高压大容量的磁通可控型可调电抗器技术

为实现磁通可控型可调电抗器的高压大容量化,分析介绍了多支路补偿技术和基于级联型变流器的系统拓扑结构,前者在线性变压器二次侧设计多个绕组,各绕组用变流器同时注入电流来控制铁心主磁通,以实现一次侧绕组等效电抗无级可调;后者则是将多个电压源型逆变器在输出首尾相连形成前述的变流器。该文还指明了系统设计要点及控制所采用的三角波调制PWM电流控制法。样机实验证明了该技术实现高压大容量可调电抗系统的可行性及这种磁通可控型可调电抗器响应快、运行稳定、低谐波和电抗值极大范围连续可调的特点。     

截获漏磁通式磁性槽楔提高电机负载能力的研究

本文试图从理论上解决磁性槽楔对电机的效率和负载能力的影响问题,并提出了“有截获槽口漏磁通作用的绝缘拼接式磁性槽楔”的方案,既起到抑制齿谐波的作用,又不加大齿间漏磁,而且将原有槽口漏磁和一部分槽坑漏磁引导至气隙,使这些无效磁通转化成有效磁通,从而使电机不但能提高效率和功率因数,而且能提高其负载能力。     

Bi-2223磁通钉扎机制的计算机模拟研究

高温超导体磁通钉扎机制一直是高温超导领域的研究热点。根据D.Dew-Hughes理论模型,提出了一种简化的磁通钉扎力密度表达方式。结合文献中给出的实验数据,采用曲线拟合的方法基本可以确定Bi-2223的磁通钉扎类型,模拟研究的结果与实际情况比较吻合。     

分段比率制动的电流差动保护

通过对一起高压输电线光纤电流差动保护误动事故的分析，论述了在故障暂态过程中，非周期分量电流将使电流互感器铁心中的磁通显著增大，并形成大量剩磁。铁心剩磁的存在使电流互感器在 B-H曲线上的起始工作点发生变化，加重了饱和程度和缩短进入饱和时间，这是差动保护误动的重要原因。经过分析电流互感器误差和比率制动系数的关系，指出不考虑暂态剩磁的影响，仅依据制动电流的大小对差动保护特性进行分段，或者盲目地提高制动系数都是不完善的，以铁心磁感应强度的大小为依据进行比率制动特性的分段是克服电流互感器饱和、提高保护灵敏度和可靠性的更合理的方式。最后给出了一种工程实用解决方案。     

基于模糊控制及复合磁链观测器的感应电机矢量控制系统

采用基于电压模型及电流模型的复合磁链观测器,避免了矢量控制时异步电机工作温升引起的转子电阻变化所带来的磁链观测不准确问题。该文通过采用双层模糊P I控制器进一步减小了电机工作时定、转子参数变化对系统性能的影响,并在获得较好鲁棒性的同时,提高了整个系统的调速性能。     

基于空间电压矢量调制的永磁同步电机直接转矩控制研究

为了解决永磁同步电机传统直接转矩控制低速时磁链和转矩脉动大的问题,提出了1种用空间矢量调制(SVM)实现减小电压矢量在1个控制周期中的作用时间的直接转矩控制方法;为进一步提高系统性能,对磁链扇区和电压矢量进行了细分。仿真结果表明该方法有效抑制磁链和转矩脉动,具有传统直接转矩控制固有的优良性能,而且具有恒定的开关频率。     

基于磁链观测器的无速度传感器DTC系统的实现

针对在传统的直接转矩控制系统中，定子磁链受定子电阻及积分计算的影响使参数辨识不准确这一点，将一种新型磁链观测器应用于直接转矩控制系统中，取代传统的纯积分器，并进行对比仿真.得知该磁链观测器对定子磁链的观测精度较高，对于电机参数的鲁棒性较好，在电机低速运行时仍能实现对定子磁链准确的观测.在此基础上，提出了一种神经网络辨识电机转速的新方案.该神经网络结构简单，不受电动机负载、参数等影响，通过简单快速的运算，便可得到正确的辨识结果.     

基于微分几何理论的感应电机解耦控制

感应电机是交流调速系统本体部分，感应电机的解耦控制是使系统达到优良性能的主要问题.研究了感应电机的解耦控制问题.将感应电机5阶非线性模型转换为仿射非线性系统形式，基于非线性系统微分几何理论对新模型进行坐标变换，借助非线性系统的解耦方法，将其分解为转速和磁链两个独立子系统，使得电机转速和转子磁链实现了动态解耦.仿真实验表明，给出的方法具有良好的控制效果.     

管道漏磁检测数据压缩算法的研究

漏磁检测技术是铁磁性油气管道在线缺陷检测的有效手段.由于检测数据量大，数据压缩是必不可少的.介绍了一种基于差分的嵌入式零树编码算法，算法首先对检测到的数据进行一阶差分处理，再对差分处理后的数据进行嵌入式零树编码，最后由差分嵌入式零树编码解压缩算法对数据进行还原操作.设计了以DSP为核心的硬件电路来实现该算法，并通过实验证了该算法的硬件电路的可行性以及在保留所有检测相关数据的基础上可以达到10∶1以上的压缩比.     

Quantitative Interpretation for the Magnetic Flux Leakage Testing Data Based on Neural Network

In order to interpret the magnetic flux leakage (MFL) testing data quantitatively and size the defects accurately, some defect profiles inversion methods from the MFL signals are studied on the basis of the neural network.Because the wavelet ba- sis function neural network (WBFNN) has good accuracy in the forward calculation and the radial basis function neural network (RBFNN) has reliable precision in the inversion modeling respectively,a new neural network scheme combining WBFNN and RBFNN is presented to solve the nonlinear inversion problem for the MFL data and reconstruct the defect shapes.And such details as the choice of wavelet basis function,the initialization of the weight value and the input normalization are analyzed,the train- ing and testing algorithm for the network are also studied.The inversion results demonstrate that the proposed network scheme has good reliability to interpret the MFL data for some defects.