基于电力系统仿真技术的孤岛检测方案

目前孤岛检测手段繁多,但仍存在隐患.为减小孤岛检测盲区、降低隐患,设计了一种基于电力系统仿真技术的孤岛检测方案.该方案通过使用电力系统仿真技术、电压谐波检测法与谐波注入法,实现了仿真技术与主/被动孤岛检测手段的结合,达到了理想情况下无盲区的孤岛检测目的 .该方案吸取主动检测与被动检测的优点、规避两者的缺点,在系统硬件精度与算法精度足够的前提下,进行孤岛检测时无盲区,可有效减少孤岛检测手段中存在的隐患.     

分布式光伏边界渗透率快速定位及消纳方案择优

随着分布式光伏在中低压配电网中的快速发展,评估分布式光伏的消纳能力成为配电网规划和运行工作的基础。提出了基于分布式光伏最大渗透率快速计算及不同消纳方案综合择优的消纳能力评估方法。首先,聚焦于节点电压约束以及线路载流量约束,针对每一个分布式光伏数量、安装位置的场景,应用二分法快速计算分布式光伏在该随机场景下满足节点电压约束的最大渗透率,克服了传统随机场景模拟法中迭代容量线性增加带来的效率低、计算时间长等问题。其次,分析了分布式光伏数量和不同安装位置对边界渗透率的影响,最后通过对日均电压偏移率、日均电压上限安全裕度、日网损和分布式光伏消纳容量4个指标的综合计算,筛选出综合满意度最优的分布式光伏消纳方案。所提方法应用于承德市某实际配电系统,验证了所提方法的有效性。     

考虑分布式能源的智能配变台区系统设计

针对配变台区的功能智能化程度低问题,设计考虑分布式能源的智能配变台区系统。设计了遥信检测单元,完成了系统的硬件设计,结合分布式能源的负载特性与变化规律,确定变压器的容量。通过计算出配电台区变压器的无功功率补偿度,得到配变台区变压器的容量,引入最优覆盖的基本思想,根据分布式能源的分布特点,分析了变压器的损耗,构建了智能配变台区无功功率补偿模型,结合智能配变台区继电安全保护算法设计,完成了系统的软件设计,实现了智能配变台区系统的设计。测试结果表明,考虑分布式能源的智能配变台区系统在硬件部分和软件部分都可以满足配变台区的功能需求。     

分布式光伏边界渗透率快速定位及消纳方案择优

随着分布式光伏在中低压配电网中的快速发展,评估分布式光伏的消纳能力成为配电网规划和运行工作的基础。提出了基于分布式光伏最大渗透率快速计算及不同消纳方案综合择优的消纳能力评估方法。首先,聚焦于节点电压约束以及线路载流量约束,针对每一个分布式光伏数量、安装位置的场景,应用二分法快速计算分布式光伏在该随机场景下满足节点电压约束的最大渗透率,克服了传统随机场景模拟法中迭代容量线性增加带来的效率低、计算时间长等问题。其次,分析了分布式光伏数量和不同安装位置对边界渗透率的影响,最后通过对日均电压偏移率、日均电压上限安全裕度、日网损和分布式光伏消纳容量4个指标的综合计算,筛选出综合满意度最优的分布式光伏消纳方案。所提方法应用于承德市某实际配电系统,验证了所提方法的有效性。     

一种分布式发电功率时间序列波动性量化评估方法

未来智能电网将接纳越来越多的分布式能源,而分布式能源的广泛接入具有提高系统的能源效率、经济性、韧性以及可持续性的潜力。然而,以风力发电和光伏发电为主的分布式能源由于其固有的波动特性,在大规模接入电网时会给系统带来诸多问题。因此,定量刻画分布式发电功率的波动性对于现代电力系统而言至关重要。基于此,该文借助时间窗、包络线和勒贝格积分,通过提取分布式发电功率中高频信息和变化趋势的波动性特征,定义了量化分布式发电功率波动性的指标——波动率。通过检验风电功率时间序列的波动性、验证平滑效应以及与预测误差和已有指标进行对比分析,验证了所提出的波动率在衡量分布式发电功率波动性的有效性。     

贝叶斯网络法的电源变电站供电可靠性分析

变电站的可靠性直接影响到电力系统的性能。为此,提出了基于贝叶斯网络法的电源变电站供电可靠性分析方法。首先深入探究供电可靠性的影响因素,定义电源变电站构成单元,构建电源变电站故障树模型,然后分解共因失效组,结合电源变电站整体架构,构建贝叶斯网络模型,应用贝叶斯网络工具箱,计算电源变电站供电可靠性指标值,最后对具体电源变电站供电可靠性进行定量分析。结果表明：在不同工况背景下,本文方法的供电可靠性评估误差小,满足电源变电站的正常供电需求,具有一定的实际应用价值。     

串补提升新能源大规模汇集远距离输送的静态电压稳定极限的研究

新能源大规模汇集远距离输送模式的静态电压稳定极限受到送出通道参数的影响，会限制新能源的发电和送出能力；在送出通道加入串补可以提升静态电压稳定极限，增强新能源发电和送出能力。对静态电压稳定极限主要影响因素的数学模型进行推导和分析，搭建仿真模型，改变串补的补偿比例和网架规模，分析静态电压稳定极限和有功出力同时率的变化规律，得出的结果和理论分析相符，并且对新能源的发展规划具有一定指导意义。     

基于深度学习模型的新能源电站一体化短期功率预测

为了解决风力发电和光伏发电随机性、波动性、间歇性造成的新能源功率预测建模和精度不高问题，基于深度学习模型变分自动编码器(Variational Auto-Encoder, VAE)在时间序列建模和非线性逼近特征提取方面的优异性能，开展新能源电站VAE模型功率短期预测研究，并与循环神经网络(RNN)、长短期记忆(LSTM)深度学习方法和支持向量回归(SVR)机器学习方法的预测结果进行了对比。光伏电站和风电场独立功率预测结果表明，深度学习模型较基线机器学习模型预测性能更好，基于VAE的预测方法能够学习更高级别的特征，其预测性能表现更佳，光伏功率预测模型的RMSE、MAE和R²值分别为1.593、1.098和0.973;风光一体化功率预测结果表明，VAE和RNN模型能够提高功率预测准确性，其一体化功率预测模型的R²值分别为0.96和0.97。