✅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。
🍎个人主页:Matlab科研工作室
🍊个人信条:格物致知。
🔥 内容介绍
电力系统潮流计算是电力系统分析中的核心问题之一,其目标是在给定网络拓扑、元件参数、负荷数据和发电计划的条件下,确定电力系统中各节点电压幅值和相角,以及线路中的有功功率和无功功率分布。潮流计算结果对于电力系统的运行、规划、控制和安全评估至关重要。长期以来,人们开发了多种潮流计算方法,其中牛顿拉夫逊法(Newton-Raphson method)和高斯-赛德尔法(Gauss-Seidel method)是最为常用的两种迭代算法。本文将深入探讨这两种方法的原理、特点、适用范围,并通过PowerWorld软件进行仿真验证,以期加深对潮流计算的理解。
一、牛顿拉夫逊法
牛顿拉夫逊法是一种基于泰勒级数展开的迭代求解非线性方程组的方法。在电力系统潮流计算中,非线性方程组主要来源于节点功率平衡方程。对于一个具有N个节点的电力系统,每个节点 i 的功率平衡方程可以表示为:
-
Pi = Vi * Σ(Vj * Yij * cos(θij - δi + δj)) (有功功率平衡)
-
Qi = Vi * Σ(Vj * Yij * sin(θij - δi + δj)) (无功功率平衡)
其中,Pi和Qi分别为节点 i 的注入有功功率和无功功率,Vi和δi分别为节点 i 的电压幅值和相角,Yij和θij分别为节点 i 和节点 j 之间的导纳幅值和导纳相角。
牛顿拉夫逊法的核心思想是将上述非线性方程组在初始值附近进行泰勒级数展开,并忽略高阶项,从而得到一个线性方程组。通过求解该线性方程组,可以获得电压幅值和相角的修正量,并用于更新电压值。该过程迭代进行,直到满足收敛条件。
具体步骤如下:
-
形成雅可比矩阵(Jacobian Matrix): 雅可比矩阵是由节点功率平衡方程对节点电压幅值和相角的偏导数组成的矩阵。对于一个PQ节点(负荷节点),需要计算∂P/∂δ、∂P/∂V、∂Q/∂δ、∂Q/∂V四个偏导数。对于一个PV节点(电压控制节点),由于电压幅值已知,则需要计算∂P/∂δ和∂Q/∂δ两个偏导数。而对于平衡节点(Slack Bus),电压幅值和相角已知,则不需要进行迭代计算。雅可比矩阵的精确计算是保证牛顿拉夫逊法收敛的关键。
-
形成修正方程: 将功率平衡方程在初始值附近进行泰勒级数展开,得到线性修正方程:
[ΔP] = [J11 J12] [Δδ]
[ΔQ] [J21 J22] [ΔV/V]其中,ΔP和ΔQ分别为节点有功功率和无功功率的不平衡量,Δδ和ΔV分别为节点电压相角和幅值的修正量,J11、J12、J21、J22为雅可比矩阵的不同块。
-
求解修正方程: 通过LU分解或其他方法求解上述线性修正方程,得到电压幅值和相角的修正量Δδ和ΔV。
-
更新电压值: 利用计算得到的修正量更新节点电压幅值和相角:
δi (k+1) = δi (k) + Δδi
Vi (k+1) = Vi (k) + ΔVi -
检查收敛性: 计算新的功率不平衡量ΔP和ΔQ,如果其绝对值均小于预设的收敛容差,则迭代结束,否则返回步骤2,进行下一次迭代。
牛顿拉夫逊法的优点:
-
收敛速度快: 牛顿拉夫逊法具有二次收敛特性,通常只需要较少的迭代次数即可达到收敛精度。
-
可靠性高: 只要初始值选择得当,并且雅可比矩阵非奇异,牛顿拉夫逊法通常可以收敛到正确的解。
牛顿拉夫逊法的缺点:
-
计算复杂度高: 需要计算雅可比矩阵及其逆矩阵,计算量大,尤其对于大规模电力系统。
-
对初始值敏感: 如果初始值选择不当,可能导致迭代不收敛或收敛到错误的解。
-
存储空间要求高: 需要存储雅可比矩阵及其逆矩阵。
二、高斯-赛德尔法
高斯-赛德尔法是一种简单易懂的迭代求解非线性方程组的方法。与牛顿拉夫逊法不同,高斯-赛德尔法不需要计算雅可比矩阵,而是直接利用节点功率平衡方程进行迭代计算。
具体步骤如下:
-
将节点功率平衡方程改写成迭代形式:
δi (k+1) = arcsin((Qi/Vi - Σ(Vj * Yij * sin(θij - δi(k) + δj(k)))/Vi) / Yii)
Vi (k+1) = (Pi/Vi + Σ(Vj * Yij * cos(θij - δi(k+1) + δj(k)))/Vi) / Yii其中,Σ表示对除节点 i 以外的所有节点 j 进行求和。在迭代过程中,节点 i 的电压幅值和相角会随着迭代次数的增加而更新。
-
设定初始值: 对所有未知量(电压幅值和相角)设置初始值。通常,可以假设所有节点的电压幅值为1.0 pu,相角为0度。
-
迭代计算: 按照节点的顺序,依次计算每个节点的电压幅值和相角。在计算过程中,使用当前迭代步已经更新的值。
-
检查收敛性: 计算相邻两次迭代结果的差值,如果所有电压幅值和相角的差值均小于预设的收敛容差,则迭代结束,否则返回步骤3,进行下一次迭代。
高斯-赛德尔法的优点:
-
计算简单: 不需要计算雅可比矩阵及其逆矩阵,计算量小。
-
存储空间要求低: 只需要存储节点电压幅值和相角。
-
易于实现: 算法简单,容易编程实现。
高斯-赛德尔法的缺点:
-
收敛速度慢: 高斯-赛德尔法具有线性收敛特性,通常需要较多的迭代次数才能达到收敛精度。
-
可靠性低: 对于某些电力系统,高斯-赛德尔法可能不收敛,或者收敛速度非常慢。
-
对初始值敏感: 初始值的选择会影响收敛速度和收敛结果。
三、PowerWorld仿真
PowerWorld是一款强大的电力系统仿真软件,可以用于潮流计算、短路分析、动态稳定分析等。利用PowerWorld,可以方便地验证牛顿拉夫逊法和高斯-赛德尔法的性能。
以下以一个简单的IEEE 9节点系统为例,演示如何使用PowerWorld进行潮流计算:
-
建立电力系统模型: 在PowerWorld中创建IEEE 9节点系统的模型,包括节点、线路、发电机和负荷等元件,并设置相应的参数。
-
选择潮流计算方法: 在PowerWorld的潮流计算设置中,可以选择牛顿拉夫逊法或高斯-赛德尔法。
-
设置收敛容差和最大迭代次数: 设置潮流计算的收敛容差和最大迭代次数。
-
运行潮流计算: 运行潮流计算,PowerWorld会自动计算出各节点的电压幅值和相角,以及线路中的有功功率和无功功率分布。
-
分析结果: 分析潮流计算结果,比较不同潮流计算方法的结果,以及不同参数设置对潮流计算结果的影响。例如,可以观察牛顿拉夫逊法和高斯-赛德尔法的迭代次数,以及收敛速度。还可以通过改变负荷大小、发电机出力等参数,观察潮流分布的变化。
⛳️ 运行结果
🔗 参考文献
🎈 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
🌿 往期回顾可以关注主页,点击搜索
🏆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
👇