电力系统电能质量分析与谐波治理

电能质量及其各项指标对于电网的正常运行至关重要,尤其是各种非线性负荷带来的谐波污染日益增加。针对谐波治理提出了最新的技术方案,以达到提高电能质量,解决谐波污染的目的。     

基于机电—电磁混合仿真的暂态电能质量分析

为提高暂态电能质量仿真精度,提出了基于机电—电磁混合仿真的暂态电能质量分析评估方法。根据电能质量分析的需要把整个电网分割成机电暂态网络和电磁暂态网络,通过数据交换接口进行机电—电磁混合仿真计算,并针对大容量异步电机启动引起的电压暂降进行仿真研究,分析电机容量和接入点短路容量对电压暂降的影响。仿真结果表明,随着接入点短路容量的减小,异步电机起动对系统电压暂降的影响增大,为电压暂降的分析与治理提供了指导和参考。     

提高变电站电能质量措施研究

就调整机组无功出力、调节升压变分接头以及投运电抗器措施后对变电站电压和网损影响情况进行计算分析,从而提出量化电压调整措施,确保220kV电压合格率处于国网公司同业对标A段行列。     

适用于风电场的电能质量监测系统

本文介绍了一款适用于风电场的电能质量监测系统。文章对系统功能和电能质量监测算法进行了详细的说明,并结合实际应用,得出该电能质量监测系统的实用性,为后续研究风电场的电能质量问题提供数据依据。     

电能质量的谐波测量与分析

通过工厂用电的具体案例分析了电能谐波的产生及其危害，介绍了电能谐波的实用测量方法；并对抑制谐波的有效方法进行了探讨。     

规模化热泵对配电网运行特性和电能质量影响分析

空气源热泵和地源热泵作为“煤改电”工程中大力推行的取暖设备,能源利用率高且环保,但由于其启动时引起的电压暂降和运行时产生的谐波,大规模接入后农村低压配电网会受到很大的影响。介绍了热泵的基本工作原理,根据“煤改电”台区用户取暖季对空气源热泵使用情况的统计数据和测得的台区负荷数据,计算空气源热泵的负荷率和同时率,分析了大规模热泵接入引起的低压配电网负荷变化情况。通过热泵建模和仿真计算,比较了不同空气源热泵与地源热泵的启动特性和运行特性,分析其接入配电网中启动时引起的电压暂降以及稳定运行时的谐波电压、电流情况,并结合算例给出相应的参考和措施。     

电网谐波溯源及治理研究

随着现代电子技术的迅速发展,电能质量已经成为当今电网必须面对的一个重要问题.一方面,电网中存在越来越多的谐波污染源,谐波在电网中传递、叠加甚至放大,影响范围不仅仅局限于局部地区;另一方面,低压客户中某些新式电器对谐波含量非常敏感,由供电谐波引发的居民用电异常事件也倍受关注.通过将长时全局监测数据与短时集中实测数据进行有机结合,在对上海电网电能质量监测网数据进行挖掘的基础上,利用电能质量监测网对电网的谐波分布进行全面分析,并结合现场谐波测试,辨识主要谐波来源,探讨电网谐波溯源的方法.分析认为,改变运行方式虽能迅速解决投诉区域的谐波超标问题,但不能从根本上减缓电网整体的谐波含量,只是在局部薄弱地区破坏了谐振放大的条件.为此,从精细化管理角度出发,提出了治理电网谐波超标的五大措施.     

电压暂降及机场电网对电压暂降的应对措施

对电能质量问题中的电压暂降问题进行了简述,包括电压暂降的原因,对电力系统的危害等,并在此基础上介绍了首都机场电网应对电压暂降问题的措施。     

浅论电能质量的问题与改善措施

现代电网与负荷构成出现新的变化趋势,由此带来的电能质量问题一直是电力用户的生产需求驱动的,提出了电能质量的问题,阐明了电能质量的内涵和指标,分析了电能质量的检测内容与方法,提出了改善电能质量的方法和措施。     

风电场出力特性及其不确定性的对策分析

通过福建省某沿海风电场的出力数据,验证了风电出力变化的波动性及随机特性,将风电出力并入电力负荷,分析了风电并入后对于电力负荷变化特性的影响,并分别从电网与风电自身的角度出发,讨论了有效应对风电功率的不确定性措施,包括风电出力预测、储能手段以及风电机组自参与调频等。     

上海不同产业用电效率的分析及节能降耗的建议

以能源消费中的电力消费为切入口,引入产业单位产值电耗比这一指标,以上海在九五、十五期间的产值增长和用电的数据为基础,对不同产业的用电效率和节能的成效进行了客观的评价,以便于掌握节能降耗的重点,并有的放矢的挖掘节能潜力,以期实现上海建设资源节约型城市的目标。     

电力科技发展与电气工程学科建设

介绍了中国电力科学优先发展火电、大力发展水电、积极发展核电及新兴可再生能源的发展现状,指出电力工业与电力设备制造工业的进步都是在电气工程学科指导下发展的。结合自身经历,对电气工程学科建设进行思考,并给出相应指导性意见。     

燃气轮机冷热电联产系统技术与经济性分析

分析了现有商业燃气轮机用于热电联产系统和冷热电联产系统时的性能。与常规分产系统相比,两系统在热力学性能上均有较大优势,绝大多数节能率超过20％。功率较小的燃气轮机单位造价偏高,用于冷热电联产系统时经济性较差;随着功率的增加经济性不断改善,冷热电联产系统的经济性受到很多因素的影响,其中运行时间和电价的影响最明显,其次为燃料价格的影响,热价和冷价的影响相对最小;这些因素在燃气轮机功率较小时影响较大,随功率的增加影响逐渐减小。     

A new generation of AI: A review and perspective on machine learning technologies applied to smart energy and electric power systems

The new generation of artificial intelligence (AI), called AI 2.0, has recently become a research focus. Data‐driven AI 2.0 will accelerate the development of smart energy and electric power system (Smart EEPS). In AI 2.0, machine learning (ML) forms a typical representative algorithm category used to achieve predictions and judgments by analyzing and learning from massive amounts of historical and synthetic data to help people make optimal decisions. ML has preliminarily been applied to the Smart Grid (SG) and Energy Internet (EI) fields, which are important Smart EEPS representatives. AI 2.0, especially ML, is undergoing a critical period of rapid development worldwide and will play an essential role in Smart EEPS. In this context, this study, combined with the emerging SG and EI technologies, takes the typical representative of AI 2.0—ML—as the research objective and reviews its research status in the operation, optimization, control, dispatching, and management of SG and EI. The paper focuses on introducing and summarizing the mainstream uses of seven representative ML methods, including reinforcement learning, deep learning, transfer learning, parallel learning, hybrid learning, adversarial learning, and ensemble learning, in the SG and EI fields. In this survey, we begin with an introduction to these seven types of ML methods and then systematically review their applications in Smart EEPS. Finally, we discuss ML development under the big data thinking and offer a prospect for the future development of AI 2.0 and ML in Smart EEPS. We conduct this survey intended to arouse the interest and excitement of experts and scholars in the EEPS industry and to look ahead to efforts that jointly promote the rapid development of AI 2.0 in the Smart EEPS field.