摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第11-19页 |
1.1 研究背景和意义 | 第11-12页 |
1.2 风力发电发展现状 | 第12-14页 |
1.2.1 变速恒频风力发电技术 | 第12页 |
1.2.2 风电场输出功率预测 | 第12-14页 |
1.3 课题国内外研究现状分析 | 第14-16页 |
1.3.1 配电网无功优化方法研究现状 | 第14-15页 |
1.3.2 含风电场的配电网动态无功优化研究现状 | 第15-16页 |
1.4 本文的主要研究内容 | 第16-19页 |
第2章 双馈感应风电机组并网运行特性 | 第19-29页 |
2.1 双馈电机工作原理 | 第19-20页 |
2.2 双馈感应风电机组功率特性 | 第20-24页 |
2.2.1 双馈感应风电机组有功功率特性 | 第20-21页 |
2.2.2 双馈感应风电机组的稳态模型 | 第21-23页 |
2.2.3 风功率波动对无功极限选取的影响 | 第23-24页 |
2.3 含双馈感应风力发电机的配电网潮流计算 | 第24-28页 |
2.3.1 并网对系统运行的影响 | 第24-25页 |
2.3.2 配电系统基本潮流计算 | 第25-27页 |
2.3.3 含双馈感应风机的潮流计算模型 | 第27-28页 |
2.4 本章小结 | 第28-29页 |
第3章 基于BP-GMM的短期风电功率预测方法 | 第29-43页 |
3.1 基于BP神经网络法的风功率预测 | 第29-34页 |
3.1.1 BP神经网络的应用原理 | 第29-30页 |
3.1.2 BP神经网络的数学描述 | 第30-32页 |
3.1.3 BP神经网络法建立预测模型 | 第32-34页 |
3.2 基于BP-GMM的短期风电功率预测 | 第34-40页 |
3.2.1 高斯混合模型(GMM)误差建模 | 第35-39页 |
3.2.2 基于BP-GMM的短期风电功率预测流程 | 第39-40页 |
3.3 预测精度评价体系 | 第40-41页 |
3.4 算例分析 | 第41-42页 |
3.5 本章小结 | 第42-43页 |
第4章 基于HS-DPSO的含风电场的配电网静态无功优化研究 | 第43-61页 |
4.1 粒子群优化算法基本原理 | 第43-48页 |
4.1.1 基本的粒子群算法(PSO) | 第43-44页 |
4.1.2 寻优过程中多样性变化的分析 | 第44-48页 |
4.2 基于HS的改进粒子群算法 | 第48-55页 |
4.2.1 基本和声搜索算法(HS) | 第48-49页 |
4.2.2 改进算法的流程及主要步骤 | 第49-50页 |
4.2.3 算法测试及分析 | 第50-55页 |
4.3 含双馈风机的配电网静态无功优化数学模型 | 第55-56页 |
4.3.1 无功优化目标函数 | 第55页 |
4.3.2 约束条件 | 第55-56页 |
4.4 HS-DPSO在含双馈风机的配电网静态无功优化中的应用 | 第56-60页 |
4.4.1 算法的关键环节 | 第56-57页 |
4.4.2 算法流程 | 第57-59页 |
4.4.3 仿真结果分析 | 第59-60页 |
4.5 本章小结 | 第60-61页 |
第5章 含风电场的配电网两阶段动态无功优化策略 | 第61-73页 |
5.1 含双馈风机的配电网动态无功优化数学模型 | 第61-62页 |
5.2 动态无功优化求解方法 | 第62-67页 |
5.2.1 分时段策略 | 第62-65页 |
5.2.2 控制设备动作次数优化 | 第65-67页 |
5.2.3 动态优化求解步骤 | 第67页 |
5.3 算例分析 | 第67-72页 |
5.3.1 算例条件 | 第67-68页 |
5.3.2 仿真结果及分析 | 第68-72页 |
5.4 本章小结 | 第72-73页 |
第6章 总结与展望 | 第73-75页 |
6.1 主要研究成果 | 第73页 |
6.2 后续研究展望 | 第73-75页 |
参考文献 | 第75-79页 |
致谢 | 第79-81页 |
硕士期间所做工作及所获奖励 | 第81-83页 |
附录 IEEE33节点配电系统数据 | 第83-84页 |