На трансформатор: Зажим контактный на трансформатор нн, ФЛАЖОК НА ТРАНСФОРМАТОР

Содержание

Зажим контактный на трансформатор нн, ФЛАЖОК НА ТРАНСФОРМАТОР

Контактные зажимы для трансформатора НН (называемые также: лопатки, лапки, флажки) к силовым масляным трансформаторам ТМ(Г)-25, ТМ(Г)-40, ТМ(Г)-63, ТМ(Г)-100,ТМ(Г)-160, ТМ-250, ТМ-400, ТМ-630, ТМ(Г)-1000, ТМ(Г)-1250, ТМ(Г)-1600. Установка контактных зажимов обязательна на силовых трансформаторах.

Контактные зажимы служат для  надежного контакта шинопроводов трансформаторной подстанции со стороны НН с токоведущими частями выводов силового трансформатора со стороны НН, а также для уменьшения влияния последствий переходных процессов в электрической сети.

Материал — латунь ЛС-59-1

Изготовление в соответствии с ГОСТом
Возможно также изготовление отверстий под шпильку других размеров и шаг резьбы.

Контактные зажимы для трансформатора НН (называемые также: лопатки, лапки, флажки) к силовым масляным трансформаторам ТМ(Г)-25, ТМ(Г)-40, ТМ(Г)-63, ТМ(Г)-100,ТМ(Г)-160, ТМ-250, ТМ-400, ТМ-630, ТМ(Г)-1000, ТМ(Г)-1250, ТМ(Г)-1600.

Установка контактных зажимов обязательна на силовых трансформаторах.

Контактные зажимы служат для  надежного контакта шинопроводов трансформаторной подстанции со стороны НН с токоведущими частями выводов силового трансформатора со стороны НН, а также для уменьшения влияния последствий переходных процессов в электрической сети.

Материал — латунь ЛС-59-1

Изготовление в соответствии с ГОСТом
Возможно также изготовление отверстий под шпильку других размеров и шаг резьбы.

Описание и размеры контактных зажимов на трансформаторы

Наименование детали

Номинальный ток

Вес детали, кг

К шпильке

Кол-во отверстий

Габаритные размеры

1.

Зажим контактный на ВН 25 — 2500 кВа

250 А

0,21

М12х1,75

2

34х25х68

2.

Зажим контактный НН на 25-160 кВа

250 А

0,27

М12х1,75

2

30х40х84

3.

Зажим контактный НН на 250 кВа

400 А

0,37

М16х2

2

40х30х81

4.

Зажим контактный НН на 400 кВа

630 А

0,57

М20х2,5

2

50х40х98

5.

Зажим контактный НН на 630 кВа

1000 А

1,4

М27х1,5

2

39х62х160

6.

Зажим контактный НН на 1000 кВа

1600 А

2,7

М33х2

4

48х80х172

7.

Зажим контактный НН на 1600 кВа

2000 А

4,4

М42х3

4

60х96х215

8.

Зажим контактный НН на 2000 кВа

2500 А

6,3

М48х3

4

66х107х240

9.

Зажим контактный НН на 4500 кВа

5000 А

7,3

М72х2

4

58х120х255

АО «Городские электрические сети»

Энергетики определили лучших по профессии

Конкурс «Лучший по профессии» состоялся в АО «Горэлектросеть» на неделе с 30 ноября по 2 декабря. В минувший четверг за звание лучших боролись энергетики из Радужного, Пойковского и Нижневартовска.

Подробнее…

В «Горэлектросети» — новая передвижная электротехническая лаборатория

Еще один инструмент для работы появился у нижневартовских энергетиков: передвижная электротехническая лаборатория «Горэлектросети» с середины ноября обслуживает городскую энергосистему.

Подробнее…

О вакцинопрофилактике

В АО «Горэлектросеть» продолжается прививочная кампания. От коронавирусной инфекции вакцинировалось 90% сотрудников компании и филиалов. Сегодня на предприятии работал мобильный прививочный пункт. Специалисты 1-й городской поликлиники привезли в офис на улице Авиаторов вакцину «Спутник Лайт».

 

Подробнее…

В котельной 3А заканчивают реконструкцию газораспределительного пункта

Модернизация ГРП обеспечит безопасное управление технологическими процессами и эффективный контроль за расходом газа. Летом специалисты   демонтировали оборудование 1983 года ввода в эксплуатацию и установили современные узлы регулирования и учета. Реконструкция объекта ведется в рамках инвестпрограммы компании-концессионера «Горэлектросеть».    

Подробнее…

Подключение к сетям малых предприятий — в числе приоритетов «Горэлектросети»

В Нижневартовске компания «Горэлектросеть» обеспечила электрической мощностью ферму по выращиванию микрозелени.

Подробнее…

Специалисты УТС заменили аварийный участок системы холодного водоснабжения

12 ноября диспетчерская УТС получила сигнал о порыве трубопровода в районе жилого дома Северная, 28. Прибывшая на место аварийная бригада обнаружила течь на трубопроводе ХОЛОДНОГО водоснабжения.

В результате коммунальной аварии без воды остались несколько городских предприятий, расположенных на улицах Северная и Кузоваткина, в том числе производственная база объединённого автотранспортного цеха АО «Горэлектросеть».

 

Подробнее…

Специалисты УТС модернизируют самую мощную городскую котельную

Котел высотой с 5-этажный дом и весом 127 тонн в Нижневартовск доставили в разобранном виде. Для транспортировки оборудования от завода-изготовителя до котельной № 5 понадобилось 11 грузовых автомобилей. Сейчас в машинном зале идут работы по монтажу фрагментов нового котла, его запуск запланирован на конец первого квартала 2022-го года. Модернизация котельной реализуется в рамках выполнения инвестиционных обязательств компании-концессионера АО «Горэлектросеть».

 

Подробнее…

«Антирейтинг» контрагентов УТС

В УТС опубликовали списки многоквартирных домов, где проживают самые ответственные и, наоборот, самые недобросовестные собственники жилья. В него вошли дома, жильцы которых оплачивают тепловую энергию через «Нижневартовский расчетно-информационный центр». Лучше остальных платят по счетам абоненты домов с адресами: ул. Интернациональная, 35 и 14А, Северная 100, Комсомольский бульвар 2В, Маршала Жукова 3 и 8, Мира 68Б, Декабристов 18А.

Подробнее…

Электроэнергия для новостроек Нижневартовска

«Горэлектросеть» возводит две новые трансформаторные подстанции для электроснабжения МКД в районах перспективной жилой застройки.

Подробнее…

В 10 Б мкр Нижневартовска стало светлее

Вдоль тротуара у школы № 42 (со стороны центрального входа) сделали освещение.

Подробнее…

Профессионалы «Горэлектросети» делятся опытом со студентами

Компания «Горэлектросеть» поддержала инициативу журналистов телекомпании «Самотлор» и приняла участие в программе «Student upgrade». Задача проекта — проверить уровень подготовки специалистов в местных учебных заведениях и узнать о возможностях их трудоустройства на городские предприятия. С азами профессии электромонтёра по ремонту и обслуживанию электрооборудования студента Политехнического колледжа Данила Аскарова познакомили специалисты 5-го сетевого района.    

 

Подробнее…

УТС завершает модернизацию центральных тепловых пунктов

В центральных тепловых пунктах под номерами 7/3 и 10/2 заканчиваются работы по монтажу систем автоматики и управления. Современное оборудование позволит дистанционно регулировать температуру подаваемого теплоносителя в зависимости от погодных условий и оперативно реагировать на отклонения в работе всех систем теплопункта. Модернизация ЦТП реализована в рамках выполнения инвестиционных обязательств компании-концессионера АО «Горэлектросеть».

 

Подробнее…

В старом Вартовске вводят в эксплуатацию новые объекты теплоснабжения

Современная теплотрасса протяжённостью почти 2 километра готова к запуску. Накануне в УТС провели работы по соединению теплопровода с технологическим оборудованием подмешивающей станции «Рыбозавод». Полное отключение нефтяных котлов и переход на новую систему отопления запланированы на конец текущей недели.

 

Подробнее…

По последнему слову техники

Энергетики отчитались перед властями о темпах строительства первой очереди новой газовой котельной АО «Горэлектросеть». Контроль за выполнением инвестиционных соглашений был в числе важных вопросов рабочей поездки спикера Думы Югры в Нижневартовск. Борис Хохряков, председатель Думы города Алексей Сатинов, а также и. о. главы муниципалитета Дмитрий Кощенко посетили объект на улице Нововартовской в минувшую пятницу, 29 октября.

Подробнее…

Вводы на трансформатор ТМ ТМГ ТМЗ от 25 до 160 кВа м 12, цена 3700 грн

 

Вводы силовых трансформаторов служат для изоляции выводимых из бака концов обмотки и присоединения их к различным элементам электроустановки. Вводы отличаются большим разнообразием форм и размеров, зависящих от напряжения, мощности, места установки трансформатора, а также от предъявляемых к нему требовании.


Ввод обычной конструкций трансформатора

Ввод обычной конструкций трансформатора на 6 и 10 кв для внутренней установки: 1 — токоведущий стержень, 2 — латунная гайка, 3 — медная шайба, 4 — стальной колпак, 5 — фарфоровый изолятор, 6 — стальная шпилька, 7 — стальная гайка, 8 — чугунный фланец, 9 — резиновая шайба, 10 — электрокартонная шайба, 11 — стальная шайба, 12 — цементирующая масса.


Ввод имеет фарфоровый изолятор 5, чугунный фланец 8, служащий для закрепления ввода на стенке или крышке бака, и токоведущий медный стержень 1, электрически связывающий обмотку трансформатора с отдельными элементами электроустановки. Изолятор ввода трансформатора внутренней установки имеет гладкую или мелкоребристую поверхность.

Изолятор ввода трансформатора наружной установки имеет большие ребра зонтообразной формы, что намного увеличивает разрядные расстояния и даже при сильном дожде и большом загрязнении изолятора позволяет избежать разрядов по его поверхности.

В трансформаторах старых конструкций применялись вводы, для замены которых в случае их повреждения приходилось снимать крышку или вынимать активную часть из бака. В настоящее время для упрощения операции замены ввода в трансформаторах 1 и 2-го габаритов применяют съемные вводы, не имеющие фланцев и обойм.

Поврежденный фарфоровый изолятор таких вводов можно заменять, не поднимая сердечник. Для этого достаточно отвернуть с токоведущего стержня наружные гайки, раскрепить устройство, прижимающее ввод к крышке, снять с ввода колпак и находящееся под ним уплотняющее резиновое кольцо. Затем снять изолятор, заменить его новым и собрать вновь ввод.

Прохождение по токоведущему стержню ввода больших токов сопровождается созданием сильного магнитного поля, вызывающего недопустимый нагрев фланцев и крышки. Для уменьшения нагрева чугунные и стальные фланцы вводов на токи свыше 400 а заменяют латунными.

Чтобы уменьшить нагрев крышки, применяют один из следующих способов:

  • увеличивают диаметр отверстия в крышке для ввода, чтобы увеличить расстояние до токоведущего стержня и тем самым ослабить магнитное поле в крышке, а следовательно, ее нагрев;
  • размещают вводы одного напряжения рядом, а в крышке для них вырезают общее отверстие. При этом суммарный магнитный поток равен нулю и крышка не нагревается. Для установки вводов в общем вырезе крышки применяют чугунные или латунные обоймы. 

Расположение вводов на ток

Расположение вводов на ток 1000 а в общей обойме:

1 — ввод, 
2 — кольцевой выступ обоймы, 
3 — обойма, 
4 — болт, 
5 — цементирующая масса.


Вводы 1 вмазывают в обойму 3, которую затем устанавливают на уплотняющей прокладке из маслостойкой резины и закрепляют на крышке бака болтами 4 и гайками.

Воздухоосушитель ВС на трансформатор | ООО ЧебЭнерго


Технические характеристики и описание:
Воздухоосушитель ВС на трансформатор Воздухоосушитель состоит из крепежного резьбового соединения, силикагелевого патрона с поглощающим и индикаторным силикагелем, масляного гидрозатвора. Принцип работы: В результате изменения температуры масла в трансформаторе и температуры окружающей среды происходит вентиляция негерметичного трансформатора через дыхательную трубку, расположенную на верхней крышке трансформатора. На конце дыхательной трубки, при помощи резьбового соединения, закрепляется воздухоосушитель. Воздух, «вдыхаемый» трансформатором, проходит через масляный гидрозатвор, где очищается от пыли и мелких частиц, далее воздух проходит через силикагелевый патрон, где силикагель впитывает влагу, содержащуюся в воздухе, осушая его, после этого воздух попадает непосредственно в трансформатор. Индикаторный силикагель в патроне цветом показывает уровень насыщения силикагеля влагой. Особенности конструкции: Воздухоосушитель выполнен разборным, что позволяет при изменении цвета индикаторного силикагеля (ярко-синий – сухой, бледно-голубой, прозрачный – влажный) или загрязнении масла в гидрозатворе заменить силикагель на сухой, а масло – на чистое. Преимущества: Воздухоосушитель, осушая и очищая воздух, поступающий в трансформатор, предотвращает насыщение трансформаторного масла водой и примесями, продлевая тем самым срок службы трансформатора, срок очистки и замены масла в нем. Воздухоосушитель также можно устанавливать на негерметичные трансформаторы других типов, в том числе импортные, в случае, если резьбовое соединение на дыхательной трубке трансформатора не соответствует резьбовому соединению на воздухоосушителе, мы готовы изготовить переходники крепления. Предназначены для осушения воздуха, контактирующего с трансформаторным маслом в трансформаторах, очистки его от пыли и мелких частиц. Используются в негерметичных трансформаторах типа и ТФЗМ, НКФ, ТФН, а также для высоковольтных негерметичных вводов типа БМВ т.п.

Трансформаторы T3R прошли испытания на сейсмостойкость 9 баллов MSK64

29.04.2013

Сухие трансформаторы, поставляемые компанией «Электронмаш», испытали в специализированной лаборатории в Милане.

В рамках прохождения аттестации и сертификации сухих силовых трансформаторов с литой изоляцией типа T3R в различных отечественных сетевых организациях, компания ЗАО «Электронмаш» совместно со специалистами «GBE S.p.A.» провела испытания сухого силового трансформатора с литой изоляцией типа T3R на сейсмостойкость до 9 баллов по шкале MSK64. Ранее подобные испытания уже проводились на образцах 250 кВА 10/0,4 кВ, теперь же в качестве испытуемого образца был выбран мощный сухой силовой трансформатор с литой изоляцией TS3R36.2000 кВА, класс напряжения 35 кВ, с классом изоляции 40,5 кВ.
 
Выбор на трансформатор такой высокой мощности пал не случайно, а с учетом жестких условий эксплуатации на российских предприятиях. ЗАО «Электронмаш», и это обусловлено политикой качества, в отличие от большинства компаний проводит испытания не методом математического моделирования, а при помощи натурных испытаний. Компания «Электронмаш», как поставщик, предпочитает со стопроцентной уверенностью знать, что предлагает заказчику, и несет полную ответственность за поставляемое оборудование.
 
Испытания были проведены на испытательном стенде в независимом экспертном центре «CESI» (г. Милан, Италия). К сведению: в этом крупном испытательном центре свое оборудование тестирует такая известная в электротехническом мире компания, как «ABB». Испытания проводились в полном соответствии требованиям ГОСТ 17516.1, по которому их продолжительность составляет 60 секунд.
 
Проведя испытания на стойкость к воздействию внешних механических факторов, «Электронмаш» сделал еще один уверенный шаг к внедрению сухих силовых трансформаторов с литой изоляцией типа T3R на российский рынок. Для заказчиков, реализующих свои проекты в регионах с повышенной сейсмической активностью, данный вид оборудования, как и вся линейка продуктов, предлагаемых ЗАО «Электронмаш», станет символом надежного энергоснабжения.
 
За более подробной информацией о сухих силовых трансформаторах с литой изоляцией типа T3R Вы можете обратиться в коммерческий отдел ЗАО «Электронмаш».

Все новости

Материалы по теме

   

ЗИП на литые трансформаторы

  • ГП «Антонов»

  • ООО «Золотой Урожай»

  • ГП «НСК «Олимпийский»

  • ЗАО «Керченский стекольный комбинат»

  • ПрАТ «Трест Киевгорстрой-3»

  • ЧАО «Сумское НПО им. Фрунзе»

  • ООО «БРВ-Украина»

  • СП ООО «МОДЕРН-ЕКСПО»

  • ООО «Компания Вежа»

  • ООО «ЦБМ «Осмолода»

  • ПАО «КИЕВЭНЕРГО»

  • ГП «НЭК» Укрэнерго»

  • ООО «Крымтеплоэлектроцентраль»

  • ООО «ЛЗТА «Маршал»

  • ПАО «Интерпайп НМТЗ»

  • ООО «ТПК «Буран»

  • ООО «ТПК «Вектор-ВС»

  • ООО «Промкабель-Электрика»

  • ООО «ПП «Электросервис»

  • ООО «ВАП-Буд»

  • ПАО «Укрэлектроаппарат»

  • ООО «ПКФ «Символ»

  • ООО «КС Инвест»

  • ДОЧП ОАО «Ивано-ФранковскЦемент»

  • ООО «Кнауф Гипс Скала»

  • ООО «Кен-Пак «Яворов»

  • ООО «Мастер-Кабель Украина»

  • ООО «ЗМК-1»

  • ООО ЗНА «Лидер Электрик»

  • Измаильское управление водного хозяйства

  • ООО «Скорзонера»

  • Горный отель «Карпатские полоныны»

  • АО «Газэнергокомплект»

  • ООО «Союз-Свет»

  • ООО «Укрсиликат»

  • ООО «Лакомка-2010»

  • Хлебопекарский Комплекс «Кулиничевский»

  • The Illustrated Transformer — Джей Аламмар — Визуализация машинного обучения по одной концепции за раз.

    Обсуждения: Hacker News (65 баллов, 4 комментария), Reddit r / MachineLearning (29 баллов, 3 комментария)
    Переводы: Испанский, Китайский (упрощенный), Корейский, Русский, Китайский (Упрощенный), Французский, Японский
    Смотрите: лекция MIT по теме «Глубокое обучение», ссылка на которую имеется в этой публикации

    В предыдущем посте мы рассмотрели «Внимание» — повсеместный метод в современных моделях глубокого обучения.Внимание — это концепция, которая помогла повысить производительность приложений нейронного машинного перевода. В этом посте мы рассмотрим The Transformer — модель, которая привлекает внимание для повышения скорости обучения этих моделей. Трансформеры превосходят модель нейронного машинного перевода Google в определенных задачах. Однако самое большое преимущество заключается в том, что The Transformer поддается распараллеливанию. Фактически, Google Cloud рекомендует использовать The Transformer в качестве эталонной модели для использования своего предложения Cloud TPU.Итак, давайте попробуем разбить модель на части и посмотрим, как она работает.

    Трансформатор был предложен в статье «Внимание — это все, что вам нужно». Его реализация в TensorFlow доступна как часть пакета Tensor2Tensor. Группа НЛП из Гарварда создала руководство с аннотациями к статье с использованием PyTorch. В этом посте мы попытаемся немного упростить вещи и представить концепции одну за другой, чтобы, надеюсь, облегчить понимание людям без глубоких знаний предмета.

    2020 Обновление : Я создал видео «Рассказанный трансформер», в котором более мягкий подход к теме:

    Взгляд высокого уровня

    Давайте начнем с рассмотрения модели как единого черного ящика. В приложении машинного перевода оно берет предложение на одном языке и выводит его перевод на другом.

    Раскрывая эту доброту Оптимуса Прайма, мы видим компонент кодирования, компонент декодирования и связи между ними.

    Компонент кодирования представляет собой стек кодировщиков (на бумаге шесть из них складываются друг на друга — в числе шесть нет ничего волшебного, можно определенно поэкспериментировать с другими компоновками). Компонент декодирования представляет собой стек декодеров с одинаковым числом.

    Все кодировщики идентичны по структуре (но у них нет общих весов). Каждый из них разбит на два подслоя:

    Входные данные кодировщика сначала проходят через слой самовнимания — слой, который помогает кодировщику смотреть на другие слова во входном предложении, когда он кодирует определенное слово.Мы подробнее рассмотрим самовнимание позже в этой статье.

    Выходные данные слоя самовнимания передаются в нейронную сеть с прямой связью. Точно такая же сеть прямой связи независимо применяется к каждой позиции.

    У декодера есть оба этих уровня, но между ними есть уровень внимания, который помогает декодеру сосредоточиться на соответствующих частях входного предложения (аналогично тому, что делает внимание в моделях seq2seq).

    Использование тензоров в картине

    Теперь, когда мы увидели основные компоненты модели, давайте начнем смотреть на различные векторы / тензоры и то, как они перемещаются между этими компонентами, чтобы превратить входные данные обученной модели в выходные данные.

    Как и в случае с приложениями НЛП в целом, мы начинаем с преобразования каждого входного слова в вектор с помощью алгоритма встраивания.


    Каждое слово вложено в вектор размером 512. Мы представим эти векторы этими простыми прямоугольниками.

    Встраивание происходит только в самый нижний кодировщик. Абстракция, которая является общей для всех кодировщиков, заключается в том, что они получают список векторов, каждый из которых имеет размер 512. В нижнем кодировщике это будет слово embeddings, но в других кодировщиках это будет выход кодировщика, который находится непосредственно под .Размер этого списка является гиперпараметром, который мы можем установить — в основном это будет длина самого длинного предложения в нашем наборе обучающих данных.

    После встраивания слов в нашу входную последовательность каждое из них проходит через каждый из двух уровней кодировщика.


    Здесь мы начинаем видеть одно ключевое свойство преобразователя, а именно то, что слово в каждой позиции проходит по своему собственному пути в кодировщике. Между этими путями на уровне самовнимания есть зависимости.Однако слой с прямой связью не имеет этих зависимостей, и, таким образом, различные пути могут выполняться параллельно при прохождении через слой с прямой связью.

    Затем мы заменим пример более коротким предложением и посмотрим, что происходит на каждом подуровне кодировщика.

    Теперь мы кодируем!

    Как мы уже упоминали, кодировщик получает на вход список векторов. Он обрабатывает этот список, передавая эти векторы в слой «самовнимания», затем в нейронную сеть с прямой связью, а затем отправляет выходные данные вверх следующему кодировщику.


    Слово в каждой позиции проходит через процесс самовнимания. Затем каждый из них проходит через нейронную сеть с прямой связью — точно такую ​​же сеть с каждым вектором, протекающим через нее отдельно.

    Самовнимание на высоком уровне

    Не дайте себя обмануть, если я использую слово «самовнимание», как будто это понятие должно быть знакомо каждому. Я лично никогда не сталкивался с этой концепцией до тех пор, пока не прочитал статью «Все, что вам нужно». Давайте разберемся, как это работает.

    Скажем, следующее предложение является вводным предложением, которое мы хотим перевести:

    Животное не переходило улицу, потому что оно слишком устало

    Что означает «оно» в этом предложении? Относится ли это к улице или к животному? Это простой вопрос для человека, но не такой простой для алгоритма.

    Когда модель обрабатывает слово «оно», самовнимание позволяет ей ассоциировать «это» с «животным».

    По мере того, как модель обрабатывает каждое слово (каждую позицию во входной последовательности), самовнимание позволяет ей смотреть на другие позиции во входной последовательности в поисках подсказок, которые могут помочь улучшить кодирование этого слова.

    Если вы знакомы с RNN, подумайте, как поддержание скрытого состояния позволяет RNN включать свое представление предыдущих слов / векторов, которые она обработала, с текущим, обрабатываемым ею. Самовнимание — это метод, который Трансформер использует для «запекания» других релевантных слов в словах, которые мы обрабатываем в данный момент.


    Поскольку мы кодируем слово «оно» в кодировщике №5 (верхний кодировщик в стеке), часть механизма внимания фокусировалась на «Животном» и запекла часть его представления в кодировке «оно».

    Обязательно ознакомьтесь с записной книжкой Tensor2Tensor, в которую вы можете загрузить модель Transformer, и изучить ее с помощью этой интерактивной визуализации.

    Самостоятельное внимание в деталях

    Давайте сначала посмотрим, как вычислить самовнимание с помощью векторов, а затем перейдем к рассмотрению того, как это на самом деле реализовано — с помощью матриц.

    Первый шаг при вычислении самовнимания — создать три вектора из каждого входного вектора кодировщика (в данном случае — вложение каждого слова).Итак, для каждого слова мы создаем вектор запроса, вектор ключа и вектор значения. Эти векторы создаются путем умножения вложения на три матрицы, которые мы обучили в процессе обучения.

    Обратите внимание, что эти новые векторы меньше по размерности, чем вектор внедрения. Их размерность составляет 64, в то время как векторы ввода / вывода встраивания и кодировщика имеют размерность 512. Они НЕ ДОЛЖНЫ быть меньше, это выбор архитектуры, позволяющий сделать вычисление многогранного внимания (в основном) постоянным.


    Умножение x1 на весовую матрицу WQ дает q1, вектор «запроса», связанный с этим словом. В итоге мы создаем проекцию «запроса», «ключа» и «значения» для каждого слова во входном предложении.

    Что такое векторы «запроса», «ключа» и «значения»?

    Это абстракции, которые полезны для вычисления внимания и размышлений о нем. Когда вы перейдете к чтению того, как рассчитывается внимание ниже, вы будете знать почти все, что вам нужно знать о роли каждого из этих векторов.

    Второй шаг в вычислении самовнимания — это подсчет баллов. Предположим, мы рассчитываем самовнимание для первого слова в этом примере — «Мышление». Нам нужно сопоставить каждое слово входного предложения с этим словом. Оценка определяет, сколько внимания следует уделять другим частям входного предложения, когда мы кодируем слово в определенной позиции.

    Оценка рассчитывается как скалярное произведение вектора запроса на ключевой вектор соответствующего слова, которое мы оцениваем.Итак, если мы обрабатываем самовнимание для слова в позиции №1, первая оценка будет скалярным произведением q1 и k1. Вторая оценка будет скалярным произведением q1 и k2.


    Третий и четвертый этапы заключаются в разделении оценок на 8 (квадратный корень из размерности ключевых векторов, используемых в статье — 64. Это приводит к получению более стабильных градиентов. Здесь могут быть и другие возможные значения, но это значение по умолчанию), затем передайте результат через операцию softmax.Softmax нормализует оценки, чтобы все они были положительными и в сумме составляли 1.

    .

    Эта оценка softmax определяет, насколько каждое слово будет выражено в этой позиции. Очевидно, что слово в этой позиции будет иметь наивысший балл softmax, но иногда полезно обратить внимание на другое слово, имеющее отношение к текущему слову.

    Пятый шаг — это умножение каждого вектора значений на оценку softmax (при подготовке к их суммированию). Интуиция здесь состоит в том, чтобы сохранить неизменными значения слов, на которых мы хотим сосредоточиться, и заглушить не относящиеся к делу слова (умножив их на крошечные числа, такие как 0. 001, например).

    Шестой этап заключается в суммировании векторов взвешенных значений. Это дает результат слоя самовнимания в этой позиции (для первого слова).


    На этом расчет самовнимания завершен. Результирующий вектор — это тот, который мы можем отправить в нейронную сеть с прямой связью. Однако в реальной реализации этот расчет выполняется в матричной форме для более быстрой обработки. Итак, давайте посмотрим на это теперь, когда мы увидели интуитивное вычисление на уровне слов.

    Матрица расчета самовнимания

    Первым шагом является вычисление матриц запроса, ключа и значения. Мы делаем это, упаковывая наши вложения в матрицу X и умножая ее на матрицы весов, которые мы обучили (WQ, WK, WV).


    Каждая строка в матрице X соответствует слову во входном предложении. Мы снова видим разницу в размере вектора встраивания (512 или 4 прямоугольника на рисунке) и векторов q / k / v (64 или 3 прямоугольника на рисунке).

    Наконец, , поскольку мы имеем дело с матрицами, мы можем объединить шаги со второго по шестой в одну формулу, чтобы вычислить результаты слоя самовнимания.


    Расчет самовнимания в матричной форме

    Многоголовый зверь

    В статье дополнительно усовершенствован слой самовнимания, добавлен механизм, называемый «многоглавым» вниманием. Это улучшает производительность слоя внимания двумя способами:

    1. Расширяет способность модели фокусироваться на разных позициях. Да, в приведенном выше примере z1 содержит немного любой другой кодировки, но в ней может преобладать само слово.Было бы полезно, если бы мы переводили предложение вроде «Животное не переходило улицу, потому что оно слишком устало», мы хотели бы знать, к какому слову «оно» относится.

    2. Он дает слою внимания несколько «подпространств представления». Как мы увидим далее, с многоголовым вниманием у нас есть не только один, но и несколько наборов весовых матриц запроса / ключа / значения (преобразователь использует восемь головок внимания, поэтому мы получаем восемь наборов для каждого кодировщика / декодера). . Каждый из этих наборов инициализируется случайным образом.Затем, после обучения, каждый набор используется для проецирования входных вложений (или векторов из нижних кодировщиков / декодеров) в другое подпространство представления.


    С многоголовым вниманием мы поддерживаем отдельные весовые матрицы Q / K / V для каждой головы, в результате чего получаются разные матрицы Q / K / V. Как и раньше, мы умножаем X на матрицы WQ / WK / WV, чтобы получить матрицы Q / K / V.


    Если мы проделаем тот же самый расчет самовнимания, который мы описали выше, всего восемь раз с разными весовыми матрицами, мы получим восемь разных Z-матриц


    Это оставляет нам небольшую проблему.Слой прямой связи не ожидает восьми матриц — он ожидает единственную матрицу (вектор для каждого слова). Итак, нам нужен способ сжать эти восемь элементов в единую матрицу.

    Как мы это делаем? Мы объединяем матрицы, а затем умножаем их на дополнительную матрицу весов WO.


    Вот и все, что нужно для многоглавого самовнимания. Я понимаю, что это довольно много матриц. Позвольте мне попытаться объединить их все в один визуальный ряд, чтобы мы могли рассматривать их в одном месте


    Теперь, когда мы коснулись головок внимания, давайте вернемся к нашему предыдущему примеру, чтобы увидеть, где фокусируются различные головы внимания, когда мы кодируем слово «оно» в нашем примере предложения:


    Когда мы кодируем слово «оно», одна голова внимания больше всего сосредотачивается на «животном», в то время как другая фокусируется на «усталом» — в некотором смысле, представление модели слова «оно» вписывается в некоторые из представлений. как «животное», так и «уставшее».

    Однако, если мы добавим все внимание к изображению, то будет сложнее интерпретировать:


    Представление порядка последовательности с использованием позиционного кодирования

    В модели, которую мы описали до сих пор, отсутствует одна вещь, а именно способ учесть порядок слов во входной последовательности.

    Чтобы решить эту проблему, преобразователь добавляет вектор к каждому встраиванию входа. Эти векторы следуют определенному шаблону, который модель изучает, что помогает ей определять положение каждого слова или расстояние между разными словами в последовательности.Интуиция здесь заключается в том, что добавление этих значений к вложениям обеспечивает значимые расстояния между векторами встраивания, когда они проецируются в векторы Q / K / V и во время внимания скалярного произведения.


    Чтобы дать модели ощущение порядка слов, мы добавляем векторы позиционного кодирования, значения которых следуют определенному шаблону.

    Если мы предположим, что вложение имеет размерность 4, фактическое позиционное кодирование будет выглядеть так:


    Реальный пример позиционного кодирования с размером вложения игрушки 4

    Как мог бы выглядеть этот узор?

    На следующем рисунке каждая строка соответствует позиционному кодированию вектора. Таким образом, первая строка будет вектором, который мы добавим к встраиванию первого слова во входной последовательности. Каждая строка содержит 512 значений — каждое от 1 до -1. Мы присвоили им цветовую кодировку, чтобы узор был виден.


    Реальный пример позиционного кодирования для 20 слов (строк) с размером встраивания 512 (столбцов). Вы можете видеть, что он разделен пополам по центру. Это потому, что значения левой половины генерируются одной функцией (которая использует синус), а правая половина генерируется другой функцией (которая использует косинус).Затем они объединяются, чтобы сформировать каждый из векторов позиционного кодирования.

    Формула позиционного кодирования описана в статье (раздел 3.5). Вы можете увидеть код для генерации позиционных кодировок в get_timing_signal_1d () . Это не единственный возможный метод позиционного кодирования. Однако это дает преимущество возможности масштабирования до невидимой длины последовательностей (например, если нашу обученную модель просят перевести предложение длиннее, чем любое из предложений в нашем обучающем наборе).

    Июль 2020 Обновление: Позиционное кодирование, показанное выше, взято из реализации Transformer2Transformer. Метод, показанный в статье, немного отличается тем, что он не объединяет напрямую, а переплетает два сигнала. На следующем рисунке показано, как это выглядит. Вот код для его создания:


    Остатки

    Одна деталь в архитектуре кодировщика, которую мы должны упомянуть, прежде чем двигаться дальше, заключается в том, что каждый подуровень (самовнимание, ffnn) в каждом кодере имеет остаточное соединение вокруг себя, за которым следует этап нормализации уровня. .


    Если мы визуализируем векторы и операцию уровня-нормы, связанную с самовниманием, это будет выглядеть так:


    Это также относится к подуровням декодера. Если мы представим себе преобразователь из двух стековых кодировщиков и декодеров, он будет выглядеть примерно так:


    Сторона декодера

    Теперь, когда мы рассмотрели большинство концепций кодировщика, мы в основном знаем, как работают компоненты декодеров. Но давайте посмотрим, как они работают вместе.

    Кодер запускает обработку входной последовательности. Затем выходной сигнал верхнего кодера преобразуется в набор векторов внимания K и V. Они должны использоваться каждым декодером на его уровне «внимание кодер-декодер», который помогает декодеру сосредоточиться на соответствующих местах во входной последовательности:


    После завершения этапа кодирования мы начинаем этап декодирования. Каждый шаг в фазе декодирования выводит элемент из выходной последовательности (в данном случае это предложение английского перевода).

    Следующие шаги повторяют процесс до тех пор, пока не будет достигнут специальный символ, указывающий, что декодер трансформатора завершил свой вывод. Выходной сигнал каждого шага подается в нижний декодер на следующем временном шаге, и декодеры выводят свои результаты декодирования так же, как это сделали кодеры. И так же, как мы поступили с входами кодировщика, мы встраиваем и добавляем позиционное кодирование к этим входам декодера, чтобы указать положение каждого слова.


    Слои самовнимания в декодере работают немного иначе, чем в кодировщике:

    В декодере слой самовнимания может обращать внимание только на более ранние позиции в выходной последовательности.Это делается путем маскирования будущих позиций (установка для них значений -inf ) перед шагом softmax при вычислении самовнимания.

    Уровень «Внимание кодировщика-декодера» работает так же, как многоголовое самовнимание, за исключением того, что он создает свою матрицу запросов из уровня ниже и берет матрицу ключей и значений из выходных данных стека кодировщика.

    Последний линейный слой и слой Softmax

    Стек декодера выводит вектор с плавающей запятой. Как нам превратить это в слово? Это работа последнего слоя Linear, за которым следует слой Softmax.

    Линейный слой — это простая полносвязная нейронная сеть, которая проецирует вектор, созданный стеком декодеров, в гораздо более крупный вектор, называемый вектором логитов.

    Предположим, что наша модель знает 10 000 уникальных английских слов («выходной словарь» нашей модели), которые она выучила из набора обучающих данных. Это сделало бы вектор логитов шириной 10 000 ячеек — каждая ячейка соответствует количеству уникального слова. Вот как мы интерпретируем вывод модели, за которой следует линейный слой.

    Слой softmax затем превращает эти оценки в вероятности (все положительные, все в сумме дают 1,0). Выбирается ячейка с наибольшей вероятностью, и слово, связанное с ней, создается в качестве выходных данных для этого временного шага.


    Этот рисунок начинается снизу с вектора, полученного на выходе стека декодера. Затем оно превращается в выходное слово.

    Итоги обучения

    Теперь, когда мы рассмотрели весь процесс прямого прохода через обученный преобразователь, было бы полезно взглянуть на интуицию обучения модели.

    Во время обучения неподготовленная модель проделает точно такой же прямой проход. Но поскольку мы обучаем его на помеченном наборе обучающих данных, мы можем сравнить его выходные данные с фактическими правильными выходными данными.

    Чтобы наглядно это представить, предположим, что наш выходной словарь содержит только шесть слов («а», «я», «я», «спасибо», «ученик» и «» (сокращение от «конец предложения») ).


    Выходной словарь нашей модели создается на этапе предварительной обработки еще до того, как мы начинаем обучение.

    Как только мы определим наш выходной словарь, мы можем использовать вектор той же ширины для обозначения каждого слова в нашем словаре. Это также называется горячим кодированием. Так, например, мы можем обозначить слово «am» с помощью следующего вектора:


    Пример: быстрое кодирование нашего выходного словаря

    После этого резюме, давайте обсудим функцию потерь модели — метрику, которую мы оптимизируем на этапе обучения, чтобы привести к обученной и, надеюсь, удивительно точной модели.

    Функция потерь

    Допустим, мы обучаем нашу модель. Допустим, это наш первый шаг на этапе обучения, и мы обучаем его на простом примере — переводе слова «мерси» в «спасибо».

    Это означает, что мы хотим, чтобы на выходе было распределение вероятностей с указанием слова «спасибо». Но поскольку эта модель еще не обучена, это вряд ли произойдет.


    Поскольку все параметры модели (веса) инициализируются случайным образом, (необученная) модель создает распределение вероятностей с произвольными значениями для каждой ячейки / слова.Мы можем сравнить его с фактическим результатом, а затем настроить все веса модели с помощью обратного распространения ошибки, чтобы приблизить результат к желаемому.

    Как сравнить два распределения вероятностей? Мы просто вычитаем одно из другого. Для получения дополнительных сведений см. Кросс-энтропию и расхождение Кульбака – Лейблера.

    Но учтите, что это упрощенный пример. Более реалистично, мы будем использовать предложение длиннее одного слова. Например — ввод: «je suis étudiant» и ожидаемый результат: «я студент». На самом деле это означает, что мы хотим, чтобы наша модель последовательно выводила распределения вероятностей, где:

    • Каждое распределение вероятностей представлено вектором ширины vocab_size (6 в нашем игрушечном примере, но более реалистично число вроде 30 000 или 50 000)
    • Первое распределение вероятностей имеет наивысшую вероятность в ячейке, связанной со словом «i»
    • Второе распределение вероятностей имеет самую высокую вероятность в ячейке, связанной со словом «am»
    • И так далее, пока пятое выходное распределение не укажет символ « <конец предложения> », с которым также связана ячейка из словаря из 10 000 элементов.

    Целевые распределения вероятностей, с которыми мы будем обучать нашу модель в обучающем примере для одного предложения-образца.

    После обучения модели в течение достаточного времени на достаточно большом наборе данных мы надеемся, что полученные распределения вероятностей будут выглядеть так:


    Надеемся, что после обучения модель выдаст правильный перевод, который мы ожидаем. Конечно, это не настоящее указание на то, была ли эта фраза частью обучающего набора данных (см .: перекрестная проверка).Обратите внимание, что каждая позиция имеет небольшую вероятность, даже если она вряд ли будет результатом этого временного шага — это очень полезное свойство softmax, которое помогает процессу обучения.

    Теперь, поскольку модель производит выходные данные по одному, мы можем предположить, что модель выбирает слово с наибольшей вероятностью из этого распределения вероятностей и отбрасывает все остальное. Это один из способов сделать это (называется жадным декодированием). Другой способ сделать это — удержаться, скажем, за два верхних слова (например, «I» и «a»), а затем на следующем шаге запустить модель дважды: однажды предполагая, что первая выходная позиция была слово «I», и в другой раз, предполагая, что первой выходной позицией было слово «a», и какая бы версия ни вызвала меньше ошибок, учитывая обе позиции №1 и №2, сохраняется.Мы повторяем это для позиций №2 и №3… и т. Д. Этот метод называется «поиск луча», где в нашем примере для beam_size было два (это означает, что всегда две частичные гипотезы (незавершенные переводы) сохраняются в памяти), а top_beams также равно двум (что означает, что мы вернем два перевода. ). Это оба гиперпараметра, с которыми вы можете поэкспериментировать.

    Двигайтесь вперед и трансформируйте

    Я надеюсь, что вы нашли это полезным местом, чтобы начать ломать голову над основными концепциями Трансформера.Если вы хотите углубиться, я бы посоветовал следующие шаги:

    Доработки:

    Благодарности

    Благодарим Илью Полосухина, Якоба Ушкорейта, Ллиона Джонса, Лукаша Кайзера, Ники Пармар и Ноама Шазира за отзывы о более ранних версиях этого поста.

    Пожалуйста, напишите мне в Твиттер, если я хочу исправить или оставить отзыв.

    Трансформатор

    Класс пространственных объектов Transformer содержит информацию о распределительных и силовых трансформаторах. Подтипы включают в себя сеть, однофазный надземный, однофазный подземный, двухфазный надземный, трехфазный надземный, трехфазный под землей, ступенчатый и силовой.

    Характеристики трансформаторов включают номинальное напряжение (кВ), номинальную мощность (МВА), полное сопротивление (%), оценку потерь, номинальную температуру (градусы Цельсия) и класс охлаждения. Распределительные трансформаторы преобразуют электрическую энергию из первичного напряжения в напряжение потребления. Первичные напряжения находятся в диапазоне от 34,5 / 19920 заземленных Y до 4160Y / 2400 заземленных Y вольт.Обмотка трансформатора может иметь переключатели ответвлений, отдельно для напряжения и фазового угла.

    Transformer наследует атрибуты абстрактных классов ElectricDevice и TransformerBank . Любые названия моделей, присвоенные этим классам, также должны быть присвоены Transformer.

    Ассоциации: LoadTapChanger (только для силового трансформатора), NetworkProtector (только для подтипа Network), TransformerUnit

    Подтипы: сеть, однофазный надземный, однофазный подземный, двухфазный надземный, трехфазный надземный, трехфазный подземный, ступенчатый, силовой, разомкнутый треугольник и открытый тройник. Использование подтипов необязательно. Атрибут Subtype можно удалить, если подтипы не используются в модели.

    Названия моделей:

    Атрибуты:

    Альтернативный [X, Y, Z]: double — Сохраняет значения X, Y и Z с устройства GPS.

    AlternateSource: text — Это поле содержит значение из домена Feature Source, которое указывает альтернативный источник для структуры.

    HighSideConfiguration: текст — Конфигурация первичной обмотки трансформатора; значения домена включают SinglePhaseLine-Ground, Open, SinglePhaseLine-Line, Wye.ВЫСОКАЯ КОНФИГУРАЦИЯ

    LowSideConfiguration: текст — Конфигурация вторичной обмотки трансформатора; значения домена включают 3-проводной треугольник, 4-проводной треугольник, треугольник, однофазный, звезда

    LowSideGroundReactance: double — Реактивное сопротивление заземления вторичной обмотки в Ом.

    LowSideGroundResistance: double — Сопротивление заземления вторичной обмотки в Ом.

    LowSideProtection: текст — Код, указывающий тип максимальной токовой защиты, используемой на вторичной стороне трансформатора; подтипы «Сеть» и «Электропитание» используют в этом поле домен индикатора «Да / Нет»; это поле не применимо ко всем остальным подтипам.

    LowSideVoltage: длинное целое число — Напряжение на вторичной обмотке трансформатора.

    Номинальная кВА [A, B, C]: двойная — Сумма номинальных кВА соответствующих трансформаторных блоков на фазу; Значения домена включают 100 кВА, 1000 кВА и т. д. Правило проверки RatedKVA на трансформаторе использует название модели RATEDKVA в этом поле. Это название модели также используется в Designer’s Secondary Circuit Analysis.

    SwitchType: text — Код, указывающий тип переключателя.

    Следующие атрибуты применяются к подтипу силового трансформатора:

    LoadTapChangerIndicator: текст — индикатор Да / Нет, который указывает, присутствует ли на трансформаторе устройство РПН.

    Вес пустого: двойной — Вес трансформатора без охлаждающего масла.

    FilledWeight: double — Вес трансформатора с охлаждающей жидкостью.

    Высота Втулки: двойные — Высота втулки над монтажным фланцем.

    Высота, без вводов: двойные — Высота трансформатора до установки вводов.

    RatedKVA65Rise: long integer — Номинальная кВА при максимальном повышении средней температуры обмотки на 65 градусов Цельсия при температуре окружающего воздуха на 30 градусов Цельсия.

    RatedTertiaryKVA: long integer — Номинальная кВА третичной обмотки.

    TertiaryConfiguration: текст — Конфигурация третичной обмотки.

    TertiaryVoltage: длинное целое число — Напряжение третичной обмотки трансформатора.

    Что вызывает отказ трансформатора?

    Симптомы проблем с качеством электроэнергии включают вибрацию, чрезмерное жужжание или гудение и перегрев. Техники должны время от времени проверять мощность трансформаторов, питающих нелинейные нагрузки, например, частотно-регулируемые приводы (ЧРП) или импульсные источники питания. Это обеспечит работу в допустимых пределах.Трансформаторы крайне важны для надежности системы заземления. Во время осмотра трансформатора используйте температуру в качестве ориентира для проверки чрезмерного теплового излучения и будьте внимательны к небольшому перегреву изоляции. Оба являются хорошими индикаторами качества электроэнергии. Не забывайте регистрировать данные с течением времени с помощью надежного анализатора качества электроэнергии. Важно установить исходные параметры, поскольку большинство проблем с качеством электроэнергии носят временный характер.

    В рамках сбора исходных данных запишите мощность трансформатора, номинальное напряжение и ток, указанные на паспортной табличке трансформатора.

    Основные 5 причин проблем с качеством электроэнергии трансформатора

    1. Ослабленные соединения — Длительная вибрация может ослабить соединения в электрических трансформаторах. Отсутствие контроля приводит к чрезмерному жужжанию и перегреву.
    2. Избыточные гармоники — Более высокая температура нейтрали может указывать на наличие гармоник. Согласно IEEE 519, общее гармоническое искажение напряжения должно быть менее 5% для систем ниже 69 кВ. Общее искажение потребления тока также должно быть менее 5% в зависимости от размера источника по отношению к нагрузке.Чрезмерные гармоники на третьем или пятом уровне часто указывают на помехи от электронных нагрузок.
    3. Unbalance — Когда вы сравниваете температуры выводов и катушек с помощью тепловизора, более высокая температура на одной фазе может указывать на дисбаланс. При поиске и устранении неисправностей с помощью анализатора качества электроэнергии сравните ток в каждой фазе, отметив, что максимальное напряжение баланса обычно составляет 2%. Это означает, что напряжение на любой одной фазе не должно изменяться более чем на 2% от среднего значения трех фаз.Самая частая причина дисбаланса — изменение конфигурации нагрузки, поэтому быстро составьте карту общей системы распределения оборудования.
    4. Перегрузка — Если температура значительно выше ожидаемой и устройство не подвергается воздействию прямых солнечных лучей, то, скорее всего, проблема связана с перегрузкой и охлаждением. Сравните кВА, напряжение и ток с паспортной табличкой трансформатора. Если потребляемая мощность больше, чем указано на паспортной табличке, вероятно, произошла перегрузка.
    5. Проблемы с охлаждением — Причинами часто являются засорение контура охлаждающего масла или отказ охлаждающих вентиляторов.

    Анализ качества электроэнергии также можно выполнять с помощью расширенного регистратора мощности, который может автоматически регистрировать и регистрировать более 500 параметров. Этот регистратор упрощает поиск и устранение неисправностей, а функция сводки дает представление об общем состоянии электрической системы.

    Рекомендуемые ресурсы:

    1. Краткое руководство по признакам качества электроэнергии
    2. Связь между заземлением и качеством электроэнергии
    3. Устранение неисправностей двигателей и приводов

    ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЛЯ ЭЛЕКТРОТЕХНИКИ Домашняя страница

    Настройки ответвлений трансформатора вне номинального значения

    Трансформатор с соотношением витков a, соединяющий два узла i, k, может быть представлен в виде идеального трансформатора, включенного последовательно с номинальной проводимостью утечки трансформатора, как показано на рис. 2.2 (а). Если трансформатор находится на номинальном ответвлении (a = 1), узловые уравнения для ветви сети в системе на единицу равны

    .

    В этом случае Iik = -Iki *
    Для установки ответвлений, отличной от номинальной, и если напряжение на стороне k идеального трансформатора составляет Vt, мы можем написать

    Исключая Vt между уравнениями (2.2.4) и (2.2.5), получаем

    Простая эквивалентная схема может быть получена из уравнений (2.2.7) и (2.2.8), элементы которых могут быть включены в матрицу проводимости. Эта схема проиллюстрирована на рис. 2.2 (б). Эквивалентную схему на рис. 2.2 (b) следует использовать с осторожностью в батареях, содержащих обмотки, соединенные треугольником. В группе звезда-треугольник однофазных трансформаторных блоков, например, с номинальным соотношением витков, значение 1,0 на единицу напряжения на каждом плече обмотки звезды дает в сбалансированных условиях 1,732 на единицу напряжения на каждом плече обмотки треугольником. (номинальное напряжение между фазой и нейтралью в качестве базы).Конструкция блока требует в представлении на единицу эффективного отвода при номинальном передаточном числе оборотов √3 на стороне треугольника, то есть a = 1,732.

    Рисунок 2.2

    Трансформатор с выходом за пределы номинального значения

    Для трансформатора треугольник-треугольник или звезда-треугольник с ответвлениями на обмотке звезды, эквивалентная схема на рис. 2.2 (b) должна быть изменена, чтобы обеспечить отображение эффективных ответвлений на каждой стороне.Модель эквивалентной схемы однофазного блока может быть получена путем рассмотрения трансформатора треугольник-треугольник как состоящего из трансформатора треугольник-звезда, подключенного последовательно (спина к спине) через линию с нулевым сопротивлением к трансформатору звезда-треугольник, т. Е. Обмотки звездой. последовательно. Обе нейтрали надежно заземлены. Полное сопротивление утечки каждого трансформатора будет составлять половину полного сопротивления эквивалентного трансформатора дельта-треугольник. Эквивалентное представление этой муфты на единицу показано на рис. 2.3. Решение этой схемы для оконечных токов

    или в матричной форме

    Эти параметры полной проводимости образуют примитивную сеть для связи между первичной и вторичной обмотками.

    Фазосдвигающие трансформаторы

    Рисунок 2.3

    Базовая схема замещения в о.е. для соединения между первичной и вторичной обмотками с отклонениями первичной и вторичной обмоток от номинальных значений α и β

    Чтобы справиться с фазовым сдвигом, трансформатор, показанный на рис. 2.3, должен иметь сложное отношение витков. Более того, неизменность произведения VI * на идеальном трансформаторе требует различения отношений витков для тока и напряжения, т. е.е.

    или

    Таким образом, схема на рис. 2.3 имеет два разных передаточных числа витков, т. Е.

    и

    Решение доработанной схемы для оконечных токов.

    Таким образом, общая однофазная проводимость трансформатора, включая фазовый сдвиг, составляет

    Обратите внимание, что, хотя эквивалентная решетчатая сеть, аналогичная изображенной на рис.2.3 может быть построена, это уже не билинейная сеть, как видно из асимметрии y в уравнении (2.2.14). Эквивалентная схема однофазного фазосдвигающего трансформатора, таким образом, имеет ограниченную ценность, и трансформатор лучше всего аналитически представлен в виде его матрицы полной проводимости.

    Иллюстрированное руководство по трансформаторам — пошаговое объяснение | Майкл Фи

    Трансформаторы штурмом захватывают мир обработки естественного языка. Эти невероятные модели бьют множество рекордов НЛП и продвигают новейшие разработки.Они используются во многих приложениях, таких как машинный перевод, разговорные чат-боты и даже для улучшения поисковых систем. Трансформаторы сейчас в моде в области глубокого обучения, но как они работают? Почему они превзошли предыдущего короля проблем последовательности, такого как рекуррентные нейронные сети, GRU и LSTM? Вы, наверное, слышали о различных известных моделях трансформеров, таких как BERT, GPT и GPT2. В этом посте мы сосредоточимся на одной статье, с которой все началось: «Внимание — это все, что вам нужно».

    Перейдите по ссылке ниже, если вы хотите вместо этого посмотреть видеоверсию.

    Чтобы понять трансформаторов, мы сначала должны понять механизм внимания. Механизм внимания позволяет трансформаторам иметь чрезвычайно долгую память. Модель-трансформер может «присутствовать» или «фокусироваться» на всех ранее сгенерированных токенах.

    Давайте рассмотрим пример. Допустим, мы хотим написать небольшой научно-фантастический роман с генеративным преобразователем. Мы можем сделать это с помощью приложения Write With Transformer от Hugging Face.Мы заполним модель нашими входными данными, а модель сгенерирует все остальное.

    Наш ввод: «Когда пришельцы вошли на нашу планету».

    Выход трансформатора: «и начала колонизацию Земли, определенная группа инопланетян начала манипулировать нашим обществом через свое влияние определенного числа элиты, чтобы удерживать и жестко контролировать население».

    Итак, история немного мрачная, но что интересно, так это то, как модель ее сгенерировала.По мере того как модель генерирует текст слово за словом, она может «следить» или «фокусироваться» на словах, которые имеют отношение к сгенерированному слову. Способность знать, какие слова следует посещать, тоже приобретается во время обучения посредством обратного распространения ошибки.

    Механизм внимания, фокусирующийся на разных токенах при генерации слов 1 на 1

    Рекуррентные нейронные сети (RNN) также могут просматривать предыдущие входные данные. Но сила механизма внимания в том, что он не страдает кратковременной памятью. У RNN более короткое окно для ссылки, поэтому, когда история становится длиннее, RNN не может получить доступ к словам, сгенерированным ранее в последовательности.Это по-прежнему верно для сетей Gated Recurrent Units (GRU) и Long-Short Term Memory (LSTM), хотя они обладают большей емкостью для достижения более долгосрочной памяти, следовательно, имеют более длительное окно для ссылки. Механизм внимания теоретически и при наличии достаточных вычислительных ресурсов имеет бесконечное окно, из которого можно ссылаться, поэтому он может использовать весь контекст истории при создании текста.

    Гипотетическое справочное окно внимания, RNN, ГРУ и LSTM

    Сила механизма внимания была продемонстрирована в статье «Внимание — это все, что вам нужно», где авторы представили новую новую нейронную сеть под названием Трансформеры, которая является кодировщиком на основе внимания. архитектура типа декодера.

    Модель преобразователя

    На высоком уровне кодер преобразует входную последовательность в абстрактное непрерывное представление, которое содержит всю изученную информацию этого входа. Затем декодер принимает это непрерывное представление и шаг за шагом генерирует один вывод, одновременно получая предыдущий вывод.

    Давайте рассмотрим пример. В статье модель Transformer применялась к задаче нейронного машинного перевода. В этом посте мы продемонстрируем, как это работает для разговорного чат-бота.

    Наш ввод: «Привет, как дела»

    Выход трансформатора: «Я в порядке»

    Первым шагом является подача ввода в слой встраивания слов. Слой встраивания слов можно рассматривать как таблицу поиска для получения выученного векторного представления каждого слова. Нейронные сети обучаются с помощью чисел, поэтому каждое слово отображается в вектор с непрерывными значениями для представления этого слова.

    преобразование слов во входные вложения

    Следующим шагом является введение позиционной информации во вложения.Поскольку кодировщик-преобразователь не имеет повторения, как рекуррентные нейронные сети, мы должны добавить некоторую информацию о позициях во входные вложения. Это делается с помощью позиционного кодирования. Авторы придумали хитрый трюк, используя функции sin и косинус.

    Мы не будем вдаваться в математические подробности позиционного кодирования, но вот основы. Для каждого нечетного индекса входного вектора создайте вектор с помощью функции cos. Для каждого четного индекса создайте вектор с помощью функции sin.Затем добавьте эти векторы к их соответствующим входным вложениям. Это успешно дает сети информацию о положении каждого вектора. Функции sin и косинус были выбраны в тандеме, потому что они обладают линейными свойствами, которым модель может легко научиться уделять внимание.

    Теперь у нас есть слой кодировщика. Задача слоев Encoders состоит в том, чтобы отобразить все входные последовательности в абстрактное непрерывное представление, которое содержит изученную информацию для всей этой последовательности. Он содержит 2 субмодуля, многоголовое внимание, за которым следует полностью подключенная сеть.Также существуют остаточные связи вокруг каждого из двух подслоев, за которыми следует нормализация уровня. Подмодули уровня кодировщика

    Чтобы разобраться в этом, давайте сначала рассмотрим модуль многоголового внимания.

    Многоголовое внимание в кодировщике применяет особый механизм внимания, называемый самовниманием. Самовнимание позволяет моделям связывать каждое слово во входных данных с другими словами. Итак, в нашем примере наша модель может научиться ассоциировать слово «вы» с «как» и «есть».Также возможно, что модель узнает, что слова, структурированные по этому шаблону, обычно являются вопросом, поэтому отвечайте соответствующим образом.

    Encoder Self-Attention Operations. Ссылка на это при просмотре иллюстраций ниже.

    Векторы запросов, ключей и значений

    Чтобы добиться самовнимания, мы передаем входные данные в 3 отдельных полностью связанных слоя для создания векторов запроса, ключа и значения.

    Что именно это за векторы? Я нашел хорошее объяснение по обмену стеком, в котором говорится….

    «Концепция ключа и значения запроса исходит из поисковых систем. Например, когда вы вводите запрос для поиска некоторого видео на Youtube, поисковая система сопоставляет ваш запрос с набором ключей (заголовок видео, описание и т. Д.), Связанных с видео кандидатов в базе данных, а затем представим вам наиболее подходящие видео ( значений ).

    Точечное произведение запроса и ключа

    После подачи вектора запроса, ключа и значения через линейный слой запросы и ключи подвергаются умножению матрицы скалярного произведения для создания матрицы оценок.

    Умножение на скалярное произведение запроса и ключа

    Матрица оценок определяет, насколько большое внимание следует уделять слову другие слова. Таким образом, каждое слово будет иметь оценку, соответствующую другим словам на временном шаге. Чем выше оценка, тем больше внимания. Вот как запросы сопоставляются с ключами.

    Оценка внимания от скалярного произведения.

    Уменьшение оценок внимания

    Затем оценки уменьшаются путем деления на квадратный корень из измерения запроса и ключа.Это сделано для обеспечения более стабильных градиентов, так как умножение значений может иметь взрывной эффект.

    Уменьшение оценок внимания

    Softmax масштабированных оценок

    Затем вы берете softmax масштабированной оценки, чтобы получить веса внимания, которые дают вам значения вероятности от 0 до 1. Выполняя softmax, повышаются более высокие оценки, а более низкие баллы — подавленны. Это позволяет модели быть более уверенным в том, какие слова следует использовать.

    Взятие softmax масштабированных оценок для получения значений вероятности

    Умножение выходных данных Softmax на вектор значений

    Затем вы берете веса внимания и умножаете их на свой вектор значений, чтобы получить вектор выходных данных.Более высокие баллы softmax сохранят ценность слов, которые модель выучила более важными. Более низкие баллы заглушают неуместные слова. Затем вы передаете результат в линейный слой для обработки.

    Чтобы сделать это вычисление многоголового внимания, вам необходимо разделить запрос, ключ и значение на N векторов, прежде чем применять самовнимание. Затем расщепленные векторы индивидуально проходят процесс самовнимания. Каждый процесс самовнимания называется головой. Каждая головка создает выходной вектор, который объединяется в один вектор перед прохождением последнего линейного слоя.Теоретически каждая голова будет изучать что-то свое, что дает модели кодировщика больше возможностей представления.

    Разделение Q, K, V, N раз перед применением самовнимания

    Подводя итог, многоголовое внимание — это модуль в трансформаторной сети, который вычисляет веса внимания для входа и создает выходной вектор с закодированной информацией о том, как каждое слово должно соответствовать всем остальным словам в последовательности.

    Выходной вектор многоголового внимания добавляется к исходному позиционному входному встраиванию.Это называется остаточной связью. Вывод остаточного соединения проходит через нормализацию слоя.

    Остаточное соединение позиционного встраивания ввода и вывода многоголового внимания

    Нормализованный остаточный вывод проецируется через точечную сеть с прямой связью для дальнейшей обработки. Точечная сеть с прямой связью представляет собой пару линейных слоев с активацией ReLU между ними. Выходные данные затем снова добавляются к входу точечной сети с прямой связью и далее нормализуются.

    Остаточное соединение входа и выхода точечного прямого слоя.

    Остаточные соединения помогают обучению сети, позволяя градиентам проходить через сети напрямую. Нормализация слоев используется для стабилизации сети, что приводит к значительному сокращению необходимого времени обучения. Слой точечной упреждающей связи используется для проецирования выходных данных внимания, потенциально придающих ему более богатое представление.

    Это завершает слой кодировщика. Все эти операции предназначены для кодирования входных данных в непрерывное представление с информацией о внимании.Это поможет декодеру сосредоточиться на соответствующих словах во вводе во время процесса декодирования. Вы можете складывать кодер N раз для дальнейшего кодирования информации, при этом каждый уровень имеет возможность изучать различные представления внимания, что потенциально увеличивает предсказательную мощность трансформаторной сети.

    Задача декодера — генерировать текстовые последовательности. Декодер имеет такой же подуровень, что и кодер. он имеет два многоголовых слоя внимания, слой с точечной прямой связью и остаточные связи, а также нормализацию уровня после каждого подуровня.Эти подуровни ведут себя аналогично уровням в кодировщике, но каждый многоглавый уровень внимания выполняет свою работу. Декодер завершается линейным слоем, который действует как классификатор, и softmax для получения вероятностей слов.

    Слой декодера. Ссылка на эту диаграмму при чтении.

    Декодер является авторегрессионным, он начинается со стартового токена и принимает в качестве входов список предыдущих выходов, а также выходы кодировщика, которые содержат информацию о внимании из входа.Декодер прекращает декодирование, когда генерирует токен в качестве вывода.

    Декодер является авторегрессионным, так как он генерирует токен 1 за раз, подавая его на предыдущие выходы.

    Давайте пройдемся по этапам декодирования.

    Начало декодера почти такое же, как и у кодировщика. Входные данные проходят через слой внедрения и слой позиционного кодирования, чтобы получить позиционные вложения. Позиционные вложения вводятся в первый слой внимания с несколькими головами, который вычисляет оценки внимания для входных данных декодера.

    Этот многоглавый слой внимания работает несколько иначе. Поскольку декодер является авторегрессионным и генерирует последовательность слово за словом, вам необходимо предотвратить его преобразование в будущие токены. Например, при вычислении оценки внимания к слову «я» у вас не должно быть доступа к слову «отлично», потому что это слово является будущим словом, которое было сгенерировано после. Слово «am» должно иметь доступ только к самому себе и к словам перед ним. Это верно для всех других слов, где они могут относиться только к предыдущим словам.

    Изображение первого многоголового внимания декодера по шкале оценки внимания. Слово «am» не должно иметь никакого значения для слова «штраф». Это верно для всех остальных слов.

    Нам нужен метод, предотвращающий вычисление оценок внимания для будущих слов. Этот метод называется маскировкой. Чтобы декодер не смотрел на будущие токены, вы применяете маску просмотра вперед. Маска добавляется перед вычислением softmax и после масштабирования оценок. Давайте посмотрим, как это работает.

    Маска упреждения

    Маска — это матрица того же размера, что и оценки внимания, заполненная значениями 0 и отрицательной бесконечностью.Когда вы добавляете маску к масштабированным оценкам внимания, вы получаете матрицу оценок с верхним правым треугольником, заполненным бесконечностями негатива.

    Добавление маски упреждающего просмотра к масштабированным оценкам

    Причина использования маски в том, что как только вы берете softmax замаскированных оценок, отрицательные бесконечности обнуляются, оставляя нулевые оценки внимания для будущих токенов. Как вы можете видеть на рисунке ниже, оценка внимания для «am» имеет значения для себя и всех слов перед ним, но равна нулю для слова «отлично».По сути, это говорит модели не акцентировать внимание на этих словах.

    Это маскирование — единственное отличие в том, как рассчитываются оценки внимания в первом многоглавом слое внимания. Этот слой по-прежнему имеет несколько головок, к которым применяется маска, прежде чем они будут объединены и пропущены через линейный слой для дальнейшей обработки. Результатом первого многоголового внимания является замаскированный выходной вектор с информацией о том, как модель должна присутствовать на входе декодера.

    Многоголовое внимание с маскированием

    Второй слой многоголового внимания.Для этого уровня выходными данными кодировщика являются запросы и ключи, а выходными данными первого многоголового слоя внимания являются значения. Этот процесс сопоставляет вход кодера со входом декодера, позволяя декодеру решить, на каком входе кодера следует сосредоточить внимание. Выход второго многоголового внимания проходит через точечный слой прямой связи для дальнейшей обработки.

    Выходные данные последнего поточечного слоя с прямой связью проходят через последний линейный слой, который действует как классификатор.Классификатор такой же большой, как и количество ваших классов. Например, если у вас есть 10 000 классов для 10 000 слов, вывод этого классификатора будет иметь размер 10 000. Выходные данные классификатора затем передаются в слой softmax, который дает оценки вероятности от 0 до 1. Мы берем индекс наивысшей оценки вероятности, который равен нашему предсказанному слову.

    Линейный классификатор с Softmax для получения вероятностей вывода

    Затем декодер берет вывод, добавляет его в список входов декодера и снова продолжает декодирование, пока не будет предсказан токен.В нашем случае предсказание с наивысшей вероятностью — это последний класс, который назначается конечному токену.

    Декодер также может быть составлен из N уровней, каждый из которых принимает входные данные от кодера и предшествующих ему слоев. Сложив слои, модель может научиться извлекать и сосредотачиваться на различных комбинациях внимания из своих головок внимания, потенциально повышая ее способность к прогнозированию.

    Кодировщик и декодер с накоплением

    И все! Такова механика трансформаторов.Трансформаторы используют силу механизма внимания, чтобы делать более точные прогнозы. Рекуррентные нейронные сети пытаются добиться аналогичных результатов, но потому, что они страдают от кратковременной памяти. Трансформаторы могут быть лучше, особенно если вы хотите кодировать или генерировать длинные последовательности. Благодаря архитектуре преобразователя индустрия обработки естественного языка может достичь беспрецедентных результатов.

    Посетите michaelphi.com, чтобы увидеть больше подобного контента.

    Границы | Модель гибридного силового электронного трансформатора для количественной оценки выгод на уровне системы в системах распределения энергии тепловые насосы, увеличивают нагрузку на существующие системы распределения, создавая такие проблемы, как повышение напряжения, тепловая перегрузка, более высокое присутствие гармоник и более высокие потери в системе (Walling et al., 2008; Прокопью и Очоа, 2017). Распределительные сети традиционно проектировались исходя из предположения, что единственным источником энергии в сети является первичная подстанция, и поэтому наличие сильно изменчивых распределенных энергетических ресурсов (DER) приводит к рабочим ситуациям, которые не были предусмотрены в традиционных системах (Walling и др., 2008). В этом отношении распределительный трансформатор, один из наиболее важных и надежных компонентов, работающих на стыке между системами передачи и распределения, имеет ограниченные возможности справляться с воздействием этих новых технологий на электрическую сеть, что приводит к потенциально увеличению эксплуатационных расходов и потери (Aeloiza et al., 2003). Дополнение сети интеллектуальным и активным контролем представляется хорошим вариантом для решения некоторых из предполагаемых проблем и потенциального снижения потребности в усилении сети (Bala et al., 2012; Navarro-Espinosa A. and Ochoa L. F., 2015). В настоящее время многие решения, предлагаемые для достижения более гибкой, управляемой и стабильной сети, основаны на силовых электронных устройствах для их реализации, таких как активные фильтры, HVDC, FACTS-устройства, электронные прерыватели и, в частности, силовые электронные трансформаторы (PET) (Liserre и другие., 2016).

    ПЭТ — относительно новое устройство, в котором используются силовые электронные преобразователи для преобразования электроэнергии не только между различными уровнями переменного напряжения, но также и различными частотами и формами (например, преобразование переменного тока в постоянный и постоянного в переменный). Среди нескольких различных предложенных топологий и реализаций ПЭТ, возможно, наиболее изученным подходом является трехэтапный ПЭТ из-за его высокого уровня управляемости и гибкости (Wang et al., 2012; Yang et al., 2016; Ferreira Costa et al. ., 2017). PET обеспечивает новые функции активного управления для распределительных сетей переменного тока с точки зрения, например, управления потоком мощности, регулирования напряжения и ограничения нейтральных токов и токов короткого замыкания, которые не могут быть реализованы с помощью традиционных низкочастотных трансформаторов железо-медь (LFT) ( She et al., 2013; Chen et al., 2019). Кроме того, становится возможна более удобная интеграция распределенной генерации постоянного тока, аккумуляторов и нагрузок постоянного тока с трехступенчатым ПЭТ, поскольку эти устройства могут быть напрямую подключены к портам постоянного тока трансформатора, повышая эффективность и снижая затраты за счет исключения ступеней преобразования (Hunziker и Шульц, 2017).В более широкой перспективе ПЭТ предлагает возможности для онлайн-автоматического управления и децентрализованной работы в интеллектуальных электросетях, снижая эксплуатационные расходы и повышая надежность энергосистем при очень разрушительных сложных явлениях, таких как каскадные отказы (Pournaras and Espejo-Uribe, 2017).

    Помимо этого, есть важные аспекты, которые следует учитывать при сравнении полного ПЭТ с обычным LFT. Хотя топологии, методы управления и технологии, применяемые к конструкции ПЭТ, постоянно совершенствуются, его высокая стоимость и относительно низкая эффективность по-прежнему являются одними из проблем, с которыми сталкивается это устройство при широком использовании в существующей электрической системе (Huber and Kolar , 2014).Целевой максимальный КПД для современных конструкций из ПЭТ составляет от 95 до 98%, в то время как для маслозаполненных LFT мощностью более 500 кВА он обычно превышает 99% (She et al., 2013). Как следствие, общая стоимость владения (TCO) ПЭТ в настоящее время крайне неблагоприятна по сравнению с совокупной стоимостью владения LFT; капитальные затраты на ПЭТ оцениваются как минимум в пять раз выше (Huber and Kolar, 2014), и ожидается, что эксплуатационные расходы также увеличатся из-за более длительного обслуживания в течение срока службы ПЭТ.

    Гибридная версия силового электронного трансформатора возникает как возможное решение некоторых основных ограничений, которые имеет полный ПЭТ в приложениях сети переменного тока.Гибридный ПЭТ (HPET) — это особый тип трансформатора, полученный в результате комбинации обычного низкочастотного трансформатора (LFT) с одним или несколькими электронными преобразователями. Чтобы поддерживать максимально высокий КПД, электронный преобразователь рассчитан на обработку только части номинальной мощности LFT, обеспечивая некоторый уровень управляемости, в то время как общий КПД не подвергается значительному влиянию (Burkard and Biela, 2015; Huber and Kolar , 2019). Ожидается, что капитальные затраты на HPET будут значительно ниже капитальных затрат на полиэтилентерефталат, а повышенная эффективность приведет к значительному снижению общих потерь в течение срока службы HPET, что приведет к гораздо более выгодной совокупной стоимости владения.Кроме того, в случае отказа электронного преобразователя HPET имеет возможность обойти электронный преобразователь и остаться работоспособным как обычный трансформатор, что повысит надежность. Вышеупомянутые преимущества делают HPET жизнеспособной альтернативой полноценному ПЭТ в сетях переменного тока. Тем не менее, очевидно, что из-за пониженного номинала управляемой силовой электронной части, HPET будет иметь более строгие ограничения на управление, которое он может осуществлять.

    В предыдущих работах было изучено влияние ПЭТ в сетях низкого и среднего напряжения с использованием упрощенных моделей при моделировании потока мощности (Guerra and Martinez-Velasco, 2017; Hunziker and Schulz, 2017; Huber and Kolar, 2019).Эти исследования пришли к выводу, что, хотя ПЭТ является наиболее удобным вариантом для сетей постоянного тока и гибридных сетей, необходимо дальнейшее повышение эффективности и надежности, чтобы ПЭТ был экономически эффективной альтернативой в системах переменного тока. В связи с этим можно провести аналогичные исследования, чтобы изучить преимущества системы, которые могут иметь различные топологии HPET в возможных будущих сценариях. Однако разработка моделей, необходимых для такого рода анализа, еще не освещена в текущей литературе по HPET.Чтобы устранить этот пробел, в данной работе представлена ​​методология разработки упрощенных моделей среднего потока мощности для HPET и демонстрируется интеграция этих моделей в моделирование потока мощности. Эти модели облегчают количественную оценку требований к управляемости для напряжения, активной и реактивной мощности, становясь новым инструментом для определения наиболее полезных функций и топологий HPET.

    Предлагаемая методология обладает гибкостью для представления важных характеристик электронного преобразователя, влияющих на системный уровень, таких как различные номинальные мощности и потери для каждого из преобразователей и различные стратегии для регулируемых переменных.Внося небольшие изменения в представленную модель, можно представить различные конфигурации схем и топологий HPET, а затем протестировать их при моделировании потоков мощности в моделях распределительных сетей. Таким образом, предлагаемая методология моделирования HPET становится полезным инструментом не только для оценки и количественной оценки некоторых преимуществ системного уровня, которые могут быть получены с этими устройствами, но и для разработки сетевых проектов HPET. Разработанная модель вместе с платформой моделирования, созданной для получения результатов, представленных в этой работе, остается разработкой с открытым исходным кодом на Python и находится в свободном доступе для академического сообщества и утилит распространения (Prystupczuk et al., 2021).

    2 Инструменты топологии и моделирования HPET

    2.1 Комбинированное шунтирующее устройство HPET

    В этом разделе представлена ​​концепция HPET с использованием синусоидального установившегося состояния. Для ясности в этом разделе используются уравнения без потерь; представление потерь HPET будет рассмотрено позже в разделе 3. Однофазная принципиальная схема комбинированного HPET с последовательным шунтом представлена ​​на рисунке 1. Эта комбинированная топология с последовательным шунтом состоит из объединения двух электронных модулей в задней части. конфигурация с обратной связью (BtB) с трехобмоточным LFT: модуль 1 электромагнитно соединен с LFT посредством шунтирующего соединения с третичной обмоткой, а модуль 2 соединен последовательно с вторичной обмоткой.

    РИСУНОК 1 . Однофазная схема HPET с преобразователем BtB с магнитной связью.

    Преобразователь постоянного тока в переменный с параллельным подключением может обеспечивать реактивную мощность в низковольтную сеть через третичную обмотку LFT. Эту функцию можно использовать для поддержки напряжения в вышестоящей сети или для компенсации реактивной мощности за счет ввода реактивной мощности, аналогично D-STATCOM (Liu et al., 2009; Hunziker and Schulz, 2017; Burkard and Biela, 2018). Выходное напряжение модуля 1, v⃗C1, фактически создается трансформатором, поэтому преобразователь может действовать только как источник тока, управляющий потоком PQ.Модуль 1 может обеспечивать управляемую реактивную мощность Q C 1 , которая подается от конденсатора промежуточного контура. В то же время, как в прямом, так и в обратном потоке мощности, модуль 1 с параллельным подключением работает как порт питания постоянного напряжения, который регулирует напряжение конденсатора постоянного тока путем управления активной мощностью P C 1 . Этот поток активной мощности установлен для регулирования напряжения промежуточного контура для любых изменений, вызванных активной мощностью P C 2 , потребляемой модулем 2, а также для компенсации потерь во всем электронном преобразователе.Потоки реактивной мощности в Модуле 1 и Модуле 2 развязаны благодаря конденсатору промежуточного контура (Яздани и Иравани, 2010).

    С другой стороны, модуль 2 преобразователя с источником напряжения (VSC) последовательно соединен с вторичной обмоткой LFT, действуя как источник напряжения, который подает напряжение v⃗C2 последовательно с v⃗T для регулирования напряжения v⃗LV во вторичной обмотке. . Комбинированное последовательное соединение шунтов обеспечивает путь для прохождения активной мощности через преобразователь BtB, позволяя HPET независимо управлять потоками активной и реактивной мощности и управлять ими.Благодаря последовательному соединению ток во вторичной обмотке и ток в модуле 2 одинаковы. Доля α , которая представляет собой отношение максимальной мощности модуля 2 к номинальной мощности вторичной обмотки, может быть выражена согласно (уравнение 1).

    Где:

    S C 2 max Максимально допустимая полная мощность модуля 2

    S Tmax Номинальная мощность вторичной обмотки.

    Поскольку комбинированная топология может одновременно регулировать напряжение на вторичной стороне и поток реактивной мощности на первичной стороне, возможность компенсации реактивной мощности будет зависеть от фактической активной мощности, мгновенно вырабатываемой электронным преобразователем.Таким образом, уравнения для компенсации полной реактивной мощности на первичной стороне следующие:

    QC1avail = (α⋅STmax) 2 − PC12 (2) QMV = 0if (QT≤QC1avail) QT − QC1availif (QT> QC1avail) (4 )

    Где:

    Q C 1 avail Реактивная мощность, доступная для компенсации в модуле 1

    Альтернативная комбинированная топология серии HPET с шунтами может быть достигнута с помощью двухобмоточного LFT с электронным преобразователем. подключены параллельно вторичной обмотке, как показано на рисунке 2.В этом случае необходимо включить инжекционный трансформатор для адаптации номинального напряжения электронного преобразователя к желаемому последовательному напряжению v⃗C2 на выводе низкого напряжения. Инжекторный трансформатор также может быть подключен между вторичной обмоткой и модулем 2, поэтому модуль 1 будет напрямую подключен к LFT. Это изменение приведет к снижению тока и повышению номинального напряжения электронного преобразователя. Преимущество этой топологии заключается в том, что она может быть реализована с использованием обычного двухобмоточного распределительного трансформатора, что позволяет на практике усовершенствовать установленные в настоящее время устройства с добавлением преобразователя BtB.

    РИСУНОК 2 . Однофазная схема комбинированной топологии HPET с последовательным шунтом и прямой связью.

    2.2 Моделирование потока мощности

    Для проведения моделирования потока мощности с использованием разработанных моделей HPET был использован имитатор открытой системы распределения OpenDSS. Этот инструмент моделирования с открытым исходным кодом может выполнять почти все синусоидальные стационарные анализы, которые обычно используются в исследованиях распределительных систем, такие как несбалансированный многофазный поток энергии, квазистатические временные ряды, анализ неисправностей, гармонический анализ, анализ мерцания и т. Д. и т.п.Интерфейс модели компонентных объектов (COM) также предоставляется для облегчения новых типов исследований и пользовательских режимов решения и функций из внешнего программного обеспечения. Например, OpenDSS может полностью управляться внешними программами, написанными на Python или Matlab, что позволяет использовать все функции OpenDSS внутри внешнего программного обеспечения (Dugan and Montenegro, 2020). Следовательно, OpenDSS дает возможность практично и гибко реализовывать модели ПЭТ с различными функциями и анализировать их влияние в сети с помощью различных инструментов анализа синусоидальных устойчивых состояний.

    В платформе OpenDSS также предусмотрены различные типы моделей трансформаторов. В то время как программное обеспечение предлагает специальные определения для обычных многофазных многообмоточных трансформаторов, можно сделать различные варианты, соединив несколько из этих трансформаторов в один трансформатор. Например, трехфазный трансформатор можно смоделировать, используя его специальное определение или также используя три однофазных трансформатора, правильно соединяя каждую из их обмоток. Этот подход полезен для выполнения нестандартного последовательного соединения вторичной обмотки HPET, показанного на Рисунках 1 и 2.OpenDSS также обеспечивает представление потерь в сердечнике и обмотке трансформатора с помощью параметров % Noloadloss и % Loadloss соответственно. Параметр % Noloadloss представляет собой процент потерь при номинальном напряжении без нагрузки и вызывает добавление резистивной параллельной ветви в модель трансформатора. Параметр % Loadloss представляет собой процент потерь при номинальной нагрузке и добавляет процентное сопротивление для каждой обмотки на базе номинальной кВА.Процент намагничивающего тока можно также смоделировать с помощью параметра % imag , который включает индуктивность, параллельную резистивной ветви, которая представляет потери в сердечнике. Все эти параметры, наконец, встроены в модель трансформатора, поскольку вычисляется примитивная матрица Y (формулировка узловой проводимости модели трансформатора) (Dugan and Montenegro, 2020).

    3 метода. Модель HPET для моделирования потока мощности

    В этом разделе представлена ​​полная разработка синусоидальной стационарной модели трехфазного HPET.Цель этой модели — служить инструментом в исследованиях потоков мощности в распределительных системах, направленных на оценку возможностей HPET с точки зрения системного уровня. Эта новая модель была разработана в OpenDSS путем реализации комбинированной топологии последовательного шунта, показанной на рисунке 1, и основана на работе, представленной Геррой и Мартинес-Веласко (2017). Принципиальная схема модели показана на рисунке 3 в трехфазном представлении. Обратно-обратный преобразователь был смоделирован как комбинация трехфазной управляемой нагрузки и трехфазного управляемого источника напряжения.Как видно на рисунке 3, трехфазный элемент Load устанавливает потоки активной и реактивной мощности P C 1 , Q C 1 во вспомогательной обмотке, а Vsource element устанавливает величину и фазу напряжения v⃗C2, обеспечивая при этом P C 2 , Q C 2 . Элементы Load и Vsource связаны потоком активной мощности, как это описано в уравнениях 5, 6.Таким образом, элементы Load и Vsource имитируют поведение Модуля 1 и Модуля 2 соответственно в конвертере BtB на Рисунке 1. Величины v⃗C2 и Q C 1 являются управляющими переменными, которые решаются. согласно принятой стратегии контроля.

    РИСУНОК 3 . Полная трехфазная модель комбинированного ТЭТ с последовательным шунтом с магнитной связью.

    Трехфазный трехобмоточный трансформатор железо-медь, включенный в HPET на Рисунке 3, был смоделирован с использованием трех моделей однофазных трехобмоточных трансформаторов в OpenDSS.Эти модели включают представление потерь в обмотке и сердечнике с помощью параметров % LoadLoss и % NoLoadLoss соответственно, а также процентных реактивных сопротивлений трансформатора с помощью параметров X12 , X23 и X13 (Dugan и Черногория, 2020). В случае реальных железо-медных трансформаторов все эти параметры обычно можно найти в таблицах технических характеристик производителя или каталогах (Siemens, 2017).

    Одним из ключевых моментов, которые следует учитывать при анализе преимуществ HPET на системном уровне, являются потери преобразователя.По этой причине представление потерь электронного преобразователя включено в разработанную модель HPET путем присвоения кривой эффективности каждому из двух электронных модулей, показанных на рисунке 1. Кривая эффективности может зависеть от различных факторов, таких как уровень нагрузки, температура, частота переключения, напряжение промежуточного контура и т. д., в зависимости от глубины, необходимой для моделирования. Уровень нагрузки — это параметр, который имеет наибольшее влияние на КПД электронного преобразователя, и это тот параметр, который учитывается в модели потока мощности.

    Разработанная модель может работать с двунаправленным потоком мощности, где для обратной мощности элемент Load на рисунке 3 становится отрицательным, вводя активную мощность в трансформатор (Guerra and Martinez-Velasco, 2017). В уравнениях 5, 6 активная мощность в электронном преобразователе выражается соответственно для операций прямого и обратного потока мощности. Таким же образом, как это было описано в разделе 2, потоки реактивной мощности Q C 1 и Q C 2 на рисунке 3 разделены между собой и могут независимо контролироваться каждым модулем электронный преобразователь.

    Прямой поток мощности: PC1 = PC2 + Ploss (5) Обратный поток мощности: PC1 = PC2-Ploss (6)

    После того, как модель HPET интегрирована в модель распределительной сети в OpenDSS, необходимо выполнить ряд вычислений в последовательном способ получения решения для каждого временного шага, как это описано в блок-схеме на рисунке 4. Первоначально элементы Vsource и Load пассивированы, что означает, что v⃗C2 = 0, P C 1 = 0 и Q C 1 = 0.Следовательно, на первом временном шаге только первичная и вторичная обмотки LFT передают энергию. Для любого нового временного шага все значения, полученные в предыдущем решении, будут уже установлены в OpenDSS (шаг 1), поэтому требование, соответствующее текущему временному шагу, должно быть обновлено (шаг 2). Решение на шаге 3 обеспечит новую потребность и результирующие напряжения на каждой обмотке трансформатора. На этапе 4 вторичное напряжение регулируется путем изменения напряжения элемента Vsource на фиг. 3 в соответствии с принятой стратегией регулирования напряжения.Расчет необходимого напряжения реализован в виде алгоритма во внешнем программном обеспечении (см. Подраздел 3.1), а полученные значения загружаются в конфигурацию элемента Vsource в OpenDSS. Затем необходим новый анализ потока мощности (шаг 5), чтобы найти новые результирующие требования и напряжения в цепи. На этом этапе значения P C 1 , Q C 1 значения для элемента Load на Рисунке 3 вычисляются алгоритмом во внешнем программном обеспечении в соответствии с принятой компенсацией реактивной мощности. стратегия (см. подраздел 3.2). Вычисленное значение P C 1 также учитывает потери в электронном преобразователе, полученные с помощью модели эффективности, описанной в подразделе 3.3. Новое решение запускается на шаге 7 с использованием новых заданных значений в OpenDSS. Шаги с 4 по 7 повторяются до тех пор, пока относительные ошибки приращения напряжения и реактивной мощности, ϵ V и ϵ Q соответственно, не станут ниже определенного предела (в данном случае 0,01).

    РИСУНОК 4 . Рабочий процесс для получения каждого временного шага решения с использованием модели HPET на рисунке 3.

    3.1 Регулировка напряжения на вторичной клемме

    В этом подразделе описывается алгоритм регулирования напряжения v⃗LV на вторичной клемме HPET. Расчеты выполняются независимо с использованием фазовых комплексных векторов, как это подробно описано в уравнениях 7, 8 и на рисунке 5. Вектором напряжения V̄C2 можно управлять с помощью элемента Vsource (рисунок 3), чтобы довести вторичное напряжение V̄LV до заданного значения. целевое значение.На рисунке 5 V̄T (t − 1) и V̄C2 (t − 1) представляют векторы напряжения, унаследованные от решения предыдущего временного шага. Во время шага 3 рабочего процесса моделирования (рисунок 4) новое решение потока мощности, возникающее в результате текущего требования временного шага, обеспечивает новое значение вторичного напряжения, которое необходимо регулировать, обозначенное как V̄LV (шаг 3) на рисунке 5. На шаге 4 новый вектор V̄C2 (t) вычисляется согласно (7) и (8), чтобы привести V̄LV к целевому значению.

    V̄T (t) = V̄LV (step3) −V̄C2 (t − 1) (7) V̄C2 (t) = V̄LVtarget − V̄T (t) (8)

    Где:

    V̄T (t) Вектор результирующего напряжения на вторичной обмотке для текущего временного шага

    V̄C2 (t) Результирующий вектор напряжения на элементе Vsource для текущего временного шага

    V̄C2 (t − 1) Вектор напряжения на элементе Vsource , вычисленный на предыдущем временном шаге

    V̄LV (этап 3) Вектор напряжения на вторичном выводе HPET, вычисленный на промежуточном этапе 3

    V̄LVtarget Требуемый вектор напряжения на вторичном выводе HPET

    РИСУНОК 5 .Пофазное векторное представление алгоритма регулирования выходного напряжения.

    3.2 Компенсация реактивной мощности

    В этом подразделе описывается алгоритм компенсации реактивной мощности первичной стороны. Этот алгоритм соответствует расчетам, которые выполняются на этапе 4 блок-схемы, описанной на рисунке 4. Стратегия регулирования реактивной мощности направлена ​​на обеспечение компенсации для поддержания единичного коэффициента смещаемой мощности (DPF) на первичной стороне, когда это возможно. .Как поясняется в разделе 2.1, подключенный к шунту Модуль 1 (Рисунок 1) может управлять Q C 1 независимо от Q C 2 из-за развязки, обеспечиваемой промежуточным звеном постоянного тока. конденсатор. Реактивная мощность, доступная для компенсации, зависит от номинальной мощности S C 1 max модуля 1 и фактической активной мощности P C 1 , подаваемой в промежуточный контур, как есть описанный в формуле.9. В схемах рисунков 1 и 2 реактивная мощность, вводимая электронным преобразователем, должна быть отрицательной по отношению к реактивной мощности, выдаваемой вторичной обмоткой, чтобы компенсировать реактивную мощность в первичной обмотке, как это описано в формуле . 11.

    QC1avail = SC1max2 − PC12 (9) QC1 = −QTif | QT | ≤QC1avail- | QT | QTQC1availif | QT |> QC1avail (11)

    3.3 Моделирование потерь в электронном преобразователе

    В большинстве соответствующих публикаций, Расчет потерь получается путем умножения потока активной мощности на КПД преобразователя в рабочей точке, причем КПД зависит от уровня нагрузки и DPF (Qin and Kimball, 2010; Guerra and Martinez-Velasco, 2017; Rocha et al. al., 2019; Longo et al., 2020). Хотя этот подход может обеспечить точные результаты при моделировании с высокими значениями DPF, он может привести к нереально низким потерям в ситуациях с низким DPF, поскольку он рассматривает только поток активной мощности как источник потерь внутри преобразователя. В случае представленной модели HPET элемент Load на рисунке 3 будет работать с очень низким DPF большую часть времени, когда он компенсирует реактивную мощность. Следовательно, в этом случае необходим другой подход к моделированию потерь.

    Для разработки более точного представления потерь, которое учитывает зависимость потерь от потока реактивной мощности, в Matlab / Simulink была разработана трехступенчатая модель инвертора, состоящая из шести силовых полевых МОП-транзисторов VMO1200-01F IXYS, включая потери в полупроводниках и тепловые модель, представленная Giroux et al. (2021 г.). Был проведен ряд моделирования при различных уровнях нагрузки, при изменении DPF при сохранении постоянного уровня нагрузки. Полученные результаты можно увидеть на Рисунке 6, где полная мощность S out , выдаваемая инвертором, и потери инвертора P потери измеряются при различных уровнях нагрузки.На полученных кривых можно заметить, что вариации для различных DPF незначительны, и поскольку при единичном DPF количество S out / ( S out + P потеря ) равен КПД инвертора, то для расчета входной мощности плюс потери можно использовать одну кривую КПД, даже если инвертор вырабатывает в основном реактивную мощность. Это приводит к подходу к моделированию потерь, описанному уравнениями 12–17 и рис. 7 для случая прямого потока мощности.

    Ploss1 = Pdc2 + QC121η1−1 (16)

    РИСУНОК 6 . S out / ( S out + P потеря ) кривые, полученные для различных DPF при постоянной полной мощности.

    РИСУНОК 7 . Активный и реактивный прямой поток мощности через преобразователь BtB.

    Представленный подход к моделированию потерь был продемонстрирован с использованием инвертора MOSFET, но он также применим к другим типам устройств, таких как IGBT, из-за природы потерь, генерируемых внутри полупроводников.Этот метод представляет собой практический способ реализации расчета потерь при моделировании потока мощности для любой ситуации DPF с использованием единой кривой эффективности, которая обычно приводится в технических данных различных преобразователей силовой электроники.

    4 Результаты

    Чтобы охарактеризовать диапазон возможностей регулирования напряжения и компенсации реактивной мощности в зависимости от номинала модуля PET, были выполнены два тестовых примера, и соответствующие результаты показаны в этом разделе.В обоих моделированиях используется гибридный ПЭТ мощностью 800 кВА, 10 кВ – 400 В. В подразделе 4.1 описываются возможности регулирования напряжения и компенсации реактивной мощности разработанной модели HPET с использованием простой настройки, показанной на Рисунке 8, в OpenDSS. Моделирование состоит из независимой развертки v⃗MV и Q LV в диапазонах, которые значительно шире, чем при нормальной работе в реальной распределительной сети, и эти развертки повторяются для различных номинальных значений мощности α преобразователя BtB (см. Рисунок 1).Поведение HPET при превышении возможностей регулирования напряжения и компенсации реактивной мощности показано на Рисунке 9.

    РИСУНОК 8 . Настройка в OpenDSS для тестирования возможностей регулирования напряжения и компенсации реактивной мощности разработанной модели HPET.

    РИСУНОК 9 . Результаты регулирования выходного напряжения по | v⃗LV | vs. | v⃗MV | а Q C 1 = 0 (A) . Компенсация реактивной мощности первичной стороны при В MV = 1pu (B) .DPF первичной стороны и DPF вторичной стороны, а V MV = 1pu (C) . Пунктирными линиями показаны теоретические значения, полученные с помощью уравнения. 4.

    В подразделе 4.2 моделирование потока мощности во временном ряду выполняется с использованием одной из моделей распределительных сетей, разработанных компанией Electricity North West и Манчестерским университетом для проекта LVNS, полученных из данных ГИС реальных распределительных сетей в север Англии (Navarro-Espinosa A.и Очоа Л., 2015). Это второе моделирование использовалось для сравнения производительности разработанной модели HPET на Рисунке 3 с существующей моделью PET (Guerra and Martinez-Velasco, 2017) и стандартной моделью LFT, представленной в OpenDSS, с точки зрения регулирования напряжения, коррекции DPF. , и потери. Модели, скрипты и все данные, упомянутые в этом разделе, используемые для получения представленных результатов, общедоступны в репозитории HPET_PowerFlow_Model GitHub (Prystupczuk et al., 2021).

    4.1 Тестовый пример 1. Автономное регулирование напряжения и компенсация реактивной мощности

    Используя схему на Рисунке 8, алгоритм регулирования напряжения, представленный в подразделе 3.1, тестируется путем линейного изменения амплитуды v⃗MV между 1,0 и 0,6 о.е., в то время как реактивная мощность, вводимая электронный преобразователь во вспомогательную обмотку LFT поддерживается на нуле. Трехфазная нагрузка, подключенная к вторичной клемме, остается постоянной, поэтому она требует номинальной мощности HPET. На рисунке 9A полученные результаты представлены в виде амплитуды напряжения НН (которая в идеале должна регулироваться на уровне 1 о.е.) для различных коэффициентов номинальной мощности α электронного преобразователя.Кривые показывают, как HPET регулирует v⃗LV, когда v⃗MV начинает уменьшаться: вторичное напряжение успешно регулируется до тех пор, пока не превышаются максимальные возможности по мощности и напряжению электронного преобразователя. В этом случае, когда потребление установлено на постоянное значение, когда электронный преобразователь достигает своего максимального напряжения, HPET не может регулировать напряжение, и v⃗LV приводит к значению ниже номинального. Нанесенные на график значения соответствуют измерениям, выполненным с использованием элементов монитора OpenDSS, подключенных непосредственно к терминалам HPET.

    Алгоритм компенсации реактивной мощности, представленный в формуле. 11 был аналогичным образом протестирован путем линейного изменения реактивной мощности Q LV , требуемой на вторичной клемме, от 0,0 до 0,6 о.е. В этом моделировании входное напряжение на первичной стороне v⃗MV поддерживается на уровне 1 о.е., что означает, что вторичное напряжение не требует компенсации. Следовательно, модуль 2 не потребляет активную мощность, и способность электронного преобразователя к компенсации реактивной мощности максимальна, как показано в формуле.9. На фиг. 9B показана взаимосвязь между реактивной мощностью на первичной и вторичной сторонах для различных номинальных мощностей α электронного преобразователя. Кривые показывают, как HPET компенсирует Q MV , когда Q LV начинает увеличиваться с нуля: реактивная мощность первичной стороны успешно компенсируется до тех пор, пока максимальная мощность электронного преобразователя составляет не превышено, т.е. Q LV S C 1 max .Здесь стоит напомнить, что дробь α определяется как соотношение между номинальной мощностью вторичной обмотки LFT S Tmax и номинальной мощностью электронного преобразователя S C 2 макс , как указано в формуле. 1. Поскольку на Рисунке 9B основой для обозначения единиц измерения является общая номинальная мощность HPET (т. Е. Сумма номинальных мощностей вторичной обмотки и электронного преобразователя), можно видеть, что электронный преобразователь с номинальной мощностью 30% обеспечит меньше 0.3 о.е. компенсации реактивной мощности. Это также является причиной неравномерного промежутка между дорожками на фиг. 9В, в то время как разница между номинальными значениями мощности электронного преобразователя фактически одинакова.

    На рисунке 9C представлены первичный и вторичный DPF, полученные в результате моделирования развертки, где измеренные значения (сплошные линии) сравниваются с теоретически рассчитанными значениями (пунктирные линии) из уравнения. 4. В случае DPF первичной стороны, PF MV , разница наблюдается как следствие потерь, которые присутствуют в LFT, которые вызывают увеличение DPF на стороне MV из-за более высокий поток активной мощности.Результаты, полученные в этом тестовом примере, демонстрируют, что разработанная модель может эффективно и точно отображать поведение гибридного ПЭТ в широком диапазоне рабочих точек. Они также количественно показывают ограничения, налагаемые номинальной мощностью электронного преобразователя.

    4.2 Контрольный пример 2. Моделирование потока мощности в распределительной сети Модель

    Чтобы проиллюстрировать, как модель HPET может быть включена в моделирование потока мощности в распределительной сети, была использована сетевая модель № 12, разработанная в проекте LVNS. занятые (Navarro-Espinosa A.и Очоа Л., 2015). Этот тестовый пример направлен на демонстрацию производительности разработанной модели HPET, а также на сравнение возможностей HPET по регулированию напряжения и контролю реактивной мощности с возможностями полной модели PET, представленной Guerra и Martinez-Velasco (2017). Для сравнения также включены результаты, полученные с использованием стандартной модели LFT (без регулирования напряжения или компенсации реактивной мощности), доступной в OpenDSS. Технические характеристики трех используемых моделей трансформаторов приведены в таблице 1.Модель используемой сети вместе с другими 24 моделями распределительных сетей публично доступна на сайте Electricity North West (2014).

    ТАБЛИЦА 1 . Параметры, используемые в различных моделях трансформаторов.

    Для моделирования потерь PET и HPET использовалась модель потерь, представленная в подразделе 3.3, но смоделированная кривая на рисунке 6 была заменена кривой эффективности коммерчески доступного инвертора (рисунок 10) для более реалистичных результатов. В случае HPET одна и та же кривая была назначена как модулю 1, так и модулю 2 преобразователя BtB (рис. 1), поэтому результирующая эффективность BtB является продуктом эффективности каждого модуля; е.g., поскольку пиковая эффективность кривой для инвертора равна 0,9918, пиковая эффективность всего преобразователя BtB составляет 0,9837. Для полного ПЭТ используется только одна кривая для представления всей эффективности ПЭТ в соответствии с моделью, представленной Геррой и Мартинес-Веласко (2017). Но поскольку это трехступенчатое устройство (AD-DC, DC-DC и DC-AC), следует ожидать более низкого уровня эффективности, поэтому кривая на Рисунке 11 была масштабирована для получения максимальной эффективности 0,975. для используемой модели ПЭТ, что соответствует экспериментальным результатам, полученным Ferreira Costa et al., 2017.

    РИСУНОК 11 . Напряжение между фазой и нейтралью В LV на вторичной клемме трансформатора (A) . Общий поток реактивной мощности Q MV на первичном выводе трансформатора (B) . Итоговые внутренние потери в трех проанализированных моделях трансформаторов (C) . Пофазный поток активной мощности P MV через линию среднего напряжения (D) .Активная мощность P C 1 и реактивная мощность Q C 1 , установленная элементом Load (E) . Активная мощность P C 2 и реактивная мощность Q C 2 задаются элементом Vsource (F) .

    Важно подчеркнуть, что для представленного моделирования потока мощности LFT и HPET рассчитаны на 800 кВА, а PET — на 400 кВА.Обычные железо-медные трансформаторы обычно рассчитываются на основе метода пиковой нагрузки, который учитывает самый высокий спрос в течение, например, последнего года, в результате чего трансформаторы увеличенного размера, которые большую часть времени работают вблизи точки максимального КПД (Luze, 2009). . В случае полного ПЭТ принятие той же номинальной мощности будет означать, что электронные преобразователи будут большую часть времени работать в нижней части кривой эффективности, что приведет к увеличению потерь по сравнению с LFT.Таким образом, если размер ПЭТ составляет половину размера LFT, уровень нагрузки в этом моделировании потока мощности колеблется между 15% и 80% для ПЭТ и между 10% и 40% для LFT и HPET. случаев, примерно.

    Распределительная сеть LVNS № 12, которая использовалась для моделирования потока мощности с тремя различными моделями трансформатора, первоначально состояла из радиальной сети низкого напряжения с 330 бытовыми потребителями и одним трансформатором 800 кВА, 10 кВ – 400 В. .Чтобы допустить колебания напряжения на первичной стороне трансформатора, исходная сеть была дополнена линией среднего напряжения длиной 10 км, которая соединяет трансформатор с подстанцией, обозначенной в OpenDSS как резервная шина системы. Набор профилей нагрузки, состоящий из коэффициентов ZIP с разрешением 5 минут, полученных из Ригони и Кин (2020), используется для моделирования спроса на каждом временном шаге от каждого из 330 клиентов. Платформа моделирования, используемая для этого второго тестового примера, была разработана с использованием Python и OpenDSS на основе модели Open-DSOPF, представленной Ригони и Кин (2020).Open-DSOPF — это основанная на Python модель с открытым исходным кодом, интегрированная с OpenDSS, для постановки задач несбалансированного трехфазного оптимального потока мощности в распределительных сетях.

    Полученные результаты можно увидеть на Рисунке 11. Напряжение на вторичной стороне трансформаторов показано по фазам на Рисунке 11. Принятая стратегия регулирования напряжения направлена ​​на поддержание вторичного напряжения на уровне 1 о.е., хотя и с другим напряжением. цель может использоваться в зависимости от потребностей исследования.Как видно, как модели PET, так и HPET обеспечивают идеальное регулирование напряжения в течение всего времени моделирования.

    На рисунке 11 показан результирующий поток реактивной мощности на стороне среднего напряжения. Принятая стратегия компенсации заключается в поддержании единства первичного сажевого фильтра. Зеленая кривая показывает общую реактивную мощность (т. Е. Сумму трех фаз), которая протекает через линию среднего напряжения при использовании обычного LFT. Модель PET обеспечивает компенсацию полной реактивной мощности в течение всего моделирования.С другой стороны, модель HPET, оснащенная электронным преобразователем с номиналом α = 0,1, не может компенсировать весь поток реактивной мощности в некоторых точках моделирования временных рядов. В таких ситуациях способность HPET компенсировать реактивную мощность ограничивается фактической активной мощностью, обрабатываемой электронным преобразователем. Причина такого поведения объясняется в формуле. 9, и его можно наблюдать на рисунке 11, где нескомпенсированная реактивная мощность появляется в моменты более высокой активной мощности, потребляемой модулем 2 (см. Рисунок 11).

    Потери в трансформаторе и результирующий поток активной мощности в линии СН соответственно представлены на Рисунке 11 соответственно. Кроме того, расчет энергии и потерь в различных точках системы представлен в таблице 2. Как и ожидалось, полный корпус из ПЭТ дает самый высокий уровень потерь (примерно в 7,9 раз выше, чем в случае обычного LFT), в то время как случай HPET приводит к потерям, немного превышающим потери в обычном случае LFT (примерно в 1,3 раза выше), как видно в таблице 2.Общие системные потери, то есть потери в распределительном трансформаторе плюс потери в линии в остальной части сети, в 3,1 раза выше для ПЭТ и в 1,1 раза для HPET. На рисунке 11 поток активной мощности в линии среднего напряжения нанесен по фазам, демонстрируя балансирующий эффект компенсации реактивной мощности от PET и HPET, а также более высокий уровень мощности, протекающей через линию среднего напряжения из-за более высокого уровня мощности. потери в ПЭТ.

    ТАБЛИЦА 2 . Результаты расчетов энергии и потерь при моделировании перетока мощности.

    Наконец, на рисунке 11 показаны потоки активной и реактивной мощности через модуль 1 и модуль 2 HPET соответственно. Как можно видеть, в то время как модуль 2 все время работает с очень низким уровнем нагрузки, модуль 1 выдает большое количество реактивной мощности, чтобы поддерживать DPF первичной стороны в единицу. Из рисунка 11 очевидно, что подход к моделированию потерь, который учитывает только DPF и поток активной мощности, не обеспечит точное представление потерь, вызванных большими реактивными токами, которые имеют место в модуле 1.Отсюда необходимость в предлагаемой модели потерь, представленной в подразделе 3.3. На рисунке 11 также можно увидеть, что между 10-м и 12-м часами, а также между 18-м и 20-м часами моделирования временного ряда компенсация реактивной мощности модуля 1 достигает максимума, что приводит к появлению красных всплесков, которые можно увидеть на рис. Рисунок 11. Возможность компенсации реактивной мощности может быть увеличена за счет увеличения номинальной мощности модуля 1 с возможным увеличением потерь BtB.

    Результаты, представленные в этом разделе, демонстрируют полезность разработанной модели для количественной оценки преимуществ на уровне системы от включения гибридных силовых электронных трансформаторов в систему распределения.В этом кратком примере можно увидеть, что HPET, оснащенный преобразователем BtB с номиналом 10%, может обеспечивать регулировку напряжения и коррекцию DPF почти в той же степени, что и полный PET, но со значительно меньшими потерями. Потоки мощности, представленные на рисунке 11, показывают, что в этом конкретном примере существует большое несоответствие между мощностью, поставляемой модулем 1 и модулем 2 в предлагаемом сценарии (см. Рисунок 1). Это говорит о том, что возможно оптимальную конфигурацию BtB можно найти, используя разные номинальные мощности для двух модулей BtB.

    Что касается возможных ограничений и улучшений представленной модели HPET, как это можно увидеть в рабочем процессе на Рисунке 4, необходимо несколько снимков потока мощности, чтобы получить одно окончательное решение для каждого временного шага, что, возможно, делает подход к моделированию неадекватным в течение длительного времени. краткосрочные исследования или моделирование с высоким разрешением. Возможное улучшение, которое могло бы дать более быстрые решения, — это создание настраиваемого модуля HPET в OpenDSS с использованием преимуществ открытого исходного кода инструмента путем встраивания уравнений и алгоритмов, описанных в этой работе, в общедоступный код OpenDSS.Таким образом, алгоритмы, представляющие поведение HPET, объединяются в один моментальный снимок.

    Также важно упомянуть, что дальнейшие улучшения могут быть сделаны в отношении моделирования эффективности полного ПЭТ, поскольку в этом представленном случае используется оптимистическая единственная кривая эффективности для всего устройства. Более реалистичный подход рассматривает модульную реализацию полного ПЭТ, в которой его номинальная мощность может изменяться путем включения и отключения внутренних модулей в зависимости от фактической потребляемой мощности (Андресен и др., 2016).

    5 Заключение

    Активное и интеллектуальное управление в распределительной сети представляется хорошим вариантом для решения некоторых из предполагаемых проблем, созданных растущим присутствием распределенной генерации и новыми типами управляемых нагрузок, которые увеличивают нагрузку на электрическую сеть. сетки. Растет интерес к возможностям замены пассивных распределительных трансформаторов активными интеллектуальными устройствами на основе силовой электроники, такими как силовые электронные трансформаторы (ПЭТ).Однако, хотя эти устройства обеспечивают высокий уровень управляемости и гибкости сети, их стоимость, потери и надежность по-прежнему являются основными препятствиями, препятствующими их широкой интеграции в сеть. Необходимо адекватно количественно оценить чистую выгоду, которую могут обеспечить полные и гибридные ПЭТ, используя трансформаторы и сетевые модели для проведения моделирования в различных будущих сетевых сценариях.

    По этой причине в данной работе представлен подход к моделированию гибридных силовых электронных трансформаторов (HPET) для исследования потока мощности вместе с новым представлением потерь в силовых электронных преобразователях.Модель потока мощности HPET, изображенная в разделе 3, позволяет моделировать стационарное поведение на основной частоте HPET в распределительной сети, что позволяет проводить различные исследования на уровне системы, направленные на количественную оценку чистых преимуществ системы. Моделирование потерь, представленное в подразделе 3.3, обеспечивает точные результаты даже в случаях низкого коэффициента мощности, а также практический способ моделирования потерь различных топологий преобразователя с использованием единой кривой эффективности, которая легко интегрируется в представленную модель HPET.

    Представленные результаты демонстрируют, как модель HPET работает в различных диапазонах напряжения, активной и реактивной мощности, а также как модель HPET, интегрированная в симуляцию сети, упрощает сравнение между различными типами трансформаторов. Эта работа представляет собой полезный инструмент, который позволяет проводить полные исследования сети, которые могут количественно оценить преимущества гибридных ПЭТ на системном уровне с точки зрения управления напряжением, снижения потерь в сети, управления перегрузками и снижения нагрузки, и он находится в свободном доступе в виде открытого доступа. -развитие источников (Prystupczuk et al., 2021). Несмотря на то, что разработка была выполнена с использованием OpenDSS, предложенная методология действительна для любого другого решателя анализа потока мощности.

    Хотя гармонический анализ не был включен в эту работу, анализ гармонического потока доступен в OpenDSS, а разработанная модель потока мощности HPET способна обрабатывать гармоники. Проведение гармонического анализа было бы желательно не только для улучшения представления нагрузки, но также для изучения и количественной оценки преимуществ для системы от дополнительных услуг, которые могут быть предоставлены HPET, таких как подавление гармоник.Этот анализ оставлен для будущего исследования.

    Заявление о доступности данных

    Наборы данных, созданные для этого исследования, можно найти в репозитории HPET PowerFlow Model на GitHub: https://github.com/fprystupczuk/HPET_PowerFlow_Model.

    Вклад авторов

    FP, VR, AN и TO внесли свой вклад в концепцию и дизайн исследования. Компания FP разработала модель HPET, модель потерь инвертора, разработала платформу моделирования потока мощности, провела моделирование и написала рукопись.RA разработала модель инвертора Simulink, используемую в представленной модели потерь. Все авторы участвовали в доработке рукописи, прочитали и одобрили представленную версию.

    Финансирование

    Эта работа была поддержана Научным фондом Ирландии под номером гранта SFI / 16 / IA / 4496.

    Конфликт интересов

    Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

    Примечание издателя

    Все претензии, выраженные в этой статье, принадлежат исключительно авторам и не обязательно относятся к их аффилированным организациям или к претензиям издателя, редакторов и рецензентов. Любой продукт, который может быть оценен в этой статье, или заявление, которое может быть сделано его производителем, не подлежат гарантии или одобрению со стороны издателя.

    Ссылки

    Элоиза, Э. К., Энджети, П. Н., Моран, Л. А., и Пител, И. (2003). «Распределительный трансформатор нового поколения: для решения проблемы качества электроэнергии для критических нагрузок», в отчете PESC — Ежегодная конференция специалистов по силовой электронике IEEE, Акапулько, Мексика, 15–19 июня 2003 г., 1266–1271.doi: 10.1109 / PESC.2003.1216771

    CrossRef Полный текст | Google Scholar

    Андресен, М., Коста, Л. Ф., Бутикки, Г., и Лизер, М. (2016). «Надежность и эффективность интеллектуальных трансформаторов за счет модульности», 8-я Международная конференция по силовой электронике и управлению движением IEEE, 2016 г., IPEMC-ECCE Asia 2016, Хэфэй, Китай, 22–26 мая 2016 г. (IEEE), 3241–3248. doi: 10.1109 / IPEMC.2016.7512814

    CrossRef Полный текст | Google Scholar

    Bala, S., Das, D., Aeloiza, E., Maitra, A., и Раджагопалан, С. (2012). «Гибридный распределительный трансформатор: разработка концепции и демонстрация в полевых условиях», Конгресс и выставка IEEE Energy Conversion 2012, ECCE 2012, Роли, США, 15–20 сентября 2012 г. (IEEE), 4061–4068. doi: 10.1109 / ECCE.2012.6342271

    CrossRef Полный текст | Google Scholar

    Буркард Дж. И Била Дж. (2015). Оценка топологий и оптимальная конструкция гибридного распределительного трансформатора в 2015 году 17-я Европейская конференция по силовой электронике и приложениям, EPE-ECCE Europe 2015, Женева, Швейцария, 8-10 сентября.2015 (Совместно принадлежит Ассоциации EPE и IEEE PELS), 1–10. doi: 10.1109 / EPE.2015.7309097

    CrossRef Полный текст | Google Scholar

    Burkard, J., and Biela, J. (2018). «Гибридные трансформаторы для повышения качества электроэнергии в распределительных сетях — сравнение с альтернативными концепциями» в NEIS 2018; Конференция по устойчивому энергоснабжению и системам хранения энергии, Гамбург, Германия, 20–21 сентября 2018 г., стр. 1–6.

    Google Scholar

    Чен, Дж., Янг, Т., О’Лафлин, К., и О’Доннелл, Т.(2019). Управление минимизацией нейтрального тока для твердотельных трансформаторов при несимметричных нагрузках в распределительных системах. IEEE Trans. Ind. Electron. 66, 8253–8262. doi: 10.1109 / TIE.2018.2883266

    CrossRef Полный текст | Google Scholar

    Dugan, R., and Montenegro, D. (2020). [Набор данных]. Справочное руководство. Симулятор открытой системы распространения (OpenDSS).

    Google Scholar

    Электричество Северо-Запад (2014). [Набор данных]. Решения для сетей низкого напряжения (LVNS).

    Google Scholar

    Феррейра Коста, Л., Де Карне, Г., Бутикки, Г., и Лизер, М. (2017). Интеллектуальный трансформатор: твердотельный трансформатор, предназначенный для предоставления дополнительных услуг распределительной сети. IEEE Power Electron. Mag. 4, 56–67. doi: 10.1109 / mpel.2017.2692381

    CrossRef Полный текст | Google Scholar

    Giroux, P., Sybille, G., and Tremblay, O. (2021). [Набор данных]. Расчет потерь в трехфазном трехуровневом инверторе с использованием SimPowerSystems и Simscape.

    Google Scholar

    Герра, Г., и Мартинес-Веласко, Дж. А. (2017). Модель твердотельного трансформатора для расчета потока мощности. Внутр. J. Electr. Power Energ. Syst. 89, 40–51. doi: 10.1016 / j.ijepes.2017.01.005

    CrossRef Полный текст | Google Scholar

    Хубер, Дж. Э. и Колар, Дж. У. (2019). Применимость твердотельных трансформаторов в сегодняшних и будущих распределительных сетях. IEEE Trans. Умная сеть электроснабжения. 10, 317–326. DOI: 10.1109 / TSG.2017.2738610

    CrossRef Полный текст | Google Scholar

    Хубер, Дж. Э. и Колар, Дж. У. (2014). «Сравнение объема / веса / стоимости полупроводникового преобразователя 10 кВ / 400 В мощностью 1 МВА с обычным низкочастотным распределительным трансформатором» на конгрессе и выставке IEEE Energy Conversion 2014, ECCE 2014, Питтсбург, Пенсильвания, США, 14-18 сентября. 2014 (IEEE), 4545–4552. doi: 10.1109 / ECCE.2014.6954023

    CrossRef Полный текст | Google Scholar

    Hunziker, C., and Schulz, N. (2017). Возможности твердотельных трансформаторов для оптимизации сети в существующих низковольтных сетевых средах. Electric Power Syst. Res. 146, 124–131. doi: 10.1016 / j.epsr.2017.01.024

    CrossRef Полный текст | Google Scholar

    KACO New Energy (2021). [Набор данных]. Инверторы KACO Blueplanet. Расширенные технические данные.

    Google Scholar

    Liserre, M., Buticchi, G., Andresen, M., De Carne, G., Costa, L. F., and Zou, Z.-X. (2016). Интеллектуальный трансформатор: влияние на электрическую сеть и технологические проблемы. EEE Ind. Electron. Mag. 10, 46–58. DOI: 10.1109 / mie.2016.2551418

    CrossRef Полный текст | Google Scholar

    Лю, Х., Мао, К., Лу, Дж. И Ван, Д. (2009). Электронный силовой трансформатор с системой хранения энергии суперконденсаторами. Electric Power Syst. Res. 79, 1200–1208. doi: 10.1016 / j.epsr.2009.02.012

    CrossRef Полный текст | Google Scholar

    Longo, L., Bruno, S., De Carne, G., and Liserre, M. (2020). «Моделирование и оценка производительности интеллектуального трансформатора в распределительных сетях», на Общем собрании IEEE Power & Energy Society (PESGM) 2020 г., Монреаль, Квебек, Канада, 2-6 августа.2020 (IEEE), 1–5. doi: 10.1109 / PESGM41954.2020.9281646

    CrossRef Полный текст | Google Scholar

    Luze, J. D. (2009). «Оптимизация размеров распределительных трансформаторов путем прогнозирования нагрузки на электроэнергию потребителей», на конференции IEEE Rural Electric Power 2009, Форт-Коллинз, Колорадо, США, 26-29 апреля 2009 г. (IEEE). doi: 10.1109 / REPCON.2009.4919426

    CrossRef Полный текст | Google Scholar

    Наварро-Эспиноза, А., и Очоа, Л. (2015a). Документ для распространения «Модели низковольтных сетей и профили низкоуглеродных технологий» .Манчестер: Тех. представитель Манчестерского университета и ENWL.

    Наварро-Эспиноза, А., Очоа, Л. Ф. (2015b). «Повышение емкости фотоэлектрических хостов для низковольтных сетей: трансформаторы с РПН и подкрепления», Конференция IEEE Power and Energy Society по инновационным технологиям интеллектуальных сетей, ISGT 2015, Вашингтон, округ Колумбия, США, 18–20 февраля 2015 г. (IEEE) , 1–5. doi: 10.1109 / ISGT.2015.7131856

    CrossRef Полный текст | Google Scholar

    Pournaras, E., and Espejo-Uribe, J. (2017). Самовосстанавливающиеся интеллектуальные сети через онлайн-координацию интеллектуальных трансформаторов. IEEE Trans. Ind. Inf. 13, 1783–1793. doi: 10.1109 / TII.2016.2625041

    CrossRef Полный текст | Google Scholar

    Procopiou, A. T., and Ochoa, L. F. (2017). Управление напряжением в PV-сетях низкого напряжения без удаленного мониторинга. IEEE Trans. Power Syst. 32, 1224–1236. doi: 10.1109 / TPWRS.2016.25

    CrossRef Полный текст | Google Scholar

    Prystupczuk, F., Rigoni, V., Nouri, A., Ali, R., Keane, A., and O’Donnell, T. (2021). [Набор данных]. HPET_PowerFlow_Model

    Google Scholar

    Цинь, Х.и Кимбалл, Дж. У. (2010). «Сравнительное исследование эффективности твердотельных трансформаторов на основе кремния», в Конгрессе и выставке по преобразованию энергии IEEE в 2010 г., Атланта, Джорджия, США, 12–16 сентября 2010 г. (IEEE), 1458–1463. doi: 10.1109 / ECCE.2010.5618255

    CrossRef Полный текст | Google Scholar

    Ригони В. и Кин А. (2020). «Open-DSOPF: оптимальная формула потока мощности с открытым исходным кодом, интегрированная с OpenDSS», на Общем собрании IEEE Power & Energy Society (PESGM) 2020 г., Монреаль, Квебек, Канада, 2-6 августа.2020 (IEEE), 1–5. doi: 10.1109 / pesgm41954.2020.9282125

    CrossRef Полный текст | Google Scholar

    Роша, К., Пеппанен, Дж., Радац, П., Риландер, М., и Дуган, Р. (2019). Инверторное моделирование. Тех. респ., EPRI. Пало-Альто, Калифорния, США: Electric Power Research Institute, Inc.

    Siemens, A. G. (2017). Руководство по энергетике. Тех. респ. Эрланген, Германия: Siemens AG.

    Уоллинг, Р. А., Сент, Р., Дуган, Р. К., Берк, Дж., И Кожович, Л.А. (2008). Краткое изложение влияния распределенных ресурсов на системы энергоснабжения. IEEE Trans. Power Deliv. 23, 1636–1644. doi: 10.1109 / TPWRD.2007.

    5

    CrossRef Полный текст | Google Scholar

    Ван, X., Лю, Дж., Сюй, Т., и Ван, X. (2012). «Сравнение различных трехкаскадных трехфазных каскадных модульных топологий для силовых электронных трансформаторов», на Конгрессе и выставке преобразования энергии IEEE 2012 г., Роли, Северная Каролина, США, 15-20 сентября 2012 г. (IEEE), 1420–1425 .doi: 10.1109 / ECCE.2012.6342648

    CrossRef Полный текст | Google Scholar

    Xu She, X., Huang, A.Q., and Burgos, R. (2013). Обзор технологий твердотельных трансформаторов и их применения в системах распределения электроэнергии. IEEE J. Emerg. Sel. Верхний. Power Electron. 1, 186–198. doi: 10.1109 / jestpe.2013.2277917

    CrossRef Полный текст | Google Scholar

    Янг, Т., Мир, Р., О’Лафлин, К., и О’Доннелл, Т. (2016). «Характеристики твердотельных трансформаторов при несбалансированных нагрузках в распределительных системах», конференция и выставка IEEE Applied Power Electronics 2016 (APEC), Лонг-Бич, Калифорния, США, 20-24 марта 2016 г. (IEEE), 2629–2636.doi: 10.1109 / APEC.2016.7468235

    CrossRef Полный текст | Google Scholar

    Яздани, А., Иравани, Р. (2010). Преобразователи напряжения в энергосистемах: моделирование, управление и приложения . Хобокен, Нью-Джерси, США: John Wiley & Sons.

    Трансформатор потенциала: принцип работы, параметры выбора

    С момента появления кардинального трансформатора постоянного напряжения в 1885 году трансформаторы стали незаменимыми для передачи, распределения и использования электроэнергии.Среди многих типов трансформаторов трансформаторы напряжения представляют собой электрические устройства высокого класса точности, используемые для изоляции или преобразования напряжения. Если вы хотите узнать больше о потенциальных трансформаторах, эта статья вам поможет.

    Что такое трансформатор напряжения?

    Трансформатор напряжения — это устройство, которое снижает высокое напряжение до гораздо более низкого и пригодного для использования уровня напряжения, где его можно использовать для питания электрического оборудования или измерительных устройств. Его еще называют трансформатором напряжения.

    Трансформатор напряжения используется для измерения высоких напряжений с помощью устройства измерения низкого диапазона. Как первичная, так и вторичная обмотки намотаны на высококачественную сталь, обмотка низкого напряжения находится рядом с заземляющим сердечником, а обмотка высокого напряжения находится снаружи. Они снижают напряжение до разумного рабочего значения. Первичная обмотка состоит из большого количества витков, а вторичная — из меньшего. Первичная обмотка подключается к линии высокого напряжения, а вторичная подключается к катушке измерительного устройства нижнего диапазона.Трансформатор напряжения всегда является понижающим трансформатором.

    Измеряемое напряжение подключается к первичной обмотке, которая имеет большое количество витков и включается в цепи. Вторичная обмотка, которая имеет гораздо меньшее количество витков, магнитно соединена через магнитную цепь с первичной обмоткой
    .

    Трансформатор напряжения может снижать уровни питающего напряжения без изменения его частоты.

    Коэффициент трансформации потенциалов

    Разница в напряжении между первичной и вторичной обмотками достигается изменением количества витков катушек в первичной обмотке по сравнению с количеством витков катушек на вторичной обмотке.Поскольку трансформатор является линейным устройством, теперь существует соотношение между количеством витков первичной катушки, деленным на количество витков вторичной катушки. Это отношение называется коэффициентом трансформации, более известным как «коэффициент трансформации» трансформатора. Это значение коэффициента трансформации определяет работу трансформатора и соответствующее напряжение на вторичной обмотке.

    Необходимо знать соотношение количества витков провода на первичной обмотке по сравнению с вторичной обмоткой.Передаточное число витков, которое не имеет единиц измерения, сравнивает две обмотки по порядку и записывается с двоеточием, например 3: 1 (3-к-1). Это означает, что если на первичной обмотке 3 вольта, то на вторичной обмотке будет 1 вольт.

    Формула коэффициента трансформации трансформатора потенциала:

    a — Передаточное число

    V1 — первичное напряжение

    V2 — вторичное напряжение

    N1 — Количество первичных обмоток

    N2 — количество вторичных обмоток

    Что делает трансформатор напряжения?

    Трансформатор потенциала выполняет три основные функции:

    • Он адаптирует значение напряжения на первичной обмотке к характеристикам измерительных или защитных устройств, подавая вторичное напряжение, которое пропорционально и ниже.
    • Изолирует силовые цепи от цепи измерения и / или защиты.
    • Он определяет аномалии напряжения и подает сигналы напряжения на реле защиты, чтобы изолировать неисправную систему.

    Применение трансформатора потенциала

    Трансформаторы потенциала могут использоваться с вольтметрами для измерения напряжения или они могут использоваться в сочетании с трансформаторами тока для измерений ваттметров или ваттметров. Они также используются для управления защитными реле и устройствами и для многих других приложений. Поскольку они используются для мониторинга, они обычно требуют гораздо большей точности при проектировании.

    Состав и виды трансформаторов напряжения

    Они состоят из первичной обмотки, магнитного сердечника, одной или нескольких вторичных обмоток, все из которых покрыто изоляционной смолой. По способу подключения бывают двух типов:

    • фаза / фаза: первичное соединение между двумя фазами.
    • фаза / земля: первичный соединен между фазой и землей.

    Рабочие характеристики трансформатора потенциала

    Трансформатор напряжения работает проще, чем трансформатор тока, потому что вторичное напряжение практически не зависит от нагрузки, так как он подключен через высокий импеданс (фактически используется в разомкнутой цепи).Следовательно, вторичная обмотка не должна замыкаться накоротко. В этих условиях слишком высокий ток приведет к повреждению трансформатора.

    Как выбрать трансформатор напряжения

    Ниже приведены основные факторы выбора трансформатора напряжения:

    • Рабочее напряжение
    • Установка
    • Атмосферные условия
    • Уровень изоляции
    • Номинальное первичное и вторичное напряжение
    • Коэффициент напряжения
    • Количество вторичных обмоток.Их нагрузка и классы точности

    Почему PT подключается параллельно?

    Трансформатор напряжения следует подключать параллельно, как вольтметр.

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *