基于直接ZBUS法的三相四线制配电网谐波潮流研究

来源 :福州大学 | 被引量 : 1次 | 上传用户:fc2sql
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
我国大陆地区的低压配电网、美国以及我国台湾地区的中低压配电网广泛采用三相四线制网络结构供电。三相四线制配电网位于电力系统末端,存在三相不平衡与谐波污染等电能质量问题。三相不平衡产生的零序电流和电力电子设备引起的谐波电流,易经中性线向系统前端回流,引起中性点电压偏移,从而破坏配电设备与用户负荷,同时增大系统损耗。因此开发考量中性线与接地特性的三相四制谐波潮流分析技术,确切分析全系统特别是中性线上的谐波分布与电能损耗是十分有必要的。本文总结了以往三相四线制潮流模型与算法的优缺点,提出以直接ZBUS法为基础的谐波潮流分析技术并研究其应用价值。首先,开发考量中性线与接地特性的三相四线制配电网络元件基波模型和谐波模型,如考量中性线、导体互感以及对地导纳支路的架空线路和电缆线路等效模型、不同联结方式的变压器等效模型、不同类型的三相负荷模型、发电机模型、并联电容器模型以及分布式电源的并网模型。基于电路解耦合和注入电流等效原理,将配电网络元件的串联部分作为节点阻抗矩阵,并联部分等效为注入电流源。其次,提出基于直接ZBUS法的三相四线制配电网谐波潮流算法。将网络分成辐射型网络和非辐射型网络,结合图论原理和网络模型推导这两类网络的节点注入电流和节点阻抗矩阵的计算公式,省去以往隐式ZBUS法的节点导纳矩阵求逆过程,提高计算效率。通过3个IEEE测试系统,验证直接ZBUS法与三相四线制配电网络模型的精确性。同时采用随机的接地阻抗值测试直接ZBUS法的收敛性,并与基于注入电流的前推回代法和牛顿法等算法进行性能对比。本文所提算法的迭代次数不受接地点数与接地阻抗大小的影响,收敛性能优于前述两种算法。最后,利用本文所提的三相四线制配电网谐波潮流分析技术,结合IEEE测试系统与台湾电力公司的实际配电系统,并通过中性点电压、中性线电流、谐波畸变率、系统线路损耗、电压不平衡度等指标考量系统接地特性、负荷条件、电容器投切与分布式电源并网等因素对谐波潮流分布以及电能质量的影响,尤其是以往所忽略的中性线谐波潮流和电能损耗。本文所提的谐波潮流分析技术能够帮助研究人员针对配电网三相不平衡和谐波污染等问题实施相应措施,有效抑制配电环节损耗,保证电力系统经济可靠运行。
其他文献
无线通信技术、嵌入式技术和传感器技术等方面的进步使得无线传感网络广泛应用于军事和民用领域中。目标跟踪作为无线传感网络的重要应用技术之一,受到了国内外专家学者的广
近年来互联网技术有了极大的普及和发展,网络上的数据量和用户请求量出现了爆发性的增长,这些增长要求服务器的处理能力也做出相应的提高。在如今典型的数据中心中,需要一个
随着大数据时代的来临,数据中心急剧发展,其规模和性能不断提升。在享受数据中心带来的便利的同时,数据中心庞大的电力消耗和环境污染问题得到人们的广泛关注。近来,燃料电池
图像超分辨率重建是计算机视觉领域中非常经典的任务之一,该技术通过软件算法将低分辨率图像重建为高分辨率图像,丰富了图像的细节信息,提升了图像的视觉效果,在公共安全、医
基于能量收集的认知无线传感器网络(EH-CRSN)是一种将认知无线电(CR)技术和能量收集(EH)技术引入到传统无线传感器网络(WSN)中的新型网络。CR技术缓解了WSN中频谱短缺的问题,
视觉显著性是灵长类共有的视觉处理特性,这项特性让我们在复杂的视觉信息中快速提取出对需要特别注意的物体区域。科学家们着力研究这项特性,将其与计算机科学相结合,引入到计算机视觉中,使其成为许多复杂视觉计算重要的前期预处理过程。视觉显著性主要由静态显著性、协同显著性和动态显著性三部分组成。其中静态显著性是此前的研究热门算法,行业中已取得较为不错的成果,但动态显著性的研究并非热门方向,仍然存在许多改进的空
切换系统是一类特殊的混杂系统,通常由一组子系统和切换律构成.近几十年来,切换系统的分析和设计引起广泛关注,如稳定性分析,L2增益分析,异步切换控制和故障检测问题等.在实
响应性差,质量大,不易携带是早期可穿戴设备的缺点。研究者为了解决这些问题,着重研究了具有高灵敏度且轻便易携带的可穿戴设备,并且为了迎合当今时代环保的主题,具有可生物
高光谱数据分类技术一直是遥感领域的热点问题之一,随着高光谱成像系统的进一步发展,高光谱数据的空间分辨率会更高,信息将更加丰富,传统的高光谱数据分类技术不能高效地利用
随着网络上图像数据的日益增多,对图像中最近邻的搜索需求也日益增多。而图像哈希在该方面因为计算速度快、存储空间少等优势被广泛重视,因而涌现了很多优秀的算法。但是,这些算法中仍然存在着一些问题需要解决。首先,传统无数据依赖哈希方法通用性强、运行速度快,但是在结果准确率上却不占优势。然后,现在普遍使用的基于卷积神经网络的图像哈希算法虽然准确率高,但是需要训练专门的哈希生成网络,训练时间和存储空间需求大。