【无功优化】考虑泄流效应的光伏并网点电压系统侧无功优化(Matlab代码实现)

简介: 【无功优化】考虑泄流效应的光伏并网点电压系统侧无功优化(Matlab代码实现)

👨‍🎓个人主页:研学社的博客

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。

⛳️座右铭:行百里者,半于九十。

📋📋📋本文目录如下:🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现


image.gif

💥1 概述

参考文献:

image.gif

摘要:风电场常因自身无功容量配置不足而导致并网点电压在某些工况下越限,参与并网点电压增援调控的周边无功补偿站,其增发/减发的无功功率会出现泄流效应。此效应既降低了对风电场电压的支撑力度,又可能引起其他节点电压出现新的越限。为此,针对并网点电压越限的预防控制问题,提出一种考虑泄流效应的风电场系统侧增援调控方法。首先,介绍了无功补偿增量的泄流效应并定义了泄流比;其次,讨论了待调控风电场周边变电站参与增援调控的基本条件,给出了筛选候选无功补偿站的方案;最后,设计了分配增援调控任务的启发式决策方法和考虑调控代价差异的线性规划模型优化决策方法。算例结果表明,所提出的2种增援调控站无功补偿决策方法均能将风电场并网点电压调整并稳定在设定的范围内。

关键词:

风电场;电压调控;无功补偿;泄流效应;增援调控;

 

一般就综合控制性能而言,以在目标电压待控节点实施就地补偿或调节为宜。然而在实际系统中,常常受多种技术、经济因素决定,导致待控节点的无功补偿容量或电压调节能力有限,在其优先使用并耗尽自身容量或能力的情况下,往往需要寻求周边邻近变电站(应为具有剩余无功补偿能力的变电站,下文将其统一简称为补偿站)的无功支援。

在电网拓扑差异和实际工况的综合作用下,在邻近无功补偿站通过自身无功补偿或电压调节系统增发(或少发)无功功率对待控节点实施增援的同时,因补偿站存在多回与其他节点相连的进出线而形成潮流多点分流作用,无功增量一般难以全额(甚至无法做到高额)流向待控节点,即会出现不同程度地向增援对象以外节点泄流的现象。泄流程度高时,除会导致待控节点被增援的效果严重变差以外,甚至还会引起其他非待控节点原先正常的电压态势

出现异常情况。因此,有必要在决策增援方案时考虑无功补偿增量的泄流效应及其不良影响。

设在电网一定运行状态下,某邻近补偿站 i 增发无功功率 ΔQi后能够流向待控节点 j 的量为 ΔQij (参见图 1),则可定义式(1)形式的泄流比 αij,以量化站点 i 对节点 j 实施无功增援时无功补偿增量的泄流程度。

                                   

image.gif

 

📚2 运行结果

image.gif

部分代码:

mpc.branch = [  %% (r and x specified in ohms here, converted to p.u. below)

   1    2    0.0922    0.0470    0    0    0    0    0    0    1    -360    360;

   2    3    0.4930    0.2511    0    0    0    0    0    0    1    -360    360;

   3    4    0.3660    0.1864    0    0    0    0    0    0    1    -360    360;

   4    5    0.3811    0.1941    0    0    0    0    0    0    1    -360    360;

   5    6    0.8190    0.7070    0    0    0    0    0    0    1    -360    360;

   6    7    0.1872    0.6188    0    0    0    0    0    0    1    -360    360;

   7    8    0.7114    0.2351    0    0    0    0    0    0    1    -360    360;

   8    9    1.0300    0.7400    0    0    0    0    0    0    1    -360    360;

   9    10    1.0440    0.7400    0    0    0    0    0    0    1    -360    360;

   10    11    0.1966    0.0650    0    0    0    0    0    0    1    -360    360;

   11    12    0.3744    0.1238    0    0    0    0    0    0    1    -360    360;

   12    13    1.4680    1.1550    0    0    0    0    0    0    1    -360    360;

   13    14    0.5416    0.7129    0    0    0    0    0    0    1    -360    360;

   14    15    0.5910    0.5260    0    0    0    0    0    0    1    -360    360;

   15    16    0.7463    0.5450    0    0    0    0    0    0    1    -360    360;

   16    17    1.2890    1.7210    0    0    0    0    0    0    1    -360    360;

   17    18    0.7320    0.5740    0    0    0    0    0    0    1    -360    360;

   2    19    0.1640    0.1565    0    0    0    0    0    0    1    -360    360;

   19    20    1.5042    1.3554    0    0    0    0    0    0    1    -360    360;

   20    21    0.4095    0.4784    0    0    0    0    0    0    1    -360    360;

   21    22    0.7089    0.9373    0    0    0    0    0    0    1    -360    360;

   3    23    0.4512    0.3083    0    0    0    0    0    0    1    -360    360;

   23    24    0.8980    0.7091    0    0    0    0    0    0    1    -360    360;

   24    25    0.8960    0.7011    0    0    0    0    0    0    1    -360    360;

   6    26    0.2030    0.1034    0    0    0    0    0    0    1    -360    360;

   26    27    0.2842    0.1447    0    0    0    0    0    0    1    -360    360;

   27    28    1.0590    0.9337    0    0    0    0    0    0    1    -360    360;

   28    29    0.8042    0.7006    0    0    0    0    0    0    1    -360    360;

   29    30    0.5075    0.2585    0    0    0    0    0    0    1    -360    360;

   30    31    0.9744    0.9630    0    0    0    0    0    0    1    -360    360;

   31    32    0.3105    0.3619    0    0    0    0    0    0    1    -360    360;

   32    33    0.3410    0.5302    0    0    0    0    0    0    1    -360    360;

   21    8    2.0000    2.0000    0    0    0    0    0    0    0    -360    360;

   9    15    2.0000    2.0000    0    0    0    0    0    0    0    -360    360;

   12    22    2.0000    2.0000    0    0    0    0    0    0    0    -360    360;

   18    33    0.5000    0.5000    0    0    0    0    0    0    0    -360    360;

   25    29    0.5000    0.5000    0    0    0    0    0    0    0    -360    360;

];

%%-----  OPF Data  -----%%

%% generator cost data

%    1    startup    shutdown    n    x1    y1    ...    xn    yn

%    2    startup    shutdown    n    c(n-1)    ...    c0

mpc.gencost = [

   2    0    0    3    0    20    0;

];

🎉3 参考文献

部分理论来源于网络,如有侵权请联系删除。

[1]于其宜,王琦,汤奕.考虑泄流效应的风电场并网点电压系统侧增援调控方法[J].电力系统自动化,2021,45(13):30-39.

🌈4 Matlab代码实现

链接:https://pan.baidu.com/s/1Seq58UHHMpSU0jM630iOjg 

提取码:s3cw

--来自百度网盘超级会员V3的分享

相关文章
|
3月前
|
算法 5G 网络性能优化
基于遗传优化的多属性判决5G-Wifi网络切换算法matlab仿真
基于遗传优化的多属性判决5G-Wifi网络切换算法matlab仿真
|
2月前
|
算法 大数据
【MATLAB】鲸鱼算法优化混合核极限学习机(WOA-HKELM)回归预测算法
【MATLAB】鲸鱼算法优化混合核极限学习机(WOA-HKELM)回归预测算法
64 2
|
3月前
|
机器学习/深度学习 算法
【Matlab智能算法】PSO优化(双隐层)BP神经网络算法
【Matlab智能算法】PSO优化(双隐层)BP神经网络算法
|
4天前
|
机器学习/深度学习 算法 数据挖掘
基于PSO优化的CNN-LSTM-Attention的时间序列回归预测matlab仿真
该文档介绍了使用MATLAB2022A中PSO优化算法提升时间序列预测模型性能的过程。PSO优化前后对比显示了优化效果。算法基于CNN、LSTM和Attention机制构建CNN-LSTM-Attention模型,利用PSO调整模型超参数。代码示例展示了PSO的迭代优化过程及训练、预测和误差分析环节。最终,模型的预测结果以图形形式展示,并保存了相关数据。
|
10天前
|
机器学习/深度学习 算法 网络架构
matlab使用贝叶斯优化的深度学习
matlab使用贝叶斯优化的深度学习
16 0
|
1月前
|
机器学习/深度学习 算法 数据可视化
基于GA优化的CNN-GRU-Attention的时间序列回归预测matlab仿真
该内容描述了一个使用CNN-LSTM-Attention模型优化时间序列预测的过程。在优化前后,算法的预测效果有明显提升,软件版本为matlab2022a。理论部分介绍了CNN用于特征提取,LSTM处理序列依赖,Attention关注重要信息,以及遗传算法(GA)优化超参数。提供的核心代码展示了GA的优化迭代和模型训练,以及预测结果的可视化比较。
|
1月前
|
算法 搜索推荐
基于遗传优化的协同过滤推荐算法matlab仿真
该内容是关于推荐系统和算法的描述。使用Matlab2022a执行的算法生成了推荐商品ID列表,显示了协同过滤在个性化推荐中的应用。用户兴趣模型通过获取用户信息并建立数学模型来提高推荐性能。程序片段展示了遗传算法(GA)的迭代过程,确定支持度阈值,并基于关联规则生成推荐商品ID。最终结果是推荐的商品ID列表,显示了算法的收敛和支持值。
|
3月前
|
Perl
【MFAC】基于全格式动态线性化的无模型自适应控制(Matlab代码)
【MFAC】基于全格式动态线性化的无模型自适应控制(Matlab代码)
|
3月前
【数值分析】迭代法求方程的根(附matlab代码)
【数值分析】迭代法求方程的根(附matlab代码)
|
3月前
【数值分析】Jacobi、Seidel和Sor迭代法求解线性方程组(附matlab代码)
【数值分析】Jacobi、Seidel和Sor迭代法求解线性方程组(附matlab代码)

热门文章

最新文章