电力电子论文中的正弦激励响应公式推导

2024-03-24 20:40

本文主要是介绍电力电子论文中的正弦激励响应公式推导,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

论文推导计划

数学原理(正弦激励下的响应计算)
参考书:高等数学、工程数学、自动控制原理、电路原理

上一期(二阶微分方程求解)
二阶线性微分方程求解链接: 二阶线性微分方程求解

文章目录


前言

对于阶跃激励下的电感电流和电容电压的响应计算已经介绍过了,这里将总结在阅读电力电子论文中关于正弦激励下的响应。

涉及以下内容:

  • 正弦激励下的暂态和稳态计算( L a p l a c e Laplace Laplace变换的应用)

一、基本的数学原理

电路理论中的 L a p l a c e Laplace Laplace变换理论(暂态解+稳态解)

L a p l a c e Laplace Laplace的微分性质可得
L [ f ′ ( t ) ] = s F ( s ) − f ( 0 ) ⇒ L [ L d i L ( t ) d t ] = s L i L ( s ) − L i L ( 0 ) = v L ( s ) \boldsymbol{\mathfrak{L}}[f'(t)]=sF(s)-f(0)\\ \Rightarrow \boldsymbol{\mathfrak{L}}[L\frac{\mathrm{d}i_L(t) }{\mathrm{d} t}] =sLi_L(s)-Li_L(0)=v_L(s) L[f(t)]=sF(s)f(0)L[LdtdiL(t)]=sLiL(s)LiL(0)=vL(s)
即,电感电压可以表示为如上形式。
同理,电容电压可以表示成
L [ f ′ ( t ) ] = s F ( s ) − f ( 0 ) ⇒ L [ C d u C ( t ) d t ] = s C u C ( s ) − C u C ( 0 ) = i C ( s ) ⇒ u C ( s ) = 1 s C i C ( s ) + 1 s u C ( 0 ) \boldsymbol{\mathfrak{L}}[f'(t)]=sF(s)-f(0)\\ \\ \Rightarrow \boldsymbol{\mathfrak{L}}[C\frac{\mathrm{d}u_C(t) }{\mathrm{d} t}] =sCu_C(s)-Cu_C(0)=i_C(s)\\ \\ \Rightarrow u_C(s)=\frac{1}{sC}i_C(s)+\frac{1}{s}u_C(0) L[f(t)]=sF(s)f(0)L[CdtduC(t)]=sCuC(s)CuC(0)=iC(s)uC(s)=sC1iC(s)+s1uC(0)
电阻元件则不变。
直流电源: V V V为常数
L [ V ] = V s \boldsymbol{\mathfrak{L}}[V]=\frac{V}{s} L[V]=sV
正弦电源: V = V sin ⁡ ( ω t + φ ) V=V\sin (\omega t+\varphi ) V=Vsin(ωt+φ)
L [ V ] = V [ ω cos ⁡ φ + s sin ⁡ φ ] s 2 + ω 2 \boldsymbol{\mathfrak{L}}[V]=\frac{V[\omega\cos\varphi+s\sin\varphi ]}{s^{2}+\omega^{2}} L[V]=s2+ω2V[ωcosφ+ssinφ]
求解步骤:

  • 首先求出初始解
  • 代入等效的拉氏变换后的电路元件
  • 用电路原理求解
  • 反变换为时域解

相量法(只可求稳态解)

二、具体应用

1.一阶RC电路的正弦激励

下图中,电容的容值为 C C C, 电阻的阻值为 R R R, 电压的时域表达式为 V = V sin ⁡ ( ω t + φ ) V=V\sin (\omega t+\varphi ) V=Vsin(ωt+φ),求电流和电容电压的表达式。

RC一阶电路

  • L a p l a c e Laplace Laplace变换

观察可得,开关S落下之前,电容中无电荷存贮,则无初始电压。
因此根据 L a p l a c e Laplace Laplace变换后的电路元件列写电路表达式则有
V ( s ) = R s U C ( s ) + U C ( s ) ⇒ U C ( s ) = V ( s ) R C s + 1 V(s)=RsU_C(s)+U_C(s) \\ \Rightarrow U_C(s) =\frac{V(s)}{RCs+1} V(s)=RsUC(s)+UC(s)UC(s)=RCs+1V(s)
其中, V ( s ) = V [ ω cos ⁡ φ + s sin ⁡ φ ] s 2 + ω 2 V(s)=\frac{V[\omega\cos\varphi+s\sin\varphi ]}{s^{2}+\omega^{2}} V(s)=s2+ω2V[ωcosφ+ssinφ]
因此 U C ( s ) U_C(s) UC(s)可求解为
U C ( s ) = V [ ω cos ⁡ φ + s sin ⁡ φ ] ( s 2 + ω 2 )( R C s + 1 ) = V ω cos ⁡ φ R C + V sin ⁡ φ s R C ( s 2 + ω 2 )( s + 1 R C ) = A \begin{aligned} &U_C(s)=\frac{V[\omega\cos\varphi+s\sin\varphi ]}{(s^{2}+\omega^{2})(RCs+1)}\\ &=\frac{\frac{V\omega\cos\varphi}{RC}+\frac{V\sin\varphi s}{RC} }{(s^{2}+\omega^{2})(s+\frac{1}{RC})} \\ &=A \end{aligned} UC(s)=s2+ω2)(RCs+1V[ωcosφ+ssinφ]=s2+ω2)(s+RC1RCcosφ+RCVsinφs=A
A A A可以写为
A = K 1 s − p 1 + K 2 s − p 2 + K 3 s − p 3 A = K 1 ( s − p 2 ) ( s − p 3 ) + K 2 ( s − p 1 ) ( s − p 3 ) + K 3 ( s − p 1 ) ( s − p 2 ) ( s − p 1 ) ( s − p 2 ) ( s − p 3 ) ⇒ V ω cos ⁡ φ R C + V sin ⁡ φ s R C = K 1 ( s − p 2 ) ( s − p 3 ) + K 2 ( s − p 1 ) ( s − p 3 ) + K 3 ( s − p 1 ) ( s − p 2 ) \begin{aligned} &A=\frac{K_1}{s-p_1}+\frac{K_2}{s-p_2}+\frac{K_3}{s-p_3}\\ &A=\frac{K_1(s-p_2)(s-p_3)+K_2(s-p_1)(s-p_3)+K_3(s-p_1)(s-p_2)}{(s-p_1)(s-p_2)(s-p_3)}\\ &\Rightarrow\frac{V\omega\cos\varphi}{RC}+\frac{V\sin\varphi s}{RC}=K_1(s-p_2)(s-p_3)+K_2(s-p_1)(s-p_3)+K_3(s-p_1)(s-p_2) \end{aligned} A=sp1K1+sp2K2+sp3K3A=(sp1)(sp2)(sp3)K1(sp2)(sp3)+K2(sp1)(sp3)+K3(sp1)(sp2)RCcosφ+RCVsinφs=K1(sp2)(sp3)+K2(sp1)(sp3)+K3(sp1)(sp2)
其中,
p 1 = − j ω , p 2 = j ω , p 3 = − 1 R C p_1=-j\omega, p_2=j\omega, p_3=-\frac{1}{RC} p1=,p2=,p3=RC1
p 1 = − j ω p_1=-j\omega p1=代入上式可得
V ω cos ⁡ φ R C + V sin ⁡ φ R C ( − j ω ) = K 1 ( − j ω − j ω ) ( − j ω + 1 R C ) ⇒ K 1 = V R C ω cos ⁡ φ + sin ⁡ φ ( − j ω ) ( − 2 j ω ) ( − j ω + 1 R C ) \begin{aligned} &\frac{V\omega\cos\varphi}{RC}+\frac{V\sin\varphi }{RC}(-j\omega)=K_1(-j\omega-j\omega)(-j\omega+\frac{1}{RC})\\ &\Rightarrow K_1=\frac{V}{RC}\frac{\omega\cos\varphi+\sin\varphi(-j\omega)}{(-2j\omega)(-j\omega+\frac{1}{RC})} \end{aligned} RCcosφ+RCVsinφ()=K1()(+RC1)K1=RCV(2)(+RC1)ωcosφ+sinφ()
p 2 = j ω p_2=j\omega p2=代入上式可得
V ω cos ⁡ φ R C + V sin ⁡ φ R C ( j ω ) = K 2 ( j ω + j ω ) ( j ω + 1 R C ) ⇒ K 2 = V R C ω cos ⁡ φ + sin ⁡ φ ( j ω ) ( 2 j ω ) ( j ω + 1 R C ) \begin{aligned} &\frac{V\omega\cos\varphi}{RC}+\frac{V\sin\varphi }{RC}(j\omega)=K_2(j\omega+j\omega)(j\omega+\frac{1}{RC})\\ &\Rightarrow K_2=\frac{V}{RC}\frac{\omega\cos\varphi+\sin\varphi(j\omega)}{(2j\omega)(j\omega+\frac{1}{RC})} \end{aligned} RCcosφ+RCVsinφ()=K2(+)(+RC1)K2=RCV(2)(+RC1)ωcosφ+sinφ()
p 3 = − 1 R C p_3=-\frac{1}{RC} p3=RC1代入上式可得
V ω cos ⁡ φ R C + V sin ⁡ φ R C ( − 1 R C ) = K 3 ( − 1 R C + j ω ) ( − 1 R C − j ω ) ⇒ K 3 = V R C ω cos ⁡ φ + sin ⁡ φ ( − 1 R C ) ( 1 R 2 C 2 + ω 2 ) \begin{aligned} &\frac{V\omega\cos\varphi}{RC}+\frac{V\sin\varphi }{RC}(-\frac{1}{RC})=K_3(-\frac{1}{RC}+j\omega)(-\frac{1}{RC}-j\omega)\\ &\Rightarrow K_3=\frac{V}{RC}\frac{\omega\cos\varphi+\sin\varphi(-\frac{1}{RC})}{(\frac{1}{R^2C^2}+\omega ^2)} \end{aligned} RCcosφ+RCVsinφ(RC1)=K3(RC1+)(RC1)K3=RCV(R2C21+ω2)ωcosφ+sinφ(RC1)
因此,根据 L a p l a c e Laplace Laplace反变换可得
u C ( t ) = V R C [ ω cos ⁡ φ + sin ⁡ φ ( − j ω ) ( − 2 j ω ) ( − j ω + 1 R C ) e − j ω t + ω cos ⁡ φ + sin ⁡ φ ( j ω ) ( 2 j ω ) ( j ω + 1 R C ) e j ω t + ω cos ⁡ φ + sin ⁡ φ ( − 1 R C ) ( 1 R 2 C 2 + ω 2 ) e − t R C ] \begin{aligned} u_C(t)= \frac{V}{RC}[\frac{\omega\cos\varphi+\sin\varphi(-j\omega)}{(-2j\omega)(-j\omega+\frac{1}{RC})}e^{-j\omega t}+\frac{\omega\cos\varphi+\sin\varphi(j\omega)}{(2j\omega)(j\omega+\frac{1}{RC})}e^{j\omega t}+\frac{\omega\cos\varphi+\sin\varphi(-\frac{1}{RC})}{(\frac{1}{R^2C^2}+\omega ^2)}e^{\frac{-t}{RC}}] \end{aligned} uC(t)=RCV[(2)(+RC1)ωcosφ+sinφ()et+(2)(+RC1)ωcosφ+sinφ()et+(R2C21+ω2)ωcosφ+sinφ(RC1)eRCt]
根据 E u l e r Euler Euler公式,有
ω cos ⁡ φ + sin ⁡ φ ( − j ω ) = ω e φ \omega\cos\varphi+\sin\varphi(-j\omega)=\omega e^\varphi ωcosφ+sinφ()=ωeφ
因此, u C ( t ) u_C(t) uC(t)可化简为
u C ( t ) = V R C [ e − j ( ω t + φ ) ( − 2 ω ) − j 2 R C + e j ( ω t + φ ) ( − 2 ω ) + j 2 R C + ω cos ⁡ φ + sin ⁡ φ ( − 1 R C ) ( 1 R 2 C 2 + ω 2 ) e − t R C ] u_C(t)= \frac{V}{RC} [\frac{e^{-j(\omega t+\varphi)}}{(-2\omega)-\frac{j2}{RC}}+ \frac{e^{j(\omega t+\varphi)}}{(-2\omega)+\frac{j2}{RC}}+ \frac{\omega\cos\varphi+\sin\varphi(-\frac{1}{RC})}{(\frac{1}{R^2C^2}+\omega ^2)}e^{\frac{-t}{RC}} ] uC(t)=RCV[(2ω)RCj2ej(ωt+φ)+(2ω)+RCj2ej(ωt+φ)+(R2C21+ω2)ωcosφ+sinφ(RC1)eRCt]
由于
V R C [ e − j ( ω t + φ ) ( − 2 ω ) − j 2 R C + e j ( ω t + φ ) ( − 2 ω ) + j 2 R C ] = V R C 1 4 ω 2 + 4 R 2 C 2 [ ( ( − 2 ω ) + j 2 R C ) e − j ( ω t + φ ) + ( − 2 ω ) − j 2 R C ) e j ( ω t + φ ) ] = V R C 2 4 ω 2 + 4 R 2 C 2 [ − 2 ω cos ⁡ ( ω t + φ ) ) + 2 R C sin ⁡ ( ω t + φ ) ) ] = V R C 1 ω 2 + 1 R 2 C 2 [ − ω cos ⁡ ( ω t + φ ) ) + 1 R C sin ⁡ ( ω t + φ ) ) ] = − 1 ω C V R 2 + ( 1 ω C ) 2 [ R R 2 + ( 1 ω C ) 2 cos ⁡ ( ω t + φ ) + − 1 ω C R 2 + ( 1 ω C ) 2 sin ⁡ ( ω t + φ ) ] = − 1 ω C V R 2 + ( 1 ω C ) 2 sin ⁡ ( ω t + φ + ϕ ) \begin{aligned} & \frac{V}{RC} [\frac{e^{-j(\omega t+\varphi)}}{(-2\omega)-\frac{j2}{RC}}+ \frac{e^{j(\omega t+\varphi)}}{(-2\omega)+\frac{j2}{RC}} ]\\\ &=\frac{V}{RC}\frac{1}{4\omega^2+\frac{4}{R^2C^2}} [((-2\omega)+\frac{j2}{RC})e^{-j(\omega t+\varphi)}+(-2\omega)-\frac{j2}{RC})e^{j(\omega t+\varphi)}]\\ &=\frac{V}{RC}\frac{2}{4\omega^2+\frac{4}{R^2C^2}} [-2\omega\cos (\omega t+\varphi))+\frac{2}{RC}\sin (\omega t+\varphi))]\\ &=\frac{V}{RC}\frac{1}{\omega^2+\frac{1}{R^2C^2}} [-\omega\cos (\omega t+\varphi))+\frac{1}{RC}\sin (\omega t+\varphi))]\\ &=-\frac{1}{\omega C}\frac{V}{\sqrt {R^2+(\frac{1}{\omega C})^2}} [\frac{R}{\sqrt{R^2+(\frac{1}{\omega C})^2}}\cos(\omega t+\varphi)+ \frac{-\frac{1}{\omega C}}{\sqrt{R^2+(\frac{1}{\omega C})^2}}\sin(\omega t+\varphi) ]\\ &=-\frac{1}{\omega C}\frac{V}{\sqrt {R^2+(\frac{1}{\omega C})^2}}\sin(\omega t+\varphi+\phi) \end{aligned}  RCV[(2ω)RCj2ej(ωt+φ)+(2ω)+RCj2ej(ωt+φ)]=RCV4ω2+R2C241[((2ω)+RCj2)ej(ωt+φ)+(2ω)RCj2)ej(ωt+φ)]=RCV4ω2+R2C242[2ωcos(ωt+φ))+RC2sin(ωt+φ))]=RCVω2+R2C211[ωcos(ωt+φ))+RC1sin(ωt+φ))]=ωC1R2+(ωC1)2 V[R2+(ωC1)2 Rcos(ωt+φ)+R2+(ωC1)2 ωC1sin(ωt+φ)]=ωC1R2+(ωC1)2 Vsin(ωt+φ+ϕ)
其中,
tan ⁡ ϕ = − R C ω \tan \phi=-RC\omega tanϕ=RCω
同理,
V R C ω cos ⁡ φ + sin ⁡ φ ( − 1 R C ) ( 1 R 2 C 2 + ω 2 ) e − t R C = 1 ω C V R 2 + ( 1 ω C ) 2 [ R R 2 + ( 1 ω C ) 2 cos ⁡ ( φ ) + − 1 ω C R 2 + ( 1 ω C ) 2 sin ⁡ ( φ ) ] e − t R C = 1 ω C V R 2 + ( 1 ω C ) 2 sin ⁡ ( φ + ϕ ) e − t R C \begin{aligned} &\frac{V}{RC}\frac{\omega\cos\varphi+\sin\varphi(-\frac{1}{RC})}{(\frac{1}{R^2C^2}+\omega ^2)}e^{\frac{-t}{RC}}\\ &=\frac{1}{\omega C}\frac{V}{\sqrt {R^2+(\frac{1}{\omega C})^2}}[\frac{R}{\sqrt{R^2+(\frac{1}{\omega C})^2}}\cos(\varphi)+ \frac{-\frac{1}{\omega C}}{\sqrt{R^2+(\frac{1}{\omega C})^2}}\sin(\varphi) ]e^{\frac{-t}{RC}}\\\ &=\frac{1}{\omega C}\frac{V}{\sqrt {R^2+(\frac{1}{\omega C})^2}}\sin(\varphi+\phi) e^{\frac{-t}{RC}} \end{aligned}  RCV(R2C21+ω2)ωcosφ+sinφ(RC1)eRCt=ωC1R2+(ωC1)2 V[R2+(ωC1)2 Rcos(φ)+R2+(ωC1)2 ωC1sin(φ)]eRCt=ωC1R2+(ωC1)2 Vsin(φ+ϕ)eRCt
总上所述, u C ( t ) u_C(t) uC(t)可解得为
1 ω C V R 2 + ( 1 ω C ) 2 sin ⁡ ( φ + ϕ ) e − t R C − 1 ω C V R 2 + ( 1 ω C ) 2 sin ⁡ ( ω t + φ + ϕ ) \frac{1}{\omega C}\frac{V}{\sqrt {R^2+(\frac{1}{\omega C})^2}}\sin(\varphi+\phi)e^{\frac{-t}{RC}}-\frac{1}{\omega C}\frac{V}{\sqrt {R^2+(\frac{1}{\omega C})^2}}\sin(\omega t+\varphi+\phi) ωC1R2+(ωC1)2 Vsin(φ+ϕ)eRCtωC1R2+(ωC1)2 Vsin(ωt+φ+ϕ)
传输电流为 i L ( t ) = C d u C ( t ) ) d t i_L(t)=C\frac{\mathrm{d} u_C(t))}{\mathrm{d} t} iL(t)=CdtduC(t))

i L ( t ) = − 1 ω R C V R 2 + ( 1 ω C ) 2 sin ⁡ ( φ + ϕ ) e − t R C − V R 2 + ( 1 ω C ) 2 cos ⁡ ( ω t + φ + ϕ ) i_L(t)=-\frac{1}{\omega RC }\frac{V}{\sqrt {R^2+(\frac{1}{\omega C})^2}} \sin(\varphi+\phi)e^{\frac{-t}{RC}} -\frac{V}{\sqrt {R^2+(\frac{1}{\omega C})^2}}\cos(\omega t+\varphi+\phi) iL(t)=ωRC1R2+(ωC1)2 Vsin(φ+ϕ)eRCtR2+(ωC1)2 Vcos(ωt+φ+ϕ)
观察可知,这两个微分方程的根的存在暂态分量和稳态分量。暂态分量是一个衰减的量。


总结和未来的工作

本内容展示了如何用 L a p l a c e Laplace Laplace理论求解正弦激励下的微分方程,以下内容是小结部分

  • 电路元件的 L a p l a c e Laplace Laplace转换
  • L a p l a c e Laplace Laplace反变换的过程
  • 未来将会对RLC二阶系统的正弦激励响应做分析
    往期链接:
    二阶线性微分方程求解
    正弦激励响应公式推导
    串联谐振型DAB的LC等效电路的归一化推导
    电力电子论文中方波和类方波的傅里叶级数形式推导

这篇关于电力电子论文中的正弦激励响应公式推导的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/842730

相关文章

uva 10014 Simple calculations(数学推导)

直接按照题意来推导最后的结果就行了。 开始的时候只做到了第一个推导,第二次没有继续下去。 代码: #include<stdio.h>int main(){int T, n, i;double a, aa, sum, temp, ans;scanf("%d", &T);while(T--){scanf("%d", &n);scanf("%lf", &first);scanf

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

hdu 4565 推倒公式+矩阵快速幂

题意 求下式的值: Sn=⌈ (a+b√)n⌉%m S_n = \lceil\ (a + \sqrt{b}) ^ n \rceil\% m 其中: 0<a,m<215 0< a, m < 2^{15} 0<b,n<231 0 < b, n < 2^{31} (a−1)2<b<a2 (a-1)^2< b < a^2 解析 令: An=(a+b√)n A_n = (a +

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

深入理解RxJava:响应式编程的现代方式

在当今的软件开发世界中,异步编程和事件驱动的架构变得越来越重要。RxJava,作为响应式编程(Reactive Programming)的一个流行库,为Java和Android开发者提供了一种强大的方式来处理异步任务和事件流。本文将深入探讨RxJava的核心概念、优势以及如何在实际项目中应用它。 文章目录 💯 什么是RxJava?💯 响应式编程的优势💯 RxJava的核心概念

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

论文翻译:ICLR-2024 PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS

PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS https://openreview.net/forum?id=KS8mIvetg2 验证测试集污染在黑盒语言模型中 文章目录 验证测试集污染在黑盒语言模型中摘要1 引言 摘要 大型语言模型是在大量互联网数据上训练的,这引发了人们的担忧和猜测,即它们可能已

OmniGlue论文详解(特征匹配)

OmniGlue论文详解(特征匹配) 摘要1. 引言2. 相关工作2.1. 广义局部特征匹配2.2. 稀疏可学习匹配2.3. 半稠密可学习匹配2.4. 与其他图像表示匹配 3. OmniGlue3.1. 模型概述3.2. OmniGlue 细节3.2.1. 特征提取3.2.2. 利用DINOv2构建图形。3.2.3. 信息传播与新的指导3.2.4. 匹配层和损失函数3.2.5. 与Super

简单的角色响应鼠标而移动

actor类 //处理移动距离,核心是找到角色坐标在世界坐标的向量的投影(x,y,z),然后在世界坐标中合成,此CC是在地面行走,所以Y轴投影始终置为0; using UnityEngine; using System.Collections; public class actor : MonoBehaviour { public float speed=0.1f; CharacterCo

BERT 论文逐段精读【论文精读】

BERT: 近 3 年 NLP 最火 CV: 大数据集上的训练好的 NN 模型,提升 CV 任务的性能 —— ImageNet 的 CNN 模型 NLP: BERT 简化了 NLP 任务的训练,提升了 NLP 任务的性能 BERT 如何站在巨人的肩膀上的?使用了哪些 NLP 已有的技术和思想?哪些是 BERT 的创新? 1标题 + 作者 BERT: Pre-trainin