面向新型配电网的能观性分析与精细化协同规划方法

现代控制理论和电力系统状态估计中的能观性定义难以满足配电网态势感知的需求,配电网规划模型中也缺乏对能观指标的考虑,为此,提出面向新型配电网的能观性分析与精细化协同规划方法。对配电网的变量与状态空间模型进行定义,并根据传统能观性定义对配电网中的传统/新型变量进行能观性分析;基于传统能观性定义的缺陷提出新的配电网能观性和能观指标定义,并建立考虑能观性的配电网精细化协同规划模型。算例分析结果表明,所提规划方法考虑了实际量测误差的影响,实现了一次网架规划和二次态势感知设备配置的综合最优,达到了经济性和能观性的平衡。

基于负荷场景多层聚类的储能精细化规划研究

为解决目前储能规划中场景划分不够精确及模型适用范围有限的问题,提出了基于负荷场景多层聚类的储能精细化规划方法。首先,提出了基于关联分析与聚类的负荷时空耦合特性分析方法及考虑负荷时空特性的负荷场景多层聚类方法。其次,面向典型负荷场景,构建了综合考虑碳排放、全周期成本、弃风弃光惩罚及储能和分布式电源协同的储能精细化规划模型。最后,选取某地实际配电网开展算例分析,得到了不同负荷场景下储能与分布式电源的最优协同配置方案,验证了所提模型与方法的可行性与有效性。

考虑能控能观性的配电二次设备优化配置模型与评估方法

新型电力系统背景下,配电网控制与观测难度显著提升。然而,现有的配电网能控能观性研究以及相应的配电二次设备规划模型难以满足配电网实际控制与观测的需要。为此,提出了基于能控能观分析的配电二次设备优化配置模型与评估方法。首先,提出了配电网能控能观性及相关指标的完整数学定义。其次,构建了能控能观需求-状态变量的映射集合。最后,提出了配电二次设备的优化规划模型及多维评估方法。算例分析表明,所提规划模型及评估方法以最小的经济成本实现了综合效益的最大化,具备可行性与有效性。

基于K-means和BPNN的风机状态识别

为实现“双碳”目标,必须大力发展风力发电技术。而随着电网规模越来越大,运行越来越复杂,对风机等电力设备的状态实时检测和精确评估也成为一个越来越重要的问题。随着大数据技术的发展以及电力设备数据监测技术的完善使电力设备状态监测使用机器学习等数据驱动技术成为了可能。与传统方法相比,该方法不依赖于准确的经验阈值和定量模型,对数据海量化和复杂化的情况具有更强的适应能力。因此,分别以无监督(K-means)和有监督(BP神经网络)的机器学习方法对风机状态进行识别,并探究对原始数据采用降维算法后风机状态识别的准确性及计算效率的变化。结果显示:2种机器学习方法在风机状态识别中的应用均具备有效性,而降维方法在有限的精度损失下较为明显地提高了计算效率。

基于状态变量x0+Δx分解的配电自动化规划研究

在新型电力系统背景下,不确定因素的广泛接入为配电网可靠性带来了巨大挑战。为更合理地配置配电自动化终端以解决可靠性问题并提升方案的经济性,提出了基于状态变量分解的配电自动化规划模型。首先,根据相关导则和文献研究的总结,初步构建了供电单元网架规划和自动化配置映射集合;其次,以状态变量分解和局部线性化的方式将电网整体规划问题转换为供电单元局部规划问题,并在连续化后以卡罗需-库思-塔克(Karush-Kuhn-Tucker,KKT)条件求解;最后,通过对某地城市配电网的算例研究,分析了不同接线方式下终端配置数及线路分段数对投入产出比的影响,得出了不同情况下的最优配置方案,验证了所述模型的有效性。