企业官网建设流程全解析

简介：这份PPT学习教案面向电气工程专业学生与电力系统分析学习者，系统讲解暂态能量函数法在暂态稳定分析中的应用，帮助读者掌握直接法判别稳定性的核心思路。压缩包内仅含1个pptx文件，约1.23MB，以图文并茂的幻灯片形式呈现，便于课堂讲授与自学翻阅。内容覆盖暂态能量函数基本原理、单机无穷大系统直接法暂态稳定分析、多机系统特殊问题与两种坐标系、多机系统能量函数、最近不稳定平衡点法（AUEP）与相关不稳定平衡点法（RUEP）、故障轨迹对稳定的影响以及等位能线与位能边界等模块，并穿插李氏定理、临界能量与稳定裕度判据的推导。全篇共105页，从力学类比切入，逐步过渡到数学描述与工程应用，结构完整、层次清晰。目前已有161人学习，适合作为电力系统稳定课程的配套讲义或复习提纲，也可供考研与科研入门参考。

1. 暂态能量函数法到底在算什么：从一份 PPT 学习教案说起

电力系统暂态稳定分析里，时域仿真法几乎是默认答案：把微分方程组一步步积分，看功角曲线是否发散。但时域仿真有个绕不开的痛点——它只能告诉你「稳还是不稳」，很难直接给出稳定裕度，更没法在线快速扫描成百上千个预想故障。暂态能量函数法（Transient Energy Function，TEF）就是冲着这个痛点来的：它构造一个沿故障轨迹单调下降、在稳定平衡点取极小的能量函数，用故障清除时刻的能量与临界能量之差来判断稳定性，顺带给出裕度指标。这份「电力系统暂态能量函数法暂态稳定分析PPT学习教案.pptx」本质是一套教学材料，把能量函数构造、临界能量求取、裕度计算这条链路讲清楚。它适合两类人：一是电力系统专业的研究生和授课教师，需要一套能讲透原理的课件骨架；二是做稳定分析工具或在线预警的工程师，想搞明白 TEF 的工程边界在哪。下面我不复述 PPT 页面，而是把它背后的技术链路拆成能复现、能调参、能排错的东西。

2. 能量函数怎么构造：从单机无穷大推到多机系统

2.1 单机无穷大系统的能量函数长什么样

理解 TEF 最省力的入口是单机无穷大（OMIB）系统。发电机转子运动方程写成：

M d²δ/dt² = Pm - Pe - D dδ/dt Pe = (E' U / X) sinδ

忽略阻尼时，把方程两边对 δ 积分，得到能量函数：

V(δ, ω) = (1/2) M ω² - Pm(δ - δs) - (E'U/X)(cosδs - cosδ)

第一项是动能，后两项是势能。δs 是稳定平衡点角度。这个函数在 δ=δs、ω=0 处取极小值，物理意义清晰：系统偏离平衡点时能量升高，能量越高越危险。教学 PPT 里通常先画这个 V 的等值线，再叠加故障轨迹，直观展示「轨迹穿过临界等值线就失稳」。

提示：很多初学者卡在「为什么积分能得到能量函数」。关键前提是系统保守——忽略阻尼和时变因素后，方程具有哈密顿结构，才能构造出这样的标量函数。阻尼一进来，严格意义上的能量函数就不存在了，工程上只能近似处理。

2.2 多机系统的能量函数与结构保持模型

多机系统不能简单把 OMIB 叠加。经典做法是基于结构保持模型，把网络节点导纳矩阵收缩到发电机内节点，得到降阶导纳 Yred。此时能量函数写成：

V = (1/2) Σ Mi ωi² - Σ Pi(δi - δi^s) - Σ Σ Bij [cos(δi-δj) - cos(δi^s-δj^s)] - 与转移电导相关的路径积分项

最后一项是麻烦所在：转移电导 Gij 不为零时，路径积分与积分路径有关，能量函数不再唯一。教学教案里一般会强调两种处理：一是忽略转移电导（把网络当无损），二是用线性路径近似积分。前者简单但误差大，后者精度好但计算量上升。选哪种取决于你的场景——离线教学演示用忽略法足够，在线预警必须用路径相关积分。

2.3 用 Python 搭一个最小可跑的 OMIB 能量函数验证

光看公式容易飘，下面这段代码把 OMIB 的能量函数和临界能量算出来，你可以直接改参数观察裕度变化：

import numpy as np # 系统参数（标幺值） M = 0.05 # 惯性时间常数 Pm = 0.8 # 机械功率 E = 1.0 # 内电势 U = 1.0 # 无穷大母线电压 X = 0.5 # 总电抗 D = 0.0 # 阻尼，先忽略 # 稳定平衡点：Pm = (E*U/X) sin(delta_s) Pmax = E * U / X delta_s = np.arcsin(Pm / Pmax) # 不稳定平衡点：delta_u = pi - delta_s delta_u = np.pi - delta_s def energy(delta, omega): """能量函数 V(delta, omega)""" kinetic = 0.5 * M * omega**2 potential = -Pm * (delta - delta_s) - Pmax * (np.cos(delta_s) - np.cos(delta)) return kinetic + potential def critical_energy(): """临界能量：在不稳定平衡点处、omega=0 的能量""" return energy(delta_u, 0.0) # 故障清除时刻的状态（示例） delta_c = 1.2 # 清除角 omega_c = 0.5 # 清除时角速度 V_c = energy(delta_c, omega_c) V_cr = critical_energy() margin = V_cr - V_c print(f"delta_s = {delta_s:.4f} rad") print(f"delta_u = {delta_u:.4f} rad") print(f"V_c = {V_c:.4f}") print(f"V_cr = {V_cr:.4f}") print(f"裕度 = {margin:.4f} -> {'稳定' if margin > 0 else '失稳'}")

逻辑说明：先由 Pm 和 Pmax 求稳定平衡点 δs，再由 δu=π−δs 求不稳定平衡点，临界能量就是轨迹在 δu 处动能为零时的势能。参数说明：M 越大惯性越强，同样清除角下动能项越小，裕度越大；X 越大 Pmax 越小，δs 越靠近 π/2，系统越脆弱。你可以把 delta_c 从 1.0 逐步加到 1.5，观察裕度由正转负的临界点，这就是 TEF 判稳的直观过程。

3. 临界能量与主导不稳定平衡点：TEF 最玄学的一步

3.1 为什么临界能量不能随便取

单机系统里不稳定平衡点只有一个，临界能量好求。多机系统里不稳定平衡点（UEP）有一大堆，到底哪个决定失稳？这就是主导不稳定平衡点（CUEP）问题。取错了 UEP，临界能量要么偏大导致误判稳定，要么偏小导致误判失稳。教学 PPT 里通常用「故障轨迹在能量界面上最先逼近哪个 UEP」来解释，但实际算法要靠模式识别或迭代搜索。

常见做法是：先用故障轨迹的功角方向确定候选 UEP，再用二次规划或梯度法精化。我一般会先用故障前的潮流解做初值，沿故障轨迹末端的方向做投影，缩小候选范围，再逐个算能量取最小。这个过程计算量不小，但比时域仿真扫描快得多。

3.2 用表格对比三种 CUEP 搜索策略

选策略时别只看精度。在线场景下，最近 UEP 法虽然粗，但配合合理的候选筛选，往往够用；离线分析才值得上梯度迭代。

3.3 临界能量计算的代码骨架

下面这段代码演示用梯度法从初值搜索 UEP 并计算临界能量，重点看迭代逻辑和收敛判据：

import numpy as np def uep_power_flow(delta0, Pm, Pmax_matrix, tol=1e-6, max_iter=200): """ 简化梯度法搜索不稳定平衡点 delta0: 初值角度向量 Pm: 机械功率向量 Pmax_matrix: 节点间最大传输功率矩阵 """ delta = delta0.copy() for it in range(max_iter): # 不平衡功率 P = Pm - Pmax_matrix @ np.sin(delta) # 雅可比矩阵 J = -Pmax_matrix * np.cos(delta)[None, :] # 梯度步 step = np.linalg.solve(J + 1e-8*np.eye(len(delta)), P) delta = delta + 0.5 * step # 阻尼因子 0.5 防止振荡 if np.linalg.norm(P) < tol: print(f"收敛于第 {it} 次迭代") return delta print("未收敛，检查初值或阻尼因子") return delta # 示例：三机系统 Pm = np.array([0.8, 0.6, 0.5]) Pmax = np.array([ [0.0, 1.5, 1.2], [1.5, 0.0, 1.0], [1.2, 1.0, 0.0] ]) delta0 = np.array([0.3, 0.2, 0.1]) delta_uep = uep_power_flow(delta0, Pm, Pmax) print("UEP 角度:", delta_uep)

逻辑说明：每次迭代算不平衡功率 P，解雅可比方程得到修正方向，乘阻尼因子 0.5 更新角度，直到 P 的范数小于容差。参数说明：tol 控制收敛精度，太小会迭代不收敛，太大结果不准，1e-6 是常用折中；阻尼因子 0.5 是血泪经验，取 1.0 时在接近 UEP 处容易来回振荡不收敛。如果打印「未收敛」，先检查初值是否离真实 UEP 太远，再考虑把阻尼因子降到 0.3。

4. 把 TEF 用到实际算例：从数据准备到裕度输出

4.1 算例数据从哪来

TEF 分析需要三类数据：潮流解（各节点电压和功角）、发电机参数（M、E'、X'd）、网络导纳矩阵。教学教案里通常直接给算例，但工程上你得自己准备。常见做法是从 PSS/E 或 BPA 的潮流结果文件导出，再写脚本转成 TEF 需要的格式。转换时最容易翻车的是标幺值基准不统一——发电机参数用自身容量基准，网络用系统基准，不换算直接算，结果能差出几倍。

4.2 故障清除时刻的确定

TEF 判稳依赖故障清除时刻的状态（δc, ωc）。这个状态要么来自时域仿真到清除时刻，要么用近似公式估算。教学场景下一般直接给清除角，工程上必须仿真到清除时刻再取状态。这里有个坑：仿真步长太大，清除时刻的状态插值误差会直接传进能量计算，导致裕度偏差。我一般把步长压到 0.001 秒以内，再用线性插值取清除时刻值。

4.3 完整裕度计算流程与参数表

把前面几步串起来，完整流程是：读潮流解 → 构造 Yred → 搜索 CUEP → 算临界能量 → 仿真到清除时刻取状态 → 算清除时刻能量 → 输出裕度。关键参数整理如下：

注意：裕度接近零时，TEF 的结论最不可靠。此时数值误差、模型误差都可能让符号翻转，工程上应把裕度小于 5% 的算例标记为「临界」，交给时域仿真复核。

5. 避坑与排查：TEF 分析里最容易翻车的五件事

现象一：裕度算出来是正的，但时域仿真显示失稳。原因通常是 CUEP 选错，临界能量取大了。解决：打印候选 UEP 的能量值，检查是否取了最小那个；如果候选里没有真正的主导 UEP，扩大候选范围或改用模式识别法重新分群。

现象二：UEP 搜索迭代不收敛，角度来回跳。原因是初值离真实 UEP 太远，或者阻尼因子取 1.0 导致过冲。解决：把阻尼因子降到 0.3，或者先用最近 UEP 法给一个粗解，再拿粗解做梯度法初值。

现象三：同一算例换台机器跑，裕度差很多。原因是标幺值基准没统一，或者浮点精度差异被放大。解决：在数据转换脚本里显式做基准换算，所有参数统一到系统基准；关键中间量用双精度，别用单精度省内存。

现象四：转移电导忽略后，临界能量明显偏大。原因是网络损耗被丢掉，能量函数不再守恒。解决：对精度要求高的算例，改用路径相关积分，沿故障轨迹做数值积分，代价是计算量上升约 30%。

现象五：清除时刻状态插值误差导致裕度抖动。原因是仿真步长太大，清除时刻落在两步之间。解决：把步长压到 0.001 秒以内，或者用事件检测让仿真恰好停在清除时刻，避免插值。

6. 进阶技巧：用能量裕度做参数灵敏度扫描

TEF 真正比时域仿真香的地方，是它能快速做参数扫描。比如你想知道「故障清除时间每延长 10 毫秒，裕度掉多少」，时域仿真要跑几十次，TEF 只需要在清除时刻状态上做微小扰动，重算能量即可。下面这段代码演示对清除角做扫描，输出裕度曲线：

import numpy as np M, Pm, E, U, X = 0.05, 0.8, 1.0, 1.0, 0.5 Pmax = E * U / X delta_s = np.arcsin(Pm / Pmax) delta_u = np.pi - delta_s def energy(delta, omega): return 0.5*M*omega**2 - Pm*(delta-delta_s) - Pmax*(np.cos(delta_s)-np.cos(delta)) V_cr = energy(delta_u, 0.0) # 扫描清除角，假设清除时 omega 与 delta 近似线性关系 omega_c = 0.5 results = [] for delta_c in np.linspace(0.8, 1.6, 17): V_c = energy(delta_c, omega_c) margin = (V_cr - V_c) / V_cr * 100 # 百分比裕度 results.append((delta_c, margin)) for d, m in results: flag = "稳定" if m > 0 else "失稳" print(f"清除角 {d:.2f} rad -> 裕度 {m:6.2f}% {flag}")

逻辑说明：固定清除时角速度，只变清除角，算每个点对应的能量和百分比裕度。参数说明：omega_c 固定是简化处理，实际工程中清除角变大时角速度也会变，需要从仿真轨迹里取对应关系；百分比裕度用 V_cr 归一化，方便跨算例比较。跑完你会看到裕度随清除角单调下降，过零点就是临界清除角——这个信息对整定保护动作时间直接有用。

我自己的习惯是：任何 TEF 算例上线前，先拿两三个典型故障和时域仿真对一遍，裕度符号一致才敢用。TEF 快是真快，但它对模型和参数的假设比时域仿真苛刻，别把它当黑匣子直接信。希望帮到你。

本文还有配套的精品资源，点击获取