排序方式: 共有175条查询结果,搜索用时 15 毫秒
131.
树状网络潮流计算的新算法 总被引:27,自引:3,他引:24
介绍了一种适合树状网络潮流计算的新算法-交替迭代算法。该算法以电压和线路损耗功率交替迭代进行。文中对算法进行了收敛性分析,并证明:当树状网络存在稳态运行解时,给出的交替迭代算法是收敛的。以IEEE 33节点、RBTS68节点等系统为例,证实了该算法具有计算速度快、迭代次数少、收敛精度高、易于编程的特点。 相似文献
132.
电力系统短期负荷预测模型研究 总被引:6,自引:1,他引:5
给出电力系统短期负荷预测的两种模型——变差分析模型和年度分解模型。变差分析模型将负荷分解为基准值、年度变差、月份变差以及随机变差,通过对其分别估计便可得到负荷的预测值;年度分解法先通过预测年度负荷,再预测每月的负荷贡献率,即可得到负荷预测值。实例分析表明,这两种方法都是有效的、实用的 相似文献
133.
多端柔性互联输配一体化电网内部的运行方式复杂、网损特性差异显著,导致传统一刀切的网损补偿方法难以准确刻画网损的实际情况,影响了输(配)电交直流有损潮流模型的应用潜力和输配边界潮流的一致性。为此,该文提出一种基于双层定点迭代的精细化有损潮流模型。针对网损补偿方法不准确的问题,综合考虑网络类型、数据属性和物理特征等因素,为输、配电网及交、直流电网的精准有损潮流分析建立了差异化的网损补偿模型。针对输配边界潮流的不一致问题,将输配一体化有损潮流建模为一个双层定点迭代问题,并采用主从分裂法实现协同求解。在多个算例中分析了不同有损潮流模型的性能差异及其原因,讨论了所提模型在求解精度、收敛速度和计算效率等方面的优势,验证了所提模型在不同控制方式和优化目标下的鲁棒性和通用性。 相似文献
134.
交叉熵重要抽样法基于KL距离(Kullback-Leibler divergence)实现了重要抽样概率密度函数(importance sampling probability density function,IS-PDF)参数的有效估计,显著提升了电网可靠性的蒙特卡洛仿真速度,但KL距离仅是更广义的f散度家族的一种距离形式,虽然有效但非唯一。为探讨f散度在重要抽样法中的实现方式,该文提出最优f散度重要抽样法,通过最小化零方差概率密度函数和IS-PDF之间的f散度,推导典型距离测度下IS-PDF的参数统一迭代更新表达式。因不同距离测度对应不同IS-PDF参数和重要抽样效率,为此,基于可靠性指标测试函数与似然比函数之积的方差最小化准则,提出f散度下的最优距离形式迭代优化确定方法。对IEEE-RTS79和IEEE-RTS96系统进行可靠性评估,结果表明该文方法能有效提高仿真效率,实现重要抽样法效率提升潜力的有效挖掘,对于大电网可靠性的快速评估具有重要的工程实用价值。 相似文献
135.
136.
光伏发电容量可信度是衡量光伏发电对电力系统可靠性贡献的重要标准。提出一种计及光伏出力与负荷相关性的光伏发电容量可信度的计算方法。首先,根据光伏发电昼夜特性,建立白天、黑夜分时段出力模型;其次,采用离散联合概率分布构造刻画光伏出力与电网负荷相关特性的联合多状态模型;最后,利用非序贯蒙特卡洛模拟方法计算得到系统可靠性指标和光伏发电容量可信度。基于等LOLE和等LOEE准则,计算了RBTS系统增加光伏电站后的光伏发电容量可信度,结果表明所提出方法的正确性和实用性。 相似文献
137.
138.
动态随机存储器(DRAMs)是手持式设备的重要组件.由于需要进行刷新,因此,即使设备处于待机状态,存储器也会消耗大量能量.提出了一种基于纠错码和冗余策略的混合算法(HEAR)以降低待机状态下DRAMs的刷新功率.HEAR电路由BCH码模块和错位修复(EBR)模块构成,以提高纠错能力,尽量降低ECC技术的负面效应,进而有效延长刷新周期,显著降低刷新功耗.分析结果表明,HEAR策略可使待机状态下的2Gb DDAM存储器节约能耗40-70%.奇偶校验数据的面积成本和HEAR策略的ECC电路分别只有单独使用ECC策略的63%和53%. 相似文献
139.
140.
基于Beowulf集群的大电力系统可靠性评估蒙特卡罗并行仿真 总被引:9,自引:2,他引:9
研究了大电力系统可靠性评估并行仿真问题:分别采用状态采样法和系统状态转移采样法进行Monte-Carlo并行仿真。建立了与收敛判据相结合的任务分配拓扑结构,并根据2种采样方法的不同需要采用了不同的伪随机数生成方式,详细地分析了配合收敛控制的异步模拟过程,最后基于构建的Beowulf集群环境进行测试系统的可靠性评估计算。2种Monte-Carlo并行仿真方法均得到较高的加速比和并行效率,其可靠性指标的计算结果亦与串行环境下得到的结果基本保持一致。该文所做工作是对国外若干电力系统可靠性评估并行仿真研究的深入和发展。 相似文献