✅作者简介:热爱科研的Matlab仿真开发者,擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页:Matlab科研工作室
🍊个人信条:格物致知,完整Matlab代码及仿真咨询内容私信。
🔥 内容介绍
三相锁相环(PLL)作为电力系统中实现同步的关键技术,在逆变器控制、电网电压畸变检测、孤岛效应防护等领域扮演着至关重要的角色。传统的基于同步旋转坐标系(SRF)的PLL在电网电压存在谐波和不平衡时,性能会受到显著影响。基于双二阶广义积分器(DSOGI)的PLL作为一种先进的锁相技术,通过其固有的频率自适应和谐波滤波能力,有效地解决了传统PLL在非理想电网条件下的挑战。本文旨在深入探讨DSOGI-PLL的原理、主要特性、优势与局限性,并对其在不同应用场景下的表现进行分析。
引言:随着可再生能源的并网比例不断提高以及电力电子设备的广泛应用,现代电网的电压质量正面临日益严峻的挑战。谐波、间谐波、不平衡以及频率偏移等问题,对电力系统的稳定运行提出了更高的要求。在并网逆变器、有源滤波器、静止无功补偿器等电力电子装置的控制中,精确地获取电网电压的基波相位和频率是实现高动态性能和稳定控制的前提。传统的基于SRF的PLL虽然在理想正弦波条件下表现良好,但在非理想电网下,其性能会因电压信号中的非基波分量而劣化,导致锁相不稳定、动态响应迟缓甚至控制失效。
为了应对这一挑战,研究人员提出了多种改进型PLL结构,其中基于广义积分器(GI)的锁相技术凭借其在特定频率下的谐振特性,展现出优异的频率选择和滤波能力。而DSOGI-PLL作为GI-PLL的进一步发展,通过巧妙地构建两个相互正交的广义积分器,不仅实现了对输入信号基波分量的准确提取,还能自动跟踪电网频率的变化,表现出强大的频率自适应性。这使得DSOGI-PLL在面对复杂的电网电压畸变时,依然能够保持较高的锁相精度和鲁棒性。
DSOGI-PLL的原理:
DSOGI-PLL的核心是双二阶广义积分器(DSOGI)模块。DSOGI模块接收三相输入电压信号,并将其分解为与基波频率相对应的正交分量(α和β轴),同时滤除谐波和直流偏移。DSOGI的工作原理基于以下两个相互正交的二阶广义积分器:
- 同相广义积分器(SOGI-α):
其传递函数通常设计为在特定角频率ω处具有谐振特性。当输入信号频率与ω相同时,SOGI-α的输出与输入信号同相,并放大。
- 正交广义积分器(SOGI-β):
其传递函数与SOGI-α类似,但在相同角频率ω处,其输出与输入信号正交。
通过适当的结构设计,DSOGI模块能够从输入的交流信号 u(t) 中生成与基波频率 ω0 相对应的两个正交分量 uα(t) 和 uβ(t)。其传递函数可以表示为:
Hα(s) = ω0 * s / (s² + 2ξω0s + ω0²)
Hβ(s) = ω0² / (s² + 2ξω0s + ω0²)
其中,ω0 是期望跟踪的基波角频率,ξ 是阻尼比,通常选择较小的值(例如 1/√2)以获得较好的频率响应和滤波效果。当输入信号频率与 ω0 相近时,Hα(s) 产生与输入信号同相的输出,而 Hβ(s) 产生与输入信号正交的输出。
DSOGI-PLL的整体结构通常由以下几个部分组成:
- DSOGI模块:
对输入的三相电压信号进行正交分量提取和滤波。为了处理三相信号,通常采用αβ变换将三相信号转换为两相静止坐标系下的信号,再输入到DSOGI模块。
- 相位检测器(PD):
通常采用反正切函数或Park变换将DSOGI模块输出的αβ分量转换为瞬时相位角。
- 环路滤波器(LF):
通常采用比例积分(PI)控制器,根据相位误差信号生成频率指令。LF的设计直接影响PLL的动态响应和稳定性。
- 电压控制振荡器(VCO):
根据LF输出的频率指令生成同步角频率,用于驱动DSOGI模块和随后的Park变换。
整个锁相过程是一个闭环控制过程。DSOGI模块输出的αβ分量经过PD计算得到瞬时相位。该瞬时相位与期望的参考相位(通常为0)进行比较,产生相位误差。相位误差信号通过LF进行滤波和调节,生成频率指令。VCO根据频率指令调整输出频率,从而改变DSOGI模块的谐振频率,使其能够自动跟踪电网频率的变化。当系统达到稳定状态时,DSOGI模块的谐振频率与电网基波频率相等,相位误差趋近于零,从而实现对电网电压基波相位的精确锁定。
DSOGI-PLL的主要特性与优势:
与传统的SRF-PLL相比,DSOGI-PLL展现出多方面的优势:
- 频率自适应性:
DSOGI模块的谐振频率由VCO控制,能够自动跟踪电网基波频率的变化。即使电网频率存在小范围的波动,DSOGI-PLL也能保持稳定的锁相性能,这对于应对电网频率偏移至关重要。
- 强大的谐波滤波能力:
DSOGI模块在基波频率处具有高增益和窄带特性,对于基波频率以外的谐波分量具有显著的衰减作用。这使得DSOGI-PLL能够有效地滤除电网电压中的谐波,提取纯净的基波信号,从而提高了在谐波环境下锁相的精度和鲁棒性。
- 对不平衡电压的鲁棒性:
在处理三相不平衡电压时,DSOGI-PLL能够通过αβ变换和DSOGI模块的滤波作用,有效抑制负序分量对锁相的影响,提高在不平衡电网条件下的性能。
- 瞬时相位和频率的准确估计:
DSOGI模块输出的正交分量可以直接用于计算瞬时相位和频率,提供了更丰富的电网信息,为后续的控制策略提供了可靠的输入。
- 结构相对简洁:
与一些复杂的谐波补偿PLL相比,DSOGI-PLL的结构相对简洁,易于实现和调试。
DSOGI-PLL的局限性与改进:
虽然DSOGI-PLL具有诸多优点,但也存在一些局限性:
- 对直流偏移的敏感性:
标准的DSOGI模块对输入信号中的直流偏移比较敏感,直流分量会影响正交分量的提取精度。
- 对高次谐波的抑制能力有限:
DSOGI主要在基波频率处谐振,对高次谐波的抑制能力相对有限,尤其是在谐波含量较高的情况下,可能会对锁相精度产生一定影响。
- 动态响应的权衡:
DSOGI的阻尼比和LF的参数设计需要在滤波性能和动态响应之间进行权衡。较小的阻尼比和激进的LF参数可以提高动态响应速度,但可能会牺牲滤波性能和稳定性;反之亦然。
为了克服这些局限性,研究人员提出了多种改进型DSOGI-PLL结构:
- 基于陷波滤波器的DSOGI-PLL:
在DSOGI模块之前或之后加入陷波滤波器,用于抑制特定的高次谐波,进一步提高滤波效果。
- 基于自适应阻尼比的DSOGI-PLL:
根据电网电压畸变程度动态调整DSOGI的阻尼比,以在不同工况下实现最优的滤波和动态性能。
- 基于多谐振器的DSOGI-PLL:
在DSOGI结构中引入多个谐振器,分别针对基波和主要的谐波频率进行滤波,进一步提高对谐波的抑制能力。
- 与前馈控制相结合的DSOGI-PLL:
利用前馈补偿机制,根据电网电压的瞬时信息提前调整VCO的输出,从而提高系统的动态响应速度。
DSOGI-PLL的应用:
DSOGI-PLL凭借其优异的性能,在电力电子和电力系统中得到了广泛的应用:
- 并网逆变器控制:
在光伏逆变器、风力发电逆变器等并网应用中,DSOGI-PLL用于精确获取电网电压的相位和频率,为逆变器的电流控制、电压控制以及孤岛检测提供可靠的同步信号。
- 有源滤波器(APF):
在APF中,DSOGI-PLL用于提取电网电压的基波分量,从而计算需要补偿的谐波电流或无功功率,实现对电网电压和电流的改善。
- 静止无功补偿器(SVC)和静止同步补偿器(STATCOM):
在这些灵活交流输电系统(FACTS)装置中,DSOGI-PLL用于同步控制,实现对电网无功功率和电压的快速调节。
- 电力系统保护与监测:
DSOGI-PLL可用于实时监测电网的相位和频率,为电力系统的故障检测、孤岛效应防护以及状态估计提供关键信息。
- 弱电网环境下的控制:
在电网阻抗较高或电压畸变严重等弱电网环境下,DSOGI-PLL的鲁棒性使其成为一种可靠的锁相方案。
结论:
基于双二阶广义积分器的三相锁相环(DSOGI-PLL)作为一种先进的锁相技术,通过其独特的双二阶广义积分器结构,有效地结合了频率自适应和谐波滤波能力。与传统的SRF-PLL相比,DSOGI-PLL在应对非理想电网电压,如谐波、不平衡和频率偏移时,展现出显著的性能优势,提高了锁相的精度、鲁棒性和动态响应。尽管存在对直流偏移的敏感性等局限性,但通过各种改进措施,DSOGI-PLL的性能得到了进一步提升。 DSOGI-PLL已广泛应用于并网逆变器、有源滤波器、FACTS装置等电力电子设备中,为实现现代电力系统的稳定运行和高效控制提供了有力的技术支撑。 未来,随着电网环境的日益复杂,对DSOGI-PLL的进一步研究和优化,尤其是在面对高次谐波、瞬态冲击以及更复杂的电网工况下的性能提升,将具有重要的理论意义和实际应用价值。
⛳️ 运行结果
🔗 参考文献
[1] 孔飞飞,袁铁江,晁勤,等.基于二阶广义积分的变流器电网同步法[J].电力系统保护与控制, 2012, 40(12):5.DOI:10.3969/j.issn.1674-3415.2012.12.021.
[2] 刘述奎,韩莹,李奇,等.基于双二阶广义积分锁相环的燃料电池并网系统研究[J].电力系统保护与控制, 2014, 42(5):7.
[3] 张功.适于光伏并网LVRT的三相不平衡锁相环研究[D].哈尔滨工业大学,2013.DOI:10.7666/d.D421121.
📣 部分代码
🎈 部分理论引用网络文献,若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真,助力科研梦:
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划(2E-VRP)、充电车辆路径规划(EVRP)、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划(EVRP)、 双层车辆路径规划(2E-VRP)、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇