电网中分布式电源(distributed generation,DG)出力的随机波动性,以及负荷与电网互动性的增强,使得基于电网最大运行工况进行的传统变电站规划不再适应新形势下智能电网的发展。针对该问题,首先建立了负荷和分布式电源(distributed gene...电网中分布式电源(distributed generation,DG)出力的随机波动性,以及负荷与电网互动性的增强,使得基于电网最大运行工况进行的传统变电站规划不再适应新形势下智能电网的发展。针对该问题,首先建立了负荷和分布式电源(distributed generation,DG)出力的时间序列,并基于该序列建立了配电网变电站选址定容的时序模型,在该模型中考虑了各变电站供区内DG渗透率的平衡,有效计及了DG的地理分布及其波动性;然后,基于变电站供区内的负荷及DG出力特性,研究了变电站综合负荷特性,并根据各负荷点的调节能力,提出了改善变电站综合负荷特性的负荷平移策略;通过将交替定位分配法与自适应调整搜索范围的遗传算法相结合,提出了交替迭代遗传算法(location and allocation with genetic algorithm,LA-GA),用以对变电站规划的时序模型进行优化求解;最后,对一实际规划区域进行仿真计算,验证了文中模型和算法的有效性。展开更多
文摘联合对角化方法是求解盲源分离问题的有力工具.但是现存的联合对角化算法大都只能求解实数域盲源分离问题,且对目标矩阵有诸多限制.为了求解更具一般性的复数域盲源分离问题,提出了一种基于结构特点的联合对角化(Structural Traits Based Joint Diagonalization,STBJD)算法,既取消了预白化操作解除了对目标矩阵的正定性限制,又允许目标矩阵组为复值,具有极广的适用性.首先,引入矩阵变换,将待联合对角化的复数域目标矩阵组转化为新的具有鲜明结构特点的实对称目标矩阵组.随后,构建联合对角化最小二乘代价函数,引入交替最小二乘迭代算法求解代价函数,并在优化过程中充分挖掘所涉参量的结构特点加以利用.最终,求得混迭矩阵的估计并据此恢复源信号.仿真实验证明与现存的有代表性的对目标矩阵无特殊限制的复数域联合对角化算法FAJD算法及CVFFDIAG算法相比,STBJD算法具有更高的收敛精度,能有效地解决盲源分离问题.
文摘电网中分布式电源(distributed generation,DG)出力的随机波动性,以及负荷与电网互动性的增强,使得基于电网最大运行工况进行的传统变电站规划不再适应新形势下智能电网的发展。针对该问题,首先建立了负荷和分布式电源(distributed generation,DG)出力的时间序列,并基于该序列建立了配电网变电站选址定容的时序模型,在该模型中考虑了各变电站供区内DG渗透率的平衡,有效计及了DG的地理分布及其波动性;然后,基于变电站供区内的负荷及DG出力特性,研究了变电站综合负荷特性,并根据各负荷点的调节能力,提出了改善变电站综合负荷特性的负荷平移策略;通过将交替定位分配法与自适应调整搜索范围的遗传算法相结合,提出了交替迭代遗传算法(location and allocation with genetic algorithm,LA-GA),用以对变电站规划的时序模型进行优化求解;最后,对一实际规划区域进行仿真计算,验证了文中模型和算法的有效性。
