%, 9.13%, 9.35%和9.48%,该模型的年预测误差为13.65%。