节能型电动车控制系统的研究

提出了正弦脉宽调制型变频调速技术在电动车上的应用方案,开发了一种基于M 37705单片机系统的电动车控制系统.它运用规则采样法产生正弦脉宽调制波,通过开关角的控制抑制逆变器输出电压中的谐波分量,降低了电动机的损耗和转矩脉动,使电动车的运行性能得到了较大改善.     

变压器阻抗与无功补偿装置容量的选择

从调节变压器分接头、高阻抗变压器、无功负荷等三个方面分析对负载端电压的影响,阐述电力系统的无功平衡对维持电压水平的重要性,并说明使用高阻抗变压器(或变压器负载侧出口处)串联电抗需增加无功补偿容量的原因。     

动态电压恢复器的控制策略

通过把负载电压看作动态电压恢复器(DVR)的控制对象,开关器件的占空比看作控制量,电网电压和负载电流看作干扰量,可将DVR的数学模型简化为单输入单输出系统.结合控制量的计算方法,推导出了控制量到被控对象和干扰量到被控对象的传递函数.分析传递函数可知,负载电流特别是其中的高频分量会使DVR的补偿性能变坏.提出了误差校正控制方法,在传统电网电压前馈的基础上通过误差校正实现了负载电流前馈,基本消除了负载电流的影响.仿真结果验证了理论分析的正确性.     

电压不对称时永磁同步电动机的动态过程

文章探讨了永磁同步电动机输入电压不对称运行的动态过程.通过建立数学模型及实时仿真,获得定子电流、感应电动势、电磁转矩、角速度的实时变化曲线.结果表明,永磁同步电动机输入三相不对称电压时,其定子电流、感应电动势、电磁转矩、转速均发生振荡,这不仅使电机无法正常运行,而且可能导致电机的转子永磁体退磁.这一结果可以为改进永磁同步电动机的控制提供有力依据.     

矩阵式变换器在非正常工况下的补偿控制

为了保证矩阵式变换器在电网电压非正常工况下安全稳定运行,提出一种基于间接空间矢量调制的前馈补偿控制策略。通过检测电网电压,计算出虚拟直流电压,并根据其变化实时地调节空间矢量调制系数。在样机上进行了实验验证。相比于无补偿的情况,采用前馈补偿策略后矩阵式变换器在电压不平衡时其输出电流的谐波含量减少超过45%,而在电压跌落时输出电流仍能维持正常运行时的幅值。结果表明:本方法有效地改善了矩阵式变换器在电网电压非正常工况下的输出性能,并减小了非正常工况对负载设备的不利影响。     

抑制共模电压的不对称NZPWM技术

为了抑制共模电压,消除死区效应导致的共模电压尖峰,提出一种可通过软件实现的不对称无零矢量脉宽调制技术。在对已有技术进行分析的基础上,调整了开关次序,并对有效矢量的作用时间作了限制。利用不对称的矢量合成算法,弥补最小作用时间限制导致的电压畸变。实验结果表明:该算法可以完全消除死区效应导致的异常脉冲尖峰,从而将共模电压幅值抑制到普通算法的1/3。因此,该方法具有较好的有效性和实用性。     

三电平逆变器的点电压平衡控制

为解决电压型逆变器中点电压不平衡问题,分析了中点钳位式(NPC)三电平逆变器的基本原理,介绍了三电平逆变器的SVPWM算法.根据正负小矢量对中点电位的影响提出了两种平衡中点电位的控制策略,并通过设定电压误差滞环把两者结合起来.仿真结果表明,该方法能有效约束三电平逆变器的中点电压.     

高压电场中陶粒填充床对亚甲基兰的脱色效能

考察了高压脉冲电场中陶粒填充床对于亚甲基兰的脱色效能.实验结果表明,在高压脉冲电场与陶粒的相互作用下,亚甲基兰得到了有效去除.当反应条件为电压25 kV,通入空气流量为270 mL/min,亚甲基兰溶液初始质量浓度为5 mg/L,流速为40 mL/min,在反应180 min时,去除率稳定在78%左右.随着电压的增加,流速的减小,亚甲基兰初始质量浓度的减小和空气的通入,亚甲基兰的去除率都得到增加.在高压脉冲电场下,陶粒的存在增强了电场强度,同时放电过程也增强了陶粒对于亚甲基兰的吸附,二者的相互作用促进了亚甲基兰的降解.     

串联电池组电压转换电路的研究

分析了现有串联电池组电压转换电路方案存在的问题,提出了一种基于三极管的电压转换电路,分析了电路原理,进行了仿真和试验.结果表明该电路具有较高的转换精度,且成本低、重量轻、体积小,是电动自行串联电池组电压测量的有效解决方案.     

变载荷感应电动机的神经网络建模研究

根据采用晶闸管三相调压器控制变载荷电动机运行的特点,阐明了采用神经网络方法对该系统建模的必要性.基于带有回归单元的Elman神经网络,对变载荷三相异步电动机的晶闸管三相调压器系统进行了建模.采用一种带惯性项的动态反向传播学习算法,克服了通常的BP算法振荡和收敛速度慢的弱点,使变载荷电动机系统跟随负载变化对电动机实现调压控制.对Elman神经网络的结构运用方法,以及惯性项的动态反向传播学习算法做了较详细的介绍,对由晶闸管三相调压器构成的拖动系统建模所选向量参数进行了说明.实例表明,利用该方法迭代后的学习结果更容易将误差减小至期望值.