基于椭圆模型的不平衡电网电压正负序幅值快速估计方法

《Electronics》:An Elliptic Model-Based Fast Estimation Method of Positive and Negative Sequence Amplitudes for Unbalanced Grid Voltages

【字体: 大 中 小 】 时间:2026年06月19日 来源:Electronics 2.6

编辑推荐:

  摘要:本文提出一种基于新型椭圆代数模型(elliptic algebraic model)的正负序幅值估计方法,用于不平衡电网电压的正序与负序幅值估算。通过利用不平衡电压矢量在αβ静止参考系(stationary reference frame)中的固有椭圆轨

  
摘要:本文提出一种基于新型椭圆代数模型(elliptic algebraic model)的正负序幅值估计方法,用于不平衡电网电压的正序与负序幅值估算。通过利用不平衡电压矢量在αβ静止参考系(stationary reference frame)中的固有椭圆轨迹(intrinsic elliptic trajectory),建立了序分量幅值与椭圆几何参数之间明确的代数关系。因此,传统的序分解问题被重新表述为一个椭圆参数辨识(elliptic parameter identification)问题。基于所提出的椭圆代数框架,研究人员开发了一种在线参数辨识方案来估计椭圆参数并重构序分量幅值。同时还给出了基于李雅普诺夫(Lyapunov)函数的全局渐近稳定性(global asymptotic stability)分析,以验证所提出辨识框架的收敛特性。实验结果进一步验证了该方法的有效性。
论文解读:基于椭圆模型的不平衡电网电压正负序幅值快速估计方法研究
一、研究背景与意义
在现代电力系统中,三相电压不平衡现象日益突出,引入了显著的负序分量(negative-sequence components)。这些分量源于发电、输电、配电及用电环节的三相不平衡,并随着可再生能源的高渗透率及电力电子变流器的广泛应用而加剧。负序分量的幅值直接反映系统不平衡程度,是启动无功补偿与负荷调整等治理措施的关键判据。快速准确地估算负序幅值对于缓解不平衡、保障电网安全及维持电能质量至关重要。
目前常用的同步旋转坐标系锁相环(SRF-PLL, Synchronous Reference Frame Phase-Locked Loop)在不平衡条件下会在相位和频率信号中产生二倍基频纹波;降低带宽虽可抑制纹波但会减慢动态响应。解耦双同步参考坐标系PLL(DDSRF-PLL, Decoupled Double Synchronous Reference Frame PLL)虽能分离正负序,但其假定频率已知或缓变,频率突变时解耦性能下降;双二阶广义积分器PLL(DSOGI-PLL, Dual Second-Order Generalized Integrator PLL)在频率波动时存在动态滞后与超调。延时信号消除(DSC, Delayed Signal Cancellation)及其级联形式(CDSC, Cascaded Delayed Signal Cancellation)、复数系数滤波器(CCF, Complex-Coefficient Filter)及自适应陷波滤波器(ANF, Adaptive Notch Filter)状态观测器分别存在固有延时、频率敏感性、计算复杂或动态响应受限等问题。基于观测器的方法(自适应观测器、滑模观测器、卡尔曼滤波)虽无需传统PLL结构,但通常需精细调节观测器增益且计算复杂度较高。
鉴于此,研究人员提出了一种基于椭圆代数模型(elliptic algebraic model)的不平衡电网电压正负序幅值快速估计方法,将序分解问题转化为椭圆参数辨识问题,无需额外频率估计环或复杂解耦结构。该研究成果发表于《Electronics》期刊。
二、主要关键技术方法
研究人员针对三相三线制系统只考虑基频的情况,将三相电压Clarke变换至αβ静止参考系(stationary reference frame),推导得到不平衡电压矢量轨迹满足的椭圆代数关系式,并引入中间参数a、b将椭圆方程化为线性回归形式uTθ=1。采用带遗忘因子的递推最小二乘类在线参数辨识(online parameter identification)机制动态跟踪参数向量θ=[a b]T,通过参数更新律及协方差矩阵P的Sherman–Morrison公式简化计算,最终由辨识出的a、b反解得到正序幅值V+和负序幅值V-。采用Lyapunov第二方法证明估计误差全局渐近收敛。实验在TMS320F28377 DSP平台(YXSPACE-SP2000)以20 kHz采样实现,设置遗忘因子λ=0.98,与DDSRF-PLL对比验证。
三、研究结果
2. Elliptic Model-Based Fast Estimation Method for Sequence Amplitudes(基于椭圆模型的分序幅值快速估计方法)
研究人员在αβ静止坐标系下建立不平衡电网电压的椭圆代数模型,将三相电压经Clarke变换后代入正负序表达式合并化简,推导出vα与vβ满足的椭圆方程A vα2+ B vαvβ+ C vβ2= 1,其中椭圆几何参数A、B、C与正负序幅值V+、V-存在显式代数关系。定义中间参数a = 1/(V++ V-)2,b = 1/(V+- V-)2,将原椭圆方程整理为标准线性方程[u v][a b]T= 1(即uTθ = 1,其中u = [vα2vβ2]T,θ = [a b]T)。设计梯度型参数自适应律:dθ?/dt = γ P u (1 - uTθ?),协方差矩阵P按P(k) = [P(k-1) - P(k-1)u(k)uT(k)P(k-1) / (λ + uT(k)P(k-1)u(k))] / λ更新(λ∈(0,1]为遗忘因子),初始化P(0)=P0>0。获得θ?=[a b?]T后,由V?+= (a-1/2+ b?-1/2)/2,V?-= |a-1/2- b?-1/2|/2计算正负序幅值估计值。结论:通过椭圆参数线性化与在线辨识可直接重构序幅值,避免了频率跟踪与复杂坐标变换解耦。
3. Lyapunov-Based Convergence Analysis(基于Lyapunov的收敛性分析)
研究人员构造Lyapunov函数V = φTP-1φ(φ = θ? - θ为参数估计误差),利用Sherman–Morrison公式计算P的逆并代入误差动态方程,得到V? = -γ φT[u uT/ (1 + γ uTP u)] φ。由于u为非零持续激励向量且P对称正定,二次型uTu > 0,故V?负定(negative definite)。结论:所设计的自适应估计系统Lyapunov函数单调递减,参数估计误差全局渐近收敛至零,所提辨识框架具有全局渐近稳定性(global asymptotic stability)。
4. Experiment Results(实验结果)
研究人员设置四种实验工况:Case A(电压不平衡)、Case B(幅值突变)、Case C(频率阶跃3 Hz及跳变至60 Hz)、Case D(30°相角跳变)。Case A中正序幅值跟踪二者调节时间均约15 ms,但DDSRF-PLL出现15%欠冲而所提方法几乎无欠冲;负序幅值所提方法约25 ms收敛且几无超调,DDSRF-PLL需27 ms且有47%超调。Case B两次扰动后所提方法正序最大跟踪误差分别为0.066 V与0.032 V,小于DDSRF-PLL的0.084 V与0.055 V,负序无超调/欠调而DDSRF-PLL分别出现10.7%超调与9%欠调。Case C频率变化时DDSRF-PLL正序调节时间15~42 ms、最大误差0.022~0.066 V,负序44~55 ms、最大误差0.019~0.075 V,而所提方法在整个频率变化过程中几乎无瞬态响应且保持精确估计。Case D相角跳变时DDSRF-PLL正序需29 ms调节、最大误差0.171 V,负序需56 ms、最大误差0.212 V,而所提方法基本不受相角扰动影响。结论:所提方法在电压不平衡、频率波动及相角跳变条件下均具有更快的动态响应、更小瞬态振荡及更强的鲁棒性。
四、讨论与结论翻译
讨论与总结:研究人员提出的方法通过将不平衡电压矢量的椭圆轨迹特性转化为代数椭圆参数辨识问题,消除了对附加频率估计环或复杂解耦结构的依赖。Lyapunov分析验证了辨识框架的渐近收敛性。实验表明该方法在电压不平衡、频率变化及相角跳变下均实现快速动态响应、高估计精度及强鲁棒性;与DDSRF-PLL相比,调节时间相当或更短,瞬态振荡显著降低且稳态跟踪误差为零。未来工作将把该框架扩展至含谐波畸变及更普遍不平衡电网场景。
结论译文:本文提出了一种基于新型椭圆代数模型的不平衡电网电压正序与负序幅值估计方法。通过利用不平衡电压在αβ静止参考系中的椭圆轨迹,将序幅值估计问题转化为椭圆参数辨识问题,无需额外的频率估计环或复杂解耦结构。基于Lyapunov的分析验证了所提辨识框架的渐近收敛性。实验结果表明,该方法在电压不平衡、频率变化及相角跳变条件下实现了快速动态响应、高估计精度及强鲁棒性。与DDSRF-PLL相比,该方法具有相当或更短的调节时间、显著减小的瞬态振荡及零稳态跟踪误差。未来工作将把所提框架扩展至谐波畸变及更普遍的不平衡电网场景。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号