基于时序生产模拟的新能源电力电量平衡分析
电力系统中的电量预测模型研究与比较
电力系统中的电量预测模型研究与比较随着能源消耗的不断增加和可再生能源的快速发展，准确预测电力系统的电量需求变得至关重要。
电力系统中的电量预测模型可以帮助电力公司和能源供应商进行合理的电力规划和调度，以确保电力的稳定供应，并优化能源资源的利用。
本文将对电力系统中常用的电量预测模型进行研究与比较，以便为电力系统的管理和运营提供参考和指导。
一、传统的电量预测模型1. 时间序列模型时间序列模型是传统电量预测中最常用的方法之一。
它基于历史数据中的时间信息进行预测，通过建立时间序列模型来捕捉和模拟电量需求的变化趋势。
其中，ARIMA模型是最为常见的时间序列模型之一，它结合了自回归、滑动平均和差分操作，可以对电量需求的长期趋势、季节性和随机变化进行建模。
然而，时间序列模型在处理非线性趋势和季节性变化时存在一定的局限性。
2. 回归模型回归模型是一种利用历史数据建立线性或非线性回归方程来预测电量需求的方法。
它通过寻找历史数据中与电量相关的变量，并建立预测模型来预测未来的需求。
常见的回归模型包括线性回归、多项式回归和支持向量回归等。
尽管回归模型在建模灵活性和解释性方面具有优势，但它也容易受到预测变量的选取和噪声的干扰。
二、机器学习的电量预测模型1. 神经网络模型神经网络模型是一种基于人工神经元网络结构的非线性模型。
它通过训练网络来学习历史数据中的模式和规律，并预测未来的电量需求。
常见的神经网络模型包括前馈神经网络、循环神经网络和长短期记忆网络等。
这些模型具有较强的非线性建模能力，可以更好地捕捉电量需求的复杂特征。
然而，神经网络模型的参数调整和训练过程相对复杂，对数据质量和规模的要求较高。
2. 支持向量机模型支持向量机模型是一种通过将电量需求映射到高维特征空间，来寻找最优分割超平面的方法。
它通过最大化不同类别之间的间隔，对电量需求进行分类或回归预测。
支持向量机模型在处理高维数据和非线性问题时表现出色，并且具有较好的泛化能力。
新型电力系统电力电量平衡分析研究综述
新型电力系统电力电量平衡分析研究综述摘要：在不同的新能源发展阶段，电力系统电力电量平衡表现出不同的特点。
目前，对于新能源低/中/高占比定义还未出现行业标准。
有研究指出新能源占比可定义为新能源发电量与总发电量的比值，在实际中往往送端电网的新能源装机规模较大，比如西北电网等，送端电网通过特高压外送通道对受端电网进行远距离送电，本质上受端电网对高占比新能源的波动性和不确定性进行了一定的平抑，故在探讨新能源高占比时需注意系统本地自平衡(新能源本地消纳)与大范围平衡的差异。
关键词：新能源；新型电力系统；电力电量平衡分析引言：在“双碳目标”的背景下，我国对于新能源的利用得到长足发展，构建适应新能源占比逐渐提高的新型电力系统成为首要目标。
风光电源出力的强波动性与不确定性的特点，给电力系统电力电量平衡带来全新的“保供难”与“消纳难”挑战，传统电力电量平衡分析模式与方法难以适应新能源占比不断提高的新型电力系统应用。
为此，面向新能源占比不断提高的新型电力系统提出电力电量供需平衡分析体系。
1新型电力系统电力电量平衡计算方法1.1多重不确定性因素的表征方法1）自然不确定性建模目前并未出现新能源低/中/高占比的行业标准，因此对新能源占比不断提高的新型电力系统需要探究不同省级/区域级电网新能源电量占比与新能源装机容量占比系统的差异特征，并开展相关能源资源的季节/时空分布特征研究；基于以上特征结合风、光/气象物理过程，研究以系统新能源预测结果为依据的风电/光伏发电时间连续不确定误差建模方法，重点厘清年–月–周–日不同时间尺度下新能源电量/电力的误差表达形式，实现误差局部时间段的特征识别与分类，为取得良好的概率分布结果做好铺垫；此外，可以对融合了陡增陡降度(转折条件)关键特征的新能源极端小样本事件提取方法进行研究，以此构建系统面临不同时间尺度下的新能源极端场景。
随着电力需求侧的低碳化转型，负荷不确定性成为影响电力电量平衡的主要干扰项之一。
基于时序生产模拟的区域电网新能源消纳能力研究
表1“十四五”陕西电网电力负荷预测收稿日期：2020-10-16作者简介：李震（1988—），男，毕业于华北电力大学，硕士研究生，从事新能源发电项目的设备采购、项目开发工作。
DOI:10.16525/ki.14-1362/n.2020.12.29总第198期2020年第12期Total of 198No.12，2020节能环保现代工业经济和信息化Modern Industrial Economy and Informationization 基于时序生产模拟的区域电网新能源消纳能力研究李震（中国电能成套设备有限公司，北京100080）摘要：就“十四五”期间陕西电网新能源消纳能力进行研究，考虑电网电源、网架、负荷等边界条件，结合经济社会发展新常态、新形势，深入研究陕西电网新能源资源及出力特性，利用时序生产模拟方法，计算陕西电网调峰能力和消纳能力，提出“十四五”期间的电源规模和结构；进一步研究榆林地区风电供暖对陕西电网风电消纳能力的影响。
关键词：新能源；时序生产模拟；消纳能力中图分类号：TM615文献标识码：A文章编号：2095-0748（2020）12-0068-02引言随着国内电力建设的大规模发展，电能消纳矛盾凸显，尤其是西北地区新能源资源丰富，但弃风限电现象频发。
解决我国新能源消纳矛盾，需要从电源、电网、负荷等环节因素入手，综合施策、系统优化。
1新能源消纳能力研究方法本文研究的新能源消纳能力是指区域电网可接受的新能源最大装机容量。
选取典型的区域电网特征为边界条件，即将风电、光伏总体可开发规模作为资源约束条件，以网架规划为基础边界，综合考虑未来电源核准情况、建设计划、退役安排，以客观、安全、清洁为原则构建区域电网“十四五”电源发展格局，以满足新能源的大规模开发和高效利用[1]。
本文以陕西省为例，其他区域电网同样适用。
本研究基于新能源出力特性，以电力电量平衡、机组出力等为约束，结合相应的监测机制开展生产运行模拟仿真，进行电源格局和新能源消纳能力评估。
电力系统中的电量预测与优化方法研究
电力系统中的电量预测与优化方法研究电力是现代社会不可或缺的能源之一，为了实现电力系统的安全、稳定和经济运行，电量预测和优化成为了其中重要的研究方向之一。
本文将从电量预测和优化两个方面展开讨论，并探讨相关的研究方法和技术。
电量预测是指对未来一段时间内电力负荷进行预测，根据预测结果进行调度和资源配置，从而实现电力系统的稳定运行。
电量预测的准确性对于电力系统的运行和规划至关重要。
目前，主要的电量预测方法包括基于统计模型的时间序列分析、机器学习算法和深度学习网络。
时间序列分析是一种常用的电量预测方法，它假设未来的负荷值与过去的负荷值有一定的相关性。
通过对历史数据进行预处理和分析，建立适合的数学模型，可以进行时间序列的拟合和预测。
常用的时间序列模型包括ARIMA模型、季节性自回归移动平均模型等。
这些模型具有较好的解释性和可解释性，但对于非线性和非平稳的电量数据预测效果不佳。
机器学习算法是近年来电量预测领域的研究热点，通过收集大量的历史数据和相关特征，构建合适的特征向量，并利用机器学习算法进行负荷预测。
常用的机器学习算法包括支持向量机（SVM）、人工神经网络（ANN）、随机森林（RF）等。
相对于传统的时间序列分析方法，机器学习算法能够处理非线性和非平稳的数据，具有较好的泛化能力和预测精度。
深度学习网络是机器学习的一种新兴技术，近年来在电量预测领域也取得了不错的成果。
深度学习网络通过多层神经元的组合和优化，能够提取数据中的高阶特征，从而实现更精准的电量预测。
常用的深度学习网络包括自动编码器（AE）、长短时记忆网络（LSTM）、卷积神经网络（CNN）等。
这些网络在处理电量预测问题上具有一定的优势，但需要更多的训练数据和计算资源。
电量优化是在已知电量的基础上，通过合理调度和控制，实现电力系统的经济性和可靠性。
电量优化的目标是最大化发电效益，降低发电成本，并兼顾电网的稳定性约束。
常用的电量优化方法包括基于线性规划、整数规划、非线性规划和遗传算法等。
基于大数据分析的配电网故障检测和诊断技术研究
Telecom Power Technology运营维护技术基于大数据分析的配电网故障检测和诊断技术研究王键（重庆文理学院，重庆 402160随着智能电网的发展，如何深挖配电网大数据价值，提升配电网故障检测和诊断效率变得尤为重要。
为充分利用和开发配电网大数据，提升配电网故障检测和诊断效率，减少配电网故障问题，更好地提升供电服务质量，文章采用文献分析研究的方法，并结合工作经验，从配电网自动化系统、配电网大数据、配电网常见异常问题以及大数据分析技术等多个维度出发，探寻配电网故障检测和诊断的实现模式、处理流程、分析方法及策略。
文章系统地阐述基于大数据分析技术的配电网状态监测与故障处理流程，并提出相应的故障定位隔离与非故障区域恢复分析大数据分析；配电网故障检测；故障诊断Research on Fault Detection and Diagnosis Technology of Distribution Network Based onBig Data AnalysisWANG Jian(Chongqing University of Arts and Sciences, Chongqing 2024年2月10日第41卷第3期231 Telecom Power TechnologyFeb. 10, 2024, Vol.41 No.3王 键：基于大数据分析的配电网故障检测和诊断技术研究对多元状态信息的需求，实现对电网信息的多元采集和捕获。
配电网大数据主要来源于电网业务数据和电网系统运行环境相关的气象、地理、环境等数据。
其中，电网业务数据主要来源于3个方向，即电网运行和设备监测或检测数据、电力企业营销数据、电力企业管理数据。
根据数据的内在结构形式，可以将这些数据细分为结构化数据、半结构化数据和非结构化数据，不同的数据需要不同的存储与处理方式。
2.2 数据特点配电网大数据基于区域用户数量，拥有数十万乃至百万、千万的数据采集点，需要监测的设备数量巨大。
如何利用时序预测进行电力负荷预测(八)
随着社会的不断发展和进步，人们对能源的需求也日益增长。
其中，电力作为重要的能源形式之一，对于现代生活和工业生产起着至关重要的作用。
而电力负荷预测作为电力系统运行的重要组成部分，对于电力系统的稳定运行和优化调度具有至关重要的意义。
本文将从时序预测的角度出发，探讨如何利用时序预测进行电力负荷预测。
一、时序预测的概念和方法时序预测是指根据一系列时间顺序排列的数据，通过建立数学模型和算法，预测未来一段时间内的数值变化趋势。
在电力负荷预测中，时序预测可以通过分析历史电力负荷数据，挖掘负荷的周期性和规律性，从而预测未来一段时间内的负荷情况。
时序预测的方法多种多样，包括传统的时间序列分析方法、机器学习方法和深度学习方法等。
传统的时间序列分析方法包括ARIMA模型、指数平滑模型等，对于一些简单的负荷预测问题可以发挥较好的效果。
而机器学习方法和深度学习方法则可以通过建立复杂的模型，挖掘数据中的更深层次的规律性，对于复杂的负荷预测问题有着更好的表现。
二、电力负荷预测的应用场景电力负荷预测在电力系统中有着广泛的应用场景。
首先，在电力生产和调度中，电力负荷预测可以帮助电力公司合理安排发电计划，避免因为负荷突然增加或减少而导致的供需不平衡问题。
其次，在电力市场交易中，电力负荷预测可以帮助电力公司合理制定电力购买和售卖策略，最大限度地降低成本和风险。
此外，电力负荷预测还可以在电力设备维护和运行中发挥重要作用，帮助电力公司合理安排设备维护计划和优化设备运行策略。
三、时序预测在电力负荷预测中的应用在实际的电力负荷预测中，时序预测方法被广泛应用。
以机器学习方法为例，支持向量机（SVM）、随机森林（Random Forest）、梯度提升树（Gradient Boosting Tree）等算法在电力负荷预测中有着良好的表现。
这些算法可以通过分析历史负荷数据的特征，建立预测模型，并对未来的负荷进行预测。
而在深度学习方法中，循环神经网络（RNN）、长短期记忆网络（LSTM）等模型也被广泛应用于电力负荷预测中。
新型电力系统构建的关键技术问题
新能源接入电压支撑较弱、 交流系统短路比不足系统强 度变低；电力电子装置的快 速响应特性，带来宽频振荡 等与电力电子相关的新稳定 形态。
能源电力系统转型中煤电、 核电、天然气发电演进路径； CCUS、储能、电制氢等前瞻 技术快速发展，单一技术实 现电力零碳排放的经济挑战 巨大性
未来需要跟踪分析CCUS产业动态，开展CCUS关键技术研发及示范应用，探索CCUS全流程商业模式，推 动出台支持CCUS发展的政策体制。
我国火电机组加装CCUS成本分析
CCUS实施路径
2.2 新型电力系统关键技术
➢ 能源电力深度脱碳：电氢耦合
氢能未来可在新能源电制氢、调峰调频等场景灵活应用，是能源电力深度脱碳的关键技术。IEA认为电制氢 是未来全球最大的电力需求增长因素，预计到2050年全球商业化电制氢将达到12万亿千瓦时，占全球电力需求 的20%。
未来重点突破规模化可再生能源直接电制氢、储氢、电氢融合互动核心技术，以氢电融合发展为核心，因 地制宜布局电氢融合基础设施，扩展绿氢在终端用能领域的应用场景，助力能源系统整体实现深度脱碳。
氢能应用场景
氢能技术发展趋势
来源：《中国氢能源及燃料电池产业白皮书》
电力电子设备大规模接入导致电网运行方式复杂多变，预案式策略表匹配的典型方式选取极其困难。 传统预案式控制依赖典型方式下生成的预想故障集，控制失效风险日益凸显。目前基于响应的安全稳定 控制技术已应用于实际电网，基于测量信息实时计算控制策略可有效应对多次故障扰动冲击，保障互联 电网的安全稳定运行。
机电暂态与电磁暂态对比
新型电力电子设备/集群自主支撑作用
新型电力电子设备研制
2.2 新型电力系统关键技术
➢ 能源电力深度脱碳：CCUS 在兼顾电力系统碳减排目标与灵活性、稳定性的情况下，CCUS是电力行业实现双碳目标的关键所在。据
新能源电力系统电力电量平衡问题研究
新能源电力系统电力电量平衡问题研究内蒙古通辽 028200摘要：现阶段，国内外学者对新能源电力系统比例高的研究主要针对现有新能源装机容量的消耗。
有新能源消纳关键因素分析、新能源消纳技术措施、国外高比例新能源消纳经验、直流联络线运行方式优化提升新能源消纳、区域电网协调消纳等等，而受限于实际数据，对未来更高新能源装机占比的电力电量平衡问题开展深入分析的研究较为少见。
事实上，相对于消纳问题，电力平衡是电网安全运行的关键，这对于未来中国高比重的新能源电力系统是一个巨大的挑战。
关键词：新能源；波动特性；时序生产模拟；电力电量平衡；高比例新能源电力系统中风电和光伏发电出力的波动性、不确定性给电力电量平衡带来较大影响。
随着我国能源清洁转型和新能源装机占比的不断提升，高比例新能源运行场景下电力的可靠供应将面临巨大挑战。
基于实际运行数据，分析了新能源出力的日波动特性与季节特性，总结了不同时间尺度上电力电量平衡存在的问题。
一、分析高比例新能源系统日电力平衡目前，我国已经积累了大量的新能源发电实际运行数据，所进行分析的数据均来源于国家电网的实际运行数据。
1.新能源装机或时间尺度越大，新能源出力波动越大。
随着新能源装机占比的不断提升，新能源出力波动越来越大，2018年国网新能源日最大波动达到7996万kW，较上一年增加2307万kW，增长41%。
日内新能源出力波动占平均负荷比例超过40%的省份有7个。
图1为辽宁电网和东北电网在不同时间尺度内的风电、光伏出力波动率，可以看出新能源出力的波动随时间尺度的增加而增加。
图1新能源出力波动率2.新能源出力具有区域平滑效应，波动性随空间范围的扩大而减小。
在较大空间范围内，风电之间、光伏之间以及风电和光伏之间呈现一定的互补性，新能源出力的波动性随空间范围的扩大而减小。
“三北”地区某一典型日风电、光伏的功率曲线，可看出空间范围越大，新能源波动率越小，呈现一定的平滑效应，扩大平衡区在一定程度上可以减少对调峰资源总量的需求。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于时序生产模拟的新能源电力电量平
衡分析
摘要：鉴于电力系统中新能源发电占比日益增大，本文分析了新能源消费的关键因素、技术措施、国外经验、运行方式等，提出了基于时序生产模拟仿真分析高比例新能源系统功率平衡问题的方法。
关键词：新能源发电；时序生产模拟；电力电量平衡
在比例较高的新能源电力系统中，风电和光伏发电输出的波动性和不确定性对功率平衡有很大的影响。
随着中国能源的清洁转型和新能源装机比例的不断提高，在新能源高比例运行的情况下，电力的可靠供应将面临巨大挑战。
基于实际运行数据，分析了新能源输出的日波动特征和季节特征，总结了不同时间尺度上的电力平衡问题。
1分析高比例新能源系统日电力平衡
目前，中国已经积累了大量新能源发电的实际运行数据，分析的数据来源于国家电网的实际运行数据。
1.1新能源装机容量或时间尺度越大，新能源产量波动越大
随着新能源装机占比的增加，新能源产量波动越来越大。
2018年，国家电网新能源日最大波动达到7996万千瓦，比上年增长2307万千瓦，增长41%。
有7个省份新能源产量波动占平均负荷的40%以上。
图1为辽宁电网和东北电网在不同时间尺度下风电和光伏出力的波动率。
可以看出，随着时间尺度的增加，新能源产出的波动幅度增大。
图1新能源出力波动率
1.2新能源的输出具有区域平滑效应，且波动随着空间范围的扩大而减小
在较大的空间内，风电与光伏、风电与光伏具有一定的互补性。
新能源输出
的波动随着空间的扩大而减小。
从“三北”地区典型日风电和光伏功率曲线可以
看出，空间范围越大，新能源的波动性越小，具有一定的平滑效应。
扩大平衡面
积可以在一定程度上减少对削峰资源总量的需求。
1.3电网净负荷曲线具有典型的“鸭形特征”
虽然新能源输出在负荷中所占比例不断增加，但从白天电力平衡的角度来看，电力负荷在夜间较低，在白天达到峰值。
风力发电夜间输出大，白天输出小，具
有明显的抗调峰特性。
但光伏发电中午输出量大，夜间无输出，不具备夜间负荷
高峰时的供电支撑作用。
这使得电网的净负荷曲线呈现典型的“鸭子曲线”。
早
高峰的电力负荷迅速下降阶段,凹谷出现在下午和晚高峰时期迅速上升,带来了巨
大的挑战,电力系统的功率平衡,并提出了更高的要求,灵活的监管能力和快速系
统的爬坡能力。
2高比例新能源系统月度电量平衡分析
2.1新能源月度电量分布与负荷需求不匹配
从负荷需求特征来看，“三北”地区的负荷表现为夏、冬两季为高峰，春、
秋两季为风电高峰期，夏秋季为光伏发电高峰期。
虽然风电和光伏发电的月度功
率分布具有一定的互补性，但根据功率平衡分析，风电和太阳能的互补性可以在
一定程度上减少新能源的季节性影响。
然而，新能源月度配电与负荷需求并不匹配。
夏季负荷功率高，而新能源发电量低，存在季节性功率平衡问题。
2.2负荷高峰时段，新能源对电量平衡的支撑能力不足
根据国家电网2019年夏季高峰期间的实际运行数据，夏季(7、8月)新能源
产量较低，整体电力贡献较小。
从最低的一天,新能源电力的日常发电新能源在
那一天只有6.1亿千瓦·h,而电力需求高达174亿千瓦·h·新能源的贡献只有
3.5%的力量,这是远低于年度平均功率。
7、8月，新能源发电容量为633亿千瓦时，仅占总用电量的6.1%。
新能源对动力平衡的支撑能力不足。
3分析高比例新能源系统中火电运行情况
受电力需求增速放缓和新能源装机比例上升的影响，近年来火电设备平均利
用小时持续下降。
2019年，国家电网火电装机9.16亿千瓦，同比增长3.1%。
但
受国家煤电停建政策影响，火电装机增长速度明显受到抑制，火电装机占电力装
机的比重逐年下降。
在新能源装机比例进一步提高的同时，火电发电小时数将进
一步减少。
新能源占比较高的德国、西班牙和丹麦，2018年火电利用率分别为3839、2246和2170小时。
4基于时序生产模拟的未来电力系统平衡问题研究
建立了新能源电力系统时间序列生产仿真模型，定量分析了高比例新能源系
统的功率平衡。
该模型将系统负荷与新能源发电出力视为一个时变序列，考虑到
电网运行方式的时序变化特性，并在给定的电力系统运行边界条件下，模拟各种
供电运行条件以及发电量和消耗平衡，从而最终得到电网可以消耗的新能源功率。
该模型可用于模拟未来的电力供需情况。
4.1优化目标
考虑到中国清洁能源转型的要求，序贯生产仿真模型的优化目标为新能
源发电量最大化，即各区域各时段新能源总发电量最大，其目标函数为:
式中：N为系统所包含的聚合电网总数；n为某一聚合电网；T表示调度时间的总长度；t为仿真时间步长；Pw(t n,)为聚合电网n在时段t的风电出力；Ppv(t n,)为聚合电网n在时段t的光伏发电出力。
4.2约束条件。
（1）系统旋转备用容量约束。
式中：Pre和Nre分别为正旋转备用和负旋转备用；Pj,max(t n,)和
Pj,min(t n,)分别为聚合电网n中第j类机组的出力上限和出力下限。
（2）负荷平衡约束。
考虑跨区外送与风电、光伏发电并网后，系统负荷平衡约束为
式中：为电网n第t时段的所有常规机组的总功率之和；Li()t 为第t时段第i条传输线的输电功率。
（3）区域间线路传输容量约束。
式中：L i,max和-L i,max分别为第i条传输线传输容量上下限；设定电流参考方向为“流入区域为正方向，流出区域为负方向”。
（4）火电启停机约束。
0≤
式中：Y(t)和Z(t)为系统t时段的启动指令和停机指令，考虑到实际调度的情况，每天只对网内机组发出一次调度指令；(n)为聚合电网n第j类机组的总台数。
(5)供热机组供热期出力约束。
根据对供热机组的定义以及我国热电联
产发展的实际状况，分别对背压式热电联产火电机组和抽汽式热电联产火电机组
进行数学建模。
背压式热电联产火电机组的发电出力与热出力呈线性关系：
抽汽式热电联产火电机组的工况曲线则更为复杂，其线性约束公式如下式所示：
（6）新能源出力约束。
式中：指时刻t时装机容量一定时的风电理论出力；指时刻t时装机容量一
定时的光伏理论出力。
结束语
总之，新能源接入电网的规模大、比例高，其随机波动对电网功率和电力平
衡有很大的影响。
时间序列生产电力系统仿真模型,考虑到新能源的随机性和波
动性,和高的功率平衡问题在未来新能源的比例是定量研究适应电网功率平衡的
新模式。
结果表明，在未来新能源装机容量继续增长的情况下，除了现有的弃风
弃光问题，同时还会出现电力短缺的新问题。
电力短缺主要发生在夏季和冬季，
集中在负荷高峰后期。
这个问题可以通过增加火电装机容量来缓解，但火电的利
用小时数将继续下降。
在合理甩功率一定水平下，在降低火电装机容量的同时，
应采取可控负荷或增加储能等措施保证供电。
因此，为了保证高比例新能源系统
的供电，在未来电网规划中，有必要对供电结构和布局进行优化，在提高新能源
发电比重的同时，统筹安排其他常规、调峰电源建设，以满足电力需求；同时，
大力发展可控负荷、储能等需求侧响应方式，通过源负荷匹配保证电力供需平衡。
参考文献：
[1]王梓珺,王承民,谢宁.基于柔性计算的高比例新能源环境下的电力电量平衡[J].智慧电力,2021,49(08):15-22.
[2]李明节,陈国平,董存,梁志峰,王伟胜,范高锋.新能源电力系统电力电量平衡问题研究[J].电网技术,2019,43(11):3979-3986.
[3]骆皓,林明耀,侯立军. 双馈风力发电机交流励磁控制技术[M].南京东南大学出版社:, 2018,07(11).159.-160。