首先介绍视觉系统的组成, 然后对视觉系统动态性能的优化和噪声的处理方法进行分析和总结.

1.1 视觉系统的组成

视觉系统由图像获取和视觉处理两部分组成,图像的获取是利用相机模型将三维空间投影到二维图像空间的过程, 而视觉处理则是利用获取的图像信息得到视觉反馈的过程.

1.1.1 相机模型

机器人传感器映射到球面, 如重力向量、磁场向量或角速度等, 从而可以设计多传感器信息融合的机器人控制器.

1.1.2 视觉反馈

视觉伺服中的视觉反馈主要有基于位置、图像特征和多视图几何的方法. 其中, 基于位置的方法将视觉系统动态隐含在了目标识别和定位中, 从而简化了控制器的设计, 但是一般需要已知目标物体的模型, 且对图像噪声和相机标定误差较为敏感. 目标识别和跟踪可以参考相关综述, 下文中主要介绍基于图像特征和多视图几何的方法.

1)基于图像特征的视觉反馈

常用的基于图像特征的视觉反馈构造方法, 其中基于特征点的方法在以往的视觉伺服中应用较为广泛, 研究较为成熟, 但是容易受到图像噪声和物体遮挡的影响, 并且现有的特征提取方法在发生尺度和旋转变化时的重复性和精度都不是太好, 在实际应用中存在较大的问题. 因此, 学者们提出了基于全局图像特征的视觉反馈方法, 利用更多的图像信息对任务进行描述, 从而增强视觉系统的鲁棒性, 但是模型较为复杂, 控制器的设计较为困难, 且可能陷入局部极小点. 针对这一类系统的控制器设计的研究还比较少, 一般利用局部线性化模型进行控制, 只能保证局部的稳定性.

2) 基于多视图几何的视觉反馈

多视图几何描述了物体多幅图像之间的关系, 间接反映了相机之间的几何关系. 相比于基于图像特征的方法, 多视图几何与笛卡尔空间的关系较为直接, 简化了控制器的设计. 常用的多视图几何包括单应性、对极几何以及三焦张量需要强调的是, 两个视图之间的极点与相对姿态不是同构的, 当极点为零时不能保证二者姿态一致, 而只能保证二者共线, 一般使用两步法补偿距离误差.单应性矩阵描述了共面特征点在两个视图之间的变换关系, 可以唯一决定二者的相对姿态. 对于非平面物体, 可以结合对极几何的方法进行处理.结合单应性矩阵和极点构造了在平衡点附近与姿态同构的误差系统. 中采用类似的思路, 并利用图像配准的思想对几何参数进行估计. 但是, 由于模型复杂, 文献中只提出了局部稳定的控制律. 相比之下, 三焦张量是一种更加通用的方法, 对目标形状没有要求, 且不存在奇异性问题. 基于对极几何和三焦张量的方法还主要用于平面移动机器人的控制, 在六自由度控制中的应用有待进一步研究.

1.2 视觉系统动态性能的提升

相比于常规的机器人传感器, 视觉系统的采样频率较低, 视觉处理算法的时间延迟较大, 而且具有一定的噪声, 这对视觉伺服系统的动态性能有很大的影响. 近年来的研究主要从以下三个方面进行改进: 采用高速视觉系统, 提高处理速度和采样频率;使用分布式的网络化架构, 提高算法的执行效率; 设计观测器, 处理视觉反馈中的噪声和延迟问题.

1) 高速视觉系统

常用的数字相机的采样频率较低, 一般在 30 fps左右. 为了适应高速视觉伺服任务的需求, 近年来研究者开发出各种高速视觉系统. 高速视觉系统一般采用并行的结构, 图像检测和处理都是以高速进行, 从而可以达到高于 1 kHz 的频率, 方便进行高速运动物体的跟踪和柔性物体的识别, 常用于快速反应的系统, 但是受到硬件设备的限制, 图像分辨率较低, 物体表面纹理不清晰, 难以描述复杂的场景,且系统较为复杂, 开发和维护的成本高. 对于这一类的系统, 可以使用图像矩、核采样、互信息等全局图像特征, 不需要特征点的提取, 对图像分辨率的要求较低, 相比之下控制精度更高.

2) 分布式网络化的视觉系统

文献中提出基于网络化分布式计算的视觉伺服控制系统, 从分布在不同部位的传感器 (如视觉传感器、光学传感器、雷达等) 采集的数据通过网络传送到处理器节点进行处理, 从而提高了视觉伺服系统的采样速度. 文献中提出了视觉伺服系统中图像数据的传输协议及其调度策略. 分布式的实现策略充分利用了多个网络节点的计算资源, 从而更快地进行多传感器信息融合, 但是其效率很大程度上依赖于网络的速度, 并且网络化的系统增加了控制算法的复杂程度, 特别是针对网络延时、故障的处理.

3)结合观测器的视觉系统

由于视觉设备的采样频率低, 并且具有噪声, 因此可以利用观测器对图像特征进行观测, 从而应对噪声和延迟对系统的影响. 在硬件条件限制下, 使用观测器是最有效的改善视觉系统性能的方法.

卡尔曼滤波 (Kalman ¯lter) 是一种常用的方法, 对于视觉伺服系统这种非线性对象, 可以使用扩展卡尔曼滤波器. 当噪声特征未知时, 可以使用自适应 或自整定的方法. 另外, 由于视觉系统处理时间较长, 因此可能出现测量时间长于控制周期的情况, 可以使用双速率卡尔曼滤波的方法对系统状态进行观测.

粒子滤波 (Particle ¯lter[55]) 可以用于非高斯噪声下的非线性系统, 相比于卡尔曼滤波的方法更加适合于视觉伺服系统的应用. 其基本思想是通过随机采样获取概率分布, 基于这些观测值, 实际的概率分布可以通过调整采样的权重和位置得到.

虚拟视觉伺服 (Virtual visual servo[56]) 以重投影误差作为任务函数, 设计虚拟控制律使其最小化, 再将此控制律中得到的控制输入 (速度、加速度) 进行积分从而得到观测到的相机位置和速度, 省去了目标识别、定位等耗时的过程.

1.3 视觉系统噪声的处理

视觉系统的噪声主要来自于相机感光元件的噪声和视觉处理算法的误差, 对控制系统性能有较大影响. 视觉系统噪声的处理可以从以下 4 个方面入手:

1)设计鲁棒的特征提取算法图像噪声对图像特征的提取影响较大, 尤其是基于像素梯度的局部图像特征, 会出现特征点的误提取和误匹配, 直接导致系统状态变量的误差, 对控制系统的稳定性有很大的影响. 常用的去除例外点的方法有 RANSAC (Random sample consensus) 算法、霍夫变换、最小二乘法以及 M-estimators 算法等.

2)使用观测器降低噪声的影响对于含有噪声的特征向量, 可以利用观测器对其状态进行观测降低噪声的影响. 常用的方法有 Kalman 滤波[52¡54]、粒子滤波[55] 等. 另外, 在有些控制器中需要利用图像空间中的速度信息, 由于图像采样频率较低且噪声较大, 数值微分的方法存在较大的误差, 此时也可以利用观测器对其进行估计

3)利用冗余的特征向量对于冗余的特征向量, 可以利用每个特征点测量的统计特征描述该特征点的可靠性, 在设计控制律时可以基于每个维度的可靠性设计加权矩阵，从而降低噪声较大或误匹配特征点对系统的影响.另外, 也可以引入随特征点与图像边界距离递增的加权函数 处理目标部分离开视野的情况, 保证控制律的连续性, 提高系统的容错性.

4)提高对目标的感知力图像对物体运动的感知力与特征点的选取以及物体姿态有关, 当存在图像噪声时, 不同的特征点选取对系统稳态误差有一定的影响, 因此可以利用优化的方法选取最佳的特征点对任务进行描述[59]. 在控制的过程中, 可以利用图像雅可比矩阵的奇异值衡量对目标的感知能力. 在任务零空间中优化轨迹以增强感知力, 从而提高控制性能.

在视觉伺服控制器的设计中, 主要的问题在于模型不确定性和约束的处理. 这是由于视觉模型依赖于目标深度、相机参数等未知或不精确的信息, 并且在控制的过程中需要保证目标的可见, 对系统的稳定性和动态性能有较大的影响.

2.1 视觉伺服中模型不确定性的处理

针对模型不确定性问题, 主要有三种解决方案,分别为自适应算法、鲁棒算法和智能算法. 自适应算法通过自适应环节在线调整模型, 从而优化控制性能; 鲁棒算法基于最优估计参数设计控制器, 并保证对一定范围内参数摄动的稳定性; 智能算法一般基于学习的策略应对参数不确定性.

2.1.1 自适应视觉伺服控制

考虑到模型参数不确定带来的问题, 研究者提出了一系列自适应的方法对模型误差进行补偿. 自适应控制方法由控制律和自适应环节组成, 通过自适应环节的在线修正保证系统的稳定性. 自适应的方法可以分为参数自适应和雅可比矩阵自适应方法.

1)参数自适应算法

由于特征点在图像空间的运动特性依赖于其深度和相机参数, 从而可以在控制过程中根据控制输入使用当前估计参数将运动投影到图像空间, 预测特征点的运动. 预测值与实际观测的特征点运动之间的差异作为估计投影误差, 可以通过迭代优化的方法使该投影误差最小化从而对参数进行在线估计.一种常用的自适应方法是结合 Slotine 等的思想,利用梯度法 或其他搜索方法对特征点的估计投影误差进行在线最小化.

对于视觉伺服轨迹跟踪控制, 常规的方法需要加入图像空间中的速度作为前馈项, 而图像中的速度一般是通过对图像坐标信息的数值微分得到的,相比于关节空间的速度具有更大的噪声, 尤其是当采样频率较低时具有较大的误差. 因此, 一些学者提出不需要测量图像速度的方法. 这一类方法利用关节速度和估计的雅可比矩阵设计图像空间速度的观测器, 并加入对相机参数和深度的自适应. 因为机器人关节速度的测量是比较精确的, 因此可以较好地改善数值微分带来的问题.

2)雅可比矩阵自适应算法

这一类的方法直接对雅可比矩阵进行在线辨识,由递推的雅可比矩阵辨识算法和控制律组成. 常用的雅可比矩阵辨识方法如Broyden 算法、加权递推最小二乘算法、Kalman 滤波等. Pari 等通过实验对比了使用递推最小二乘法估计的雅可比矩阵和使用解析形式的雅可比矩阵时的控制性能, 结果证明基于雅可比矩阵在线辨识的方法具有与基于解析形式雅可比矩阵的方法相差不多的控制效果和鲁棒性, 而基于雅可比矩阵在线辨识的方法不需要大量对系统的先验知识和复杂的模型推导过程, 但是其模型只在其训练的区域内有效.

2.1.2 鲁棒视觉伺服控制

在基于图像的视觉伺服控制中, 由相机参数、目标深度以及机器人模型误差造成的图像雅可比矩阵的不确定性会对控制效果产生影响, 并可能造成控制器不稳定. 为了保证在参数摄动的情况下的控制器的稳定性, 可以在最优参数估计的基础上设计鲁棒控制器, 从而在一定的参数变化域内保证稳定性.

一种常用的思路是利用李雅普诺夫的方法设计鲁棒控制器, 从而克服深度和标定误差、机器人模型误差以及机器人执行速度指令时的量化误差带来的不确定性问题. 另一种思路是基于优化的方法, 通过对性能指标的在线优化(如H2=H1指标、闭环系统的稳定域等) 得到在具有参数不确定性时的最优控制输入. 另外, 滑模控制也是一种常用的方法, 通过构造与系统不确定性参数和扰动无关的滑动面, 并设计控制律迫使系统向超平面收束, 从而沿着切换超平面到达系统原点. 由于常规的滑模控制产生的控制输入是不连续的, 可能造成系统的抖振, 可以使用二阶滑模Super-twisting 控制的方法解决此问题.

虽然基于鲁棒控制的方法一般都具有对参数变化和扰动不敏感的优点, 但是通常需要较大的控制增益, 造成系统响应不光滑, 使执行器的损耗较大,且可能造成系统的抖振. 在未来的研究中可以结合自适应控制的方法, 在模型细小变化时利用控制器的鲁棒性从而避免自适应机构过于频繁的调整, 当模型变化较大时, 则利用自适应的方法对其进行修正, 从而避免鲁棒控制方法过高的增益造成的问题.

2.1.3 智能视觉伺服控制

智能控制不需要精确的数学模型, 并且具有自学习能力, 适合于具有模型不确定性的视觉伺服系统控制. 智能视觉伺服控制方法有:

基于计算智能的方法一般利用人工神经网络、遗传算法等方法对视觉伺服系统模型进行拟合, 并利用学习到的模型进行控制. BP 神经网络是一种常用的方法, 为了提高其收敛速度, 可以使用遗传算法设计其初值和参数. 这一类方法不需要复杂的建模过程, 但是需要预先进行离线训练, 而且当环境变化时又需要重新训练, 限制了其应用.

模糊控制利用模糊规则描述视觉伺服系统中各变量之间的关系, 不需要精确的系统模型, 但是需要一定的先验知识或离线学习. 在应用中, 可以直接设计模糊控制器或利用模糊规则对其他控制器参数进行更新. 但是, 对于多自由度的视觉伺服系统, 变量之间的关系复杂且耦合严重, 模糊规则的设计困难, 因此以往的研究主要针对低自由度的系统.对于具有重复特性的视觉伺服任务, 迭代学习控制利用先前动作中的数据信息, 通过迭代找到合适的控制输入, 可以实现精确的轨迹跟踪. 这一类方法主要有两种思路, 一种是直接迭代学习控制, 使用迭代学习律得到控制输入的前馈量, 并可以加入反馈辅助项提高收敛速度; 另一种是间接迭代学习控制, 使用迭代学习对模型参数进行更新, 从而最终得到精确的模型用于跟踪控制. 这一类方法要求任务具有重复特性, 可以用于工业现场的流水线作业.

近20 多年来, 机器人视觉伺服控制得到了广泛的研究, 但是在实际中的应用较少. 实际上, 视觉伺服的理论研究与实际应用有一定的脱节, 大部分的研究考虑理想的工作环境和任务, 并采用示教(Teach-by-showing) 的方式. 这适合于静态环境下的重复性任务, 但是机器人的任务是复杂多样的. 近年来, 研究者提出了创新性的解决方案, 为视觉伺服系统的实施和应用提供了新的思路. 在实际中, 基于视觉伺服的系统主要有两种类型, 一种是机器人自主控制系统, 完全由机器人自身根据视觉反馈完成分配的任务; 另一种是人机协作系统, 在任务完成的过程中需要人为的干预, 其目的在于协助人更好地完成任务.

3.1 自主控制系统

视觉伺服在机器人系统中有广泛的应用, 如移动机器人的视觉导航和机械臂的末端控制等. 移动机器人的视觉导航可以描述为视觉伺服跟踪控制问题 或一系列的视觉伺服调节控制问题, 一般需要预先进行训练得到期望的图像序列. 工业机械臂常使用示教的策略, 以零件组装任务为例, 工程师需要先利用手操器对其进行编程, 机械臂再通过执行记录的驱动信号完成任务. 引入视觉伺服系统可以简化此过程, 只需要人在相机的监控下完成一次操作, 机械臂即可利用视觉反馈完成任务.传统的视觉伺服系统使用示教的方式, 其控制器的设定值为相机在期望位置处拍摄到的图像. 这种方法适合于在局部空间内执行重复性任务的工业机械臂, 但是对于大范围的移动机器人视觉导航任务显得实现成本较高. 学者们提出了以下几种改进策略:

1)利用其他相机拍摄的图像作为设定值, 如Teach-by-zooming 策略;

2)利用其他模态的图像作为设定值, 如基于互信息的方法;

3)利用几何信息定义视觉伺服任务.

在现实生活中, 如果要告诉某人去某地, 可以提供该地点的照片或地图, 也可以描述该场景的几何特性. 实际上, 上述的三种策略分别对应了人类的这些行为习惯. 在未来的机器人应用中, 可以充分利用互联网资源, 如Google 街景、Google 地图等, 使其更灵活地为人类服务.

3.2 人机协作系统

大部分机器人的自主定位和导航任务都需要预先对任务进行精确描述, 但是实际应用中的一些复杂任务难以用数学描述, 且在任务完成的过程中需要进行智能决策, 以当前的人工智能发展程度无法由机器人自主完成. 因此可以构造人机协作系统, 在任务执行过程中加入人类的判断, 视觉伺服控制作为辅助系统, 帮助人更轻松地完成一些复杂任务, 形成半自动的系统. 常见的人机协作系统有以下几种实现策略:

1)人机串级控制, 人负责上层的决策控制, 视觉伺服系统负责底层的运动控制, 如水下遥控机器人、半自动驾驶轮椅等.

2)视觉伺服系统对操作对象施加运动约束, 降低人需要操作的自由度, 提高操作精度, 如人机协作操作、手术辅助系统等.

3)人机切换控制, 将任务分为人主导的区域和机器人主导的区域, 共同完成任务.

在医疗领域, 学者们提出了一系列基于医疗成像设备的视觉伺服系统, 对医生的手术操作起到协助作用.

在供电系统和用电设备中，由于输入电源的多样性，故改善整流器的性能，减小输入电流谐波含量，提高系统的功率因数具有重要意义。根据系统接线方式可以分为3P3W(three-phase three-wire)系统以及3P4W(three-phase four-wire)系统。其中3P3W 系统中应用较广的主要电路拓扑有三相三桥臂整流拓扑和维也纳整流拓扑等。除此之外，一些应用场合出于防雷、绝缘及中线电流补偿等考虑，需要采用3P4W 的连接方式，如并联有源电力滤波器、动态电压恢复器和不间断电源等。常见的3P4W 系统拓扑分为三桥臂-分裂电容拓扑以及四桥臂-全桥拓扑。由于三桥臂-分裂电容拓扑输入相电压只能在两个电平(-Udc/2, Udc/2)间跳变，谐波抑制效果相对较差，从而输入电流波形的畸变度也较高。对于四桥臂-全桥拓扑（下文以三相四桥臂整流器进行表述），由于增加了一个桥臂，对于电路结构而言，增加了其复杂性。但是在控制上，桥臂的增加使得对电路的控制更为灵活。

单周期控制的PFC 变换器无需产生输入电流基准，因而不需要使用乘法器和采样输入电源电压，简化了控制结构，降低了经济成本，在中小功率场合得到了广泛的应用 。在传统单周期控制策略中，载波信号幅值是由电压调节器产生，变换器输入电感电流采样直接作为调制信号与载波交割产生 PWM 信号，并经过相应的逻辑变换生成功率管控制信号，因此传统单周期控制策略中的PWM 信号可视为是通过SPWM 方式所获得。在这种调试方式下，三相PFC 变换器输出电压较高，直流母线电压利用率不足，不利于降低开关管耐压等级和提高系统效率。国内外文献关于降低单周期控制策略下的PFC 电路输出直流电压，提高直流母线电压利用率鲜有讨论。

针对3P4W 系统中的三相四桥臂整流拓扑分析了传统控制单周期控制策略。提出变革传统单周期控制策略的调制波形，将3 次谐波注入调制引入到传统单周期控制策略中，分析了改进后的单周期控制策略，给出了三相四桥臂整流器改进单周期控制策略示意图。通过改进的单周期控制策略可以降低三相四桥臂整流器输出电压，提高直流母线电压利用率，且不影响系统正常工作。同时，改进的单周期控制策略可推广至其他三相PFC 变换器。系统仿真与实验表明了理论分析的正确性。

电动汽车换电站(battery swap station，BSS)是一种重要的集中式充电基础设施，其V2G 运行方式具有广阔的应用前景。但是，当BSS 放电功率较大时，会对中压配电网现有的故障处理过程产生较大影响，需要有合理的应对措施。

有关BSS 在V2G 运行方式下对中压配电网保护与自动化配置的影响的研究仍很少见，但充放电机在向配电网放电时与逆变器型分布式电源的工作原理存在共性，相应造成的影响也较为类似。针对该类问题，存在2 种解决思路：一是根据分布式电源接入后造成影响的特点，改变中压配电网的保护及自动化配置；二是从分布式电源侧入手，限制分布式电源的容量或者及时检测配电网的运行状态并主动调整分布式电源侧的控制方式，尽可能降低影响。

对于第1 种思路，已有较多研究成果。文献[5-7]修正了分布式电源接入后的保护配置，并利用了额外的断路器、方向继电器或距离继电器等继电保护器件，但是这种方法不够灵活，每次新接入分布式电源时都要对保护重新配置；文献[8-10]采用自适应保护，分布式电源接入配电网后可以自动改变保护特性、定值，但是必须配备通信单元和快速计算单元，需要额外的投资。

第2 种思路近年来也吸引了学术界的关注。文献[11-13]利用了故障限流器，在配电网正常运行时呈现小阻抗状态，当故障发生后立即转变为大阻抗，将故障电流限制在较低水平，但是这种方法需要额外的投资，而且正常运行时会对配电网产生一定的影响；文献[14-17]通过分布式电源在配电网中准入容量的计算确定允许接入的分布式电源的最大容量，但是这种方法限制了分布式电源的利用。

综合上述研究成果，本文的贡献在于利用BSS 内动力电池具有一定程度的自由度和可支配性的特点，提出了主动控制策略。该策略包括BSS 在不同线路类型配电网中的故障判别与应对策略和 BSS 内各充放电机的协调控制策略，不仅控制灵活迅速，而且不需额外的设备和投资，也不会因为保护系统的要求而限制BSS 的容量。

1.1 基于馈线自动化的配电网故障处理过程

1）基于馈线终端单元(feeder terminal unit，FTU)的配电网馈线自动化系统故障处理过程。

城市配电网大量采用基于FTU 的馈线自动化以提高供电可靠性。架空线路发生故障时，变电站出线重合器跳闸切断故障电流，若重合器重合成功，则判定为瞬时性故障，否则判定为永久性故障，根据各负荷开关的信息迅速判断出故障区段，遥控故障区段两侧负荷开关分闸以隔离故障区段，并遥控相应的重合器和联络开关合闸，恢复非故障区段供电。而电缆线路发生故障后即认定是永久性故障，故障处理方式与架空线路发生永久性故障时一致。

2）基于重合器-熔断器配合的配电网故障处理过程。

重合器与熔断器配合也是一种重要的馈线自动化保护方案，利用了重合器能够重合且其开断特性具有双时性的特点。当熔断器支路发生故障时，重合器快速跳闸，若重合闸后故障消失，说明发生了瞬时性故障；否则说明发生了永久性故障，在重合器延时跳闸前熔断器的熔体熔断，实现线路故障区段的隔离。

1.2 BSS 对基于FTU 的馈线自动化的影响

在V2G 运行方式下，会对馈线自动化产生如下影响：

1）使得瞬时性故障发展成为永久性故障。故障发生后重合器R1 跳闸，在R1 重合闸之前，BSS仍向故障点提供电流，使得故障点电弧无法熄灭， R1 重合闸失败，即使是瞬时性故障也会发展为永久性故障，降低了供电可靠性。

2）当故障点在BSS 上游时可能会导致故障区域判断不正确。虽然BSS 放电时由于充放电机中逆变器的限流要求导致BSS 提供的最大短路电流仅为其额定放电运行时的2 倍，但BSS 容量较大时，也将提供较大的短路电流，可能导致系统判定负荷开关2 也流过短路电流，从而错误地将故障区域判断为负荷开关2 和3 之间。

3）当故障点在BSS 下游时重合器R1 检测到的故障电流减小。当故障发生后，R1 检测到的故障电流比BSS 不接入时小，可能会对馈线自动化产生一定的潜在影响。

2.1 基本原理

根据IEEE STD.1547 标准，分布式电源的并网点电压在0.88~1.1 pu 之间时，分布式电源处于正常运行状态，因此当BSS 并网点电压U<0.88 pu 时，可认为配电网处于不正常运行状态，需要启动BSS 主动控制策略。

BSS 根据其工作状态的不同自动选择对应的控制策略。BSS 充电时，发生故障后直接切除BSS，直到U30.88 pu，说明配电线路故障已经消失或被隔离，重新投入BSS 对其充电。BSS 正常放电运行时，只有电池SOC 满足条件的才允许放电，考虑到换电的工作原理，必有一部分电池充电时间较短而不满足放电条件，因此BSS 中只有一部分电池在放电。当U<0.88 pu时，放电的电池给剩余的电池充电，即放电电流由流向配电网变为流向未放电的电池，从而有效地减小向故障点提供的电流。此外，配电网线路类型不同时 BSS 的主动策略也略有不同，以全架空线路和全电缆线路为例分别介绍其主动策略。

2.2 全架空线路情况下 BSS 的主动控制策略

BSS 根据 U< 0.88 pu 的持续时间 t 与整定时间 t0 的比较来判断 BSS 所在最小配电区域是否发生了永久性故障，并有相应的控制策略。若 t< t0，说明配电线路发生了瞬时性故障或者 BSS 最小配电区域之外发生的永久性故障已被隔离并恢复了非故障区域的供电；否则，说明 BSS 所在的最小配电区域发生了永久性故障。因此，整定时间 t0 与重合器分闸时间、重合闸时间、判断隔离故障区域及恢复供电时间有关。

3.1 放电的充放电机控制策略

典型的充放电机由隔离变压器、滤波器、 AC/DC 环节和DC/DC 环节组成。由于充放电机放电时由 DC/DC 环节维持逆变器直流侧电压的恒定，动力电池提供需要的电能，因此DC/DC 环节和动力电池可用一个恒压源来代替。正常放电运行时 BSS 中的充放电机采用 PQ 控制策略，按照指令 P*和 Q*发出有功和无功。简化后放电的充放电机拓扑结构及其正常放电运行时的控制策略。当U<0.88 pu 时，若放电的充放电机数量较多且放电功率指令较大，可能造成充电的充放电机给电池充电的电流过大，从而降低电池的使用寿命。

为防止这种情况的发生，可以根据需要设置电池的充电倍率 r，当每台充电的充放电机充电电流 ich 大于r 对应的充电电流 ir 时，放电的充放电机切换为电流控制策略，直接控制放电电流，保证充电电流不大于 ir。站中共有 n 台充放电机，其中 a 台充放电机放电，且放电状态相同，则故障后充电的充放电机数量为 na。为保证充电电池的寿命不受损害，ich 按放电电流最大(即达到 2倍额定电流)的情况计算

我国煤炭开采以井工为主，产煤量约占总产量的 机) 的长壁开采方式; 作为综合机械化采煤工作面的95% ，主要采用基于滚筒式采煤机(以下简称采煤 核心设备，采煤机对提高工作面的产能和效率起着决定性的作用，而实现采煤机的自动化、无人化是保证煤矿高产、高效、安全生产的关键 。

国内外主流电牵引采煤机牵引电机普遍采用交流变频调速，截割电机转速不可调，为保证截割电机恒功率运行，以截割电机电流为反馈信号，根据煤层性质的变化适时适度地调节采煤机的牵引速度，从而改变滚筒负载; 采煤机操作人员根据相关的参数及经验通过调节操作器的按钮设定牵引速度，由于煤层的复杂性及操作者的经验差异导致采煤机经常处于欠载、偶尔过载的状态，影响采煤效益和截割安全滚筒是采煤机截煤、输煤的关键部件，调节滚筒转速以适应不同硬度的煤层对于提高采煤效益具有重要意义 。马正兰等实现高块煤率截割，提出了采煤机滚筒的变速截割，并通过优化得到与煤层截割阻抗相匹配的截割速度和牵引速度; 程雪等而减小滚筒转速或增大采煤机的牵引速度，以提高截建立了基于威布割效率和增大块煤率; 李晓豁等尔分布的块煤产量数学模型，研究了采煤机运动参数对块煤产量的影响，得出块煤产量随牵引速度、滚筒转速变化而变化的趋势; Bakhtavar 等筒截割速度、增加截割深度以获得较高的采煤生产率，降低截割粉尘; 以上研究均针对不同硬度的煤层，通过优化得到牵引速度和滚筒转速的最优匹配关系或调整滚筒转速以保证较高的生产效益。由于深部煤层截割工况复杂多变，现有研究并未考虑如何通过配合控制滚筒转速快速有效地降低机电系统动载荷。

因此，为实现采煤机自动截割，有必要研究适应不同截割工况的调速控制策略，以保证无人或少人采煤机的可靠运行和高效生产。以某 MG300 /700－WD 电牵引采煤机为研究对象 基于 Matlab /Simulink 建立整机耦合控制模型针对煤岩突变工况，以采煤机传动系统可靠运行和高效生产为目标，提出基于截割电机额定转矩运行的截齿切削厚度控制目标的计算方法，得到煤层截割阻抗与截齿切削厚度控制目标的对应关系; 根据滚筒负载特性和破岩能力制定针对不同突变硬度的滚筒调速控制策略和牵引－滚筒协调控制策略，最后分别将上述提出的调速控制策略与传统牵引调速控制策略进行对比分析。

有些学者主要从采煤机整机受力入手，基于adams、UG 等软件建立采煤机整机模型，而建立包括电机模型以及控制系统模型的研究相对较少 。为了研究不同截割工况下的采煤机调速控制策略和机电动态特性，建立了包括采煤机牵引部、截割部以及控制系统的整机耦合控制模型，为牵引电机和截割电机的双变频调速奠定基础。

1.1 采煤机截割部、牵引部机电系统建模

由于综采工作面条件差，当截齿遇矸石等煤岩夹杂工况时，过大的负荷易造成摇臂齿轮箱高速端的第一级齿轮疲劳损坏一级齿轮的影响，截割部仅考虑电机输出端的第一级齿轮，其他平行轴和行星传动机构的转动惯量等效至滚筒输入轴，并简化为弹簧阻尼系统。

1. 2整机耦合控制模型

当滚筒设计参数和煤层物理参数一定时，滚筒负载取决于牵引速度vq和滚筒转速ng。以牵引速度vq和滚筒转速ng作为滚筒负载输入量，负载转矩Md作为输出量并作用于滚筒，通过滚筒与截割部传动系统进行转矩传递; 包括滚筒推进阻力在内的采煤机总牵引阻力产生的阻力矩Mq作用于行走轮，并通过牵引部传动系统传递至截割电机。以截割电机和牵引电机的电流、输出转矩、转速等反馈信号作为信息流实时反馈至采煤机控制系统，经判断分析截割工况和运行状态后发出控制流指令至牵引电机和截割电机以调整采煤机工作状态。采煤机截割电机和牵引电机均采用对参数变化鲁棒性强、转矩动态响应快等优点的直接转矩控制( DTC) 。使用两个滞环比较器来控制电机定子磁链和转矩，使误差稳定在滞环宽度