news 2026/7/6 18:56:44

08背靠背变换器PQ - QV控制在Simulink中的有名值仿真之旅

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
08背靠背变换器PQ - QV控制在Simulink中的有名值仿真之旅

08背靠背变换器,PQ-QV控制,有名值,simulink仿真模型,2022b版本 ①其他模型看我主页,都是个人搭建,无团队 ②变换器额定容量为2MW,额定线电压为690V,直流侧电压1250V,机侧PQ功率控制,参考值1MW,网侧Udc-Q控制,PLL进行锁相,网侧变流器接入等效电网 ③附图有拓扑图,网侧和机侧的示波器波形

最近在研究电力电子变换器相关的内容,今天就来和大家分享一下基于Simulink 2022b版本搭建的08背靠背变换器PQ - QV控制的有名值仿真模型。先和大家说明一下,我主页上其他模型也都是个人搭建的,没有团队协作哦,都是自己一步一步摸索出来的成果。

一、模型关键参数设定

这个背靠背变换器的额定容量为2MW,额定线电压为690V,直流侧电压设定为1250V 。这里面额定容量和电压等参数的设定,就像搭建一座大楼时确定了它的规模和基本框架一样,是整个系统运行的基础。

机侧PQ功率控制

机侧采用PQ功率控制,参考值设定为1MW。简单来说,就好比给机侧的“工作机器”设定了一个明确的工作量目标,让它按照这个参考值去运行。在代码实现上,可能会有类似这样的逻辑(以伪代码示例):

% 假设定义一些相关变量 rated_power = 2e6; % 额定功率2MW active_power_ref = 1e6; % 机侧PQ控制参考值1MW % 后续通过一系列的计算和控制算法 % 来调整机侧变换器的输出以跟踪这个参考值

这段代码中,先定义了额定功率和机侧有功功率参考值,实际中会基于这些值结合具体的控制算法,比如PI控制等,去调整变换器的输出,从而让机侧实际输出功率尽可能接近1MW这个参考值。

网侧Udc - Q控制与PLL锁相

网侧采用Udc - Q控制,并且利用PLL(锁相环)进行锁相。网侧变流器接入等效电网。Udc - Q控制主要是对直流侧电压和无功功率进行控制,保证系统稳定运行。而PLL锁相的作用就如同给网侧变换器找到了一个“节奏”,让它能和电网的频率、相位等保持一致,和谐地“共舞”。

关于PLL的代码实现,在Simulink中可以调用相关的模块库,也可以自己搭建简单的PLL模型。以下是一个简单的离散时间PLL代码示例思路(同样是伪代码):

% 初始化一些变量 dt = 0.001; % 采样时间 omega_0 = 2*pi*50; % 电网额定角频率50Hz theta = 0; % 初始相位 while true % 获取电网电压信号 v_grid = get_grid_voltage(); % 进行锁相环计算 error = v_grid * sin(theta); omega = omega_0 + kp * error + ki * integral(error, dt); theta = theta + omega * dt; % 这里kp和ki是PI控制器参数 % 后续可以根据计算得到的theta来调整网侧变换器的相关控制量 end

在这个代码里,通过不断获取电网电压信号,计算相位误差,利用PI控制器调整角频率,进而更新相位。这个相位信息在网侧变换器的控制中起到关键作用,比如控制变换器输出电压的相位与电网一致,以实现稳定的功率传输。

二、模型拓扑与波形展示

附图里有详细的拓扑图,从拓扑图中可以清晰看到网侧和机侧变换器的连接方式以及整个系统的架构。同时,还有网侧和机侧的示波器波形。通过这些波形,我们能直观地观察到变换器在不同控制策略下的运行情况。比如机侧有功功率是否能快速跟踪到1MW的参考值,网侧电压、电流的波形是否稳定等等。这些波形就像是系统运行的“健康体检报告”,帮助我们发现系统中可能存在的问题,比如是否有谐波干扰、功率波动过大等情况。

总之,通过这个基于Simulink 2022b搭建的08背靠背变换器PQ - QV控制有名值仿真模型,我们可以深入研究背靠背变换器在不同控制策略下的性能表现。希望我的分享能给对这方面感兴趣的朋友一些启发,大家也可以一起交流探讨,让我们在电力电子仿真的道路上越走越远。

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/7/6 6:29:13

12.18

661图片平滑器class Solution { public:vector<vector<int>> imageSmoother(vector<vector<int>>& img) {int mimg.size();//行数int nimg[0].size();//列数vector<vector<int>>v(m,vector<int>(n));//记录答案for(int i0;i<…

作者头像 李华
网站建设 2026/7/5 15:25:27

COCO 数据集

COCO 数据集 COCO&#xff08;Common Objects in Context&#xff09;是计算机视觉领域广泛使用的目标检测、实例分割和关键点检测数据集&#xff0c;由微软发布。其特点包括&#xff1a;数据规模 包含超过 33 万张图像&#xff0c;标注对象超过 250 万个&#xff0c;涵盖 80 个…

作者头像 李华
网站建设 2026/7/2 8:10:13

国内好用的测试用例管理工具有哪些?

目前市面上的测试用例管理工具有很多&#xff0c;但由于针对的项目、领域、目标用户&#xff0c;功能也并不一致&#xff0c;所以选择一款适合的测试管理平台并不轻松。做好这件事&#xff0c;首先要需求明确你用测试管理工具干什么&#xff1f;最终想要达到什么目标&#xff1…

作者头像 李华
网站建设 2026/7/3 17:59:21

24、COM+ 事务管理与补偿资源管理器详解

COM+ 事务管理与补偿资源管理器详解 1. 资源管理器(Resource Managers) COM+ 作为一种基础架构,需要以通用方式处理任何资源,而无需了解具体资源的细节。为了以通用方式访问和修改资源的持久状态,COM+ 依赖于资源管理器(RM)这一软件组件。 RM 对特定类型的资源(如关…

作者头像 李华
网站建设 2026/7/5 3:00:39

YOLO深度学习模型的训练参数配置与优化

一、总览 def parse_opt(known=False):parser = argparse.ArgumentParser()parser.add_argument(--weights, type=str, default=ROOT / yolov5s.pt, help=initial weights path)parser.add_argument(--cfg, type=str, default=, help=model.yaml path)parser.add_argument(--d…

作者头像 李华
网站建设 2026/7/6 1:24:29

数字孪生可视化模板怎么用?5大行业Demo拆解,帮你快速复用提效

在数字化转型加速推进的当下&#xff0c;数字孪生可视化已成为各行业提升运营效率、优化决策质量的核心工具。但对多数用户而言&#xff0c;新上架的可视化模板往往存在“看着好、用着难”的问题——不熟悉业务板块适配逻辑、不清楚配置要点&#xff0c;导致模板复用效率大打折…

作者头像 李华