某区域电网智能无功优化系统设计

某区域电网负荷逐年快速增长,出现主变总容量不足、无功补偿设备技术落后、补偿效果不好等问题,这些问题集中表现在电压质量降低上,故对此区域电网进行智能无功优化系统设计.通过合理配置底层无功补偿设备,并建立无功补偿设备的上位优化控制系统,实现了对该区域电网的智能无功优化控制.     

电网无功优化技术应用研究

电网在进行有功规划和建设的同时,也要切实搞好无功的电力平衡和无功运行的优化补偿.无功优化工作,无论在规划新系统,还是改造现有系统的无功配置,以及指导现有系统的无功设备运行上,都具有十分重要的意义.本文对本地区2010年无功电压情况进行预测并提出相关建议.     

基于短期负荷预测的配网无功优化控制的应用

在短期负荷预测的基础上,利用遗传算法求解整个电网的无功优化问题,得到的优化结栗为各个变电站VQC的合理限值。该方法将全局优化、集中控制与分散控制的优点结合起来,克服了各变电站无功、电压就地最优控制的弊端,提高了系统电压的合格率、降低了系统的总线损,节电效益显著。     

电力系统无功优化模型的研究综述

总结了考虑系统网损最小、无功补偿设备容量最小、电压偏差最小、静态电压稳定裕度最大以及多目标加权等几种常用的经典电力系统无功优化数学模型,结合近年来关于智能电网关键技术的研究成果,分别对交直流混合输电系统、计及无功电价的电力市场、考虑负荷的变化影响及包含风电、光伏发电的分布式电源介入等智能电网背景下的无功优化模型进行综述,指出了各相关领域无功优化模型研究中存在的问题,并给出了解决方案.并就上述各研究领域中无功优化的代表性模型进行具体阐述,其中包括各种情况下无功优化的关键因素、目标函数及约束条件,并对其模型进行了评价.     

含可再生分布式电源参与调控的配电网无功电压优化控制研究综述

高比例可再生分布式电源(RDG)分散接入配电网,其出力随机性叠加负荷波动性,对优化控制和运行态势预测分析带来极大困难,使得充分挖掘多类型无功设备调节潜力,从"源-网-荷-储"多维度拓宽无功优化控制"可行域"成为必要。结合风电、光伏发电等RDG参与配电网无功优化和电压调控研究现状,归纳整理了相关建模方法,主要包括:多时间尺度和分层分区优化控制、有功无功协调优化、网络重构与无功调控协调优化等;简要分析了配电网无功优化数学方法,包括随机变量处理方法和无功优化求解方法等。最后,结合未来"源-网-荷-储"结构变化、能源互联网发展趋势和电力市场化改革现状,对配电网无功优化调控研究方向给予展望,以期为相关研究工作提供帮助。     

县级电网无功优化管理分析

开展无功优化管理工作能有效保证县级电网供电电压质量和电网经济可靠运行.文章从无功优化补偿的功能和原则入手,分析了县级电网无功优化管理工作可采取的技术措施与管理措施,提出这两种措施应并重,以确保无功优化效果.     

基于改进遗传算法的电网无功补偿优化控制研究

电网无功功率补偿优化控制是一个多元非线性动态约束问题,传统的电网无功补偿非线性规划方案都需要精确的数学物理模型,且各参变量间的协调性较差,很难满足电网多目标优化控制的工程需要.利用改进蚁群算法分布式协同组合优化的思想,建立以电压越限畸变为惩罚函数,以电压和无功补偿综合满意度为目标函数的电网无功补偿优化控制模型.实例仿真试验表明,基于改进遗传算法的电网无功优化控制模型,通过自适应的目标函数最大路径寻优,获得电网无功功率补偿装置较优越的无功补偿组合,提高了电网无功补偿的综合效率,有利于系统电压的稳定性,为电网无功优化提供了一个新的智能运算模型.     

临沂地调无功优化技术的实现

根据电网的实时情况,在潮流分析的基础上,利用无功优化软件对电网进行无功优化分析,指导电网无功管理,从而提高电压质量,降低网损。     

地区电网无功优化规划

以年电能损失费用与折合为等年值的新增无功补偿设备的投资费用之和最小为目标,分解为大负荷方式、小负荷方式两个子模型,大负荷方式考虑新增电容补偿,小负荷方式考虑新增电抗补偿,用一段时间内的电能损耗来协调统一.各子模型的优化问题,采用具有全局寻优能力的Tabu搜索方法.通过对实际系统的优化计算,研究了Tabu表规模、试验解个数对优化结果的影响,选择了合适的Tabu表规模和试验解个数.对137节点79个控制变量的山东济南地区实际电网进行了优化规划计算,取得了较为满意的结果.     

关于县级地区电网的无功优化体系分析

电力系统的无功优化保证了电力系统经济,安全的运行,它不仅提高了电压的质量,也是调度人员安排运行方式、计划部门无功规划的有效工具,电网的无功分布是否合理,对电力系统的稳定和安全有着直接的影响,而且也直接影响着电网的经济效益.县级地区电网无功优化受着各种硬件、软件设施的影响,本文就针对此特点对电压无功优化进行浅显的研究,为县级地区的电网无功优化体系提出几点建议.     

地区电网无功优化辅助决策管理系统研究

有效的电压控制与合理的无功补偿既能保证电压质量,又能降低网损.研究了地区电网无功优化辅助决策管理系统,能够以配电网的结构为基础,根据配网当前的运行参数及其历史数据,并从整个配电网的角度出发,充分考虑电压偏移限值及功率因数等约束条件及与有载调压变压器配合调压的要求,对电容器和电抗器安装或组合方式进行全网优化,使得电容器的...     

改进粒子群算法在中长期电力负荷组合预测模型中的应用

为提高电力负荷预测的精度,提出了基于改进粒子群算法的电力负荷组合预测模型求解方法.该方法以回归分析、比例系数、灰色模型为基础建立负荷组合预测模型,利用改进粒子群算法优化组合预测模型的权值,并与单个预测模型进行比较.预测结果表明,基于改进粒子群算法的电力负荷组合预测模型运算速度快,预测精度高,相对误差小.     

基于序列最小化算法的周负荷预测研究

周负荷预测具有周规律性,对编制发供电计划有重要意义。运用序列最小化算法（SMO）求解支持向量机,既能发挥支持向量机的优势,又能简化问题,缩短运行时间。通过山西省某变电站的实例分析,得到序列最小化算法适用于求解周负荷预测,且精度较高。     

基于聚类分析和PSO优化的神经网络短期负荷预测研究

为了提高电力系统短期负荷预测的精度,本文在分析传统的负荷预测模型在实际应用中存在问题的基础上,提出了一种新的预测模型:基于聚类分析和粒子群优化的BP神经网络模型。由于负荷具有波动性大、日周期性强等特点,对初始负荷数据进行预处理,按时段对数据空间进行划分,对每个子空间的数据分别建模,可以大幅度的提高神经网络的预测精度和泛化能力,同时利用惯性权重线性微分递减的粒子群算法优化神经网络的连接权值和阀值,可以提高神经网络的全局搜索能力和收敛速度。以某市公布的全网负荷数据进行预测验证,证明了此方法所建立的模型的合理性和有效性。     

电压无功控制中的不良数据辨识

电压无功控制(VRPC)由于缺少对变电站遥测数据的真实性进行有效和准确地辨识,容易引起装置误动.针对电压无功控制装置的功能和研究现状,根据无功负荷曲线相似性和平滑性的两个重要特征,采用改进的BP神经网络模型,通过对影响无功负荷的主要因素进行离线训练,实现对无功负荷曲线的拟合,进而实现对无功负荷的预测.通过对实时无功负荷数据和预测无功负荷数据进行比较,实现对不良无功数据的在线辨识.仿真算例验证了改进的BP神经网络模型的有效性和准确性.     

基于VMD和TCN的多尺度短期电力负荷预测

准确的电力负荷预测对于保证电力系统的稳定运行起着重要作用。针对传统短期电力负荷预测方法预测精度低,模态分解后未考虑子序列融合等问题,提出一种基于变分模态分解(VMD)和时域卷积网络(TCN)的多尺度短期电力负荷预测方法。首先利用VMD将电力负荷数据分解为若干个子序列,解决电力负荷数据的非线性和随机性等问题;再利用TCN对若干个序列采用不同时间尺度进行训练;最后利用全连接网络(FC)对各时间尺度的子序列进行融合,实现短期电力负荷预测,提升预测精度。实验结果表明,该方法相较于VMD和改进的长短时记忆网络(LSTM)相结合的传统预测方法,其均方根误差下降40%,曲线拟合程度提升1.1%。     

基于鲸鱼优化参数的最小二乘支持向量机短期负荷预测方法

大量分布式能源站的出现以及电动汽车的普及,给电力系统的安全、经济运行带来影响的同时,传统的负荷预测方法也面临挑战。针对这个问题,提出了利用鲸鱼算法优化最小二乘支持向量机（Whale Optimization Algorithm-Least Squares Support Vector Machine,WOA-LSSVM）进行短期电力系统负荷预测。利用鲸鱼算法全局寻优能力强、收敛速度快的优点,弥补最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）选参的盲目性,提高LSSVM的负荷预测精度。采用WOA-LSSVM对2013年浙江某地区历史负荷数据预测未来1 d的负荷,并与粒子群优化最小二乘支持向量机模型和标准LSSVM模型预测结果对比。结果表明,基于鲸鱼优化LSSVM的短期负荷预测具有较高的预测精度,相对误差较小。     

基于改进BP网络的电力系统超短期负荷预测

超短期电力负荷预测是电力系统运行管理的重要工作之一。本文提出了一种基于改进BP网络的超短期负荷预测方法。考虑了训练样本中坏数据的剔除,建立了变结构的BP网络模型,然后采用变学习步长的方法对BP网络模型进行训练。对某地区实际负荷的预测结果表明该方法有较高的预测精度,能取得令人满意的结果。     

Multi-objective coordination optimal model for new power intelligence center based on hybrid algorithm

In order to resolve the coordination and optimization of the power network planning effectively, on the basis of introducing the concept of power intelligence center (PIC), the key factor power flow, line investment and load that impact generation sector, transmission sector and dispatching center in PIC were analyzed and a multi-objective coordination optimal model for new power intelligence center (NPIC) was established. To ensure the reliability and coordination of power grid and reduce investment cost, two aspects were optimized. The evolutionary algorithm was introduced to solve optimal power flow problem and the fitness function was improved to ensure the minimum cost of power generation. The gray particle swarm optimization (GPSO) algorithm was used to forecast load accurately, which can ensure the network with high reliability. On this basis, the multi-objective coordination optimal model which was more practical and in line with the need of the electricity market was proposed, then the coordination model was effectively solved through the improved particle swarm optimization algorithm, and the corresponding algorithm was obtained. The optimization of IEEE30 node system shows that the evolutionary algorithm can effectively solve the problem of optimal power flow. The average load forecasting of GPSO is 26.97 MW, which has an error of 0.34 MW compared with the actual load. The algorithm has higher forecasting accuracy. The multi-objective coordination optimal model for NPIC can effectively process the coordination and optimization problem of power network. Foundation item: Project (70671039) supported by the National Natural Science Foundation of China