Hoy en día, los cambios económicos, medioambientales y normativos obligan a las empresas eléctricas a operar los sistemas al máximo de su capacidad. Por lo tanto, la operación y el control del sistema eléctrico para mejorar la estabilidad del sistema han recibido una gran atención. Este trabajo presenta un enfoque para mejorar el margen de estabilidad de tensión estática y reducir las pérdidas de potencia del sistema con el flujo de potencia óptimo con restricciones de seguridad de tensión (VSC-OPF) que se basa en índices de estabilidad de tensión de línea estática. Los enfoques de control incorporan los criterios de estabilidad de tensión en el OPF convencional. La minimización de la suma del índice rápido de estabilidad de tensión (FVSI), el índice de estabilidad de línea (Lmn) y el índice de estabilidad de tensión de línea (LVSI) se utilizan como funciones objetivo. El rendimiento y la eficacia de los enfoques de control propuestos se evalúan en los sistemas de prueba estándar IEEE de 30 buses, 57 buses y 118 buses en condiciones normales y de contingencia. El análisis comparativo se lleva a cabo con diferentes casos, incluida la minimización del coste de generación. Los enfoques de control propuestos indican resultados prometedores y ofrecen contramedidas eficaces contra la inestabilidad de tensión del sistema.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Nuevas perspectivas para la discriminación asistida por computadora de la enfermedad de Parkinson y el temblor esencial.
Artículo:
Análisis de la fiabilidad de la comunicación para una selectividad lógica basada en GOOSE segura y de alta disponibilidad
Artículo:
Planificación de trayectorias de un robot cuadrúpedo saltarín intermitente con articulaciones redundantes y subactuadas variables.
Artículo:
Investigación sobre el Modo de Servicio de la Biblioteca Universitaria Basado en la Minería de Datos
Artículo:
Marco de aprendizaje profundo híbrido basado en la fusión gaussiana de múltiples redes espacio-temporales para el reconocimiento de fases de la marcha.