同步发电机建模

1、第三讲同步发电机建模，一、一次性任意减载试验方法，1.1传统方法，测量端口电压和功角。d轴减载：使发电机Id=0，即Q轴减载：使发电机Iq=0，即1.2新方法、1次任意状态减载增加，测量励磁电流和功角由前后稳态条件决定。用励磁电流识别一些参数，用暂态识别Xd和Td0识别Td0 ，未知，q轴参数未知，只有两个电抗之间的差可以用包络线识别，这是完全已知的，用电压识别其余参数Xd ，Xq ，Tq0 ，识别结果很好！识别效果非常好！二。基于励磁小扰动的参数识别，以前的试验：甩负荷试验，系统故障励磁小扰动：改变电压参考值Uref输入变量：励磁(绕组)电压Uf输出变量：发电机功角，端口三相交流电压，端口三

2、相交流电流测量：RTDS试验PMU测量，2.1试验方法，2.2参数识别，来自RDTS的数据直接识别Q轴结果由PMU收集的数据识别Q轴结果，来自RDTS的数据直接识别D轴结果，励磁扰动对识别精度的影响，Q轴2扰动和Q轴下的识别结果当D轴辨识结果为2步和10步时，结果表明扰动的变化对稳态参数的辨识精度没有明显影响，但对暂态和亚暂态参数的辨识精度变化相对明显。扰动类型对识别精度的影响，注意扰动是通过改变电压参考值Uref产生的，而不是通过改变励磁绕组上的电压Uf直接产生的，后者经过调压器、稳定器和励磁机；Uref为阶跃变化时的Uf值如下：此外，Uref还应用了白噪声。白噪声是一个随机过程，在整个频带

3、内具有平均功率，是一个理想的测试信号，但经过中间环节后就不再是白噪声；两种情况下Uf的功率谱如图所示。可以看出，当白噪声信号加到Uref上时，Uf的功率谱优于阶跃信号，但它不是常数。激励阶跃10扰动下的Q轴识别结果、白噪声扰动下的Q轴识别结果和白噪声扰动下的D轴识别结果。结果表明，信噪比为2.04，当信噪比为2.5时，Q轴识别精度最佳。在两种励磁方式下，稳态电抗的识别精度没有明显提高，但暂态和次暂态电抗的识别精度明显提高，因此，白噪声扰动方式更有利于励磁同步发电机的动态过程，提高动态参数的识别精度。方法：时域法没有严格的条件，但频域法有条件。2.3对比研究，忽略脉冲电位，忽略速度变化，忽略恒定

4、电阻激励电压。对于Q轴的动态参数，时域法略差于频域法。对于D轴动态参数，时域法优于频域法。每种方法都有自己的优点，可以同时使用比较，但时域方法更好。干扰模式，励磁白噪声有利于甩负荷识别，励磁阶跃干扰模式次之，外部断线干扰模式第二，三。基于Park模型的参数辨识，3.1两个模型的结构图，Park模型，五阶实用模型，3.2同步发电机d轴和q轴等效电路参数之间的关系，实用参数和基本参数之间的关系通过实用经典表达式、正向变换和反向变换精确表达。结论等效电路模型的参数是独立的。当采用五阶实用模型时，D轴的实用参数不是独立的。这两个模型可以相互推导，具有唯一性。3.3通过磁链和电压方程得到了Park模型D

5、轴参数的可辨识性分析。根据线性系统辨识理论，它们都可以辨识，但不能单独辨识：稳态方程可以由扰动前后的稳态条件来辨识。通过利用扰动前后的稳态条件和动态过程，可以唯一地识别同步发电机停车模型中的D轴电路参数。3.4利用稳态条件和扰动前的动态过程，派克模型Q轴参数的可辨识性分析方法与D轴相同，同步发电机派克模型Q轴电路参数是唯一可辨识的。3.4参数识别策略和过程分步策略，稳态参数和动态参数的速度都有所提高，原来由D轴识别的参数现在都被识别出来了。优化方法蚁群算法辨识过程，3.5参数辨识结果基于实际模型：选择D轴和Q轴的电流作为目标函数观测，仿真实例：单机无穷大RTDS仿真系统的额定容量为217.43

6、MVA，功率因数为0.875。当t=0.5s时，发电机励磁阶跃参考电压增加3%，稳态参数辨识结果，动态参数辨识结果，曲线拟合RTDS测量输出-实际模型，3.6基于Park模型的参数辨识结果目标函数观测选择D轴和Q轴磁链，并从电压方程中获得实测磁链，辨识过程，磁链拟合RTDS测量输出- Park模型，动态参数辨识结果， 3.6两种模型参数辨识结果的比较：曲线拟合(-30%) RTDS测量输出-实用模型-Park模型，曲线拟合(-30%，60%) RTDS测量输出-实用模型-Park模型。 采用磁链作为输出是可行的。d、Q轴磁链拟合较好，参数辨识精度较高，适合工程实践。公园模型识别结果稳定，适应性强。证明了Park模型电路参数是相互独立的，而实际模型D轴参数并不是完全独立的。四.考虑饱和参数识别，4.1饱和概述额定工作点具有一定的饱和度。饱和度越深，电抗降低越明显。涡轮发电机减少约25%。在极端运行条件下，这一点更加明显。4.2考虑饱和同步发电机模型，饱和系数A、B、N的参数值可根据实际饱和曲线通过拟合方法(如最小二乘法)得到。4.3考虑饱和的参数辨识辨识步骤根据发电机手册(或空载试验)中的空载饱和曲线，计算励磁阶跃扰动试验的参数A、B、N，用蚁群算法对采集的数据进行优化，判断参数是否满足收敛条件，如果满足，则结束辨识，否则返回第三步，并举例分析单机无穷大系统的空载特性曲线。辨识