【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
|
1天前
|
算法 调度
基于遗传模拟退火混合优化算法的车间作业最优调度matlab仿真,输出甘特图
车间作业调度问题(JSSP)通过遗传算法(GA)和模拟退火算法(SA)优化多个作业在并行工作中心上的加工顺序和时间,以最小化总完成时间和机器闲置时间。MATLAB2022a版本运行测试,展示了有效性和可行性。核心程序采用作业列表表示法,结合遗传操作和模拟退火过程,提高算法性能。
|
6天前
|
机器学习/深度学习 算法 调度
基于ACO蚁群优化的VRPSD问题求解matlab仿真,输出规划路径结果和满载率
基于ACO蚁群优化的VRPSD问题求解MATLAB仿真,输出ACO优化的收敛曲线、规划路径结果及每条路径的满载率。在MATLAB2022a版本中运行,展示了优化过程和最终路径规划结果。核心程序通过迭代搜索最优路径,更新信息素矩阵,确保找到满足客户需求且总行程成本最小的车辆调度方案。
|
12天前
|
人工智能 算法 数据安全/隐私保护
基于遗传优化的SVD水印嵌入提取算法matlab仿真
该算法基于遗传优化的SVD水印嵌入与提取技术,通过遗传算法优化水印嵌入参数,提高水印的鲁棒性和隐蔽性。在MATLAB2022a环境下测试,展示了优化前后的性能对比及不同干扰下的水印提取效果。核心程序实现了SVD分解、遗传算法流程及其参数优化,有效提升了水印技术的应用价值。
|
15天前
|
机器学习/深度学习 算法 调度
基于ACO蚁群优化的VRPSD问题求解matlab仿真,输出规划路径结果和满载率
该程序基于ACO蚁群优化算法解决VRPSD问题,使用MATLAB2022a实现,输出优化收敛曲线及路径规划结果。ACO通过模拟蚂蚁寻找食物的行为,利用信息素和启发式信息指导搜索,有效求解带时间窗约束的车辆路径问题,最小化总行程成本。
|
13天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于贝叶斯优化CNN-LSTM网络的数据分类识别算法matlab仿真
本项目展示了基于贝叶斯优化(BO)的CNN-LSTM网络在数据分类中的应用。通过MATLAB 2022a实现,优化前后效果对比明显。核心代码附带中文注释和操作视频,涵盖BO、CNN、LSTM理论,特别是BO优化CNN-LSTM网络的batchsize和学习率,显著提升模型性能。
|
18天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于贝叶斯优化卷积神经网络(Bayes-CNN)的多因子数据分类识别算法matlab仿真
本项目展示了贝叶斯优化在CNN中的应用,包括优化过程、训练与识别效果对比,以及标准CNN的识别结果。使用Matlab2022a开发,提供完整代码及视频教程。贝叶斯优化通过构建代理模型指导超参数优化,显著提升模型性能,适用于复杂数据分类任务。
|
23天前
|
算法 决策智能
基于GA-PSO遗传粒子群混合优化算法的TSP问题求解matlab仿真
本文介绍了基于GA-PSO遗传粒子群混合优化算法解决旅行商问题(TSP)的方法。TSP旨在寻找访问一系列城市并返回起点的最短路径,属于NP难问题。文中详细阐述了遗传算法(GA)和粒子群优化算法(PSO)的基本原理及其在TSP中的应用,展示了如何通过编码、选择、交叉、变异及速度和位置更新等操作优化路径。算法在MATLAB2022a上实现,实验结果表明该方法能有效提高求解效率和解的质量。
|
3月前
|
安全
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
本文介绍了2023年高教社杯数学建模竞赛D题的圈养湖羊空间利用率问题,包括问题分析、数学模型建立和MATLAB代码实现,旨在优化养殖场的生产计划和空间利用效率。
174 6
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
|
3月前
|
存储 算法 搜索推荐
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
本文提供了2022年华为杯数学建模竞赛B题的详细方案和MATLAB代码实现,包括方形件组批优化问题和排样优化问题,以及相关数学模型的建立和求解方法。
122 3
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
|
3月前
|
数据采集 存储 移动开发
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
本文介绍了2023年五一杯数学建模竞赛B题的解题方法,详细阐述了如何通过数学建模和MATLAB编程来分析快递需求、预测运输数量、优化运输成本,并估计固定和非固定需求,提供了完整的建模方案和代码实现。
86 0
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码

热门文章

最新文章