✅作者简介:热爱科研的Matlab仿真开发者,擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页:Matlab科研工作室
🍊个人信条:格物致知,完整Matlab代码及仿真咨询内容私信。
🔥 内容介绍
一、潮流计算基础与 5 节点系统概述
潮流计算是电力系统分析中最基本、最核心的计算之一,其主要任务是在给定系统网络结构、元件参数以及部分节点运行条件的前提下,求解系统中各节点的电压幅值和相位角,以及各支路的功率流向和损耗,为电力系统的规划设计、运行调度、安全稳定分析等提供重要依据。
在电力系统中,节点通常根据给定的运行条件分为三类:PQ 节点、PV 节点和平衡节点。PQ 节点给定节点的有功功率 P 和无功功率 Q,求解节点电压幅值 U 和相位角 δ;PV 节点给定节点的有功功率 P 和电压幅值 U,求解节点的无功功率 Q 和相位角 δ;平衡节点则给定节点电压幅值 U 和相位角 δ(通常设相位角为 0),求解节点的有功功率 P 和无功功率 Q,其主要作用是平衡系统的有功功率和无功功率损耗。
5 节点电力系统是一种典型的小型电力系统模型,常用于潮流计算方法的教学、研究和验证。该系统通常包含 5 个节点,节点间通过输电线路连接,部分节点可能还连接有发电机和负荷。例如,一个简单的 5 节点系统可能包含 1 个平衡节点(如节点 1)、2 个 PV 节点(如节点 2、3)和 2 个 PQ 节点(如节点 4、5),各节点的发电机和负荷参数、输电线路的阻抗和导纳参数等均为已知条件,通过潮流计算可得到各节点的电压、功率以及各线路的功率分布等关键信息。
二、牛顿 - 拉夫逊法(牛拉法)在 5 节点系统潮流计算中的应用
(一)牛拉法基本原理
牛顿 - 拉夫逊法是一种求解非线性方程组的数值迭代方法,其核心思想是将非线性方程组在某一初始值附近进行泰勒级数展开,并忽略高阶小项,将非线性方程组线性化,得到修正方程,然后通过求解修正方程不断修正迭代变量的值,直到迭代变量的变化量满足预先设定的收敛精度要求为止。
在电力系统潮流计算中,通常以节点的电压相位角 δ 和电压幅值的平方 U²(或电压幅值 U)作为迭代变量。对于 PQ 节点,其有功功率不平衡量 ΔP 和无功功率不平衡量 ΔQ 是迭代变量的函数;对于 PV 节点,其有功功率不平衡量 ΔP 和电压幅值不平衡量 ΔU(或 ΔU²)是迭代变量的函数。通过建立这些不平衡量与迭代变量修正量之间的线性关系(即修正方程),并求解修正方程,逐步修正迭代变量,最终实现潮流计算的收敛。
(二)5 节点系统牛拉法潮流计算步骤
- 确定系统参数与节点类型
- 收集 5 节点系统的相关参数,包括各节点的发电机有功功率 Pg、无功功率 Qg(PV 节点给定 Pg 和 U,PQ 节点给定 Pg 和 Qg,平衡节点给定 U 和 δ)、负荷有功功率 Pl、无功功率 Ql;各输电线路的电阻 R、电抗 X(或阻抗 Z)、电纳 B(或导纳 Y);变压器的变比 k(若系统中包含变压器)等。
- 明确各节点的类型,指定平衡节点(通常选择具有较大容量发电机的节点,设其电压幅值为 U₀,相位角 δ₀=0)、PV 节点(给定有功功率 P 和电压幅值 U)和 PQ 节点(给定有功功率 P 和无功功率 Q)。
- 计算节点导纳矩阵 Y
- 节点导纳矩阵 Y 是潮流计算中的重要矩阵,其元素 Yij 表示节点 j 对节点 i 的互导纳,Yii 表示节点 i 的自导纳。
- 自导纳 Yii 的计算:Yii = ΣYij(j=1 到 n,j≠i) + 节点 i 的对地导纳(若节点 i 接有对地电容等元件),其中 Yij = 1/Zij(Zij 为节点 i 与节点 j 之间的线路阻抗)。
- 互导纳 Yij 的计算:Yij = -Yji = -1/Zij(i≠j),若节点 i 与节点 j 之间没有直接的输电线路连接,则 Yij=0。
- 根据 5 节点系统的网络结构和元件参数,按照上述公式计算出节点导纳矩阵 Y 的各个元素,形成 5×5 的节点导纳矩阵。
- 设定初始迭代值
- 对于平衡节点,其电压幅值 U 和相位角 δ 已给定,无需设定初始值。
- 对于 PV 节点和 PQ 节点,设定其电压相位角的初始值 δ⁽⁰⁾(通常设为 0),对于 PV 节点,设定其电压幅值的初始值 U⁽⁰⁾(给定值),对于 PQ 节点,设定其电压幅值的初始值 U⁽⁰⁾(通常设为 1.0p.u. 左右)。
- 计算节点功率不平衡量
- 对于 PQ 节点 i(i=1 到 m,m 为 PQ 节点数),计算其有功功率不平衡量 ΔP⁽ᵏ⁾和无功功率不平衡量 ΔQ⁽ᵏ⁾:
- ΔP⁽ᵏ⁾ = Pg_i - Pl_i - Σ[U_i⁽ᵏ⁾U_j⁽ᵏ⁾(G_ijcosδ_ij⁽ᵏ⁾ + B_ijsinδ_ij⁽ᵏ⁾)](j=1 到 n)
- ΔQ⁽ᵏ⁾ = Qg_i - Ql_i - Σ[U_i⁽ᵏ⁾U_j⁽ᵏ⁾(G_ijsinδ_ij⁽ᵏ⁾ - B_ijcosδ_ij⁽ᵏ⁾)](j=1 到 n)
其中,k 为迭代次数,G_ij 和 B_ij 分别为节点导纳矩阵元素 Y_ij 的实部和虚部,δ_ij⁽ᵏ⁾ = δ_i⁽ᵏ⁾ - δ_j⁽ᵏ⁾。
- 对于 PV 节点 i(i=m+1 到 l,l 为 PV 节点数),计算其有功功率不平衡量 ΔP⁽ᵏ⁾和电压幅值不平衡量 ΔU²⁽ᵏ⁾(或 ΔU⁽ᵏ⁾):
- ΔP⁽ᵏ⁾的计算公式与 PQ 节点相同。
- ΔU²⁽ᵏ⁾ = (U_i^*)² - (U_i⁽ᵏ⁾)²,其中 U_i^* 为 PV 节点的给定电压幅值。
- 构建雅可比矩阵 J
- 雅可比矩阵 J 是修正方程中的系数矩阵,其元素反映了节点功率不平衡量(或电压幅值不平衡量)对迭代变量(δ 和 U²)的偏导数。
- 对于 5 节点系统,雅可比矩阵的维度根据节点类型确定。若有 1 个平衡节点、2 个 PV 节点和 2 个 PQ 节点,则迭代变量包括 4 个电压相位角 δ(除平衡节点外的 4 个节点)和 2 个电压幅值的平方 U²(PQ 节点),雅可比矩阵的维度为 6×6(4 个 ΔP + 2 个 ΔQ + 2 个 ΔU²,其中 PV 节点的 ΔU² 对应 2 个方程,PQ 节点的 ΔQ 对应 2 个方程,总共 4+2=6 个方程,迭代变量为 4+2=6 个,故雅可比矩阵为 6×6)。
- 雅可比矩阵元素的计算如下(以节点 i 和节点 j 为例,i≠j):
- J_Piδj = -U_iU_j(G_ijsinδ_ij - B_ijcosδ_ij)
- J_PiUi² = (1/(2U_i))[ΣU_j(G_ijcosδ_ij + B_ijsinδ_ij) + U_iG_ii]
- J_Qiδj = U_iU_j(G_ijcosδ_ij + B_ijsinδ_ij)
- J_QiUi² = (1/(2U_i))[ΣU_j(G_ijsinδ_ij - B_ijcosδ_ij) - U_iB_ii]
- J_Ui²δj = 0(对于 PV 节点的 ΔU² 对 δj 的偏导数)
- J_Ui²Ui² = -2U_i(对于 PV 节点的 ΔU² 对自身 U_i² 的偏导数)
- 根据当前迭代次数 k 的迭代变量值,计算雅可比矩阵 J⁽ᵏ⁾的各个元素。
- 求解修正方程
- 修正方程的矩阵形式为:J⁽ᵏ⁾ΔX⁽ᵏ⁾ = -F⁽ᵏ⁾,其中 ΔX⁽ᵏ⁾为迭代变量的修正量向量(包括 Δδ⁽ᵏ⁾和 ΔU²⁽ᵏ⁾),F⁽ᵏ⁾为节点功率不平衡量(或电压幅值不平衡量)向量(包括 ΔP⁽ᵏ⁾、ΔQ⁽ᵏ⁾和 ΔU²⁽ᵏ⁾)。
- 通过高斯消元法、LU 分解法等数值方法求解上述线性方程组,得到迭代变量的修正量 Δδ⁽ᵏ⁾和 ΔU²⁽ᵏ⁾。
- 修正迭代变量
- 根据求解得到的修正量,对迭代变量进行修正:
- δ_i⁽ᵏ⁺¹⁾ = δ_i⁽ᵏ⁾ + Δδ_i⁽ᵏ⁾(i 为非平衡节点)
- (U_i²)⁽ᵏ⁺¹⁾ = (U_i²)⁽ᵏ⁾ + ΔU_i²⁽ᵏ⁾(i 为 PQ 节点和 PV 节点,对于 PV 节点,修正后的电压幅值需保持给定值,若修正后的电压幅值与给定值偏差较大,需进行调整)
- 对于 PV 节点,根据修正后的电压幅值 U_i⁽ᵏ⁺¹⁾ = √[(U_i²)⁽ᵏ⁺¹⁾],若 U_i⁽ᵏ⁺¹⁾与给定值 U_i^* 的偏差超过允许范围,需重新调整无功功率 Qg_i,并重新计算节点功率不平衡量。
- 判断收敛性
- 检查所有节点的功率不平衡量(ΔP、ΔQ)和 PV 节点的电压幅值不平衡量(ΔU)是否满足预先设定的收敛精度要求(如 ΔP_max < 10⁻⁴p.u.,ΔQ_max < 10⁻⁴p.u.,ΔU_max < 10⁻⁴p.u.)。
- 若满足收敛精度要求,则潮流计算收敛,进入下一步计算各支路功率和系统损耗;若不满足,则返回步骤 4,进行下一次迭代计算,直到收敛为止。
- 计算支路功率与系统损耗
- 潮流计算收敛后,根据各节点的电压幅值 U 和相位角 δ,计算各输电线路的首端和末端功率。
- 对于节点 i 和节点 j 之间的线路,首端(节点 i)的有功功率 P_ij 和无功功率 Q_ij 为:
- P_ij = U_i²G_ij - U_iU_j(G_ijcosδ_ij + B_ijsinδ_ij)
- Q_ij = -U_i²(B_ij + B_ij0/2) - U_iU_j (G_ijsinδ_ij - B_ijcosδ_ij),其中 B_ij0 为线路的对地电纳。
- 末端(节点 j)的有功功率 P_ji 和无功功率 Q_ji 为:
- P_ji = U_j²G_ij - U_iU_j(G_ijcosδ_ij - B_ijsinδ_ij)
- Q_ji = -U_j²(B_ij + B_ij0/2) - U_iU_j(-G_ijsinδ_ij - B_ijcosδ_ij)
- 线路的功率损耗 ΔP_ij = P_ij + P_ji,ΔQ_ij = Q_ij + Q_ji。
- 系统的总有功功率损耗 ΔP_total = ΣΔP_ij(所有线路),总无功功率损耗 ΔQ_total = ΣΔQ_ij(所有线路)。
三、PQ 分解法在 5 节点系统潮流计算中的应用
(一)PQ 分解法基本原理
PQ 分解法是在牛顿 - 拉夫逊法的基础上,根据电力系统的实际运行特点(如节点电压相位角的变化主要影响有功功率的平衡,节点电压幅值的变化主要影响无功功率的平衡,且输电线路的电抗远大于电阻,即 X >> R)对牛顿 - 拉夫逊法进行简化得到的一种潮流计算方法。
PQ 分解法的核心简化假设包括:
- 忽略输电线路的电阻,即 R≈0,此时线路的导纳 Y_ij ≈ -j/B_ij(B_ij = 1/X_ij),节点导纳矩阵的实部 G_ij≈0,虚部 B_ij≈-1/X_ij。
- 节点电压幅值的变化较小,即 U_i≈U_j≈1.0p.u.,且电压相位角的差值 δ_ij 较小,cosδ_ij≈1,sinδ_ij≈δ_ij(弧度)。
- 有功功率的不平衡量主要由节点电压相位角的变化引起,无功功率的不平衡量主要由节点电压幅值的变化引起,因此可以将有功功率和无功功率的迭代计算分开进行,即有功功率的迭代只修正节点电压相位角,无功功率的迭代只修正节点电压幅值。
基于上述简化假设,PQ 分解法将牛顿 - 拉夫逊法的修正方程分解为两个独立的线性方程组,分别用于求解节点电压相位角的修正量和节点电压幅值的修正量,从而大大简化了计算过程,减少了计算量,提高了计算速度。
(二)5 节点系统 PQ 分解法潮流计算步骤
- 确定系统参数与节点类型、计算节点导纳矩阵 Y
- 该步骤与牛顿 - 拉夫逊法基本相同,收集 5 节点系统的参数,明确节点类型,计算节点导纳矩阵 Y。但在 PQ 分解法中,由于忽略了线路电阻,节点导纳矩阵的实部 G_ij≈0,主要考虑虚部 B_ij。
- 设定初始迭代值
- 对于平衡节点,电压幅值 U 和相位角 δ 给定;对于 PV 节点和 PQ 节点,设定电压相位角的初始值 δ⁽⁰⁾=0,PV 节点的电压幅值初始值 U⁽⁰⁾为给定值,PQ 节点的电压幅值初始值 U⁽⁰⁾=1.0p.u. 左右。
- 计算节点有功功率不平衡量 ΔP
- 对于非平衡节点(包括 PV 节点和 PQ 节点),计算其有功功率不平衡量 ΔP⁽ᵏ⁾,计算公式与牛顿 - 拉夫逊法类似,但由于 G_ij≈0,cosδ_ij≈1,sinδ_ij≈δ_ij,可简化为:
- ΔP⁽ᵏ⁾ = Pg_i - Pl_i - U_i⁽ᵏ⁾Σ[U_j⁽ᵏ⁾B_ijδ_ij⁽ᵏ⁾](j=1 到 n)
- 由于 U_i≈U_j≈1.0p.u.,进一步简化为:
- ΔP⁽ᵏ⁾ ≈ Pg_i - Pl_i - Σ[B_ijδ_ij⁽ᵏ⁾](j=1 到 n)
- 构建有功功率迭代的系数矩阵 B'
- 有功功率迭代的修正方程为:B'Δδ⁽ᵏ⁾ = -ΔP⁽ᵏ⁾
- 系数矩阵 B' 是一个实对称矩阵,其元素 B'_ij = -B_ij(i≠j),B'_ii = ΣB_ij(j=1 到 n,j≠i),其中 B_ij 为节点导纳矩阵虚部的负值(由于 Y_ij≈-jB_ij,故 B_ij = -Im (Y_ij))。
- 对于 5 节点系统,若平衡节点为节点 1,则 B' 为 4×4 矩阵(对应 4 个非平衡节点的电压相位角修正)。
- 求解节点电压相位角修正量 Δδ
- 通过求解线性方程组 B'Δδ⁽ᵏ⁾ = -ΔP⁽ᵏ⁾,得到各非平衡节点的电压相位角修正量 Δδ_i⁽ᵏ⁾。
- 修正节点电压相位角 δ
- δ_i⁽ᵏ⁺¹⁾ = δ_i⁽ᵏ⁾ + Δδ_i⁽ᵏ⁾(i 为非平衡节点)
- 计算节点无功功率不平衡量 ΔQ
- 对于 PQ 节点,计算其无功功率不平衡量 ΔQ⁽ᵏ⁾,计算公式简化为:
- ΔQ⁽ᵏ⁾ = Qg_i - Ql_i + U_i⁽ᵏ⁾Σ[U_j⁽ᵏ⁾B_ijcosδ_ij⁽ᵏ⁾](j=1 到 n)
- 由于 cosδ_ij≈1,U_i≈U_j≈1.0p.u.,进一步简化为:
- ΔQ⁽ᵏ⁾ ≈ Qg_i - Ql_i + Σ[B_ij](j=1 到 n)
- 对于 PV 节点,根据修正后的电压相位角 δ⁽ᵏ⁺¹⁾,计算其无功功率 Qg_i⁽ᵏ⁺¹⁾:
- Qg_i⁽ᵏ⁺¹⁾ = Pl_i - U_i⁽ᵏ⁾Σ[U_j⁽ᵏ⁾B_ijcosδ_ij⁽ᵏ⁺¹⁾](j=1 到 n)
并检查 Qg_i⁽ᵏ⁺¹⁾是否在发电机的无功功率允许范围内(Qg_min ≤ Qg_i⁽ᵏ⁺¹⁾ ≤ Qg_max),若超出范围,则将该 PV 节点转为 PQ 节点(设定其无功功率为 Qg_min 或 Qg_max)。
- 构建无功功率迭代的系数矩阵 B''
- 无功功率迭代的修正方程为:B''ΔU⁽ᵏ⁾ = -ΔQ⁽ᵏ⁾(或 B''ΔU²⁽ᵏ⁾ = -ΔQ⁽ᵏ⁾,具体形式取决于迭代变量的选择)
- 系数矩阵 B'' 与 B' 类似,也是一个实对称矩阵,其元素 B''_ij = B'_ij(i,j 为 PQ 节点和 PV 节点),对于 PQ 节点,B'' 的维度为 PQ 节点数 ×PQ 节点数;对于包含 PV 节点的情况,若 PV 节点转为 PQ 节点,则相应调整 B'' 的维度。
- 在 5 节点系统中,若有 2 个 PQ 节点,则 B'' 为 2×2 矩阵。
- 求解节点电压幅值修正量 ΔU
- 通过求解线性方程组 B''ΔU⁽ᵏ⁾ = -ΔQ⁽ᵏ⁾,得到各 PQ 节点的电压幅值修正量 ΔU_i⁽ᵏ⁾。
- 修正节点电压幅值 U
- U_i⁽ᵏ⁺¹⁾ = U_i⁽ᵏ⁾ + ΔU_i⁽ᵏ⁾(i 为 PQ 节点),对于 PV 节点,电压幅值保持给定值不变(除非转为 PQ 节点)。
- 判断收敛性
- 检查所有非平衡节点的有功功率不平衡量 ΔP 和 PQ 节点的无功功率不平衡量 ΔQ 是否满足收敛精度要求(如 ΔP_max < 10⁻⁴p.u.,ΔQ_max < 10⁻⁴p.u.)。
- 若满足收敛要求,则潮流计算收敛,计算各支路功率和系统损耗;若不满足,则返回步骤 3,进行下一次迭代计算,直到收敛为止。
- 计算支路功率与系统损耗
- 与牛顿 - 拉夫逊法类似,根据收敛后的节点电压幅值 U 和相位角 δ,计算各输电线路的首末端功率和功率损耗,具体计算公式可根据 PQ 分解法的简化假设进行适当简化。
四、牛拉法与 PQ 分解法在 5 节点系统中的对比分析
(一)收敛性
- 牛顿 - 拉夫逊法:具有平方收敛特性,在迭代收敛的情况下,随着迭代次数的增加,节点功率不平衡量会迅速减小,通常迭代 3-5 次即可收敛,收敛速度快,且对初始迭代值的要求相对较低,即使初始值与真实值有一定偏差,仍能较快收敛。
- PQ 分解法:属于线性收敛方法,收敛速度相对较慢,通常需要迭代 10-20 次才能收敛,且对初始迭代值的要求较高,若初始值选择不当,可能导致迭代发散或收敛缓慢。此外,PQ 分解法的收敛性还受到系统参数(如线路电抗与电阻的比值)的影响,当线路电阻较大(X/R 较小时)时,PQ 分解法的简化假设误差增大,收敛性能会明显下降,甚至可能无法收敛。
在 5 节点系统中,由于系统规模较小,参数相对简单,两种方法通常都能收敛,但牛顿 - 拉夫逊法的收敛速度明显优于 PQ 分解法。例如,在相同的收敛精度要求下(如 ΔP_max < 10⁻⁶p.u.,ΔQ_max < 10⁻⁶p.u.),牛顿 - 拉夫逊法可能只需 3 次迭代即可收敛,而 PQ 分解法可能需要 15 次左右的迭代。
(二)计算量
- 牛顿 - 拉夫逊法:每次迭代需要构建和求解一个维度较大的雅可比矩阵(对于 5 节点系统,雅可比矩阵维度通常为 6×6 或更高),雅可比矩阵的元素计算复杂,且每次迭代雅可比矩阵都需要重新计算(因为雅可比矩阵是迭代变量的函数),求解线性方程组的计算量也较大(如 LU 分解的计算量与矩阵维度的三次方成正比)。因此,牛顿 - 拉夫逊法每次迭代的计算量较大。
- PQ 分解法:由于将有功功率和无功功率的迭代分开进行,且系数矩阵 B' 和 B'' 为实对称矩阵,且在迭代过程中保持不变(除非系统拓扑结构或参数发生变化,或 PV 节点转为 PQ 节点),无需每次迭代重新计算系数矩阵,只需对系数矩阵进行一次三角分解即可,后续迭代只需进行前推和回代计算,计算量较小。此外,B' 和 B'' 的维度通常小于雅可比矩阵的维度(如 5 节点系统中 B' 为 4×4,B'' 为 2×2),进一步减小了计算量。
虽然牛顿 - 拉夫逊法的迭代次数少,但每次迭代的计算量较大;PQ 分解法的迭代次数多,但每次迭代的计算量小。在 5 节点等小型系统中,两种方法的总计算量差异可能不大,但随着系统规模的增大(如节点数超过 100),PQ 分解法的计算量优势会逐渐显现,因为系统规模越大,雅可比矩阵的维度增长越快,牛顿 - 拉夫逊法每次迭代的计算量增长也越快,而 PQ 分解法的系数矩阵维度增长相对较慢,且无需频繁重构矩阵。
(三)适用场景
- 牛顿 - 拉夫逊法:适用于对计算精度和收敛速度要求较高的场合,如电力系统的精确潮流计算、安全稳定分析、暂态稳定计算等。由于其收敛性能好,对系统参数的适应性强,无论是小型系统还是大型复杂系统,牛顿 - 拉夫逊法都能稳定可靠地工作,尤其在系统存在较大扰动或初始值偏差较大的情况下,仍能保持较好的收敛性。此外,牛顿 - 拉夫逊法还可以方便地处理 PV 节点、平衡节点以及各种约束条件(如发电机无功功率限制、节点电压幅值限制等),具有较强的通用性。
- PQ 分解法:适用于对计算速度要求较高,而对计算精度要求相对较低的场合,如电力系统的在线潮流计算、实时调度、故障分析等。由于其计算量小,计算速度快,能够在较短的时间内给出潮流计算结果,满足实时性要求。但 PQ 分解法的适用范围受到一定限制,主要适用于高压输电系统(线路电抗远大于电阻,X/R 较大),对于低压配电系统(线路电阻较大,X/R 较小),由于简化假设误差较大,PQ 分解法的计算精度会显著降低,甚至可能无法收敛。
在 5 节点系统中,若该系统为高压输电系统模型(如节点电压等级为 220kV 及以上,线路 X/R 较大),则 PQ 分解法可以满足计算精度要求,且计算速度较快;若该系统为低压配电系统模型(如节点电压等级为 10kV 及以下,线路 X/R 较小),则牛顿 - 拉夫逊法更为适用,能够保证计算精度。此外,在对 5 节点系统进行精确的规划设计或深入的理论研究时,通常也会选择牛顿 - 拉夫逊法。
五、算例分析(以 5 节点高压输电系统为例)
(一)系统参数
- 节点参数
- 平衡节点(节点 1):U₁=1.05p.u.,δ₁=0
- PV 节点(节点 2):Pg₂=2.0p.u.,U₂=1.05p.u.,Qg₂min=0.1p.u.,Qg₂max=1.5p.u.
- PV 节点(节点 3):Pg₃=1.5p.u.,U₃=1.03p.u.,Qg₃min=0.1p.u.,Qg₃max=1.2p.u.
- PQ 节点(节点 4):Pl₄=1.8p.u.,Ql₄=0.8p.u.
- PQ 节点(节点 5):Pl₅=1.2p.u.,Ql₅=0.5p.u.
- 线路参数(均为标幺值)
- 线路 1-2:R=0.01,X=0.08,B=0.02
- 线路 1-3:R=0.02,X=0.12,B=0.015
- 线路 2-3:R=0.015,X=0.10,B=0.018
- 线路 2-4:R=0.025,X=0.15,B=0.012
- 线路 3-5:R=0.03,X=0.18,B=0.010
(二)牛顿 - 拉夫逊法计算结果
- 迭代过程
- 初始迭代值:δ₂⁽⁰⁾=δ₃⁽⁰⁾=δ₄⁽⁰⁾=δ₅⁽⁰⁾=0,U₂⁽⁰⁾=1.05,U₃⁽⁰⁾=1.03,U₄⁽⁰⁾=1.0,U₅⁽⁰⁾=1.0
- 第 1 次迭代:计算节点功率不平衡量 ΔP、ΔQ、ΔU²,构建雅可比矩阵,求解修正方程,得到 Δδ 和 ΔU²,修正迭代变量后,ΔP_max=0.052p.u.,ΔQ_max=0.038p.u.,ΔU_max=0.021p.u.,不满足收敛精度(设收敛精度为 10⁻⁶p.u.)。
- 第 2 次迭代:重复上述过程,ΔP_max=0.0012p.u.,ΔQ_max=0.0008p.u.,ΔU_max=0.0005p.u.,仍不收敛。
- 第 3 次迭代:ΔP_max=2.5×10⁻⁷p.u.,ΔQ_max=1.8×10⁻⁷p.u.,ΔU_max=1.2×10⁻⁷p.u.,满足收敛精度,迭代结束。
- 收敛结果
- 节点电压相位角(rad):δ₂=0.035,δ₃=0.028,δ₄=0.015,δ₅=0.012
- 节点电压幅值(p.u.):U₂=1.05,U₃=1.03,U₄=0.985,U₅=0.992
- 节点无功功率(p.u.):Qg₂=0.65,Qg₃=0.48(均在允许范围内)
- 线路功率损耗(p.u.):ΔP_total=0.07,ΔQ_total=0.04
(三)PQ 分解法计算结果
- 迭代过程
- 初始迭代值与牛顿 - 拉夫逊法相同。
- 第 1-10 次迭代:主要修正节点电压相位角,ΔP 逐渐减小,第 10 次迭代时 ΔP_max=0.005p.u.。
- 第 11-18 次迭代:主要修正节点电压幅值,ΔQ 逐渐减小,第 18 次迭代时 ΔP_max=1.8×10⁻⁷p.u.,ΔQ_max=1.5×10⁻⁷p.u.,满足收敛精度,迭代结束。
- 收敛结果
- 节点电压相位角(rad):δ₂=0.034,δ₃=0.027,δ₄=0.016,δ₅=0.013(与牛顿 - 拉夫逊法结果偏差较小)
- 节点电压幅值(p.u.):U₂=1.05,U₃=1.03,U₄=0.986,U₅=0.991(与牛顿 - 拉夫逊法结果偏差较小)
- 节点无功功率(p.u.):Qg₂=0.66,Qg₃=0.49(与牛顿 - 拉夫逊法结果偏差较小,均在允许范围内)
- 线路功率损耗(p.u.):ΔP_total=0.072,ΔQ_total=0.041(与牛顿 - 拉夫逊法结果偏差较小)
(四)结果对比
- 收敛速度:牛顿 - 拉夫逊法迭代 3 次收敛,PQ 分解法迭代 18 次收敛,牛顿 - 拉夫逊法收敛速度远快于 PQ 分解法。
- 计算精度:两种方法的收敛结果偏差较小,节点电压、无功功率和线路功率损耗的相对误差均小于 1%,满足工程计算精度要求,说明在 5 节点高压输电系统中,PQ 分解法的简化假设带来的误差较小。
- 计算量:牛顿 - 拉夫逊法每次迭代需要计算 6×6 雅可比矩阵并求解线性方程组,单次迭代计算量较大;PQ 分解法每次迭代只需求解 4×4 和 2×2 的线性方程组,且系数矩阵无需每次重构,单次迭代计算量较小,总计算量与牛顿 - 拉夫逊法相当(由于 5 节点系统规模较小)。
六、结论与展望
(一)结论
- 牛顿 - 拉夫逊法和 PQ 分解法均适用于 5 节点电力系统潮流计算,但在收敛性、计算量和适用场景上存在明显差异。牛顿 - 拉夫逊法收敛速度快、收敛性能好、适用范围广,但每次迭代计算量较大;PQ 分解法收敛速度慢、对系统参数有一定要求(X/R 较大),但每次迭代计算量小,在高压输电系统中具有较好的实用性。
- 在 5 节点高压输电系统中,两种方法的计算精度均能满足工程要求,PQ 分解法的简化假设带来的误差较小,可根据实际需求(如计算速度、精度、系统参数等)选择合适的潮流计算方法。对于对计算速度要求较高的在线应用,可选择 PQ 分解法;对于对计算精度和收敛可靠性要求较高的离线分析和设计,可选择牛顿 - 拉夫逊法。
- 节点导纳矩阵的正确计算、初始迭代值的合理选择以及收敛精度的恰当设定,是保证两种潮流计算方法顺利收敛并获得准确结果的关键因素。在实际应用中,应根据系统的具体情况,合理确定这些参数,以提高潮流计算的效率和可靠性。
(二)展望
- 随着电力系统向智能化、数字化方向发展,潮流计算的规模和复杂度不断增加,对计算速度和精度的要求也越来越高。未来可进一步研究牛顿 - 拉夫逊法和 PQ 分解法的改进算法,如采用稀疏矩阵技术减少计算量、优化雅可比矩阵的计算和存储方式、提高 PQ 分解法在低压配电系统中的适应性等,以满足大规模复杂电力系统潮流计算的需求。
- 随着新能源(如风电、光伏)的大规模并网,电力系统的运行特性发生了显著变化,传统的潮流计算方法面临着新的挑战(如新能源节点的功率波动性、随机性等)。未来可将概率潮流计算、鲁棒潮流计算等方法与牛顿 - 拉夫逊法、PQ 分解法相结合,研究适用于含新能源电力系统的潮流计算方法,为新能源电力系统的规划、运行和调度提供更科学的决策依据。
- 随着计算机技术和人工智能技术的快速发展,可探索将人工智能算法(如神经网络、遗传算法、粒子群优化算法等)应用于电力系统潮流计算,如利用神经网络预测潮流计算的初始值以提高收敛速度、利用优化算法求解潮流方程以处理复杂的约束条件等,为电力系统潮流计算提供新的思路和方法。
⛳️ 运行结果


🔗 参考文献
[1] 汪勇.电力系统脆弱性评估及分布式电源优化配置[D].南昌航空大学[2025-11-10].
[2] 段俊东,薛静杰,栗维冰.基于牛拉法的预估校正潮流计算算法[J].河南理工大学学报:自然科学版, 2015, 34(3):4.DOI:10.16186/j.cnki.1673-9787.2015.03.018.
[3] 宋晓喆,魏国,李雪,等.基于预处理BICGSTAB法的电力系统潮流并行计算方法[J].电力系统保护与控制, 2020, 48(20):11.DOI:10.19783/j.cnki.pspc.191509.
📣 部分代码
🎈 部分理论引用网络文献,若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真,助力科研梦:
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划(EVRP)、 双层车辆路径规划(2E-VRP)、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
735

被折叠的 条评论
为什么被折叠?



