基于近邻成分分析与优化核极限学习机的光伏接入配电网漏电识别

在光伏接入的配电网中,现有漏电保护装置无法区分光伏设备漏电流与发生生物触电时的故障漏电流,导致系统存在安全隐患。针对此问题,提出一种基于近邻成分分析(neighborhood component analysis,NCA)与核极限学习机(kernel extreme learning machine,KELM)的光伏接入配电网漏电识别方法。首先,构建了9维原始故障特征集,并采用NCA从9维特征集中选择得到4维高相关性特征子集;然后,将得到的4维特征子集作为KELM的输入,建立基于KELM的漏电识别模型,并通过麻雀搜索算法(sparrow search algorithm,SSA)对KELM模型中的参数进行优化;最后,将所提SSA-KELM方法应用于漏电识别,并与标准核极限学习机(KELM)、支持向量机(SVM)、BP神经网络(BPNN)进行了对比。比较结果表明:SSA-KELM对光伏接入配电网漏电类型的识别率最高,平均识别准确率达97.98%,为有效识别生物体触电与光伏漏电提供一定理论参考。

光伏接入配电网调峰优化调度控制方法研究

大规模光伏接入配电网储电具有不可控性,存在调峰效果与理想不一致的问题,导致配电网运行可靠性较低。为此,提出了光伏接入配电网调峰优化调度控制方法研究。分析光伏接入配电网对调峰影响机理,划分调峰时段。充分考虑蓄电池状态,构建调峰优化调度控制模型。设计光伏储能电池最大出力约束系数,使光伏储能电池完全释放电能,避免光伏储能电池容量浪费。在确定最终参考功率与荷电状态约束关系后,从荷电状态高、低两个方面,设计调峰优化调度控制方法。实验结果可知,该方法最高传输功率为22 kW、最终传输功率稳定在0 kW,与理想情况一致,有效提高了配电网运行的可靠性。

能源互联网背景下的分布式光伏接入配电网管理模式初探

随着能源危机与环境污染问题的日趋严重,全球能源互联网理念应运而生,新产生的清洁能源、特高压电网以及智能电网都为能源互联网的深入发展奠定了坚实基础。本文结合全球能源互联网趋势背景,对光伏接入电网的后续影响进行了探讨,并提出几点浅见,希望能够为相关电力企业和部门提供参考性意见。