排序方式: 共有19条查询结果,搜索用时 0 毫秒
1.
提出支路能量分布熵和支路能量近似熵指标,分别从扰动能量在电网中的空间分布聚集程度和从扰动能量随时间推移的振荡态势来分析故障后电力系统的暂态稳定性。首先简述系统动态模型和基于结构保留模型的支路势能分析方法,引入复杂系统熵理论构造支路能量分布熵指标;同时引入近似熵与多尺度熵理论构造支路能量近似熵指标,进一步给出基于两类熵指标的暂态稳定分析方法。四川电网算例研究验证了:线路故障注入电网的扰动能量越大,支路能量分布熵越小,则关键支路割集所聚集的能量越大,系统越容易失稳;支路能量近似熵越小,则聚集在支路上的能量随时间推移越发增加,系统越容易失稳。 相似文献
2.
3.
以提升大规模组合故障快速仿真分析能力为目标,在Hadoop框架下研发了连锁故障分布式计算技术。基于PSD-BPA软件计算模块,利用Java开发连锁故障计算分析功能,实现驱动判定、故障集筛选、事故链搜索、严重度评估4类模块。通过部署Hadoop分布式文件系统(HDFS)存储调度功能,将事故链解耦为小粒度单一故障场景进行计算,可针对连锁故障仿真的不同复杂度提供跨系统的分布式计算服务,灵活应对计算开始前连锁故障中事故链组合的不可预测性。利用10机、16机系统和某省网实际数据进行技术测试,结果表明所研发系统实现了连锁故障分析应用与数据在计算服务网络中的分离,具备动态调配计算节点资源的能力,能自动适应事件规模为电网连锁故障的仿真分析提供强大计算能力,具有在线应用前景。 相似文献
4.
从大量连锁故障仿真数据中观察负荷损失与电网特性指标的数值特征关系,建立负荷损失与阶段性电网特性指标的非参关联分析模型。基于多层时序演化连锁故障模型构建数据仿真平台,选取电气状态指标、网络结构指标以及有序分布指标这3类电网特性指标作为连锁故障负荷损失的关联对象,通过仿真得到连锁故障负荷损失与电网特性指标的大数据样本。采用非参数独立性筛选方法剔除弱关联特性指标,进一步利用Group Lasso非参数回归算法确定关联特性指标与负荷损失的非参数关联规则。西南某省级电网算例表明,非参关联分析方法可揭示与连锁故障负荷损失具有强关联性的电网特性指标,同时显性地给出电网特性指标与负荷损失的关联水平和趋势。 相似文献
5.
6.
7.
电力系统静态电压稳定控制通常依赖于精准的物理建模,可能导致收敛和时效性问题。从数据驱动的角度出发,提出一种嵌入输入凸神经网络(ICNN)的静态电压稳定控制替代建模方法及其解析算法。利用ICNN精准地参数化由运行变量映射的凸非线性电压稳定边界;考虑ICNN的计算实时性和去迭代优势,将ICNN嵌入预防控制模型,替代电压稳定计算的非线性方程迭代过程,规避机理计算的收敛问题,从而生成电压稳定的凸非线性简化控制模型;通过解析ICNN的深度结构表达式推导出ICNN超参数驱动的控制梯度,提出有效耦合内点法的ICNN最速下降求解策略,实现电压稳定控制提效。IEEE 14节点系统和IEEE 118节点系统的测试结果表明,所提ICNN驱动的电压稳定凸非线性控制可有效耦合机理建模和数据模型,相比传统方法能更好地兼顾控制精度和计算效率,具有一定的在线应用潜力。 相似文献
8.
交直流混联系统的稳定特性十分复杂,导致参数繁多、构成复杂的传统控制器难以稳定受扰后的系统。文章提出应用储能装置快速消纳交直流混联系统故障后的冗余能量,从而改善系统稳定性。首先基于简化的同步互联交直流双区系统,分析了储能用于抑制交直流系统受扰后引起的功率振荡的可行性;然后给出了储能的通用控制模型,包含内外环控制和限幅环节;最后基于四机双区域系统搭建了储能用于改善系统静态稳定和暂态稳定的PSCAD模型。仿真结果表明,结合合理控制器的储能系统能够有效提高交直流同步互联系统的静态和暂态稳定性。 相似文献
9.
高红均郭明浩刘俊勇刘挺坚贺帅佳 《中国电机工程学报》2023,(12):4517-4537
2022年8月,四川遭遇大范围长时间极端高温干旱天气,从而面临“三最”叠加的局面,即历史同期最高极端温度、最少降水量、最高电力负荷。四川水电大幅减发,而负荷又急剧攀升,造成较大的电力供需缺口,继而发生严峻的应急限电事件,引起业界广泛关注。基于此,从高温干旱极端天气出发,剖析了四川限电事件的关键影响因素,并着重对四川源网荷储灵活性资源进行了深入分析。其次,从电力保供维度归纳了新型电力系统电源侧随机化、电网侧互联化、负荷侧电气化、灵活资源市场化与运行控制智能化等多维特征。进一步,从规划、运行、交易、政策4个层面研判新能源占比逐渐提高的新型电力系统将面临的保供挑战。最后,对规划、运行、交易、政策4个层面的挑战提出相应的应对措施、解决思路与建议,为新型电力系统电力保供提供思路。 相似文献
10.
随着用户侧分布式能源发电容量增长,配电网净负荷需求预测面临着更大困难.为此,提出一种改进的自适应噪声的完全集成经验模态分解(CEEMDAN)和深度信念网络(DBN)结合的用户侧净负荷预测方法.首先,通过CEEMDAN将原始净负荷数据分解为若干个频率、幅值不一的本征模态函数(IMF).然后,配合机器学习智能算法,使用DBN逐一对各个IMF分量进行特征提取和时序预测.最后,将多个目标预测结果累加得到最终用户侧短期净负荷预测结果.采用某地区实际数据进行算例分析,验证了所提CEEMDAN-DBN独立预测模型与直接预测相比,能够辨识各频率负荷分量特性,提高分布式能源与负荷耦合性增强背景下的负荷预测精度. 相似文献