2020-2025年中国智能配电网设备行业发展趋势预测与发展战略咨询报告.pdf

2020-2025年中国智能配电网设备行业市场投资机会分析报告.pdf

2020-2025年中国智能配电网设备行业投资机会与风险防范措施研究报告.pdf

电动汽车充电负荷具有时间和空间不确定性、随机性，提出一种融合路网、交通、电网、天气、车辆、充电设施等多源信息的考虑用户出行行为和充电需求的电动汽车充电负荷时空分布预测模型。由图论方法构建城市路网和电网信息模型及两者的耦合关系；引入出行链，以概率函数拟合车辆首次出行时间和行程目的地的驻留时间，采用Dijkstra算法规划车辆的出行路径以获得各段行程距离，由道路等级和各时段交通信息获得车辆的行驶速度，以计算行程行驶时间和荷电状态，再根据各行程目的地的充电需求判断条件，计算充电时长和充电负荷；采用蒙特卡洛方法对各功能区电动汽车出行的时间和空间充电负荷分布进行整体仿真；并根据耦合关系将充电负荷归算至对应电网节点，再通过时间序列潮流计算评估电动汽车接入电网后无序充电对电网负荷、电压和网损的影响。算例通过设置不同的场景预测了不同功能区和电网节点的充电负荷曲线，分析了不同因素对充电负荷分布及电网的影响，验证了所提模型的有效性。

从电力市场角度出发，在研究变速恒频双馈异步风电机组（DFIG）功率特性的基础上，按照无功功率流向的不同以及无功功率与有功功率的关系，将DFIG输出功率分为3个运行区域，并给出各个区域内无功功率费用计算函数。建立以有功网损、无功功率费用及电压越限最小为目标函数的无功优化模型，采用基于自适应步长的细菌觅食优化-粒子群优化混合智能算法进行求解，避免了标准细菌觅食算法易陷入局部最优解的缺点，进一步提高了优化前期的全局搜索能力和优化后期的局部搜索能力。仿真算例表明，所提方法有效降低了系统网损，并充分调动风电场参与电网无功电压调节。

ETAP绘制IEEE33拓扑（ETAP12.6.0完成），包含辐射型IEEE33拓扑网络，无穷大单机网络，可以在ETAP中实现潮流计算，短路计算，可以很好的使用学习，参数也可以按照你的需求来纠正。 可供入门学习参考，互相交流学习。

针对配电网多目标无功优化的应用需求以及优化算法存在的收敛性和多样性问题，基于Pareto熵的多目标粒子群优化算法，提出一种应用于多目标无功优化的改进粒子群优化算法。该算法在全局外部档案更新过程中引入冗余集策略，避免迭代过程中陷入局部最优解。将算法应用于配电网无功优化中时，采用离散变量取整方法，加快算法的收敛速度。建立网损、电压偏差及无功补偿装置投资最小的配电网多目标无功优化模型，并以IEEE 33节点配电网络为算例进行仿真，结果表明改进后的算法兼顾了优化的收敛性和多样性，能够在不同的优化要求下得到有效的无功优化方案。

分布式电源(DG)出力的随机性和间歇性导致其并网谐波电流具有不确定性，进而导致含DG配电网的谐波分布具有不确定性。为处理配电网谐波潮流计算中DG作为谐波源的不确定信息，以复仿射数代替点值，建立DG并网逆变器输出阻抗复仿射模型，该模型反映了直流侧电压源的不确定性对DG并网谐波电流的影响。在所提模型的基础上，改造传统确定性谐波潮流算法，提出含多DG配电网的不确定谐波潮流计算方法分析DG不确定性对谐波潮流的影响。采用典型33节点配电网算例进行仿真，与确定性分析方法计算结果的对比验证了所提方法的有效性和应用价值。

针对现有遗传算法在配电网无功补偿中的缺陷问题，提出了一种基于遗传算法的配电网无功优化方法。根据现有配电网的特性计算出全年的电压品质、网络损耗以及补偿设备投资，通过计算结果进行无功优化数学模型的建立，最后利用自适应遗传算法对数学模型进行改进优化。实验结果表明，所提方法可使配电网无功补偿优化能力在传统遗传算法的基础上进一步提升，并在提高计算效率的基础上，全局寻优能力也有明显的增强。

无功补偿参考表