电容器组投入引起的振荡瞬态现象的附Simulink仿真

✅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

一、引言

在现代电力系统中，为了提高功率因数、稳定电压水平，电容器组被广泛应用。然而，当电容器组投入运行时，往往会引发振荡瞬态现象。这种现象产生的过电压和过电流不仅会对电容器组本身造成损害，还可能危及电力系统中其他电气设备的安全运行，甚至影响电力系统的稳定性。深入研究电容器组投入引起的振荡瞬态现象，分析其产生机理、危害及应对措施，对保障电力系统的安全、可靠、经济运行具有重要意义。

二、振荡瞬态现象产生原因

2.1 电路参数特性

电力系统是一个包含电阻（R）、电感（L）和电容（C）的复杂电路。当电容器组投入时，系统的电路参数瞬间发生改变。由于电感和电容元件具有存储和释放能量的特性，在投入瞬间，电感中的电流不能突变，电容两端的电压也不能突变，这种电磁能量的相互转换会导致电路中产生振荡。例如，在变压器 - 电容器组回路中，变压器的漏感与电容器组的电容构成了 LC 振荡回路，在合闸瞬间，会引发高频振荡。

2.2 合闸相位影响

电容器组投入时的合闸相位对振荡瞬态现象的产生有着重要影响。如果合闸瞬间电源电压与电容器组预充电电压之间存在较大的差值，会在回路中产生较大的冲击电流和过电压，从而加剧振荡现象。当在电源电压峰值时刻投入电容器组，与在零点投入相比，产生的冲击电流和过电压可能会更大，振荡也更为剧烈。

2.3 系统谐波影响

电力系统中存在的谐波成分会与投入的电容器组发生相互作用。由于电容器组对谐波具有放大作用，当系统中存在特定频率的谐波时，投入电容器组可能会引发谐波谐振，进一步加剧振荡瞬态现象。例如，当系统中存在 5 次谐波，而电容器组与系统电感构成的谐振频率接近 5 次谐波频率时，就会发生谐波放大，导致过电压和过电流的产生。

三、振荡瞬态现象的危害

3.1 对电容器组的危害

振荡瞬态过程中产生的过电压和过电流会对电容器组造成直接损害。过电压可能会导致电容器的绝缘介质承受过高的电场强度，加速绝缘老化，缩短电容器的使用寿命，甚至引发电容器内部绝缘击穿，造成电容器损坏。过电流则会使电容器的温升过高，导致电容器内部元件过热，影响其正常运行性能，严重时可能引发火灾等安全事故。

3.2 对其他电气设备的危害

振荡瞬态产生的过电压和过电流会通过电力网络传播，对系统中的其他电气设备如变压器、断路器、电缆等造成威胁。过电压可能会损坏变压器的绝缘，引起匝间短路或相间短路故障；过电流会对断路器的触头造成烧蚀，影响其开断性能；还可能对电缆的绝缘层造成损伤，降低电缆的使用寿命 。

3.3 对电力系统稳定性的影响

严重的振荡瞬态现象可能会导致电力系统电压波动和闪变，影响电能质量，降低用户的用电体验。在某些情况下，振荡还可能引发继电保护装置的误动作，导致系统局部停电或解列，破坏电力系统的稳定性，给电力系统的安全运行带来严重隐患。

四、振荡瞬态现象的检测方法

4.1 电气量测量

通过安装在电力系统中的电压互感器（PT）和电流互感器（CT），实时测量电容器组投入前后的电压和电流信号。利用数字示波器、录波装置等设备对测量信号进行采集和记录，分析信号的波形、幅值、频率等特征，判断是否存在振荡瞬态现象以及其严重程度。通过观察电压和电流波形中的振荡频率、衰减时间常数等参数，可以评估振荡的特性。

4.2 频谱分析

借助傅里叶变换等信号处理技术，对采集到的电压和电流信号进行频谱分析，提取信号中的各次谐波成分及其幅值。通过分析频谱图，可以判断是否存在谐波谐振以及谐波对振荡瞬态现象的影响程度。如果发现某一频率的谐波幅值异常增大，可能意味着存在谐波谐振问题。

4.3 在线监测系统

建立基于传感器技术和计算机技术的在线监测系统，实时监测电容器组的运行状态和电力系统的电气参数。该系统可以实现对振荡瞬态现象的实时预警和故障诊断，通过设置合理的阈值，当检测到的电气参数超过阈值时，及时发出报警信号，并对故障进行分析和定位，为电力系统的运行维护提供有力支持。

⛳️ 运行结果

📣 部分代码

🔗 参考文献

🎈 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、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）

🌈 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

👇