自组织建模（共7篇）
自组织建模 篇1
1 引言
活性污泥法污水处理系统往往是根据某一设定的水质水量参数及处理目标而建造的，在日常运行管理中，需要定时对进出水的水质及活性污泥性状测定，以便发现异常现象时及时调整，使其恢复正常运行。然而，污水水质指标参数的获得在实际运行中主要是依赖于小型试验。对于大型污水处理厂，日进水量达数十万吨,活性污泥法处理的一个运行周期通常需要十几个小时(延时曝气法则时间更长)，而且受水质指标测定仪表和测定方法的限制，几个关键的出水水质指标不能很快获得[1]。以COD(化学需氧量)为例，实验测定大约需要3小时才能获得结果。这对于依据处理后的水质指标做出操作决断来说，有必要提前预知处理后的污水水质指标情况，以便及时调整运行参数，使系统处于最佳的运行状态，提高处理效能。
污水处理工艺过程模拟和控制的关键是建立进水水质、运行控制参数与出水水质的预测模型，根据在线监测进水水质数据和运行参数进行实时预测和控制[2,3,4]。因此，合适的污水处理系统出水水质预测建模方案对于污水处理系统的正常运行尤为重要。
模糊神经网络融合了模糊推理的知识表达能力和神经网络的自学习能力，在自适应控制、非线性系统辨识和模式识别等诸多领域得到了广泛应用[5,6,7]。
模糊神经网络的设计包括结构辨识和参数辨识，结构辨识包括输入空间的划分和模糊规则数目的确定。传统的输入空间划分方法采用格栅法(Grid-type Partitioning)，模糊规则层的数目为所有规则的集合，即模糊化层输出的所有可能的排列组合。若输入变量为m个，每个变量的模糊论域为n个，则模糊规则数为n m个。该划分方法主要存在两个缺陷：一是输入空间的划分数目需要根据经验事先给定，网络结构在学习过程中保持不变，容易造成模糊规则的欠缺或冗余;二是对于复杂系统，随着输入变量数目的增加，模糊规则数目成指数级增长，从而带来维数灾难[8]。而采用基于聚类的方法对输入空间进行划分，在系统性能相同的前提下可以大大减少模糊规则的数目。
因此，本文基于聚类思想提出了一种自组织模糊神经网络算法用于污水处理系统的出水水质预测建模。该算法能够基于输入数据自动地调整网络结构和参数，进而实现模糊规则的自动生成和调整。
2 模糊神经网络的结构
不失一般性，考虑一个多输入单输出的模糊系统，该系统模型包含L条模糊推理规则，其中k条(1≤k≤L)规则为：
x={x i}i=1...是输入变量，ny k是结论变量。A ki是输入变量的隶属函数，取高斯函数，即：
cik、σik分别为高斯函数的中心值和宽度。
本文中模糊神经网络的拓扑结构如图1所示，由四层组成。
第一层为输入层，此层的各神经元直接与输入变量相连接。
第二层为模糊化层，这一层的节点被分为L组，每一组代表一条模糊规则的前件部分，每一节点用来计算输入变量的隶属度值µik(x i)。
第三层为模糊推理层，采用乘积推理，计算每条模糊规则的激励强度：
第四层为清晰化层，计算网络输出值y:
一、二层以及二、三层之间的连接权值均为1。wk为三、四层之间的连接权值，对应结论变量y k。
传统的模糊神经网络，输入变量划分的论域数需要根据经验事先给定，而对于不同的问题对象，缺乏一个行之有效的指导原则，因而很难得到输入变量论域数的最佳划分，往往造成模糊规则数的欠缺或冗余;同时，对于复杂的多输入变量系统，传统的划分方法面临着维数灾难的瓶颈问题。
3 模糊神经网络的自组织算法
自组织算法包括模糊神经网络结构自组织设计和参数优化两部分。整个学习过程中假定存在一个由P组n+1维输入-输出样本点组成的数据集：
3.1 模糊神经网络的结构自组织设计
本文采用RPCL(Rival Penalized Competitive Learning)聚类思想[9]对输入空间进行划分。该算法可以在学习过程中自动调整聚类数目，从而对输入空间进行灵活划分，得到最佳的模糊规则数。首先构建一个模糊神经网络的初始结构，在学习过程中删除一些节点和连接，从而得到最终的网络结构。
算法步骤如下：
Step 1随机选取L 0个样本点作为初始聚类中心{c k}k=1,2,...,L0，设定删除节点的阈值ξ，收敛判据的初值h=0，聚类中心数L=L0;
Step 2设置计数器t=1和最大学习次数T，从数据集合S中随机选择一个样本z p，计算
Step 3确定获胜神经元和竞争对手神经元
Step 4修改神经元w和神经元r的权值向量，其它神经元权值向量保持不变
αw(t)、αr(t)为神经元w和神经元r的学习率：
αw0、αr0为学习率初值，0≤αr0<<αw0≤1
Step 5 t=t+1,如果t≤T，则转向step 2，否则转向step 6;
Step 6对于每个样本，找出离它最近的聚类中心，并归入相应的类;
Step 7计算每类包含的样本数，如果与总样本数之比小于阈值ξ，则删除该类(节点)，L=L-1;如果没有节点被删除，则h=h+1;
Step 8如果h=2，停机;否则转向step 2。
自组织学习阶段完成后，产生了L个聚类中心(c 1,...,c k,...,c L),c k=(c 1k,c 2k,...c nk,w k)，从而确定了每条规则的前件部分中各高斯函数的中心值{c ik}i=1...n和后件参数w k。一旦获得了高斯函数的中心值，由N近邻启发算法，高斯函数的宽度可以简单的由下式计算：
cih表示与c ik最近的值，r为交迭参数，取值范围[1.0,2.0]。
由此，通过自组织学习阶段，可以获得模糊神经网络的结构(规则数)和参数初值(规则的前件、后件参数)。
3.2 模糊神经网络的优化学习
建立起模糊神经网络的结构之后，以自组织学习阶段获得的参数值作为监督学习阶段网络的初值，基于同一训练集合，采用变学习率、加入动量项的改进BP算法将各参数值调整到最优，从而得到模糊神经网络的最终模型。
根据(3)式，从集合S中任取一个输入样本x p，网络的输出为：
设误差函数为：
则c i,k的更新公式为：
类似地，我们可得到σi,k,w k的更新公式：
4 仿真实验
为验证本文所提出的模糊神经网络自组织算法的有效性，以某污水处理厂的运行数据为基础，用该网络模型建立污水处理系统的出水水质预测模型。
影响污水处理效果的因素很多，本文选取对污水处理效果影响较大的COD(化学需氧量)、BOD5(生化需氧量)、PH值、NH3-N(氨氮)、SS(悬浮物)等五个污水处理过程中的水质指标作为网络的输入向量，输出向量为经过活性污泥系统处理后的出水COD。
以某污水处理厂2008年全年实际运行的污水处理水质日报表数据作为研究的原始数据，对原始数据进行剔除异常数据和标准化预处理,得到330组数据，选取8月份的30组数据作为测试样本，其余月份的300组数据作为训练样本。
利用本文提出的自组织模糊神经网络建立污水处理系统出水水质预测模型，网络经过训练后，训练样本的实际值与模型输出值，测试样本的实际值与模型输出值分别见图2、图3。表1列出了训练样本和测试样本的各项性能指标。从图表中可以看出，该预测模型较好地模拟了活性污泥系统的运行情况，模型具有较好的预测精度和泛化能力。
其中，R M S E为均方根误差，A A E为平均绝对误差，A P E为平均百分误差，R为相关系数，µ为均值，σ为标准差，M i n为最小值，M a x为最大值。
5 结论
本文基于聚类算法，提出了一种自组织模糊神经网络，该网络能够根据不同的输入对象数据自动生成合适的网络结构，并对网络的参数进行优化学习。基于该自组织模糊神经网络建立的污水处理系统出水水质预测模型，较好的模拟了活性污泥系统的运行情况，网络具有较高预测精度的同时，具有较好的泛化能力。
参考文献
[1]杨维维,乔俊飞.基于递归高阶神经网络的污水处理系统建模[J].信息与控制,2011,5:710~714.
[2]丛秋梅,蔡天佑,余文.污水处理过程的递阶神经网络网络建模[J].控制理论与应用,2009,26(1):8~14.
[3]余伟,罗飞,杨红等.基于多神经网络的污水氨氮预测模型[J].华南理工大学学报(自然科学版),2010,12:79~83.
[4]吴灿东.用神经网络和ANFIS模拟污水生物处理过程[J].中国给水排水,2008,23:102~104.
[5]Juan R.Castro,Oscar Castillo,Patricia Melin,et al.A hybrid learning algorithm for a class of interval type-2 fuzzyneuralnetworks[J].Information Sciences.2009,179(13):2175~2193.
[6]Wang N,Meng Er J,Meng X.A fast and accurate online self-organizing scheme for parsimonious fuzzy neural networks[J].Neurocomputing.2008,72:3818~3829.
[7]Deng X,Wang X.Incremental learning of dynamic fuzzy neural networks for accurate system modeling[J].Fuzzy Sets and Systems.2009,160(7):972~987.
[8]Leng G,Prasad G,McGinnity T M.An on-line algorithm for creating selforganizing fuzzy neural networks[J].Neural Networks.2004,17:1477~1493.
水轮机调速系统自定义建模与应用 篇2
建立可表征现代调速系统实际特性的模型是提高电网安全稳定分析结论对系统运行指导性的重要基础[1]。为了研究水轮机调节系统的动态特性对电网的影响,实测其调速系统参数,建立符合电网稳定性分析所需的相应机组的调速系统模型十分必要。为了克服已有电力系统稳定计算分析软件BPA4.0中水轮机调速系统模型较简单的缺点,提出自定义的水电机组调速系统模型。水轮机调速系统模型由调速器模型和水轮机原动机模型组成。调速器模型有机械液压型、并联比例—积分—微分(PID)中间接力器型、并联PID一级电液随动系统等类型,只要选取原理结构相近的调速器模型,一般能较真实地反映控制系统的实际特性[1]。原动机模型为理想水轮机模型。文献[2]指出:水轮机模型对于用线性分析技术调整控制系统是有益的。但是,对于涉及功率输出和频率大变化的研究,这样的模型是不适合的,需要采取更详细的非线性模型[3]。
本文提出用非线性高阶传递函数表示水轮机调节系统被控对象的复杂模型,进行参数实测和模型辨识,建立实测模型,然后进行模型验证。仿真表明,该模型更符合实际。
1 水轮机及其调节系统模型
水轮机及其调节系统模型由调速器模型和引水道—水轮机模型组成。调速器模型模拟导叶开度的动作情况,以此通过引水道—水轮机模型仿真得到输出功率。
调速器模型由调节系统模型和执行机构模型组成。调节系统模型如图1所示。图中:KP,KI,KD分别为比例、积分、微分增益;TD为微分时间常数;Ef为人工频率死区;bp为永态调差率;ep为永态转差系数;YPID为调节器输出;Ymax和Ymin分别为调节器输出上、下限值;Ft为机组频率;Fg为频率给定值;Yg为开度给定值;Pg为功率给定值;P为机组功率。
该调速器执行机构属于2级液压放大的机械液压随动系统,忽略前置放大级响应时间,其简化模型如图2所示。图中:Kc为电液转换环节系数;um为主配压阀死区;Ty为主接力器反应时间(接力器时间常数);Ymax′和Ymin′为接力器输出上、下限值。
水轮机调速系统是一个水、机、电的综合调节系统,调节对象的特性十分复杂[2],而且呈现较强的非线性特性。在水轮机调节过程中,系统频率发生变化,超过设定的频率死区就会引起导叶开度变化,从而引起流量变化,在调节过程中产生水锤效应。因此,从频率的变化到功率输出是一个非线性时变过程,从满足电力系统稳定计算精度考虑,将电站的引水系统、水轮机、发电机组、电网等部分作为一个整体(被控对象部分)进行建模。选用一种能反映工程实际的高阶传递函数(见图3)加以代替。图3中,b3,b2,b1,b0,a4,a3,a2,a1,a0为转递函数系数。
2 水轮机及其调速系统模型辨识
在自定义调速系统模型中,调速器模型由PID型电子调节器模型和二阶随动系统模型组成,考虑了转速死区(主配压阀遮程)、人工频率死区、导叶动作速度响应时间和导叶开度限幅等非线性环节。其中,二阶随动系统可根据情况通过忽略Ty1而转换为一阶系统。不同工况点附近辨识得到的高阶传递函数代表的原动机模型库,能够更好地模拟原动机的特性。其模型框图如附录A图A1所示。
2.1 调速器模型的辨识
自定义调速器模型涉及转速死区ix,bp,Ef,KP,KI,KD,Ty1,Ty,导叶开启时间和关闭时间等参数,可参考GB/T 9652.2—2007《水轮机控制系统试验》、DL/T 496—2001《水轮机电液调节系统及装置调整试验导则》在机组静态下辨识得到。以下是某抽水蓄能机组调速器模型的辨识结果。(1)电子调节器参数实测结果:人工频率死区类型为机械型;Ef=0.06%,KP=3.5%,KI=0.590s-1,KD=3.03s,TD=0.116s;bp=4.74%。(2)随动系统实测参数结果:Ty=0.22s;Kc=1;um=0.042%;接力器开启时间Tg=14.8s;接力器关闭时间Tf=14.2s;导叶开度最小值为0。
2.2 原动机模型的辨识
与调速器模型参数的获取不同,高阶传递函数表示的原动机模型获取必须根据机组的动态频率扰动试验数据辨识。针对模型的辨识,开发了改进的最小二乘(LS)算法、遗传算法(GA)和粒子群优化(PSO)算法[4,5,6]。PSO算法在水电机组调速系统建模方面的应用还是首次,经工程实践检验了其有效性,从而丰富了水电机组原动机模型辨识方法。
2.2.1 辨识方法
目前常用的参数辨识方法有频域辨识法和时域辨识法[7],它们有一个共同的缺点,即只能进行线性系统的参数辨识,所辨识的结果无法反映系统的非线性动态特性[7]。水轮机调节系统是一个复杂的非线性、参数时变的闭环调节系统,引水道—水轮机模型是包含多个非线性环节的模型,为辨识得到模型参数,开发了改进的LS算法、GA和PSO算法。
参数辨识的基本思想如图4所示。对真实系统和系统模型给予相同的激励信号,比较真实系统输出和模型输出,根据偏差和等价准则,应用辨识算法不断寻优系统模型参数直至满足等价准则为止,把得到的模型参数与模型结构相组合,得到一定条件下的真实系统的等价系统。
2.2.2 辨识结果
扰动数据文件名为响应时间测定,功率模式;测试条件为:bp=4%,KP=3.5%,KI=0.7s-1,KD=2.0 3 s,阶跃频率为0.20Hz,实测数据见图5。
表1根据实测扰动数据采用LS算法、GA、PSO算法辨识得到水轮机组某工况下的原动机模型,与实测数据吻合较好,平均相对几何误差较小。
3 仿真结果
由静态参数实测得到的调速器模型和通过动态试验数据辨识得到的原动机模型构成了该水轮机组调速系统自定义模型,其仿真结果与BPA4.0程序提供的模型以及实测数据的对照情况见附录B图B1。自定义模型的开度吻合度为91.860%(平均几何相对误差小于0.017%),LS算法功率吻合度为98.163%(平均几何相对误差小于0.035%),GA功率吻合度为92.149%(平均几何相对误差小于0.059%),PSO算法功率吻合度为94.060%(平均几何相对误差小于0.037%);BPA模型的开度吻合度为75.607%(平均几何相对误差小于0.058%),功率吻合度为76.111%(平均几何相对误差小于0.370%)。这表明,自定义模型比BPA模型更加符合实际。
4 结语
BPA4.0程序中由机械液压式调速器模型和理想水轮机模型构成的调速系统模型过于简单且脱离实际,电网稳定分析结果的可信度低,可以通过自定义的模型加以改善。
由PID型调节器加二阶随动系统构成的调速器模型,贴近实际水轮机组调速器的结构,加之非线性环节考虑周全,可准确反映真实调速器的动作情况,仿真结果吻合度高,平均几何相对误差小。
从仿真结果来看,非线性传递函数代表的原动机模型仿真精度比理想水轮机模型好,而且根据实测数据辨识得到了原动机模型。试验方法简单,辨识方法选择多样,效率高,费用低,是研究建立电网稳定性分析用水轮机原动机及其调速系统模型的一种有效方法。
附录见本刊网络版(http://aeps.sgepri.sgcc.com.cn/aeps/ch/index.aspx)。
参考文献
[1]邓磊,周喜军,张文辉.用于稳定计算的水轮机调速系统原动机模型[J].电力系统自动化,2009,33(5):103-107.DENG Lei,ZHOU Xijun,ZHANG Wenhui.Hydro turbineprime mover model of governor system for power systemstability computation[J].Automation of Electric PowerSystems,2009,33(5):103-107.
[2]KUNDUR P.电力系统稳定与控制[M].北京:中国电力出版社,2002.
[3]桂小阳,胡伟,刘锋,等.基于水轮发电机组综合非线性模型的调速器控制[J].电力系统自动化,2005,29(15):18-21.GUI Xiaoyang,HU Wei,LIU Feng,et al.Governor controldesign on nonlinear hydraulic turbine model[J].Automation ofElectric Power Systems,2005,29(15):18-21.
[4]许立雄,吕林,刘俊勇.基于改进粒子群优化算法的配电网络重构[J].电力系统自动化,2006,30(7):27-30.XU Lixiong,LLin,LIU Junyong.Modified partical swarmoptimization for reconfiguration of distribution network[J].Automation of Electric Power Systems,2006,30(7):27-30.
[5]高林,夏俊荣,戴义平,等.基于遗传算法的联合循环机组建模和参数辨识[J].电力系统自动化,2010,34(4):34-37.GAO Lin,XIA Junrong,DAI Yiping,et al.Modeling andidentification of combined cycle units based on the geneticalgorithm[J].Automation of Electric Power Systems,2010,34(4):34-37.
[6]刘昌玉,梁学磊.水轮机调节系统被控对象模型辨识[J].水电能源科学,2007,25(2):77-79.LIU Changyu,LIANG Xuelei.Model identification ofcontrolled subject for hydro turbine governing system[J].WaterResources and Power,2007,25(2):77-79.
自组织建模 篇3
1自适应逆控制与现行控制技术比较
自适应逆控制[5]是通过运用自适应滤波方法来辨别被控对象的逆模型来实现精确控制的。通过该对象本身传递函数的逆 (控制器) 来驱动对象, 并以此来控制对象的动态性能, 是一种前馈控制。传统的反馈和自适应控制中针对噪声和扰动的控制都是通过从输出到输入的负反馈, 设计中只能在扰动消除和系统动态特性之间进行折中。但对于自适应逆控制而言, 对扰动的控制和对象动态特性的控制是两个单独的单元, 可以互不干扰。模糊控制, 即通过运用模糊数学, 系统性的模仿人工控制活动的策略。汽车巡航控制器通过模糊判断以及模糊控制规则来设定汽车的实际车速[6]。PID控制是根据实际车速与设定车速的偏差来实现汽车不变参数的巡航控制。PID控制优点较多, 但对于特性复杂的时变或非线性的过程, 如果出现参数调整不当等现象, 会使得系统不停地振荡以至于控制效果不佳。神经网络自适应控制系统在逼近非线性函数方面具有极大的优越性[7,8]。动态神经网络可作为一类非线性自适应滤波器, 可用于非线性自适应逆控制系统的对象的正向和逆向建模控制。因此, 本文将以非线性自适应逆控制研究为基础, 设计出较为合理的动态神经网络结构。
2神经网络非线性系统逆建模结构
直接法和间接法是神经网络建立非线性系统逆建模运用的主要辨识结构。本文通过间接法, 针对对象模型, 运用非线性系统辨识的方法建立对象逆模型, 如图1所示。其中, DAFNN-1是根据在线建立的被控对象动态神经网络模型, DAFNN-2是根据参考模型建立的被控对象的逆模型, 即系统控制器。在建模和逆建模的过程中, 利用S函数的倾斜度来调整DAFNN-1和DAFNN-2的输出层权值, 达到实时跟踪的效果。
3非线性系统神经网络逆建模仿真研究
为说明神经网络自适应逆控制系统的工作性能, 对如下非线性系统进行仿真实验:
令参考模型为d (k) = sin (r (k) 100) (k=1:4 000) , dist为白噪声干扰, DAFNN-2 (l) 隐层包含5个神经元, DAF-NN-2 (2) 隐层包含8个神经元, 可得到下列仿真结果如图2, 图3所示。
根据仿真结果分析, 当对象输出没有受到干扰时, 其在线辨识对象模型和逆模型有十分好的效果;当对象输出存在一些干扰时, 由于干扰的存在, 需要一段时间来将两个辨识模型收敛。总体可见, 基于动态神经网络的非线性自适应逆控制系统是十分可行的。
4结语
本文基于目前国内外对汽车自动巡航系统的综合考研, 设定了基于神经网络结构的非线性控制系统, 并通过对一个非线性系统的仿真具体分析得到了较为良好的控制效果。通过仿真结果分析, 该神经网络结构可适用于非线性的自动巡航系统, 通过调节S函数的倾斜度实现控制器的实时校正以及输出层的权值, 具有时间短、无超调等优点, 因此有较高的实际应用价值。
参考文献
[1]陈达兴.自适应巡航控制系统中前方有效目标识别算法研究[D].长春:吉林大学, 2011.
[2]苏玉刚.汽车ATM的系统设计和智能控制技术研究[D].重庆:重庆大学, 2004.
[3]朱永强.汽车自适应巡航系统的控制策略开发及行驶环境评估[D].长春:吉林大学, 2007.
[4]张德兆, 王建强, 刘佳熙, 等.加速度连续型自适应巡航控制模式切换策略[J].北京:清华大学学报:自然科学版, 2010 (8) :1277-1281.
[5]WIDROW B, WALACH E.Adaptive inverse control[C]//Proceedings of the 1993 IEEE International Symposium on Intelligent Control.Chicago, IL:IEEE, 1993:1-6.
[6]田雷.汽车自适应巡航系统的模糊自校正控制算法研究[J].长春:吉林大学, 2006.
[7]李明, 杨成梧.PID神经网络的改进PSO学习算法[C]//Proceedings of the 25th Chinese Control Conference.Harbin, Heilongjiang:[s.n.], 2006:1123-1125.
自组织建模 篇4
关键词：制动检验台,滚筒,AMESet,自定义建模
0 引言
制动性能是判定汽车安全技术状况的重要因素, 一般通过台试法或路试法进行测试, 目前台试法多采用滚筒反力式制动检验台。由于检验台的结构原理和工作特点导致台试检测并不能真实反映汽车在道路上制动的实际情况, 所测量的参量与路试法测得的参量也不同, 如何分析台试法的检测影响因素并进行合理调整使之尽可能更有效地反映汽车本身的制动性能[1,2], 如何建立台试法与路试法检测结果之间的联系[3,4], 一直是制动检验台研制和应用中备受关注的问题。
AMESim采用基于物理模型的图形化建模方式[5], 使用户免于繁琐的数学建模。基于AMESim对制动性能检测过程建立仿真模型, 进行模拟计算和深入分析, 是一种较为简便而又直观的方法。滚筒是检验台中的主要部件, 属于非标准、非通用部件, AMESim的模型库中没有适合的元件, 用现有元件虽然能够实现仿真计算的过程, 但是不能形象、准确地表示滚筒的物理模型, 也不便于分析时修改相关参数。本文以典型的单轴滚筒反力式制动检验台为例, 利用AMESim软件包中的AMESet实现滚筒的自定义建模。
1 滚筒的动力学分析
车轮在滚筒上进行检测时的状态如图1所示。
检验台的电机经过减速器驱动主动滚筒, 主动滚筒通过链传动带动从动滚筒。如果滚筒上没有车轮或有车轮但未进行制动, 电机启动后迅速达到稳定状态使滚筒保持等角速转动。车轮制动时, 车轮制动器的摩擦力矩使车轮减速旋转, 滚筒与轮胎之间产生切向的制动力克服制动器的摩擦力矩带动车轮继续旋转, 该制动力的反作用力就是滚筒表面的切向摩擦力, 电机在控制装置的控制下带动滚筒保持等角速转动。可自由转动和上下移动的第三滚筒与车轮接触, 获知车轮的转动情况, 在转速下降至接近抱死时, 发出信号使电机停止转动, 防止滚筒剥伤轮胎和保护驱动电机, 在这一过程中, 主动滚筒和从动滚筒均在切向摩擦力的作用下逐渐减速直至停止转动。
滚筒的受力如图2所示, 图中省略了轴承处的支反力。图2 (a) 、图2 (b) 分别表示主动滚筒、从动滚筒受力的情况。其中, F、N为0时, 表示滚筒空转;T为0时, 表示电机停止转动。
根据刚体绕定轴转动的角动量守恒定律, 有
式中, TR—刚体受到的合力矩;J—刚体绕转动轴线的转动惯量;β—刚体绕定轴转动的角加速度。
图2 (a) 、图2 (b) 中滚筒在受力形式上是一样的, 即
式中, T—施加在滚筒两端的力矩之和;F—滚筒表面受到的切向摩擦力;r—滚筒半径。
第三滚筒在实际中仅用来测量轮胎外缘的切向速度, 因此本文不对其进行受力分析。
2 滚筒的自定义建模
2.1
模型的功能建模时, 假设受检汽车车轮停放于滚筒的中间位置, 且认为轮胎只沿切线方向转动, 忽略检测过程中轮胎在滚筒表面的横向摆动, 并将轮胎与滚筒表面的接触简化为点接触。
为表示出主动滚筒和从动滚筒的受力情况, 模型应具有以下功能: (1) 在滚筒两端具有扭矩、转速的输入输出功能; (2) 在滚筒表平面具有切向力、切向速度和法向力的输入输出功能; (3) 应能够设置滚筒转动惯量和半径, 或者在模型内部给出其计算公式, 并能够设置所需的其他参数。
2.2 AMESim元件的设计元件设计的主要内容包括:
2.2.1 图标设计:
以滚筒的简图作为元件图标。
2.2.2 基于功率流原理分析输入输出变量:
(1) 主动滚筒两端分别受到作为转动动力的电机输入扭矩和作为转动阻力的链轮输入扭矩;与车轮接触点的法向力N与切向摩擦力F在滚筒与车轮接触时才会产生, 对滚筒来说是输入量;而滚筒的角速度和切向速度则是滚筒受力产生运动后的输出量。 (2) 从动滚筒的结构和受力形式与主动滚筒一样, 但是在链传动的带动下与主动滚筒保持等角速转动, 即一端是以角速度为输入量, 而扭矩则作为输出量通过链传动施加给主动滚筒;另一端可视为自由端, 假定扭矩为0输入量, 转速为输出量;与车轮接触点的输入量、输出量与主动滚筒相同。 (3) 第三滚筒只在与车轮接触点有切向速度作为输入量, 两端均为自由端, 假定扭矩为0输入量, 转速为输出量。
2.2.3 设置内部变量和参数:
实际检验台的参数指标不给出滚筒的转动惯量, 因此把转动惯量J设为内部变量, 把滚筒简化为有固定外径和内径的理想圆筒, 计算转动惯量所需的滚筒外径、内径和质量设为实参数;滚筒的角加速度设为内部变量。第三滚筒只需要设置滚筒外径1个参数。
2.3 AMESet中的建模过程
下面以主动滚筒为例说明自定义建模过程。
2.3.1
启动AMESet后, 如图3所示, 在菜单Modeling→Category settings→Add component的引导下添加新的元件。
其中的关键步骤是创建图标。在绘制或选择代表滚筒元件的图形后, 在图4 (a) 数字“1”所指位置选择端口类型, 点击数字“2”所指图标, 在图形边缘左右两端和上端中间位置分别添加代表转动和线性运动相应类型的端口图标, 然后点击数字“3”所指图标, 在图像边缘定义端口, 并选择端口类型, 数字“4”、“5”所指区域分别是图标预览和已定义端口列表。点击保存回到设计元件图标界面, 对新元件进行命名、描述, 并选择父类模型, 如图4 (b) 所示。点击OK后, 新的元件就会添加到模型库中, 查看模型库的树状列表, 可以看到新的元件图标已被添加相应的类或子类下。
2.3.2 创建新的子模型
新的元件只是一个框架模型。点击模型列表中的新元件图标, 弹出子模型列表窗口, 如图5 (a) 所示, 点击OK进入子模型创建界面, 如图5 (b) 所示。
在图5 (b) 中 (1) 区域内在端口1、端口3各添加2个变量, 在端口2添加3个变量, 在内部变量下添加2个变量, 在实参数下添加2个参数;同时在 (2) 和 (3) 区域内对各变量和参数进行详细设置。在 (4) 区域进行如图设置。保存生成新的子模型。
2.3.3 完成子模型代码。
在编程语言中选择C, 依次点击右边3个图标, 用于生成子模型代码、修改子模型代码和编译当前子模型, 如图6所示。
当点击第2个图标时, 将打开源代码文件。在代码的相应位置, 添加对滚筒外半径r和内半径r0的定义, 如图7 (a) 所示, 添加对外半径r、内半径r0、转动惯量J、角加速度accel和切向速度st的计算公式, 如图7 (b) 所示。
子模型编译后就完成了自定义建模的全部工作, 可以在菜单View下点击相应子菜单分别预览在AMESim参数模式和仿真模式下的显示情况, 检查设置是否正确。主动滚筒子模型外部变量如图8所示。
3 AMESim中的模型验证
启动AMESim, 在模型列表添加新创建的元件和子模型, 并调用一个实例进行验证。以主动滚筒为例, 主动滚筒与机械库中的转动惯量元件具有相同的端口, 只是多一个以切向摩擦力、法向力为输入量和以切向速度为输出量的端口, 因此, 采用如图9 (a) 所示的简单系统, 将转动惯量元件和主动滚筒元件的相应参数设为相同数值, 得到的各输出量曲线完全一致, 且输出如图9 (b) 所示的切向速度曲线。对切向摩擦力的输入响应也符合受力分析公式, 说明自定义子模型符合AMESim的元件规则, 计算正确, 满足功能需求, 实现了自定义建模的预期目标。
4 结束语
在AMESet中对制动检验台的主动滚筒、从动滚筒和第三滚筒进行了自定义建模, 创建了在AMESim中可用的新元件和子模型, 能够更形象、准确地表示滚筒物理模型, 便于修改参数, 为后续分析工作奠定了基础。
AMESim及AMESet中可以实现不同单位制之间的自动转换, 避免了单位制转换系数带来的繁琐计算工作, 在机电液等多领域耦合的工程应用问题分析中具有突出优势;可以实现积分运算的自动运行, 避免了积分算法代码编写和积分步长确定等数学问题, 有利于工程技术人员更加关注工程问题本身。
参考文献
[1]黄孝慈.影响制动性能检测关键因素的分析研究[D].东北林业大学, 2006.
[2]夏均忠.汽车检测技术与设备[M].北京:机械工业出版社, 2009.
[3]査小净.汽车制动性能检测方法的比较与关联性研究[D].南昌:华东交通大学, 2010.
[4]吴晓东, 黄孝慈, 李冰.制动性能台试检测方法的力学仿真及其与路试方法的关联性分析[J].哈尔滨:东北林业大学学报, 2006 (5) :90-92.
自组织建模 篇5
交直流混联电网对电力系统安全稳定运行分析的仿真计算提出了更高要求,尤其是对直流系统有模型精确、仿真高效、支持大规模电网等多方面的综合要求。国内外通常采用PSCAD/EMTDC和RTDS对直流系统进行精确的电磁暂态仿真,但电磁暂态仿真效率较低,难以满足交直流混联大电网的快速仿真要求。在大电网下采用运行高效的PSASP、BPA、PSS/E等机电暂态仿真软件,且不断提升机电模型的仿真精度是一种可行的解决方案。但必须注意的是,目前商业软件中的直流及其控制模块均已“黑箱”封装,用户不可控制及更改其结构。由于交直流混联电网的复杂性,用户对元件动态、控制策略、系统运行经验等均存在积累认识过程。但现有的这种“黑箱”封装模式,没有预留更改接口,用户无法对其主动融入相关经验认识。
为了实现模型的改动,也有商业软件提供了间接方案,即通过预设的程序接口,允许用户调用程序内容数据,从而实现元件模型的自定义模拟。这通常被称为软件的自定义功能。具备自定义功能后,用户可完全根据自身的研究对象和仿真需求,利用标准化的接口,通过特定的计算机语言,以及遵循合理的流程,实现对研究对象的透明化模拟。利用自定义功能建模,更可以将元件运行经验及模型的认识有效融入,从而实现主动式的模型精度提升。
在北美及欧洲获得广泛应用的电力系统分析软件PSS/E,在用户自定义功能这块具备突出的特色,相关的研究不断有报道[1,2,3]。但研究对象也仅涉及励磁系统[4,5,6,7]、调速器[8],自动发电控制[9]这类单一端口的简单元件,鲜有对直流系统这类复杂对象的研究。
针对上述问题,本文首先根据PSS/E程序的结构设置,深入研究了PSS/E自定义建模方法,以直流系统为具体的研究对象,明确了其自定义建模方法;然后,依据直流系统的结构组成,重点介绍了换流器、控制系统和直流线路的建模实施步骤,展开了自定义模型在数据要求、流程管控、模型适用性等方面的深入讨论;最后,以CIGRE直流输电标准测试系统为例搭建了相应的自定义模型,并与PSCAD/EMTDC下的电磁暂态模型进行了对比测试。
1 PSS/E自定义建模原理
在程序结构方面,PSS/E程序将元件模型库以DLL动态链接库的形式加载,按照预设的固定流程进行重复性调用。在调用过程中,需要分别完成代数量、状态量的计算。同时,相关的输入、输出数据均需要有专门的数组贮存并供主程序调用。
在自定义建模中,PSS/E会使用各类数据,这里包括了各种参数变量和常量,即元件模型中的放大倍数、时间常数、输入及输出变量等。利用PSS/E进行自定义建模,必须妥善处理好所采用的数据进行类型定义和归类贮存与管理。在PSS/E主程序中已出现的,可视为全局数据,可供自定义模型直接调用,无需重复定义。相关数据要以动态数组的形式贮存。常见的数组及其功能如表1所示。因此,PSS/E的自定义建模实际上就是一种利用标准计算机语言,按照预设的调用流程、接口要求,生成研究对象数学模型的库文件,并供PSS/E程序识别调用的过程。这个过程的核心是在链接子程序CONEC和CONET文件[10]中完成对研究对象的特定描述。
在CONEC中,主要考虑的是建模元件的自身结构及其各组成单元间的逻辑关系。因此,针对不同的建模对象在CONEC中的具体工作内容会有区别,但工作流程相同。均要按照PSS/E程序的接口要求,通过内部标志MODE[10]48的改变依次完成模型的初始化、代数量计算与状态量计算更新等,如图1所示。
在CONET文件中,主要完成节点对系统的注入电流计算。这一过程在下节详细介绍。
2 PSS/E中直流系统自定义建模方法
对于复杂元件的自定义建模,需要考虑其元件自身结构及各组成单元间的逻辑关系,同时还要解决研究对象与PSS/E程序的交互。以直流系统而言,换流母线可视为直流系统与交流系统的连接纽带。从交流侧看,直流系统对交流系统的作用可体现在换流母线上的功率注入。从直流侧看,交流系统对直流系统的作用可体现在对换流器触发角的改变。因此,对直流系统的自定义建模可以依托换流母线分割成相对独立的两个部分,如图2所示。
第一个部分,是模拟直流系统与交流系统的功率交互。在PSS/E暂态仿真过程中的交互功率并不能直接使用,结合自定义模型在链接子程序CONEC和CONET中的工作内容,可将直流系统对交流系统在功率方面的注入转换成其他形式。本文的思路是选择将换流母线上的注入功率与母线电压联立,进一步将交互的功率转化成在换流母线上的注入电流形式,如图2所示。在每一仿真时步,PSS/E程序计算节点注入电流并采用CURNT数组保存。注入电流在PSS/E中的执行方法如式(1)~(2)所示:
其中CURNT()为注入电流数组,N为整流侧或逆变侧的换流母线编号;,DC_Contibution为直流系统对换流母线的模拟注入电流,为当前时刻直流系统整流侧或逆变侧注入交流母线的功率,为当前时刻直流母线电压,以上均为复数。整流侧和逆变侧均要进行注入电流的更新,自定义直流模型以此达到模拟直流系统在网络中的作用效果。
第二个部分,是模拟直流系统的本身动态。在PSS/E中可利用内部数组VOLT读取每个时步下的换流母线电压幅值和相角。将这些数据输入到具体的直流控制环节中,譬如定电压、定电流控制环节中,就可获得对应换流器工作的触发角。结合换流器的数学模型,可获得直流电压、直流电流等一系列直流电气量。
综上所述,自定义模型既要承担反映元件动态的微分方程求解,又需要计算注入电流,并完成代数方程求解。可采用PSS/E中的协调调用模式(Coordinated Call Models,CCM)实现自定义模型的两部分工作结合要求。但要注意协调调用模式有特定的格式要求,即以子程序的形式写在CONEC文件中,将主程序的第一个字母替换成T后命名。
3 直流自定义建模的关键问题
3.1 换流器模型及其改进
换流器是直流系统中的核心器件,目前在机电暂态程序中主要采用的是准稳态模型。换流器准稳态模型如式(3)~(16)式所示[10]:
整流侧:
逆变侧:
其中Uac,net为换流母线电压值,Eac为换流母线电压经过换流变比之后的值,Udc为直流电压,Udio为理想空载直流电压,Idc为直流电流,TR为换流变压器的变比,TAP为变比分接头,N为换流桥桥数,α为点火角,γ为熄弧角,μ为换向重叠角,Pac和Qac分别为交流侧向直流注入的有功和无功功率,φ为功率因素角。
准稳态模型在推导过程中存在假设条件的限制要求[11,12,13]:(1)换流器母线的三相交流电压是对称、平衡的正弦波;(2)换流器本身的运行是完全对称平衡的;(3)直流电流和直流电压是平直的。但在实际仿真中,上述理想化的要求难于完全严格满足。同时,机电暂态下的换流器工作电路是采用平均导通的情况来模拟。故而也不能表示详细的换相过程,因此也无法具体展现对逆变器换相失败以及控制系统对换流过程的影响。这将直接导致换流器准稳态模型与电磁暂态模型在换相失败期间的电气量输出会存在一定差异。
在换流器模型的精度提升方面,可充分发挥自定义模型灵活的特点,即通过提取电磁暂态直流模型获取换相失败期间的响应特征,并将提取到的故障响应特征加载到自定义直流模型中,从而改善在换相失败期间的直流输出特性。
3.2 控制系统建模
直流控制系统实时监测和读取直流线路中整流侧和逆变侧的电压和电流,通过控制系统作用输出触发角并送至换流器中。通常,整流侧采用定电流控制,而逆变侧采用定电压控制或定熄弧角控制。本文中的控制系统参考CIGRE直流模型,其控制框图如图3所示。
其中各变量的下标REC和INV分别代表该数据为整流侧和逆变侧的数据;输入量Udc,Idcc,γ别为直流电压,直流电流和熄弧角;K和T分别为各类放大倍数和时间常数。自定义建模时,需将对应的换流器模型及相关的控制系统以Fortran或Flecs语言以代码的形式写入CONEC文件中。另外,所使用的数据中,常量如线路数据、初始化电气量如Pord,γord,由潮流sav文件中获得,控制参数值如各类积分时间常数由动态dyr文件中获得,而控制过程中的变量如直流电流、电压Id,Vd等需要结合换流器模型从程序内部计算中获得。
3.3 直流控制的小步长模拟
在机电暂态程序中,交流仿真步长通常设置为0.5个周波,即0.01 s。但在直流系统中,直流控制属于毫秒级,采用0.01 s的仿真步长将明显过大,无法展现直流控制的快速调节。因此,应在直流自定义模型中采用小步长,从而实现直流系统与交流系统的不同步长仿真。针对该问题,可在自定义模型的执行流程中进行调整。
初始化结束后,PSS/E程序将在每个仿真时步循环执行自定义模型中MODE=2和MODE=3的内容。
MODE=2,主要涉及直流控制系统,核心工作是读取两侧换流母线电压、换流变变比,求出直流电压、直流电流,并对控制环节中的各个状态变量进行求导,进而得出这一时步下整流侧和逆变侧的触发角。
MODE=3,主要涉及对等效注入电流的处理,核心工作是利用更新后的各状态量,得到直流系统对交流系统换流母线上注入功率,利用CCM模式将注入功率转化成等效注入电流,并存储在PSS/E内部数组CURNT中。
交流积分步长显著大于直流积分步长,可在自定义模型中按照多步长比值次数循环执行MODE=2的内容,再执行一次MODE=3的内容,从而实现直流系统与交流系统的不同步长仿真。
4 仿真案例研究
以CIGRE直流输电标准测试系统为例[14],在PSS/E中以上述方法搭建了双端直流模型,并与PSCAD/EMTDC环境下的该模型进行了仿真结果对比,以此验证本文所建模型的正确性。控制框图的各类参数值如表2所示,仿真系统为南方电网某一实际案例。
案例一:系统于0.1 s在逆变站换流母线处发生三相金属性故障,落后0.1 s后故障清除。相关仿真曲线如图4所示。
图4中的曲线依次是直流电压,直流电流,逆变侧的直流功率,逆变侧换流器消耗的有功功率,逆变侧熄弧角。图中除熄弧角之外均采用标幺值,其中直流电压基准值为直流电压额定值500 k V,功率的基准值为直流额定传输功率5 000 MW。由图4可知,所搭建的PSS/E直流自定义模型与EMTDC下的详细电磁暂态模型相比,在故障期间能准确的反应详细直流模型动态响应特性的关键信息。即换相失败期间逆变侧的熄弧角降为0°,两侧直流电压振荡衰减与直流电流增减的特征与幅值全部吻合。尽管也存在故障切除时刻两者之间的差异,但在后续的恢复过程中,两模型的仿真结果趋于一致。
案例二:系统于0.1 s在逆变站换流母线处发生非三相金属性故障,过渡电阻18Ω,0.1 s后故障清除。相关仿真曲线如图5所示。
图5中的曲线依次是直流电压,直流电流,逆变侧的直流功率,逆变侧换流器消耗的有功功率,逆变侧熄弧角。由图5可知,所搭建的PSS/E直流自定义模型与EMTDC下的详细电磁暂态模型在故障及恢复期间的特性吻合,变化趋势一致。上述案例验证了所建自定义直流模型的正确性。还可进一步利用PSS/E自定义功能,根据实际需求加入辅助控制环节,从而自定义出更接近实际的模型。
5 结束语
自组织建模 篇6
关键词：压力油箱,AMESim,AMESet
1 概述
对于许多重型车辆,其综合传动装置的供油系统通常均含有压力油箱。压力油箱主要用作综合传动装置供油系统中操纵、变矩器充油等供油泵的吸油源(工作中充分保证各泵吸油),并提供润滑供油和减速偶合器供油。在综合传动装置供油系统中,压力油箱除了具备以上储油、供油作用外,还在稳压性能方面具有重要的意义,其稳压性能好坏直接影响到整个液压系统及综合传动装置的性能稳定性,因此在其系统仿真前,建立适当的压力油箱模型非常重要。
2 压力油箱的建模
2.1 一种供油系统压力油箱的工作原理
图1为此种压力油箱的工作原理图。供油系统由回油部分、压力油箱、供油部分、润滑及其他一些液压液力部分组成。压力油箱由箱体、油、气定压阀等组成,供油系统通过泵2将箱体底壳的油净化后供向压力油箱,压力油箱储油后向液压系统其他部分提供稳定洁净的油源,并通过自身定压阀定压。
2.2 建模与仿真
2.2.1 压力油箱中气体特性分析
为了简化分析过程,将压力油箱中的气体假设为理想气体,且压力油箱变形忽略不记。
压力油箱中的气体满足理想气体状态方程:P气·V气=m气·R·T气(1)
P气—压力油箱中的油、气绝对压力Pa;
V气——压力油箱中的气体体积m3;
m气——压力油箱中的气体质量kg;
R——空气的气体常数J/kg·K;
T气——压力油箱中的气体温度K;
压力油箱中气体内能的变化:
U——压力油箱中气体的内能J;
mi·hi——压力油箱各气体接口的焓流量J/S;
dQ/dt——压力油箱中气体与外界的热交换率J/S;
K热交换系数J/s/m2;
A气——热交换面积m2;
Text——外界温度K;
dW/dt——压力油箱中气体做工的能量交换率J/S;
u——空气的比热力学能;
将式1-05带进式1-02可得:
Cv——空气的定容比热J/kg/K;
CP——空气的定压比热J/kg/K;
Cp0——空气的参考定压比热J/kg/ K;
Tref气——参考温度K;
Pref气——参考油压PaA;
将式1-03,1-04,1-07带入式1-06可得:
对式1两边求导可得:
2.2.2 压力油箱中液体特性分析
压力油箱中的液体的温度微分方程:
T——压力油箱内油液温度degC;
dH——压力油箱油液的能量变化W/S;
Cp——油液的比热J/(kg·degC);
CP0——常温下油液的比热J/(kg·degC);
Ct、Ct2、Cp、Cpt——均为计算系数,根据具体油液查相关资料,
Tref——参考温度degC;
P——油液的压力PaA,
Pref——参考油压PaA;
p——油液的密度kg/m3;
VS0——常温下油液的比容m3/kg;
αp、αp2、αt、αt2、αpt——均为计算系数,根据具体油液查相关资料;
V液——压力油箱内油液的体积m3;
压力油箱油液的能量变化:
dmh1,dmh2——随油液进入压力油箱的焓的流量w/s;
dh——压力油箱油液与外界的热交换w/s;
dm1,dm2——进入压力油箱的油液的质量流量kg/s;
h——压力油箱油液的质量焓(J/kg):
压力油箱油面0时,油箱低部油压变化:dp=dp气+(dm1+dm2)·g/Ad (17)
Ad——压力油箱低面积。
2.3 压力油箱建摸
a)首先利用AMESim建立一个自定义类及图标,见图2;
b)在AMESim刚建的自定义类中增加一个元件即压力油箱,并为建立相应图标,在图标中设置相应接口,见图3;
c)利用AMESim中的AMESet模块对压力油箱的各接口进行参数设置:
首先打开AMESet模块,在AMESet的模型类中找到刚建的自定义类图标,打开并找到压力油箱图标,用鼠标单击压力油箱图标打开Submodel list对话框,选中给定的压力油箱名称,
点确定按扭进入元件模型编辑界面,对压力油箱的各接口进行参数设置,见图4;
d)用AMESet模块对压力油箱的各接口参数设置完成后,点击编辑界面的编辑当模型按扭,对压力油箱模型进行自动编辑,见图5;
e) AMESet模块对压力油箱模型的自动编辑程序:
f)根据压力油箱的数学分析,在AMESet自动编辑程序基础上对压力油箱的模型程序进行完善:
仿真结果基本符合此种压力油箱工作时的油面及压力变化规律:供油系统压力在油箱油面低时通过油箱中气体溢流定压,当油面到达油液溢流口高度时,系统通过油液溢流定压,并且随着溢流口开度的增加系统压力跟着增加,达到平衡时系统压力随之稳定。由于油箱内气体温度的变化,系统压力稳定后,油箱油面还会有一定的增加,直到油箱中气体温度也稳定。并且系统中一些元件流量的突然变化会对系统压力有较大影响,我们在系统设计时应给予考虑。从上结果看,此种压力油箱的自定义建模可以能满足一些含压力油箱,且要求不高的供油系统的AMESim仿真要求。当然,如果我们对自定义模型的使用条件和数学模型有更好的了解,那这种自定义模型的搭建将会更好的满足我们供油系统整体仿真的要求。
2.4 压力油箱应用的模型搭建及仿真
2.4.1 压力油箱应用系统建模
模型结构见图12。
2.4.2 压力油箱应用系统仿真
假设发动机处于2000r/min的恒转速工况下,对系统进行仿真,仿真结果如下:
3 结论
参考文献
[1]路甬祥．液压气动技术手册[M]．北京：机械工业出版社．2002．1
自组织建模 篇7
电力系统稳定器(Power System Stabilizer,PSS)是励磁调节器通过一种附加控制功能,借助于自动电压调节器(Automatic Voltage Regulator,AVR)控制励磁输出,阻尼同步电机的低频功率振荡,用以改善电力系统稳定性能的1个或1组单元。根据IEEE Std 421.5—2005标准,PSS的模型可划分为PSS1A型(单输入)和PSS2A型(双输入)、PSS2B (双输入)、PSS3B (双输入)以及PSS4B(多频段)。
PSS1A为单输入PSS,主要采用发电机电功率作为输入量,对滤波后的电功率分量进行超前滞后处理,从而产生足够的阻尼转矩,以达到抑制低频振荡的目的。PSS2A/2B为双输入PSS,主要采用发电机转速和电功率作为输入,将它们组合成加速功率(即原动机功率与电功率之差)的积分信号,然后再通过领先-滞后环节送入电力系统稳定器。PSS2A/2B具有易实现、噪音小等特点,并且不会出现反调现象,因此得以普遍采用[1]。PSS3B也是双输入PSS,采用发电机转速和电功率作为输入量,参数不易整定,在我国使用很少。PSS4B是1个多频段的PSS,用3个差分滤波器将低频振动频率分成3个频段,相当于并联3个不同转速分量输入的PSS,以此抑制电力系统3种低频范围的振荡,提高电力系统稳定性。
对于新型多频段电力系统稳定器PSS4B,许多学者对其建模进行了研究。文献[2]对PSS2B以及PSS4B的模型及其原理进行了详细介绍,比较了2种PSS的本质差别,并给出了对应的时域以及频域仿真及分析。文献[3]研究了Matlab/Simulink中的PSS4B模型,通过设置典型故障及扰动,仿真了其动态响应特性,说明了多频段PSS的优势。文献[4]对PSS的结构进行了频域特性分析,并对多频段PSS的参数进行了优化,改变补偿频段的宽度。
本文使用电力系统分析综合程序(PSASP)中的
用户自定义(UD)建模模块,对PSS4B完成了自定义建模,并在PSASP中搭建了单机无穷大系统,在该系统基础上测试所搭建的PSS4B模型在负载阶跃、系统发生短路故障以及不同系统联系阻抗下的时域动态响应特性。结果表明,PSS4B在不同运行工况下,可以提供良好的阻尼效果并快速恢复稳定状态,而且能适应系统强弱的变化,抑制效果优于常规的电力系统稳定器,具有较强的适应性和通用性。
1 多频段电力系统稳定器PSS4B
PSS4B是由加拿大魁北克电力局提出的一种新型稳定器,它在PSS2B的基础上加以改进而形成。它的最大特点就是将输入信号分成低频(0.04～0.06Hz)、中频(0.1～1.0Hz)和高频(0.8～4.0 Hz)3个频段,它们都可以单独调节增益、相位、输出限幅以及滤波器参数[1]。PSS4B原理图如图1所示。
在PSS4B中,每个频段都采用独立的超前/滞后滤波环节对各个频段的分量进行调节,从图1中可以观察到,PSS4B以发电机转子转速和有功功率为输入信号,通过速度传感器处理后传递给各频段滤波环节,各频段的滤波环节都可以设置成对称的带通滤波器,并根据需要调整带通滤波器的幅值和中心频率,从而为不同频段的低频振荡提供合适的阻尼。
1.1 稳定性模型
PSS4B中每个频段都由正负2个分支组成,每个分支又由增益环节、隔直环节以及2个标准的超前滞后模块组成,其数学模型如图2所示。
PSS4B模型以发电机转子转速和有功功率为输入信号,通过信号采集传感器作用后将输入信号滤波成低频、中频、高频分量分别进行调节,最终形成PSS输出信号。
1.2 参数设置
文献[1]给出了1组PSS4B通用参数,适合于任何自并励励磁系统,如表1所示。
其中,低频、中频以及高频的中心频率为分别为:FL=0.07 Hz,F,=0.7 Hz,FH=8.0 Hz,各参数的计算公式如下:
注:表1中K为放大倍数;T为时间常数(s),umax、umin分别为输出的最大、最小值(p.u.);下标L、I、H分别代表低频段、中频段、高频段分量;下标S代表PSS输出。
式中:半径常数R=1.2;TL1、TL2、TL7、TL8为低频段控制环节的时间常数;KL1、TL2为低频段控制环节的放大倍数。
2 PSS4B的UD建模
本文利用PSASP中的UD模块搭建PSS4B数学模型,所搭建的PSS4B速度传感器模型图以及其各频段带通滤波器的传递函数模型图分别如图3和图4所示。
图3中,中间变量TM1为转速低频段、中频段滤波分量,TM2为转速高频段滤波分量;UD建模中各环节的参数采用表1中给出的PSS4B通用参数。
本文自定义建模中的速度传递函数采用IEEE Std 421.5—2005标准中推荐的模型。在自定义建模过程中,设置TM10为中间变量,代表转速偏差,TM10与发电机输出电磁PG分别通过速度传感器函数输出TM1、TM2。由于PSASP中自定义建模程序中没有自带二阶零点方程,因此在对速度传感器进行建模时,需要将速度传感器的函数分解为若干低阶函数串联建模。
3 仿真计算与分析
本文在PSASP中搭建单机无穷大系统,仿真中对比发电机在未投入PSS、投入PSS2B以及投入PSS4B时发电机在负载阶跃响应、电力系统三相短路故障响应以及系统联系阻抗发生变化时输出电功率以及转速的响应曲线,验证各种情况下PSS4B对电力系统功率振荡的抑制效果。
PSASP中所搭建的单机无穷大系统模型如图5所示。其中,同步发电机配备原动机系统、自并励励磁系统及其附加PSS环节;发电机经过变压器,通过双回线与无穷大母线相连。
图5中发电机采用自并励励磁系统,发电机及其励磁系统的参数采用文献[5]中4机2区域系统中所提供的发电机、励磁系统及其PSS参数。
3.1 负载阶跃响应
在单机无穷大系统中,设置发电机励磁参考电压在第1 s发生10%的阶跃,阶跃持续时间0.1 s,分别在发电机未投入PSS、投入PSS2B、投入PSS4B 3种情况下仿真,观察负载阶跃条件下发电机输出电功率以及转速的时域振荡曲线,分别如图6、图7所示。
从图6和图7可以看出,当对发电机进行负载阶跃仿真时,发电机输出功率发生振荡,无PSS投入时,发电机输出功率持续振荡,加装了PSS后,输出功率以及发电机转速的振荡波形得到抑制并快速恢复平稳。并且,当采用PSS4B时,振荡幅值最小,并且最快恢复至稳定状态,表现出了良好的抵抗小干扰性能。
3.2 短路故障响应特性
在单机无穷大系统中,设置变压器母线与无穷大母线中相连双回线中的1回线在第1 s发生三相短路故障,故障持续时间0.1 s,分别在发电机未投入PSS、投入PSS2B、投入PSS4B 3种情况下仿真,观察故障后的发电机输出电功率以及转速的时域振荡曲线,分别如图8、图9所示。
从图8和图9可以看出,当系统出现三相短路故障后,系统发生了相应的低频振荡,无PSS投入时,系统发生弱阻尼持续振荡,加装了常规PSS2B以及新型PSS4 B电力系统稳定器后,振荡波形得到抑制并快速恢复平稳。并且,从发电机的时域振荡曲线可以看出,采用PSS4B时,发电机功率振荡的幅值较采用PSS2B时小,恢复至稳定的时间较快,显示出了良好的阻尼特性。
3.3 系统适应性
改变系统中联系阻抗的大小,设置系统的联系阻抗依次为XL=0.05 p.u.和XL=0.01 p.u.,设置无穷大母线处发生0.1s瞬时三相短路故障,分别在发电机未投入PSS、投入PSS2B、投入PSS4B 3种情况下,观察发电机输出功率的振荡曲线,如图10和图11所示。
从图1 0和图11中可以看出,当系统阻抗XL等于0.01 p.u.时,系统联系阻抗较小,PSS2B和PSS4B均能有效地抑制系统振荡;当系统阻抗XL等于0.05 p.u.时,未投入PSS时,系统阻尼较弱,故在系统发生瞬时三相短路后,发电机功率出现持续振荡,投入PSS后,系统的阻尼提高,振荡得到明显抑制,其中PSS4B使系统振荡恢复平稳时间最短,效果比PSS2B稍好,体现出了充足的阻尼效果。
因此,在不同联系阻抗下,PSS4B显示出十分良好的阻尼特性,能快速抑制低频振荡,适应系统强弱的变化,具有较强的适应性。
虽然针对某一振动频率,PSS2B抑制振荡的效果与PSS4B相接近,但当系统的振荡频率发生改变后,PSS4B的阻尼效果更好。尽管PSS4B模型中需要整定的参数很多,但是可以使用一套通用参数[6],且不随电力系统的不同而发生改变,因此,PSS4B的通用性更强。
4 结语
本文针对多频段电力系统稳定器PSS4B进行了原理介绍,并在PSASP中完成了PSS4B的用户自定义建模,对其时域动态响应进行了仿真,仿真中将其与常规PSS2B模型的时域动态特性进行了比较,得出以下结论:PSS4B可以抑制不同运行工况下系统的低频振荡,提供良好的阻尼效果,并且能适应系统强弱的变化,抑制效果优于常规的电力系统稳定器,具有较强的适应性。由于PSS4B可以只使用一套标准参数,因此,PSS4B的通用性更强。
摘要：传统电力系统稳定器PSS2A2B都是针对某一振荡频率而设计,而多频段电力系统稳定器PSS4B可以为多个频段的振荡提供合适的阻尼。在电力系统分析综合程序(PSASP)中完成了PSS4B的用户自定义(UD)建模,并在单机无穷大系统中考察了其时域动态响应特性。结果 表明,PSS4B可以提供良好的阻尼效果,抑制不同运行工况下系统的低频振荡,并且能适应系统强弱的变化,抑制效果优于带规电力系统稳定器,具有较强的适应性和通用性。
关键词：PSS,PSS4B,低频振荡,PSASP,自定义建模
参考文献
[1]刘取.电力系统稳定性及发电机励磁控制[M].北京:中国电力出版社.2007.
[2]KAMWA I.GRONDIN R.TRUDEL G.IEEE PSS2B Versus PSS4B:the Limits of Performance of Modern Power System Stabilizers[JJ.IEEE Transactions on Power Systems,2005,20(2):903-915.
[3]尚超,丁坚勇,马曦.新型电力系统稳定器PSS4B的分析与仿真[J].华东电力,2013,(3):575-578.
[4]邱磊,王克文,李奎奎,等.多频段PSS结构设计和参数协调[J].电力系统保护与控制,2011,(5):102-107.
[5]KUNDUR P.Power System Stability and Control[M].New York:McGraw-Hill Inc.,1994.