基于simulink的分布式发电系统自动重合闸的建模与仿真分析

简介: 本课题研究配电系统中分布式电源接入后的自动重合闸问题,着重分析非同期重合闸带来的冲击电流及其影响。通过Simulink搭建模型,仿真不同位置及容量的分布式电源对冲击电流的影响,并对比突发性和永久性故障情况。利用MATLAB2022a进行参数设置与仿真运行,结果显示非同期重合闸对系统安全构成挑战,需通过优化参数提升系统性能。

1.课题概述
在配电系统中,80%-90%的故障都是瞬时故障。发生故障时,线路被保护迅速断开,随即重合闸。当分布式电源接入配电网后,线路发生故障后重合闸,此时分布式电源没有跳离线路,这将产生两种潜在威胁,即非同期重合闸和故障点电弧重燃。

  非同期重合闸:当线路上发生故障,断路器跳闸,此时分布式电源仍然并列于配电网,形成电力孤岛。从跳闸到重合闸这段时间,系统电源与电力孤岛可能会产生相角差。此时非同期重合闸会产生很大的冲击电流。冲击电流会造成线路保护的误动,使重合闸失去迅速恢复瞬时性故障的功能。特别是当分布式电源的容量比较大,冲击电流超过发电机能承受的最大值,会对发电机组造成破坏。

   分布式发电系统自动重合闸是一种在分布式发电系统中应用的保护措施,它可以在电力系统发生故障时,自动地将故障线路断开,并在故障排除后自动地将线路重新投入运行。这种重合闸的实现需要借助Simulink等仿真软件进行模拟和设计。

2.系统仿真结果
2.1分布式电源在配电网中在不同的位置非同期重合闸是时冲击电流
当故障发生在F1点的时候,会发生非同期重合闸,并且根据图1的基本分布式配电网机构,构建如下的Simulink仿真模型。

6295d3c1c8b0138da594dd1d5e6e5043_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png

其仿真结果如下所示:

352204677d08131ef650485ab8d71655_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png

2.2不同容量的分布式电源在相同位置时冲击电流的大小
改变分布式电源的容量,然后进行仿真,可得仿真结果如下图所示,将分布式电源使用普通发电机代替。

9c2de51b96110b1b4628f5ec7b717f8b_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png

2.3、两种故障方式仿真
一种是突发性故障,就是重合闸起效,效果和前面的仿真结果相同,另外一种就是永久性故障,即重合闸失效,其仿真结果如下所示:

033cf567438f6e541ba38748f0a34a56_watermark,size_14,text_QDUxQ1RP5Y2a5a6i,color_FFFFFF,t_100,g_se,x_10,y_10,shadow_20,type_ZmFuZ3poZW5naGVpdGk=.png

3.核心程序与模型
版本:MATLAB2022a

Ts = 0.00001;
ST = 4;
F          = 30;


%设置不同位置的非同期重合闸
%定义故障时间
Cute_time1 = [0  2  2.2];
pos1       = [1  0    1];   %位置1中断

Cute_time4 = [0 2.4 2.5];
pos4       = 1;%位置1中断

%Three-Phase Source模块
V         = 10e3;  %10KV
MVA       = 300e6; %额定容量200MVA
BV        = 30e3; %基础电压
XR        = 10;

%Distributed Parameter Line模块,共四个,参数设置相同
Num_Phase = 3;
Len       = 8;%KM

%Load
Power     = 50e6;

%SSM
Pm        = 100000;
E         = 500;

open('Tops_10kv.mdl');
sim('Tops_10kv.mdl');

%提取simulink的仿真结果,得到仿真结果
SS1 = rr1.signals.values;
SS2 = rr2.signals.values;
SS3 = rr3.signals.values;
SS4 = rr4.signals.values;
SS5 = rr5.signals.values;

START = 60000;

figure;
plot(SS1(START:end,1),'r');hold on
plot(SS1(START:end,2),'g');hold on
plot(SS1(START:end,3),'b');hold on

axis([0,330000,-V/10,V/10]);
02_008m

4.系统原理简介
分布式发电系统自动重合闸的工作原理与传统的电力系统中的自动重合闸类似,它主要包括以下几个步骤:

故障检测:当电力系统发生故障时,重合闸首先需要对故障进行检测。这可以通过检测线路电流、电压等参数来实现。当检测到故障时,重合闸会触发断路器跳闸,将故障线路断开。
故障隔离:在断路器跳闸后,重合闸会自动将故障线路与其他正常线路隔离,以防止故障扩大。
自动重合:当故障排除后,重合闸会自动将断路器重新合上,使线路重新投入运行。这个过程不需要人工干预,可以大大提高系统的自动化程度。
分布式发电系统自动重合闸的实现需要用到一些数学公式来进行模拟和计算。其中最重要的是时间常数和阈值的概念。

时间常数:时间常数是用来描述系统响应速度的参数,它表示系统从一个状态达到稳定状态所需的时间。在分布式发电系统中,时间常数需要根据系统的具体参数和要求进行设定。
阈值:阈值是用来判断系统是否发生故障的参数。当系统的参数超过阈值时,就认为系统发生了故障。阈值的设定需要根据系统的实际情况进行调试和优化。
Simulink是MATLAB的一个模块,它可以用来对动态系统进行模拟和设计。在分布式发电系统自动重合闸的设计中,Simulink可以用来模拟系统的动态响应过程,并对重合闸的参数进行优化设计。具体步骤如下:

建立模型:在Simulink中建立分布式发电系统的模型,包括发电机、负荷、变压器、断路器等元件。
添加检测模块:在模型中添加检测模块,对线路电流、电压等参数进行实时监测。
添加逻辑模块:在模型中添加逻辑模块,根据检测到的参数判断系统是否发生故障。
添加控制模块:在模型中添加控制模块,根据逻辑模块的输出控制断路器的跳闸和重合操作。
优化参数:通过调整时间常数、阈值等参数,优化系统的响应速度和误报率等指标。
仿真运行:对模型进行仿真运行,观察系统的动态响应过程和重合闸的效果。
调试修正:根据仿真结果进行调试和修正,使系统的性能达到最优。

相关文章
|
4月前
|
消息中间件 运维 Kafka
直播预告|Kafka+Flink双引擎实战:手把手带你搭建分布式实时分析平台!
在数字化转型中,企业亟需从海量数据中快速提取价值并转化为业务增长动力。5月15日19:00-21:00,阿里云三位技术专家将讲解Kafka与Flink的强强联合方案,帮助企业零门槛构建分布式实时分析平台。此组合广泛应用于实时风控、用户行为追踪等场景,具备高吞吐、弹性扩缩容及亚秒级响应优势。直播适合初学者、开发者和数据工程师,参与还有机会领取定制好礼!扫描海报二维码或点击链接预约直播:[https://developer.aliyun.com/live/255088](https://developer.aliyun.com/live/255088)
328 35
直播预告|Kafka+Flink双引擎实战:手把手带你搭建分布式实时分析平台!
|
4月前
|
Kubernetes 大数据 调度
Airflow vs Argo Workflows:分布式任务调度系统的“华山论剑”
本文对比了Apache Airflow与Argo Workflows两大分布式任务调度系统。两者均支持复杂的DAG任务编排、社区支持及任务调度功能,且具备优秀的用户界面。Airflow以Python为核心语言,适合数据科学家使用,拥有丰富的Operator库和云服务集成能力;而Argo Workflows基于Kubernetes设计,支持YAML和Python双语定义工作流,具备轻量化、高性能并发调度的优势,并通过Kubernetes的RBAC机制实现多用户隔离。在大数据和AI场景中,Airflow擅长结合云厂商服务,Argo则更适配Kubernetes生态下的深度集成。
563 34
|
4月前
|
消息中间件 运维 Kafka
直播预告|Kafka+Flink 双引擎实战:手把手带你搭建分布式实时分析平台!
直播预告|Kafka+Flink 双引擎实战:手把手带你搭建分布式实时分析平台!
158 12
|
2月前
|
数据采集 缓存 NoSQL
分布式新闻数据采集系统的同步效率优化实战
本文介绍了一个针对高频新闻站点的分布式爬虫系统优化方案。通过引入异步任务机制、本地缓存池、Redis pipeline 批量写入及身份池策略,系统采集效率提升近两倍,数据同步延迟显著降低,实现了分钟级热点追踪能力,为实时舆情监控与分析提供了高效、稳定的数据支持。
分布式新闻数据采集系统的同步效率优化实战
|
8月前
|
存储 运维 安全
盘古分布式存储系统的稳定性实践
本文介绍了阿里云飞天盘古分布式存储系统的稳定性实践。盘古作为阿里云的核心组件,支撑了阿里巴巴集团的众多业务,确保数据高可靠性、系统高可用性和安全生产运维是其关键目标。文章详细探讨了数据不丢不错、系统高可用性的实现方法,以及通过故障演练、自动化发布和健康检查等手段保障生产安全。总结指出,稳定性是一项系统工程,需要持续迭代演进,盘古经过十年以上的线上锤炼,积累了丰富的实践经验。
603 7
|
8月前
|
存储 分布式计算 Hadoop
基于Java的Hadoop文件处理系统:高效分布式数据解析与存储
本文介绍了如何借鉴Hadoop的设计思想,使用Java实现其核心功能MapReduce,解决海量数据处理问题。通过类比图书馆管理系统,详细解释了Hadoop的两大组件:HDFS(分布式文件系统)和MapReduce(分布式计算模型)。具体实现了单词统计任务,并扩展支持CSV和JSON格式的数据解析。为了提升性能,引入了Combiner减少中间数据传输,以及自定义Partitioner解决数据倾斜问题。最后总结了Hadoop在大数据处理中的重要性,鼓励Java开发者学习Hadoop以拓展技术边界。
263 7
|
9月前
|
人工智能 弹性计算 监控
分布式大模型训练的性能建模与调优
阿里云智能集团弹性计算高级技术专家林立翔分享了分布式大模型训练的性能建模与调优。内容涵盖四大方面:1) 大模型对AI基础设施的性能挑战,强调规模增大带来的显存和算力需求;2) 大模型训练的性能分析和建模,介绍TOP-DOWN和bottom-up方法论及工具;3) 基于建模分析的性能优化,通过案例展示显存预估和流水线失衡优化;4) 宣传阿里云AI基础设施,提供高效算力集群、网络及软件支持,助力大模型训练与推理。
|
10月前
|
存储 运维 负载均衡
构建高可用性GraphRAG系统:分布式部署与容错机制
【10月更文挑战第28天】作为一名数据科学家和系统架构师,我在构建和维护大规模分布式系统方面有着丰富的经验。最近,我负责了一个基于GraphRAG(Graph Retrieval-Augmented Generation)模型的项目,该模型用于构建一个高可用性的问答系统。在这个过程中,我深刻体会到分布式部署和容错机制的重要性。本文将详细介绍如何在生产环境中构建一个高可用性的GraphRAG系统,包括分布式部署方案、负载均衡、故障检测与恢复机制等方面的内容。
521 4
构建高可用性GraphRAG系统:分布式部署与容错机制
|
9月前
|
机器学习/深度学习 存储 运维
分布式机器学习系统:设计原理、优化策略与实践经验
本文详细探讨了分布式机器学习系统的发展现状与挑战,重点分析了数据并行、模型并行等核心训练范式,以及参数服务器、优化器等关键组件的设计与实现。文章还深入讨论了混合精度训练、梯度累积、ZeRO优化器等高级特性,旨在提供一套全面的技术解决方案,以应对超大规模模型训练中的计算、存储及通信挑战。
521 4
|
10月前
|
机器学习/深度学习 分布式计算 算法
【大数据分析&机器学习】分布式机器学习
本文主要介绍分布式机器学习基础知识,并介绍主流的分布式机器学习框架,结合实例介绍一些机器学习算法。
1242 6

热门文章

最新文章