计及电缆线路热惯性的配电网重构研究

来源 :南京理工大学 | 被引量 : 0次 | 上传用户:zhongguohuhu
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
随着经济的不断发展以及电力需求的日益提升,社会对配电网可靠性和经济性的要求也越来越高。配电网重构通过优化配网结构,能够有效降低网损,增加各条馈线的稳定裕量、消除过载、减小停电损失等,从而促进配电网节能运行并提高运行的安全性。然而,传统配电网重构模型一般将电缆载流量作为线路容量的安全约束条件。由于电缆载流量通常在相对恶劣的运行条件下确定,是一个保守的静态约束值。因此,通过载流量确定线路容量,无法动态挖掘电缆线路输送潜力,进而低估线路供电能力,并可能导致配网重构策略趋向保守。为此,本文提出了计及电缆线路热惯性的配电网重构模型。该模型将线路容量约束改进为电缆运行最高允许温度约束,并利用电缆温度裕量及其温升惯性过程充分挖掘线路供电能力,从而进一步优化配网重构决策,提高配网运行的经济性与安全性。研究可分为如下三个部分。(1)以单芯电缆为研究对象,研究了电缆的温度计算模型。在分析了IEC热路模型和暂态热路模型不足之处的基础上,采用简化暂态热路模型计算电缆温度。通过对YJV-21/35kV型号电缆的仿真计算,表明简化模型的暂态热平衡方程能快速地模拟电缆在通入电流以后的温度变化过程,方便地计算出电缆温度。(2)分析了传统配电网潮流计算方法和配电网重构模型,并对模型的求解方法进行了研究。该模型以电缆载流量作为线路容量约束,整个模型不涉及电缆温度及热特性。以8节点和13节点配电系统为算例,分别以线路故障时维持供电的负荷量最大、均衡负荷、网损最小为目标进行仿真验证。结果表明,以载流量作为线路容量约束的重构模型虽然能保证配电网重构的进行,但电缆的供电容量还有较大的可利用空间,重构结果仍有可继续优化的余地。(3)在电缆温度计算模型和传统配电网重构模型的基础上,提出了计及电缆线路热惯性的配电网重构模型。该模型增加了电缆暂态热平衡等式约束,且将线路容量约束改进为电缆运行最高允许温度约束,以电缆温度作为重构的决策量。8节点和13节点算例仿真的结果表明,相比传统配电网重构模型,本文模型可以利用电缆温度裕量及其温升惯性过程,充分挖掘电缆的供电能力,从而深入优化配网重构决策,达到在线路故障时能最大程度地维持负荷供电、进一步均衡负荷及降低网损等目的,更大程度地提高配电网运行的经济性和安全性。
其他文献
随着互联网技术的迅猛发展及智能手机的普及,近年来网络谣言的危害性较之以前更大。国家为了减少网络谣言的危害,在2015年将利用网络散播谣言并造成严重危害的行为列入《刑法
随着人类社会的发展及工业、制造业等的不断壮大,人们的生活水平已有显著提高,伴随而来的污染问题也日益凸显。其中重金属污染一直是环境、食品、土壤、水质等方面研究者关注
由于具有抗去磁能力强、弱磁扩速能力好、转矩功率密度高等优点,内置式永磁同步电机成为电动汽车主要驱动电机类型。然而,由于制造误差、安装误差、轴承磨损等原因,内置式永
吊索是缆索承重体系桥梁的关键构件。在疲劳和腐蚀等作用下,吊索可能发生突然破断,危及桥梁结构的安全,造成重大的经济损失。当前对于吊索破断后桥梁结构安全性的研究尚有欠缺,且主要以数值模拟为主,鲜有研究将模型试验与数值模拟相结合。本文以自锚式悬索桥为研究对象,通过理论分析、数值模拟与模型试验等方法,对吊索发生损伤、破断后剩余构件的受力性能及动力响应过程进行分析;采用能量法对断索后桥梁结构的承载能力富余程
随着现代工农业的飞速发展,由于资源的大量消耗,严重的环境污染问题接踵而来,在各种污染物中,空气和水中的有机污染物引起了人们广泛的关注。因此开发有效、经济的技术处理这
高级氧化法(Advanced Oxidation Process,AOPs)在环境修复领域表现出优异的潜能,通过产生具有强氧化性的活性自由基,将环境中的有机污染物降解为无害的矿化盐、二氧化碳和水。
在过去的几十年里,复杂网络的动力学行为引起了许多物理学、经济学、生物学、数学、工程学等不同领域研究者的兴趣。特别是,作为复杂网络中重要的动力学行为,无源性和同步已
随着立体技术的不断发展,立体视频相关应用和服务系统开始走近人们的生活,扮演着越来越重要的角色,在这些立体视频系统中,控制好视频内容的感知质量是保证用户体验的关键。然
磷(P)是许多生物体生长的必需营养元素,尤其在生物体的细胞代谢中起着重要作用。然而,水中过量的磷会导致水体富营养化,由于水质恶化而导致水生生物灾害和藻类的过度繁殖。这不
自从20世纪60年代以来,随着各国发射的航天器日益增多,太空的环境变得日趋复杂,研发适用于太空环境的高性能结构材料成为了各国未来航天器发展的必然选择,而有着低密度、高强