基于无功电流扰动的孤岛与扰动辨识的研究-唐忠.pdf

《基于无功电流扰动的孤岛与扰动辨识的研究-唐忠.pdf》由会员分享，可在线阅读，更多相关《基于无功电流扰动的孤岛与扰动辨识的研究-唐忠.pdf（7页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、第44卷第22期 电力系统保护与控制 V0144 No222016年11月16日Power System Protection and Control Nov16，2016DOI：107667PSPCI51921基于无功电流扰动的孤岛与扰动辨识的研究唐忠1，朱瑞婷1，张合栋2，田梁玉1(1上海电力学院，上海200090；2国网山东省电力公司济宁供电公司，山东济宁272111)摘要：为了防止孤岛检测时电网扰动的干扰并提高孤岛与电网扰动辨识的准确率，提出了一种能够减小检测盲区且不带入有功功率扰动的孤岛与电网扰动辨识新方法。该方法是在检测到公共耦合点电压波动后，通过注入周期性无功电流扰动，迫使公共耦

2、合点电压频率出现相应波动。利用小波分析分解公共耦合点电压频率信号得到的高频分量作为特征分量，用神经网络进行孤岛与扰动的辨识。通过理论分析与仿真实验证明该方法能准确辨识孤岛与电网扰动。关键词：孤岛检测；无功电流；频率波动；小波分析；神经网络Identification research of the island and the disturbance based on reactive current dismrbanceTANG Zhon91，ZHU Ruitin91，ZHANG Hedon92，TIAN Liangyul(1Shanghai University ofElectric Po

3、wer,Shanghai 200090，China；2Jining Power Supply Company,State Grid Shandong Electric Power Company,Jining 272 1 1 1，China)Abstract：In order to prevent the interference of power network disturbance and improve the accuracy of island and thedisturbance identification,this paper proposes a new identific

4、ation method of the island and the disturbance，which Canreduce the non-detection zone and the active power disturbanceWhen the voltage fluctuation is detected，a periodicreactive disturbing current which affects the voltage frequency of the poim of common coupling is appliedThe highfrequency componen

5、t of the common coupling point voltage frequency signal decomposed by wavelet analysis is put intothe neural network as the characteristic component to identifyTheoretical analysis and simulation results prove that themethod can accurately identify island and gad disturbancesKey words：islanding dete

6、ction；reactive current；frequency fluctuation；wavelet analysis；neural network0引言随着世界范围内能源危机的爆发，分布式发电逐渐进入人们的视线。然而，大规模的分布式发电并网运行对整个电力系统带来了挑战，其中孤岛检测即是一个亟待解决的技术难题。孤岛检测过程中有时会被电网扰动所干扰，发电系统并网处公共耦合点(Point ofcommon coupling，PCC)电压发生变化时，不能区分是电网扰动还是孤岛效应，极易出现孤岛检测的误判，以致不能及时采取有效措施来应对孤岛发生时电压波动对负荷的影响。传统的被动孤岛检测方法11。3

7、1，存在较大的检测盲区；相较于被动检测法，主动检测澍们J通过注入干扰信号检测孤岛效应，可以减小检测盲区，但具有破坏性，容易引起光伏电源并网和离网模式切换过程中的过电流或过电压，不利于两种模式的平滑切换。针对传统孤岛检测方法的不足，小波分析与神经网络近年来被应用于孤岛检测。小波分析具有极强的信号分析处理能力；神经网络作为一种人工智能算法，以其特定的训练学习算法，进行有效分类与识别。现有的孤岛与电网扰动辨识方法中一般先用小波分析进行特征分量的提取，再用神经网络对电网扰动与孤岛进行分类，只是依靠现代算法的自主学习，没有提出具体的分类原理，并且分类的准确率较低Il11，效果并不理想。为了避免传统孤岛检

8、测方法可能引发的问题，本文通过注入周期性无功电流扰动，迫使PCC点电压频率出现相对应波动，利用小波分析和神经网络对特征分量进行提取并分类。通过理论分析，注入周期性无功电流扰动以后，若发生孤岛效应，公共耦合点电压频率出现周期性波动；若为电网扰动，公共耦合点电压频率出现非周期性的并总在额定频万方数据一160 电力蠢统保护与控羽率附近的波动，并会带入部分高频分量。当公共耦合点电压变化时，该方法能够快速准确地辨识出孤岛或者电网扰动，减小了不可检测域的存在，并且对于检测的速度也有一定的优化，还有利于完成在确定孤岛发生后能“无缝转换”到孤岛运行模式【12】。1 孤岛与扰动辨识基本原理光伏并网发电的基本原理

9、图如图1所示，系统正常工作时，断路器K处于闭合状态，系统此时属并网运行，电网和光伏发电系统同时向负载供电；当电网由于电气故障或误操作等原因停电时，即断路器处于断开的状态时，光伏系统没能及时的检测到，还是持续的将电能供给负载，所以孤岛效应就在负载和光伏发电系统之间产生了自给供电。图1光伏微网基本原理图Fig1 Basic principle diagram ofphotovoltaic(PV)mierogrid光伏逆变器并网控制策略如图2所示，有功电流参考值和无功电流参考值直接影响到逆变器输出的有功功率、无功功率及功率因数，有功电流与其参考值的误差信号经过PI调节器，再经过前馈解耦分量可以得到圪

10、，同理也可以得到圪，圪、圪经过SVPWM得到控制光伏逆变器开关的信号。有功电流和无功电流是光伏逆变器网侧电流在由同步旋转坐标系下得到的电流分型乃J，一般无功电流参考值为零(即s1闭合)，以达到逆变器单位功率因数运行，保证逆变器电流与电网电压同频同相运行。图2光伏逆变器控制框图Fig2 Photovoltaic(Pv)inverter control控制信号光伏发电系统的逆变器输出到网侧的有功功率、无功功率分别为P=罢(圪屯+fq)Q=三(一_。)电网电压在理想的情况下可以假定为正弦波，那么，则有圪=42u (3)E=0 (4)其中，u为电网相电压有效值。将式(4)代入式(1)、式(2)可以得到

11、：P=三岛 (5)Q=詈 (6)由于，本地负载可以用尺，厶C并联电路等效代替，因此本地负载消耗的有功电流、无功电流也可以表达为P= (7)RQ=兰一U2粥 (8)。 COL式中：R，C分别表示本地负载等效的R，L，C的值；国为电网所在负载的电压角频率。负载的品质因数表示为厉Qf=尺詈 (9)将式(7)、式(9)代入式(8)可以得到国的表达式为缈=击(1一j1卺) (1。)国=2xf (11)将式(5)、式(6)、式(11)代入式(10)可以得到洋恻卜筹门 (12)式中：皱=。4LC当有功电流与负载品质因数不变时，电压频率与无功电流成线性相关，即保持有功电流不变时，当无功电流呈周期性变化，电压频

12、率也呈周期性变化。并网扰动情况下，注入周期性无功电流扰动后，由于受大电网的钳制作用公共耦合点电压频率呈非周期性变化，并总在额定频率附近的波动。孤岛效应发生时，由于不受电网的钳制作用，当无功功率呈正弦周期性变化，电压频率也呈正弦周期性变化。为了保证光伏发电系统的能源利用率，e一般取0值(即S1闭合)，以达到功率因数为1运行。在PCC处电压发生波动时，为了辨识所处状态为孤岛还是电网扰动，注入正弦周期性无功电流，即e不再为0，本文取艺为l倍的艺(即s2闭合)。因为为了保证不脱网，即光伏逆变器保护不动作，需要使光伏逆变器输出电流不过流，限制输出电流在11万方数据唐忠，等 基于无功电流扰动的孤岛与扰动辨

13、识的研究 ：!：倍额定电流之内，则无功电流参考值应满足l”q打瓦瓦Fn 4】。2 孤岛与扰动辨识原理21小波分析理论对于分析瞬变信号，小波变换尤其有效【1 5|，因此可以把小波变换用于检测孤岛与扰动辨识中的电压频率特征分量的提取。对信号分析进行小波分析时母小波的选取，会直接影响到孤岛与电压扰动辨识的准确率。母小波的紧支性能减少特征分量分解时各分解级之间能量的损失，突出了小波分析的局部分析能力。因为妣小波系(为小波序号)紧支性较好，而且具有小波的消失矩、正交性等所有特性，使其非常适用于分析瞬态信号。其中咖。小波具有紧凑的特点，处理后信号特征量差异最明显，故选择矾小波作为此次辨识用的母小波。公共耦

14、合点PCC点电压频率通过小波变换的多分辨分析获取了频率的三组离散小波分解序列，分别与不同尺度下的小波序列相对应，电压频率的特征能在不同的尺度下被反映出来。由于根据分解后的小波细节系数，PCC点电压频率的高频分量可以实时地被捕捉到，因此本文对小波细节系数进行检测。由香农定理，特征分量的高频分量可最多被分解到基波以上第7层，由于孤岛检测电压值小波分解后的第4层及以上高频系数的高频分量已很不显著，所以下面仅仅将电压频率值小波分解到第3层。通过仿真实验可以看出孤岛与电网扰动时第一、二、三阶小波高频系数表现出明显的不同，因此可以用第一、二、三阶小波高频系数d1、d2、d3作为孤岛与电网扰动辨识的特征分量

15、。22神经网络理论神经网络的复杂程度越低，其实时性的进行孤岛与扰动辨识的准确性越高。为了使神经网络的分析过程得到简化，神经网络的输入量个数不宜过多，因此，对于识别分辨率很小的特征量将不作为神经网络的输入量，因识别分辨率很小的特征量对结果影响较小，这样准确率不会受到较大影响116】。本文将电压频率经过小波分解后第一、二、三层高频系数dl、d2、d3作为神经网络中输入层的三个特征值，输入到神经网络系统，进行学习、训练。当测量到PCC点电压波动并注入周期性无功电流扰动后，测量得到实际电压频率值，小波神经网络就可以辨识出孤岛与电网扰动，然后给分布式并网系统的控制装置部分发送信号，在孤岛现象发生时，采取

16、相应措施“无缝切换”到孤岛运行状态。BP网络输入层节点数和输出层节点数分别取决于训练的样本向量的维数和分类类别数J。本文选取的BP神经网络特征向量是3个信号，所以设定输入层节点个数为3个。输出层仅对光伏微网系统的当前工作状态进行分类，即孤岛状态与电网扰动状态，所以设定输出层节点个数为2个。因此，神经网络采用两层BP网络训练函数选择tans辔函数，根据设计的需要，输入层为3个输入单元，而隐层节点个数根据经验公式(13)选择为6个。 聆=而+口(13)式中：”为隐层节点个数；Hi为输入节点数；no为输出节点数；a为110之间的任意常数。由于要区分的只是两类情况，即孤岛和电网扰动情况，而BP神经网络

17、的输出值可以限定在0，1范围内，理想网络输出向量与孤岛识别分类对应关系如表1所示。表1孤岛与扰动辨识理想网络输出向量对应关系Table l Correspondence between network output and classification23孤岛与扰动辨识流程通过理论分析，当PCC点电压发生波动时，对其注入周期性无功电流扰动，若为孤岛状态，PCC点电压频率也会产生周期性的波动，由于与大电网隔离，其高频分量表现较为平滑；若为电网扰动，由于大电网的钳制作用，公共耦合点电压频率若出现非周期性的并总在额定频率附近的波动，并引入了轻微高频分量。孤岛与电网扰动辨识流程图如图3所示，当光图3孤

18、岛与扰动辨识流程图Fig3 Flow chart of island and the disturbance identification万方数据162 电力系统保护与控羽伏发电系统PCC点处电压发生变化时，在检测到电 ；压波动后，开始注入周期性无功电流扰动，同时采 ；样6周波的PCC点电压频率，通过使用小波分解 ；PCC点电压频率得第一、二、三层小波高频系数d1、 d2、d3，将d1、d2、d3作为特征向量输入到神经网络，利用神经网络的自学习修正算法进行孤岛与电网扰动的区分，以便确定是否控制相应的保护装置来改变当前的工作状态模式，从而确保电网的 稳定运行。 3 仿真实验仿真电路的具体参数设置

19、如下：逆变器额定功率为10kW，开关频率为10kHz，母线电压为680V，三相等效负载中R为145 Q， 三为1847 mH，C为54905 gF，电网额定相电压为220 V，电网额定频率为50 Hz。负载品质因数为25，负载谐振频率为50 Hz。参数这样设置的目的是让孤岛发生后对光伏逆变器的输出影响最小，从而能够模拟最恶劣情况下孤岛与电网扰动辨识。当检测到pcc点电压波动时，将无功电流参考值转变为正弦周期性信号，在公共耦合点PCC处采样电压频率值，由于PCC点电压频率的被检测值是模拟频率信息，需先把模拟电压频率量转变成数字量信息，出于对采样信号准确性的考虑，采样频率采用高频6 400 Hz，

20、也就是采样速率为128点每周波，然后对数字量信息进行数字低通滤波、降噪处理；最后对经过数字处理后的数据量进行小波分解，本文采用三阶小波分解。小波分解首先对采集电压频率值进行多尺度分解，将提取的各尺度小波系数的某些特征量组成特征向量送入BP神经网络进行训练，最后利用训练好的BP神经网络判别出是发生了孤岛还是电网扰动。图4为PCC点电压在002 S波动时，PCC点电压波形图，由波形图可以看出002 S时刻开始电压出现波动。图5分别为DG输出有功、无功电流波形图，DG输出有功、无功功率图，可以看出002 S前光伏逆变器无功电流为0，没有无功功率输出，此时输出的功率因数为l；在002 S注入周期性无功

21、电流扰动以后，有功电流、有功功率输出没有明显变化，即无有功功率扰动，无功电流、无功功率输出呈现周期性变化。图6、图7分别为孤岛、电网扰动情况下PCC电压频率，孤岛情况下，PCC电压频率呈明显周期性变化；电网扰动时，PCC电压频率呈非周期性变化，但不能呈现出理论分析中的高频分量。图4 PCC点电压波形图Fig4 Voltage waveform graph ofPCC京匾巫巫丕巫巫0M八l_05百盎r1苘r币赢百掘可矿1对jdi1 E三三三三三o吲西确r1志F1奄_百商耐耐0 05广1r广1T广0卜777777一_o 05占菇r_石搔赢F飞奄矗而1意厂商图5 DG输出仿真图Fig5 DG out

22、put simulation diagram鲎5020婺5n10幽5000粤4990兽49 80“s图6孤岛时PCC电压频率Fig6 PCC voltage frequency when islanding戮ts图7电网扰动时PCC电压频率Fig7 PCC voltage frequency at power disturbance为了验证本文提出的方法，先分别采集发生孤岛与电网扰动后的768个(6周波，IEEEstd 1547规定的孤岛检测最短时间)电压频率值进行小波分解，所得图形来解释孤岛与电网扰动辨识时电压频率高频分量的变化。从图8、图9可以看出，当注入周期性无功电流扰动后，孤岛时，PC

23、C点电压频率的第一、二、三阶小波高频系数发生了周期性变化；电网扰动时，由于带入了高频分量，PCC点电压频率信号的第一、二、三阶小波高频系数非周期性变化。由于两种状态下小波分解后电压频率变化明显，小波分析可以迅速地捕捉到电压波动带来的细节分量的变化，因此可作为特征分量的提取方式，达到孤岛与v一己_【一t亭6一_)b万方数据唐忠，等 基于无功电流扰动的孤岛与扰动辨识的研究 。163图8孤岛时，电压频率信号经三阶小波分解后所得高、低频分量Fig8 Voltage frequency signal by the three order waveletdecomposition after the hi

24、gh，low frequencycomponent when islanding，x104黾 匦互王里匹立正习。0 20 40 60 80 100 120l r=旦二一错。卜卜叫忡叫p州h几卜叫l IIJJJLI_j。0 20 40 60 80 100 1201103毛 一匝巫巫巫亚巫匝10 20 40 60 80 100 120500015广rrr1-r50000 000105岜二二二二 LLLJ-=LLJ图9电网扰动时，电压频率信号经三阶小波分解后所得高、低频分量Fig9 Voltage frequency signal by the three order waveletdecompos

25、ition after the high，low frequencycomponent when disturbance下面分别取2 000组经小波分解后的孤岛与电网扰动时PCC点电压频率信号的d1、d2、d3数据进行学习、训练。算法训练网络的误差演化曲线如图10所示，纵坐标为网络均方误差，横坐标为迭代次数。由图10可以看出，用BP算法训练神经网络，在规定迭代次数内，均可以使网络误差迅速降到0001以下，有较好的收敛效率。从隐含层神经元的选择结果来看，合适的神经元个数为6，因此，用于孤岛与电网扰动辨识的BP神经网络结构为输入层节点数为3，隐含层节点数为6，输出层节点数为2，激活函数为s形对数函

26、数logsig。在验证算法识别率时，再分别取2 000个孤岛与电网扰动时的电压频率数据进行小波分解后输入到神经网络进行测试、验证。当这2 000组d1、d2、d3输入神经网络后，若输出全为0，则判为电网扰动状态；若输出数据中含有1，则判为电网发生孤岛效应。在Matlab界面中，验证网络目标等级混淆矩阵图11如下。Confusion Matrix1997 3l 98 S49 90 o 0 80 o 153 1969 99枞0 lo o 49 20 O 02999 98铴 99 20oO1 15 0 80 0l】Iargct Class图11 BP神经网络目标等级混淆矩阵Fig1 1 Confus

27、ion matrices of BP neural network图12即为神经网络形成的实验误差直方图，由仿真结果图可知此次仿真实验误差直方图分布，仿真结果的正确率如表2所示。Error Histogram nlth 20 Binsl!竺：!：竺：一hon口一Nr、一oh-rN、。C1Nh一。noNIr_NoCNCo卜卜oooC宁。c卜卜、。Cnnz卜CI广_rr-一一。冀一“一n一卜a一一一一一oo一一一一一一一一1，rro体图1 2 BP神经网络仿真实验误差直方图Fig1 2 Simulation in BP neural network and error histogram姗咖姗咖姗

28、咖|晏o31J，iootc万方数据-164- 电力系统保护与控制表2小波神经网络仿真结果Table 2 Simulation results of wavelet neural network由表2得知，基于小波神经网络的孤岛效应检测方法可以较准确的检测出孤岛效应的发生，准确率较高。4 结论通过以上分析，注入周期性无功电流扰动，并运用小波分析和人工神经网络的技术，能在无有功功率扰动的条件下将孤岛和电网扰动辨识出来，并且系统的正常运行不会被破坏。对电压频率信号进行特征提取过程中，采用基于各尺度小波变换系数能量的提取特征量方法，提取出的特征向量不仅具有平移不变的特性，还反映信号的时频局部特征，提高

29、了孤岛检测的实时性。采用具有强大的模式识别能力的三层BP神经网络，能有效辨识孤岛和电网扰动状态。这种无破坏性的基于周期性无功电流扰动和小波神经网络的孤岛与扰动辨识方法可以快速而准确的检测出孤岛效应的发生，并当检测到孤岛效应发生时，为保障逆变器所带负载正常安全供电，应启动孤岛保护，脱离电网，转为孤岛运行。参考文献1 曾议，吴政球，刘杨华，等分布式发电系统孤岛检测技术【J】电力系统及其自动化学报，2009，21(3)：106110ZENG Yi，WU Zhengqiu，LIU Yanghua,et a1Islandingdetection method for distributed genera

30、tion systemsJProceedings ofthe CSUEPSA，2009，21(3)：106-1 102IVkI-IAT P，CHEN ZHE，BAJ(-JENSEN BReview ofislanding detection method for distributed generationCThird International Conference on Electric UnityDeregulation,Nanjing，China：20083 高金辉，李迎迎，苏军英一种新颖的孤岛检测方法研究J】电力系统保护与控制，2010，38(19)：122124GAO Jinhui

31、，LI Yingying，SU JunyingThe research on anovel islanding detection methodJPower SystemProtection and Control，2010，38(19)：122-1244 唐伟，武建文，李鹏，等考虑电网内阻影响的孤岛检测研究J】电工技术学报，2014，29(1)：399407TANG Wei，WU Jianwen，LI Peng，et a1Research onislanding detection considering the effect of gridimpedanceJTransactions of

32、 China ElectrotechnicalSociety,2014，29(1)：3994075 崇志强，戴志辉，焦彦军基于负序电流注入的光伏并网逆变器孤岛检测方法J】电力系统保护与控制，2014，42(24)：65-71CHONG Zhiqiang，DAI Zhihui，JIAO YanjunIslandingdetection method based on grid-connected photovoltaicconverter and negative sequence currentecfionJPower System Protection and Control，2014，42

33、(24)：65716 郑涛，袁飞，王燕萍，等基于模糊控制的快速无盲区的频移式孤岛检测法J】电力系统保护与控制，2014，42(23)：38-43ZHENG Tao，YUAN Fei，WANG Yanping，et a1A fastfrequency drifts islandingdetecting method without non-detecting zone based on fuzzy controlJPower SystemProtection and Control，2014，42(23)：38-437 张凯航，袁越，傅质馨带频率正反馈的无功电流扰动孤岛检测方法J】电力系统及其自

34、动化学报，2013，25(1)：96-101ZHANG Kaihang，YUAN Yue，FU ZhixinReactivecurrent disturbance islanding detection method withfrequency positive feedbackJProceedings of the CSU-EPSA，2013，25(1)：96-1018 丁浩，魏艳君，漆汉宏，等基于自适应有功电流扰动的孤岛检测J】电工技术学报，2014，29(8)：294-300DING Hao，WEI Yanjun，QI Hanhong，et a1A novelislanding dete

35、ction based on adaptive active currentdisturbanceJTransactions of China ElectrotechnicalSociety，2014，29(8)：2943009 任晓鹏，李永刚，李亚斌，等滑动频率偏移法在光伏并网逆变器孤岛检测中的应用J】电器与能效管理技术，2014(4)：37-39REN Xiaopeng,LI Yonggang,LI Yabin,et a1Applicationof slid-mode frequency shiR method in islandingdetection of photovoltaic g

36、ridconnected invertertJElectrical&Energy Management Technology,2014(4)：373910梁雪飞，陈歆技小波熵和BP神经网络在孤岛检测与扰动辨识中的应用J】江苏电机工程，2012，31(3)：5-8LIANG Xuefei，CHEN XinjiApplications of wavelet万方数据唐忠，等 基于无功电流扰动的孤岛与扰动辨识的研究 -165-entropy and BP neural network in islanding detection anddisturbance identificationJJiangs

37、u Electrical Engineering,2012，31(3)：5-811朱艳伟，石新春，李鹏多分辨率奇异谱熵和支持向量机在孤岛与扰动识别中的应用J】中国电机工程学报，201 1，3 1(7)：6470ZHU Yanwei，SHI Xinchun，LI PengClassification ofislanding and鲥d disturbance based on multi-resolutionsingular spectrum entropy and SVMJProceedings ofthe CSEE，201 1，3 1(7)：64-7012张明锐，杜志超，王少波，等高压微网运

38、行模式切换控制策略【J】电工技术学报，2014，29(2)：153-162ZHANG Min掣ui，DU Zhichao，WANG Shaobo，et a1Control strategies of high-voltage microgrid for operationmodes switchingJTransactions of China ElectrotechnicalSociety，2014，29(2)：153-16213闫凯，张保会，瞿继平，等光伏发电系统暂态建模与等值叨电力系统保护与控制，201 5，43(1)：1-8YAN Kai,ZHANG Baohui,Qu Jiping,

39、et a1Photovoltaicpower system transient modeling and equivalentsJPower System Protection and Control，2015，43(1)：1-814王巨波，鲍伟，徐文丽基于RTDS的光伏发电系统对称跌落低电压穿越无功控制策略J】华东电力，2014，42(6)：1098-1103WANG Jubo，BAO Wei，XU WenliReactive controlstrategy for symmetrical low voltage ride through ofphotovoltaic system base

40、d on RTDS川East ChinaElectric Power,2014，42(6)：10981 103HSIEH C T，LIN J M，HUANG S HEnhancement ofislanding-detection of distributed generation systems viawavelet transform-based approachJInternationalJournal of Electrical Power&Energy Systems，2008，30(10)：575-580田金波，赵智忠，毕海岩基于DSP的BP神经网络真空度数据采集系统J】高压电器，

41、2014，50(12)：47-54TIAN Jinbo，ZHAO Zhizhong,BI HaiyanVacuum levelacquisition system ofBP neural network based on DSPJHigh Voltage Apparatus，2014，50(12)：4754朱金大，陈良亮，张卫国基于BP神经网络的充放电机故障诊断【J】电网与清洁能源，2015，31(10)：1-3ZHU Jinda,CHEN Liangliang，ZHANG WeiguoFaultdiagnosis for charging and discharging machine based onBP neural networkJHigh Voltage Apparatus，2015，3l(10)：1-3收稿日期：201510-31； 修回Et期：2016-01-04作者简介：唐忠(1964-9，男，教授，硕士生导师，从事电力系统运行与控制电力信息技术、基于电力电子技的节能技术、电力安全技术等的研究；E-mail：tangzhon964163com朱瑞婷(1990-)，女，通信作者，硕士研究生，主要从事电力系统运行与控制研究。Email：ruitin9728163tom(编辑葛艳娜)印刚刀nnn万方数据