💥💥💥💞💞💞欢迎来到本博客❤️❤️❤️💥💥💥
📝目前更新:🌟🌟🌟电力系统相关知识,期刊论文,算法,机器学习和人工智能学习。
🚀支持:🎁🎁🎁如果觉得博主的文章还不错或者您用得到的话,可以关注一下博主,如果三连收藏支持就更好啦!这就是给予我最大的支持!
📋📋📋本文目录如下:⛳️⛳️⛳️
目录
1 概述
配电网络重构 (DNR) 的目的是确定配电网络的最佳拓扑结构,这是降低网络功率损耗的有效措施。电力负荷需求和光伏(PV)输出是不确定的,并且会随着一天中的时间而变化,并且会影响最佳的网络拓扑。单小时确定性 DNR 无法处理这种不确定性和可变性。因此,本文提出解决多小时随机 DNR (SDNR)。现有的 DNR 解决方法要么不准确,要么过于耗时,因此无法解决大型配电网络的数小时 SDNR。在这方面,提出了一种开关断开和交换(SOE)方法。 SOE 从所有开关闭合的环形网络开始,包括三个步骤。第一步是依次打开开关,直到所有回路都打开。第二步和第三步修改第一步获得的分支状态,以获得更好的径向拓扑。五个测试系统用于验证 SOE 的准确性和快速求解速度,以及多小时 SDNR 相对于单小时确定性 DNR 的优越性。
本文的结构如下
1) 提出了一种新颖的启发式算法,即 SOE,它在准确性和/或求解速度方面优于其他启发式算法、EA 和 MP;这是本文的主要贡献,
2) 首次验证了一个多小时 SDNR 可以获得一个解决方案,该解决方案在最小化能量损失和开关动作次数之间取得了良好的折衷,并且是优于单小时 DNR 和 DDNR。考虑到现有方法不足以解决多小时 SDNR,特别是对于大型系统,SOE 推进了复杂 DNR 解决方法的前沿。
本文的其余部分安排如下。第二节给出了多小时 SDNR 的模型。 SOE 方法在第三节中有详细说明。第四节给出了模拟结果和Matlab代码。结论在第五节中给出。
2 数学模型
详细数学模型见第4部分。
3 运行结果
4 算例 ——33节点、84节点、119节点、136节点、417节点
5 结论
提出了一个多小时 SDNR 来处理可变和不确定的负载和 PV 输出。 SDNR 的现有方法要么不准确,要么太耗时。因此,提出了一种准确且快速的启发式方法 SOE 来解决 SDNR 和 DDNR。国有企业包括三个步骤。第一步可以快速得到相对准确的初始解,第二步和第三步进一步提高了精度。模拟结果表明,SOE 1) 比其他启发式方法更准确,2) 几乎与单小时 DDNR 中的 MP 一样准确 (99.71%-100%),并且 3) 好得多(例如,在解决多小时 DDNR 问题时,损失比 MP 少 19.65%。 SOE 的求解速度明显快于 MP(例如,快 72-2325 倍)。因此,SOE 在精度和/或求解速度方面优于 MP 和其他启发式方法,特别是在求解大规模多小时 DDNR 方面。仿真结果还表明,1) 求解多小时 DDNR/SDNR 可以获得比求解单小时 DDNR/SDNR 更好的结果,即具有更低的损耗和/或满足电压限制,2) 阻止 DDNR/ SDNR 可以在损耗和切换动作次数之间取得很好的折衷,而每小时 DDNR/SDNR 的切换动作较多,而 24 小时 DDNR/SDNR 的损耗较高,3) SDNR 优于 DDNR,因为当负载(PV 输出)低于(高于)其预测值时,从 DDNR 获得的结果可能会超出电压上限。
6 参考文献
部分理论引用网络文献,若有侵权请联系博主删除。
[1]杨兴海,张灵杰,陈国栋.基于多目标离散粒子群优化算法的微电网重构[J].上海电气技术,2021,14(02):29-34.
[2]梁浩哲,龚喜文.基于二进制粒子群算法的母联闭合型电网重构策略[J].上海船舶运输科学研究所学报,2021,44(01):54-59+86.
[3]F. Capitanescu, L. F. Ochoa, H. Margossian, and N. D. Hatziargyriou, “As-
sessing the potential of network reconfiguration to improve distributed gen-
eration hosting capacity in active distribution systems”, IEEE Trans. Power
Syst., vol. 30, no. 1, pp. 346-356, Jan. 2015.