适应分布式源即插即用特性需求的微网公共信息模型

为满足分布式源(DR)接入微网后"即插即用"的需求,根据公共信息模型(CIM)扩展导则和微网的特点,进行了微网CIM类扩展,建立了微网CIM模型;针对已经建立的微网CIM,研究了在固定微网网架结构下新增DR引起的已有微网CIM变化.结合以往对电力系统CIM应用技术的研究,初步提出了即插即用DR时引起已有微网CIM变化的自动化实现方法.文中针对微网CIM的研究结果能够适应固定网架结构的微网中DR的即插即用需求.     

串并联型超级电容器储能系统在风力发电中的应用

基于超级电容器的串并联型储能系统可同时双向大范围快速调节有功功率和无功功率。为提高风力发电系统稳定性和改善电能质量,提出了一种将串并联型超级电容器储能系统应用于基于异步发电机的风力发电系统的新思路,建立了基于等效电路的超级电容器储能系统的动态数学模型,设计了相应的控制策略,并以随机风和电网大扰动为例,在Matlab的Simulink环境下对采用串并联型超级电容器储能系统对并网风力发电机组的电能质量和稳定性问题进行仿真。结果表明采用该控制策略的超级电容器储能系统可很好地改善并网风力发电机组的电能质量和稳定性。     

一种基于小波神经元网络的短期负荷预测方法

小波神经元网络比多层前馈神经网络具有更多自由度和更好的适应性.为更好地反映气象因素对负荷的影响及提高负荷预测的精度,文章选用Morlet小波构建小波神经元网络,采用误差反传学习算法来训练网络,采用自学习隶属度分析聚类的新方法选择训练样本.并应用武汉电网近年的负荷数据和气象资料进行了建模和预测,预测结果表明所建立的小波神经元网络预测模型具有较好的收敛性,采用自学习隶属度分析聚类方法选择训练样本能改善预测精度.     

电力系统发电机组年度大修曲线的可靠性优化

本文讨论了电力系统发电机组年度大修曲线的可靠性优化问题.导出求检修年度内各时段最优储备的联立方程组;进而得到实用的等风险度法和等储备法,并进行了比较.     

考虑储能装置风电场的动态经济调度

在考虑储能装置风电场的动态经济调度问题中,如何将储能装置有效地体现在模型之中,充分发挥储能装置的作用是问题的关键.首先综合考虑风电波动与负荷波动情况,利用储能装置平滑系统功率,然后将平滑后的系统功率在火电机组之间优化分配,从而将本课题分解为两个子优化问题,建立了考虑储能装置风电场的动态经济调度模型.基于混沌粒子群优化算法,提出了动静结合罚因子、混沌扰动范围随迭代次数线性减小等改进措施.算例表明,所提出的动态经济调度模型合理,算法具有一定的实用性.     

并网双馈风力发电机组的建模与仿真

基于PSCAD/EMTDC仿真平台搭建了双馈风力发电机组/风力发电场的暂态模型.对风速变化下风电场并网运行的端口特性做了仿真,验证了模型的正确性.其次,对典型故障情况下并网风电场的运行进行了仿真,分析了转速、有功无功等量的动态响应,并验证了转子侧有Crowbar保护电路的双馈电机有一定的低电压穿越能力,有助于故障情况下电网的恢复.     

重视实验教学改革,提高学生创新能力

本论文对“电力系统分析”计算实验课的教学改革为例,阐述了实验教学改革的一些基本思路和方法。     

最新电价改革及其对我国电力市场的影响

2003年7月，国办发[2003]62号件印发了我国《电价改革方案》，我国电价改革迈出了关键的一步。经过一年多的讨论和研究，2005年4月国家发改委又出台了《上网电价管理暂行办法》、《输配电价管理暂行办法》和《销售电价管理暂行办法》。这3个电价管理“办法”是根据《电价改革方案》要求制定的。与《电价改革方案》相配套的管理“办法”在《方案》颁布近两年后才出台，说明了电价改革的慎重与艰难。与以往历次电价改革不同，本次改革突出价格信号对电力投资的引导作用，提高效率，促进增长，保护环境，使电价成为资源配置的杠杆，电力供需的风向标。改革将使发电集团面临电力体制改革中最大风险。适生存，优胜劣汰，电价改革的不断深入是电力工业打破旧体制，形成新格局的具体表现之一。     

基于神经网络-模糊推理综合模型的短期负荷预测

针对由于神经元网络泛化能力不足等原因造成的预测精度不高甚至出现坏数据从而难以适用于负荷波动厉害的电网情况，提出一种基于神经网络-模糊推理综合模型的短期负荷预测方法。该方法结合了神经网络和模糊推理的优点，通过模糊推理来修正神经网络输出的预测结果，能有效地提高预测精度。特别是对于受天气影响比较明显而天气变化又比较剧烈的电网，能有效防止不合理预测结果的出现。在武汉电网的实际运行情况说明了本算法的有效性。     

逐级均值聚类算法的RBFN模型在负荷预测中的应用

该文针对传统K均值聚类算法的不足,提出了一种新的聚类算法--逐级均值聚类算法,解决了传统聚类算法解的局部最优性问题和如何确定聚类数目的问题.在应用该算法确定RBF模型隐含层的中心向量时,同时确定了隐含层的节点数和RBF网络模型的结构.对于网络参数的确定,文中也提出了一种新的交互式的学习方案,将学习样本分为训练样本和测试样本,分别对网络进行权值确定和半径调节,得到了非常稳定的网络结构.运用文中所述模型及算法与传统的RBFN进行负荷预测比较,结果表明前者网络更稳定,预测精度更高.