【正文】 =。=。return Node。}Complex Complex::getinverse(Complex c1)//取倒數(shù) { Complex Node。=1。=0。Node=(Complex::divideComplex(Node,c1))。return Node。}double Complex::getComplexReal(Complex c1)//取實(shí)部 {return 。}doubleComplex::getCompleximage(Complex c1)//取虛部 {return 。}voidComplex::PrintfComplex(Complex c1)//按直角坐標(biāo)輸出 { if(==0){ (6)。(8)。(ios::right)。cout”。(6)。(8)。(ios::left)。cout”。} else {coutComplex::zeroComplex(Complex c1)//清零 { =0。=0。}class gauss { public: static void gauss_slove(double **a,double *x,int NN)。static void gauss_output()。}。void gauss::gauss_slove(double **a,double *x,int NN){int n,i,j,k,*pivrow,**pivcol。double eps,pivot,sum,aik,al。n=NN。pivrow=new int[n]。pivcol=new int *[n]。for(i=0。ipivot= fabs(a[k][k])。pivrow[k]=k。//行pivcol[k][0]=k。pivcol[k][1]=k。//列n*2矩陣for(i=k。i{for(j=k。j{if(pivot{pivot=fabs(a[i][j])。pivrow[k]=i。//行pivcol[k][1]=j。//列}}}if(pivot{coutgetchar()。exit(0)。}if(pivrow[k]!=k)//行變換{for(j=k。j{al=a[pivrow[k]][j]。a[pivrow[k]][j]=a[k][j]。a[k][j]=al。}}if(pivcol[k][1]!=k)//列變換{for(i=0。i{al=a[i][pivcol[k][1]]。a[i][pivcol[k][1]]=a[i][k]。a[i][k]=al。}}if(k!=(n1))//將矩陣化為上三角形式{for(i=(k+1)。i{aik=a[i][k]。for(j=k。j{a[i][j]=aik*a[k][j]/a[k][k]。}}} } x[n1]=a[n1][n]/a[n1][n1]。//解方程for(i=(n2)。i=0。i){sum=0。for(j=(i+1)。j{sum +=a[i][j]*x[j]。 }x[i]=(a[i][n]sum)/a[i][i]。} for(k=(n2)。k=0。k){al=x[pivcol[k][1]]。x[pivcol[k][1]]=x[pivcol[k][0]]。x[pivcol[k][0]]=al。}coutcout}====節(jié)點(diǎn)功率計算值==== icon=1進(jìn)行第2次迭代 節(jié)點(diǎn)電壓修正量================= ====節(jié)點(diǎn)功率計算值==== icon=1進(jìn)行第3次迭代 節(jié)點(diǎn)電壓修正量================= ====節(jié)點(diǎn)功率計算值==== icon=0,迭代結(jié)束。====節(jié)點(diǎn)電壓===============發(fā)電機(jī)發(fā)出功率======節(jié)點(diǎn)10。節(jié)點(diǎn)2。節(jié)點(diǎn)3。0節(jié)點(diǎn)25 。00 0 節(jié)點(diǎn)4。0節(jié)點(diǎn)26 。0 00 節(jié)點(diǎn)5。節(jié) 點(diǎn)27 。0 0 節(jié)點(diǎn)6。0節(jié)點(diǎn)28 。00 0 節(jié)點(diǎn)7。0節(jié)點(diǎn)29 。00 節(jié)點(diǎn)8 節(jié)點(diǎn)9 0 節(jié)點(diǎn)10 0 節(jié)點(diǎn)11 節(jié)點(diǎn)12 0 節(jié)點(diǎn)13 節(jié)點(diǎn)14 0 節(jié)點(diǎn)15 0 節(jié)點(diǎn)16 0 節(jié)點(diǎn)17 0 節(jié)點(diǎn)18 0 節(jié)點(diǎn)19 0 節(jié)點(diǎn)20 0 節(jié)點(diǎn)21 0 節(jié)點(diǎn)22 0 節(jié)點(diǎn)23 0 節(jié)點(diǎn)24 0 。。。0 20節(jié) 點(diǎn)30 。00 0======線路傳輸功率========== 2to103to14to204to35to206to206to407to507to608to606to906to10011to9010to904to12013to12 14to1230to29 15to1228to8 28to6 請按任意鍵繼續(xù)... 20to19 20to10 22to21 26to25 27to25 28to27 高等電力系統(tǒng)分析 IEEE30節(jié)點(diǎn)潮流程序班級：電研114班姓名：王大偉學(xué)號：2201100151第五篇：電力系統(tǒng)潮流計算發(fā)展史電力系統(tǒng)潮流計算發(fā)展史對潮流計算的要求可以歸納為下面幾點(diǎn)：（1）算法的可靠性或收斂性（2）計算速度和內(nèi)存占用量（3）計算的方便性和靈活性電力系統(tǒng)潮流計算屬于穩(wěn)態(tài)分析范疇，不涉及系統(tǒng)元件的動態(tài)特性和過渡過程。因此其數(shù)學(xué)模型不包含微分方程，是一組高階非線性方程。非線性代數(shù)方程組的解法離不開迭代，因此，潮流計算方法首先要求它是能可靠的收斂，并給出正確答案。隨著電力系統(tǒng)規(guī)模的不斷擴(kuò)大，潮流問題的方程式階數(shù)越來越高，目前已達(dá)到幾千階甚至上萬階，對這樣規(guī)模的方程式并不是采用任何數(shù)學(xué)方法都能保證給出正確答案的。這種情況促使電力系統(tǒng)的研究人員不斷尋求新的更可靠的計算方法。在用數(shù)字計算機(jī)求解電力系統(tǒng)潮流問題的開始階段，人們普遍采用以節(jié)點(diǎn)導(dǎo)納矩陣為基礎(chǔ)的高斯賽德爾迭代法（一下簡稱導(dǎo)納法）。這個方法的原理比較簡單，要求的數(shù)字計算機(jī)的內(nèi)存量也比較小，適應(yīng)當(dāng)時的電子數(shù)字計算機(jī)制作水平和電力系統(tǒng)理論水平，于是電力系統(tǒng)計算人員轉(zhuǎn)向以阻抗矩陣為主的逐次代入法（以下簡稱阻抗法）。20世紀(jì)60年代初，數(shù)字計算機(jī)已經(jīng)發(fā)展到第二代，計算機(jī)的內(nèi)存和計算速度發(fā)生了很大的飛躍，從而為阻抗法的采用創(chuàng)造了條件。阻抗矩陣是滿矩陣，阻抗法要求計算機(jī)儲存表征系統(tǒng)接線和參數(shù)的阻抗矩陣。這就需要較大的內(nèi)存量。而且阻抗法每迭代一次都要求順次取阻抗矩陣中的每一個元素進(jìn)行計算，因此，每次迭代的計算量很大。阻抗法改善了電力系統(tǒng)潮流計算問題的收斂性，解決了導(dǎo)納法無法解決的一些系統(tǒng)的潮流計算，在當(dāng)時獲得了廣泛的應(yīng)用，曾為我國電力系統(tǒng)設(shè)計、運(yùn)行和研究作出了很大的貢獻(xiàn)。但是，阻抗法的主要缺點(diǎn)就是占用計算機(jī)的內(nèi)存很大，每次迭代的計算量很大。當(dāng)系統(tǒng)不斷擴(kuò)大時，這些缺點(diǎn)就更加突出。為了克服阻抗法在內(nèi)存和速度方面的缺點(diǎn)，后來發(fā)展了以阻抗矩陣為基礎(chǔ)的分塊阻抗法。這個方法把一個大系統(tǒng)分割為幾個小的地區(qū)系統(tǒng)，在計算機(jī)內(nèi)只需存儲各個地區(qū)系統(tǒng)的阻抗矩陣及它們之間的聯(lián)絡(luò)線的阻抗，這樣不僅大幅度的節(jié)省了內(nèi)存容量，同時也提高了節(jié)省速度?？朔杩狗ㄈ秉c(diǎn)的另一途徑是采用牛頓拉夫遜法（以下簡稱牛頓法）。牛頓法是數(shù)學(xué)中求解非線性方程式的典型方法，有較好的收斂性。解決電力系統(tǒng)潮流計算問題是以導(dǎo)納矩陣為基礎(chǔ)的，因此，只要在迭代過程中盡可能保持方程式系數(shù)矩陣的稀疏性，就可以大大提高牛頓潮流程序的計算效率。自從20世紀(jì)60年代中期采用了最佳順序消去法以后，牛頓法在收斂性、內(nèi)存要求、計算速度方面都超過了阻抗法，成為直到目前仍被廣泛采用的方法。在牛頓法的基礎(chǔ)上，根據(jù)電力系統(tǒng)的特點(diǎn)，抓住主要矛盾，對純數(shù)學(xué)的牛頓法進(jìn)行了改造，得到了PQ分解法。PQ分解法在計算速度方面有顯著的提高，迅速得到了推廣。牛頓法的特點(diǎn)是將非線性方程線性化。20世紀(jì)70年代后期，有人提出采用更精確的模型，即將泰勒級數(shù)的高階項(xiàng)也包括進(jìn)來，希望以此提高算法的性能，這便產(chǎn)生了保留非線性的潮流算法。另外，為了解決病態(tài)潮流計算，出現(xiàn)了將潮流計算表示為一個無約束非線性規(guī)劃問題的模型，即非線性規(guī)劃潮流算法。近20多年來，潮流算法的研究仍然非常活躍，但是大多數(shù)研究都是圍繞改進(jìn)牛頓法和PQ分解法進(jìn)行的。此外，隨著人工智能理論的發(fā)展，遺傳算法、人工神經(jīng)網(wǎng)絡(luò)、模糊算法也逐漸被引入潮流計算。但是，到目前為止這些新的模型和算法還不能取代牛頓法和PQ分解法的地位。由于電力系統(tǒng)規(guī)模的不斷擴(kuò)大，對計算速度的要求不斷提高，計算機(jī)的并行計算技術(shù)也將在潮流計算中得到廣泛的應(yīng)用，成為重要的研究領(lǐng)域。