电力系统潮流计算研究现状

电力系统潮流计算是电力系统分析中最基本的一项计算。本文对电力系统潮流计算进行了综述。首先简单回顾了潮流计算的发展历史;接着对当前基于计算机的各种潮流算法的原理及其优缺点,作了简要介绍和比较,并介绍了它们采用的一些特别技术及程序设计技巧;最后简述了当前潮流算法存在的问题及对未来的展望。     

考虑储能与动态重构的柔性互联配电系统两阶段鲁棒优化

强波动性分布式电源的大量接入给配电系统可靠安全运行带来了挑战。为此,提出了一种考虑储能与动态重构的柔性互联配电系统两阶段鲁棒优化调度方法。首先,建立了综合考虑柔性配电开关、储能与动态重构的柔性互联配电系统两阶段鲁棒优化数学模型,其中第一阶段考虑日前分布式电源出力预测的不确定性以及网络拓扑和储能的时序相关性进行全局优化,第二阶段基于第一阶段的决策方案和准确的超短期预测信息,在各时段对柔性配电开关进行实时调度;其次,采用改进的列与约束生成算法对模型进行求解,通过辅助变量和对偶变量交替迭代,显著提高子问题的求解效率;最后,通过33和69节点系统进行测试,验证了所提调度模型和求解算法的有效性。     

多类型分布式电源在配电网中的优化配置

决定分布式电源(distributed generator,DG)发挥最大效益的关键是在进行分布式发电系统规划时能够对众多DG类型进行合理的选择和配置。为此首先建立了各种DG的出力模型,然后以满足负荷增长需求、考虑环境效益的供电公司年总规划成本现值最小为优化目标,利用Homer软件对含有多种DG(包括风力发电、光伏发电、采用微型燃气轮机的冷热电联供)的分布式发电系统进行了仿真分析,并对风速、天然气价格以及排污处罚标准3变量进行了敏感性分析,最后得到分布式发电系统的优化配置结果。分析结果对城市大型DG项目规划和个人DG安装决策具有参考意义。     

基于门控循环单元网络与模型融合的负荷聚合体预测方法

随着智能电表的普及,以智能电表数据为基础,可按需求灵活划分不同规模的负荷聚合体并开展预测。由于负荷聚合体规模差异较大,并与用户负荷特性关系密切,传统预测方法不再适用。为此,提出了一种基于门控循环单元(GRU)网络与模型融合的负荷聚合体预测方法。首先,通过分布式谱聚类算法获得负荷特性相近的负荷群体,然后进行分组预测,采用GRU作为元模型,对时间序列进行动态建模,利用随机森林算法融合多个结构不同的GRU网络,实现对负荷群体的预测,最终将各群体预测值求和得到负荷聚合体预测值。算例表明,得益于分组预测、动态时间建模及模型融合技术,所述方法能充分利用不同模型的结构优势,发现时间序列动态规律,在不同时间尺度下预测精度更高,对不同规模的负荷聚合体适用性更强。     

主动配电网宽适应性潮流灵敏度分析模型

分布式发电、储能及柔性负荷在配电网的大量接入引起配电网潮流的频繁变化,构建准确、简洁的节点注入功率与运行参数的函数模型对主动配电网的规划和运行至关重要。结合配电网辐射状拓扑结构,提出了一种对节点注入功率变化具有宽适应性的潮流灵敏度分析模型。所提灵敏度分析模型具体包含节点注入功率对线路损耗的二次形式的灵敏度模型、节点注入功率对节点电压的线性形式的灵敏度模型和节点注入功率对线路潮流的二次形式的灵敏度模型。对灵敏度模型应用于存在弱环网的配电系统时的有效性进行了分析,利用IEEE 33节点配电系统和含环网的IEEE 123节点配电系统进行仿真分析,仿真结果证明了所提灵敏度模型的有效性。     

配电网分布式能源接纳能力影响因素分析

为了应对能源危机和环境污染,清洁和可再生的分布式能源得到了广泛的应用和发展。配电网中分布式能源的大量接入,使配电网分布式能源接纳能力问题受到越来越多的关注。本文首先介绍了配电网中接入的分布式能源类型,然后,对配电网分布式能源接纳能力的主要影响因素进行了分析;接着,以一条典型配电馈线为例,分析了节点电压和支路载流量对分布式能源接纳能力的影响;最后,采用自主开发的含分布式电源的配电系统分析软件对分析结果进行了验证。     

智能配用电大数据存储架构设计

针对智能配用电数据海量、高维度、多源异构等特点,提出一种大数据存储的三层管理框架设计方案。首先,对智能配用电数据组成进行分类划分。然后,提出智能配用电数据存储的资源层、元数据层和实际数据层的三层管理框架,在资源管理层,应用虚拟化技术、负载均衡和资源调度完成对物理资源的管理;在元数据管理层,使用数据预处理技术对智能配用电的元数据进行分类,采用中间件技术完成XML元数据仓库管理;在实际数据管理层,利用NoSQL技术,通过Map和Reduce的有效结合,完成海量数据的分层分区快速存储。最后,在实验室环境下对该设计方案进行初步的应用,验证了所设计方案能够对结构化、半结构化和非结构化数据进行统一存储,可为智能配用电大数据技术的应用提供基础支撑作用。     

考虑数据不均衡的居民用户负荷曲线分类方法

由于用户用电行为的多样性和随机性,负荷数据存在分布不均衡的问题,传统负荷曲线分类方法在处理不均衡数据时性能较差。为此,提出一种改进K-means与长短期记忆(LSTM)神经网络-卷积神经网络(CNN)分类模型结合的负荷曲线分类方法。首先,为提升K-means算法对不均衡数据的聚类效果,基于密度峰值聚类(DPC)算法思想,提出一种相对k近邻密度峰值(RKDP)初始聚类中心选取方法,将其作为K-means算法的初始中心进行聚类;然后,为提高RKDP-K-means处理高维负荷数据的性能,采用LSTM自编码器进行特征降维后再聚类获得精准类别标签;最后,基于LSTM神经网络和CNN分别提取负荷特征构建负荷曲线分类模型,实现对大规模负荷曲线的分类。算例选取了爱尔兰智能电表数据集和伦敦负荷数据集进行实验,验证了所提算法在大规模负荷曲线分类时的有效性和实用性。     

含高渗透分布式电源配电网灵活性提升优化调度方法

高渗透率分布式电源接入配电网,加剧了配电网的波动性和不确定性,为提高配电网应对不确定扰动的能力,针对含高渗透率分布式电源配电网的灵活性提升开展研究。首先,分析了含高渗透率分布式电源配电网的灵活性需求。其次,从配电网容量灵活充裕度和分布式电源接纳的灵活适应性两个方面,提出了线路容量裕度、变压器向上容量裕度、变压器向下容量裕度、净负荷波动率、净负荷最大允许波动率5个配电网灵活性评价指标。进而构建了在灵活性指标约束下计及可中断负荷及储能的配电网灵活性提升的多目标优化调度模型。仿真结果表明,通过灵活性资源的优化调度,可以有效提升含高渗透率分布式电源的配电网灵活性,提高配电网接纳分布式电源的能力。