【电力系统】利用动态变压器额定值增加主变电站储备以接入新负荷附MATLAB复现

 ✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

物理应用        机器学习

🔥 内容介绍

本文提出了一种新的方法来确定拥堵一次变电站的功率储备，该方法考虑了电力变压器的热模型。作为创新之处，该方法考虑了热模型输入参数的不确定性，包括年平均环境温度变化和新增负荷曲线年变化的不规则性。该方法确保电力变压器在连接新用户以满足此储备值时，能够在可接受的热参数范围内继续运行。本文对位于俄罗斯托木斯克的真实一次变电站进行了评估，并将结果与传统储备确定方法进行了比较。

引言

随着电力系统的不断发展和负荷的不断增长，一次变电站的运行压力也越来越大。在电力系统规划和运行中，准确地确定一次变电站的功率储备对于保障电网安全可靠运行至关重要。传统的功率储备确定方法通常基于简化的模型，忽略了变压器热模型的影响，因此在实际应用中存在一定的局限性。

本文针对传统方法的不足，提出了一种新的方法来确定拥堵一次变电站的功率储备。该方法考虑了电力变压器的热模型，并通过蒙特卡洛模拟的方法，考虑了热模型输入参数的不确定性。该方法能够更准确地评估变压器的热状态，从而为确定合理的功率储备提供更可靠的依据。

方法

1. 变压器热模型

变压器热模型描述了变压器在运行过程中的热行为。本文采用常用的变压器热模型，该模型考虑了以下因素：

• 变压器负载电流

• 环境温度

• 变压器自身发热

• 冷却系统的效率

2. 输入参数的不确定性

热模型的输入参数，包括年平均环境温度变化和新增负荷曲线年变化，在实际中存在一定的不确定性。本文采用蒙特卡洛模拟的方法，对这些参数进行随机采样，并通过大量的模拟实验，分析其对变压器热状态的影响。

3. 功率储备确定

本文将变压器的热状态作为评估指标，并根据预设的热参数阈值，确定能够满足安全运行条件的功率储备值。该方法确保了在连接新用户以满足此储备值时，变压器能够在可接受的热参数范围内继续运行。

案例研究

本文以位于俄罗斯托木斯克的真实一次变电站为例，对提出的方法进行了评估。该变电站拥有两台 110/10kV 的电力变压器，其负载情况较为复杂。

首先，根据该变电站的实际运行数据，建立了变压器的热模型。然后，利用蒙特卡洛模拟方法，对环境温度变化和新增负荷曲线年变化进行随机采样。最后，通过大量的模拟实验，分析了不同功率储备值对变压器热状态的影响，并确定了能够满足安全运行条件的最佳功率储备值。

结果与讨论

本文将提出的方法与传统的功率储备确定方法进行了比较，结果表明：

• 本文提出的方法能够更准确地评估变压器的热状态，从而为确定合理的功率储备提供更可靠的依据。

• 传统的功率储备确定方法通常忽略了变压器热模型的影响，因此在实际应用中存在一定的保守性。

结论

本文提出了一种新的方法来确定拥堵一次变电站的功率储备，该方法考虑了电力变压器的热模型，并通过蒙特卡洛模拟的方法，考虑了热模型输入参数的不确定性。该方法能够更准确地评估变压器的热状态，从而为确定合理的功率储备提供更可靠的依据。该方法已被应用于俄罗斯托木斯克的真实一次变电站，并取得了良好的效果。

⛳️ 运行结果

🔗 参考文献

Ildar Daminov, Anton Prokhorov,Tatiana Moiseeva, Marie-Cécile Alvarez-Hérault, Raphaël Caire,"Application of dynamic transformer ratings to increase the reserve of primary substations for new load interconnection" in CIRED conference, Madrid, Spain, 2019.

🎈 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

🎁  私信完整代码和数据获取及论文数模仿真定制🌈

🌈 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

🌈 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

🌈 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

🌈 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