Ein umfassender Leitfaden zu Tests -in Tests Stromversorgungssysteme, der Themen wie Zeitabläufe, Schnittstellendesign, Steuerung der Leistungselektronik, Relaisvalidierung, Softwareauswahl und häufige Fehler bei der Einrichtung behandelt.
Ein umfassender Leitfaden zu Tests -in Tests Stromversorgungssysteme, der Themen wie Zeitabläufe, Schnittstellendesign, Steuerung der Leistungselektronik, Relaisvalidierung, Softwareauswahl und häufige Fehler bei der Einrichtung behandelt.
Eine sinnvolle Simulation eines Elektroantriebs beginnt mit der Frage, die Sie beantworten müssen, denn Batterie-, Wechselrichter-, Motor- und Fahrzeugmodelle sind nur dann hilfreich, wenn ihre Details mit den technischen Entscheidungen übereinstimmen, die Sie treffen.
Im Jahr 2024 wurden mehr als 17 Millionen Elektroautos verkauft, was bedeutet, dass die Simulation von Elektrofahrzeugen mittlerweile in vielen Entwicklungsteams zur Unterstützung der Batteriepaketdimensionierung, der Effizienzoptimierung, der thermischen Überprüfung und der Validierung der Steuerung eingesetzt wird. Eine klare Modellierungskette liefert bessere Ergebnisse als ein aus Gewohnheit erstelltes, überladenes Modell. Fundierte Studien zum Antriebsstrang von Elektrofahrzeugen legen zunächst die Rahmenbedingungen fest, bestimmen dann die Detailgenauigkeit der Komponenten und validieren die Verluste, bevor man den Angaben zu Reichweite oder Energierückgewinnung Glauben schenkt.
„Eine gute Simulation von Elektrofahrzeugen basiert auf Modellen, die den erforderlichen physikalischen Gesetzen treu bleiben und gleichzeitig einfach genug sind, um sie zu validieren.“
Ein Modell für einen Elektroantrieb sollte mit einer festgelegten Abgrenzung beginnen, die definiert, was in die Simulation einfließt, was außerhalb liegt und welche Ergebnisse über den Erfolg entscheiden. Man kann die Detailgenauigkeit von Batterie, Wechselrichter oder Motor erst dann sinnvoll festlegen, wenn das Modell einen Zweck, einen Zeitrahmen und ein erforderliches Maß an Genauigkeit hat.
Ein Studententeam, das den Energiebedarf pro Runde schätzt, benötigt ein anderes Modell als ein Kontrollteam, das die Drehmomentantwort der Traktion optimiert. Im ersten Fall können Wirkungsgradkurven und die Straßenlast über einen Fahrzyklus hinweg herangezogen werden, während im zweiten Fall Stromregelung, Spannungsgrenzen und Drehmomentantwort in Millisekundenschritten erforderlich sind. Beide Ansätze sind gültig, scheitern jedoch, wenn sie Details übernehmen, die keinen Zweck erfüllen.
Dieser Schritt der Abgrenzung verhindert frühzeitig eine schleichende Ausweitung des Projektumfangs. So wissen Sie, ob die Kabinenlasten in das Modell einfließen müssen, ob die Nachgiebigkeit des Getriebes eine Rolle spielt und ob der Reifenschlupf nur Störgeräusch oder eine erforderliche Eingangsgröße ist. Eine klare Abgrenzung erleichtert zudem die Validierung, da jedes gemessene Signal einen festen Platz hat.
Das Batteriemodell sollte der Frage entsprechen, die Sie beantworten möchten, da Energieverbrauch, Spannungsabfall, Temperaturanstieg und Alterung nicht denselben Detaillierungsgrad erfordern. Eine Quelle mit fester Spannung ist für eine erste Annäherung nützlich, eignet sich jedoch nicht für Untersuchungen des Antriebsstrangs von der Batterie zum Motor, die von Strombegrenzungen oder dem Ladezustand abhängen.
Eine Reichweitenabschätzung über einen Zertifizierungszyklus hinweg beginnt in der Regel mit einem Ersatzschaltbild, das die Leerlaufspannung, den Innenwiderstand, den Ladezustand und die Temperaturempfindlichkeit berücksichtigt. Eine Anfahrt an einer steilen Steigung verdeutlicht, warum dies von Bedeutung ist, denn der Akku kann zwar den Energiebedarf decken, aber dennoch die Drehmomentanforderung nicht erfüllen, wenn ein Spannungsabfall bei niedrigem Ladezustand die Leistungsreserve des Wechselrichters verringert.
Die Preise für Batteriepacks sanken im Jahr 2024 um 20 % auf einen Rekorddurchschnitt von 115 US-Dollar pro kWh, was es umso wichtiger macht, die Dimensionierung der Packenergie von elektrothermischen Belastungen zu trennen. Sie erhalten klarere Entwurfsoptionen, wenn Ihr Batteriemodell Stromgrenzen, Ladefähigkeit und Temperaturabhängigkeit als explizite Parameter bereitstellt.
Die Detailgenauigkeit des Wechselrichters bestimmt, inwieweit man den elektrischen Verhaltensmodellen vertrauen kann und wie lange die jeweilige Simulation dauert. Mittelwertmodelle sind für die meisten Fahrzeugstudien der richtige Ausgangspunkt, während Schaltmodelle in Arbeiten zum Einsatz kommen, die sich mit Stromwelligkeit, Oberschwingungsanteilen, Bauteilbelastung oder einer detaillierten Verlustaufschlüsselung befassen.
Eine Traktionsstudie zur Beschleunigungsreaktion erfordert in der Regel eher Angaben zu Soll-Drehmoment, Zwischenkreisspannung und Strombegrenzungen als Details zur Schaltspannungshöhe. Ein Wechselrichter mit Mittelwertbildung läuft schnell genug, um zahlreiche Fahrzyklen zu testen, während eine Studie zu Halbleiterverlusten Schaltvorgänge, Gate-Timing und eine wesentlich kleinere Schrittweite erfordert.
Betrachten Sie die Genauigkeit des Wechselrichters als eine technische Entscheidung, die vom Ziel der Untersuchung abhängt. Zu viele Schaltdetails machen das Modell langsam und schwer abzustimmen. Zu wenige Details führen zu Fehleinschätzungen, wenn Spannungssättigung, Totzeiteffekte oder Strombegrenzung das Drehmomentverhalten nahe der Betriebsgrenze beeinflussen.
„Regeneratives Bremsen funktioniert in der Simulation nur, wenn Drehmomentanforderung, Batterieladefähigkeit, Motordrehzahl und die Einbindung der Reibungsbremse als feste Grenzwerte modelliert werden.“
Ein Motormodell ist dann nützlich, wenn es Drehmomentgrenzen, Wirkungsgradbereiche und Drehzahlabhängigkeiten abbildet, bevor es versucht, jeden einzelnen elektromagnetischen Effekt nachzubilden. Da die meisten Komponenten eines Elektrofahrzeug-Antriebsstrangs in erster Linie über Drehmoment und Leistungsfluss miteinander interagieren, liefert eine gute Drehmomentkarte mehr Antworten auf Konstruktionsfragen als ein detailliertes elektrisches Modell ohne validierte Betriebsgrenzen.
Eine Fahrzeugauslegungsstudie beginnt oft mit einer Motorwirkungsgradkurve und einer maximalen Drehmomentkurve, die an die Gleichstrom-Sammelschienenspannung gekoppelt sind. Daraus lässt sich ableiten, ob das Fahrzeug die Vorgaben hinsichtlich Steigfähigkeit, Anfahrverhalten und Höchstgeschwindigkeit erfüllt. Ein detaillierteres Maschinenmodell ist erforderlich, sobald man das Verhalten bei Feldschwächung, die Wechselwirkung im Stromregelkreis oder die thermische Belastung bei wiederholten Beschleunigungsvorgängen berücksichtigen muss. Die Reihenfolge ist entscheidend, denn ein detailliertes Maschinenmodell mit falscher Drehmomentkurve liefert immer noch ein falsches Ergebnis für das Fahrzeug.
Die Kalibrierung wird präziser, wenn das Motormodell die Übergänge zwischen den Bereichen mit konstantem Drehmoment und konstanter Leistung sichtbar macht. Dies ist beim Überholen, bei Bergauffahrten und bei der Regeneration bei hohen Geschwindigkeiten von Bedeutung. Sind diese Übergänge in einer Blackbox verborgen, erscheint der Rest der Elektrofahrzeugsimulation zwar stabil, doch das Fahrverhalten des Fahrzeugs entspricht physikalisch nicht der Realität.
Die Annahmen zur Fahrlast des Fahrzeugs beeinflussen die Reichweitenwerte ebenso stark wie die Wahl der Batterie oder des Motors. Luftwiderstand, Rollwiderstand, Steigung, Reifenradius, Rotationsträgheit und der Stromverbrauch der Verbraucher sollten explizit berücksichtigt werden, da sich kleine Fehler bei diesen Faktoren über einen gesamten Fahrzyklus hinweg summieren und alle daraus resultierenden Effizienzangaben verfälschen.
Ein Kleinwagenmodell, das ausschließlich auf flachen Stadtstrecken getestet wurde, kann zwar effizient erscheinen, verfehlt jedoch sein Ziel auf der Autobahn, sobald der Luftwiderstand zunimmt und die Dauerleistung über längere Zeiträume hoch bleibt. Steigungen stellen eine weitere Schwachstelle dar. Batterie, Wechselrichter und Motor können zwar die einzelnen Prüfungen bestehen, dennoch kann es zu einem Mangel an Spannungsreserven oder thermischen Spielräumen kommen, wenn die Belastung durch die Fahrleistung mehrere Minuten lang nahe am Spitzenbedarf liegt.
Sie sollten außerdem die Antriebsleistung von den Nebenlasten wie Heizung, Kühlung, Pumpen und Steuerungsstrom trennen. Diese Lasten werden anfangs leicht übersehen, spielen aber eine wichtige Rolle, wenn man den Einsatz im Winter und Sommer oder kurze und lange Fahrten vergleicht. Die Reichweitenprognose wird erst dann zuverlässig, wenn die Fahrlast als gemessene physikalische Größe und nicht als grober Korrekturfaktor behandelt wird.
Das regenerative Bremsen funktioniert in der Simulation nur dann, wenn Drehmomentanforderung, Batterieladefähigkeit, Motordrehzahl und die Einbindung der Reibungsbremse als feste Grenzwerte modelliert werden. Ein einfacher negativer Drehmomentbefehl führt zu einer Überbewertung der Energierückgewinnung, einer Unterbewertung des Bremseneinsatzes und lässt die Kompromisse beim Pedalgefühl außer Acht, die bei der Steuerung in der Serienproduktion von Bedeutung sind.
Ein Stadtfahrzyklus macht diesen Unterschied deutlich. Frühes Bremsen bei mittlerer Geschwindigkeit ermöglicht eine starke Energierückgewinnung, doch dieselbe Situation bei nahezu vollem Ladezustand zwingt das System dazu, die Rekuperation stark zu drosseln, da die Batterie den Strom nicht aufnehmen kann. Eine niedrige Motordrehzahl verringert die Rekuperation erneut, was bedeutet, dass die Reibungsbremse einspringen muss, wenn das Fahrzeug die gewünschte Verzögerung erreichen soll.
Sie sollten den Übergang zwischen elektrischer und mechanischer Bremsung als Regelungsproblem mit Grenzwerten, Filtern und der Anpassung der Fahrereingaben modellieren. Dadurch erhalten Sie eine realistische Bremskraftverteilung und eine genauere Schätzung der zurückgewonnenen Energie. Außerdem vermeiden Sie so, dass ein Modell für regeneratives Bremsen, das die Einschränkungen von Akku, Wechselrichter und Motor außer Acht lässt, überhöhte Effizienzgewinne angibt.
Effizienzstudien sind irreführend, wenn Verluste in einer einzigen Zahl zusammengefasst werden, anstatt sie der Batterie, dem Wechselrichter, dem Motor, dem Getriebe und den Fahrzeuglasten zuzuordnen. Eine glaubwürdige Simulation des Wirkungsgrads eines Elektrofahrzeug-Antriebsstrangs erfordert Verlustpfade, die auf Drehzahl, Drehmoment, Spannung, Stromstärke und Temperatur reagieren; andernfalls führt Ihre Sensitivitätsanalyse zu falschen Schlussfolgerungen.
Ein Antriebsstrangmodell, das einen Wirkungsgrad von 92 % von der Batterie bis zum Rad annimmt, sieht zwar übersichtlich aus, kann jedoch nicht Aufschluss darüber geben, ob der größte Wirkungsgradverlust durch Kupferverluste bei niedrigen Geschwindigkeiten, Schaltverluste bei geringer Last oder Getriebeverluste während der Fahrt entsteht. Teams, die SPS SOFTWARE für Umrichter- und Maschinenanalysen einsetzen, lassen die einzelnen Verlustgrößen oft editierbar, damit das Modell aufzeigt, wohin die Watt fließen.
Außerdem benötigen Sie Wirkungsgradkurven, die zwischen Motorbetrieb und Regeneration unterscheiden, da sich das Verlustbild je nach Stromrichtung und Betriebsbereich verändert. Ein Akku kann ein akzeptables Entladeverhalten aufweisen und dennoch Regenerationsstrom nahe der maximalen Ladung ablehnen. Eine gute Verlustmodellierung macht diese Kompromisse sichtbar, bevor Sie sich auf Designänderungen festlegen, die das falsche Problem lösen.
Die richtige Software für die Modellierung von Elektrofahrzeug-Antriebssträngen ist diejenige, die Ihren physikalischen Anforderungen, den Anforderungen an den Solver, Ihrem Regelungs-Workflow und Ihren Ansprüchen an die Modelltransparenz entspricht. Eine gut abgestimmte Lösung ermöglicht es Ihnen, von schnellen Systemstudien zu eingehenderen Komponentenprüfungen überzugehen, ohne jedes Mal das gesamte Modell neu schreiben zu müssen, wenn sich die Fragestellung ändert.
Manche Teams benötigen ein schnelles Fahrzeugmodell für den Vergleich von Fahrzyklen und die Abstimmung von Steuerungen. Andere benötigen editierbare Modelle elektrischer Komponenten, damit Ingenieure und Studierende Gleichungen überprüfen, Verluste zurückverfolgen und Annahmen testen können. Deshalb sollte die Wahl der Software zunächst von der Tiefe der Analyse und der Offenheit des Modells abhängen und erst danach von der Interoperabilität und der einfachen Validierbarkeit.
| Studienfokus | Eine Software, die in der Regel am besten passt |
| Reichweite und Energieverbrauch bei Standard-Fahrzyklen | Ein Fahrzeugmodell mit kartenbasierten Komponenten funktioniert gut, da es viele Szenarien schnell durchspielt und den Fokus auf den Energiefluss legt. |
| Drehmomentantwort und Kalibrierung der Regelung | Ein regelungsorientiertes Modell mit expliziten Strombegrenzungen und Gleichstrom-Sammelschienen-Dynamik funktioniert gut, da die Stellgliedbeschränkungen das Fahrzeugverhalten beeinflussen. |
| Spannungs- und Schaltverluste bei Halbleitern | Ein detailliertes elektrisches Modell mit Schaltverhalten eignet sich gut, da die Verlust- und Temperaturschätzungen von Ereignissen auf Impulsebene abhängen. |
| Lehre und Forschung zum Verhalten von Bauteilen | Transparente, editierbare Modelle sind besonders nützlich, da die Nutzer Gleichungen überprüfen, Parameter ändern und die Theorie mit den beobachteten Wellenformen in Verbindung bringen können. |
| Team-Workflows, die System- und Komponentenstudien kombinieren | Eine Plattform, die sowohl vereinfachte als auch detaillierte Modelle unterstützt, funktioniert gut, da dasselbe Projekt weiterentwickelt werden kann, ohne dass ein kompletter Neuaufbau erforderlich ist. |
Eine gute Simulation von Elektrofahrzeugen basiert auf Modellen, die den erforderlichen physikalischen Gesetzen treu bleiben und gleichzeitig einfach genug sind, um validiert zu werden. SPS SOFTWARE folgt diesem disziplinierten Ansatz, wenn Sie offene elektrische Modelle benötigen, die sowohl das Verständnis als auch die Berechnung unterstützen. Das ist oft der entscheidende Unterschied zwischen einem wiederverwendbaren Arbeitsablauf und einer kurzlebigen Demo.
Hardware-in-the-Loop Tests dann sinnvoll, wenn der Regelcode in der Simulation zwar stabil erscheint, die Leistungsstufe jedoch an der Schnittstelle zum Netz dennoch ausfallen kann.
„Power Hardware-in-the-Loop“-Systeme verbinden ein digitales Stromnetzmodell über einen Leistungsverstärker mit physischen Geräten, sodass Sie Wechselrichter, Umrichter, Ladegeräte oder Schutzvorrichtungen unter extremen elektrischen Bedingungen testen können, ohne das gesamte Netz aufbauen zu müssen. Der weltweite Zubau an erneuerbaren Energien erreichte im Jahr 2023 fast 510 GW, wobei die Photovoltaik etwa drei Viertel dieses Wachstums ausmachte. Diese Entwicklung ist von Bedeutung, da Wechselrichter-basierte Anlagen nun unter wesentlich vielfältigeren Betriebsbedingungen mit Einspeiseleitungen, Fehlerereignissen und Schutzkonzepten konfrontiert sind.
Tests ein physisches Prüfobjekt an ein simuliertes elektrisches Netz Tests , woraufhin gemessene Spannungs- und Stromwerte über eine Stromschnittstelle ausgetauscht werden, sodass sich beide Seiten gegenseitig beeinflussen. Sie prüfen nicht mehr nur den Code. Sie prüfen, wie sich die Hardware verhält, wenn das elektrische System unter Last Gegenkraft ausübt.
Bei einer gängigen Konfiguration wird ein Wechselrichter auf den Prüfstand gestellt, wobei das Netz, die Zuleitungsimpedanz und die Fehlerbedingungen im Simulator nachgebildet werden und Sensoren sowie ein Leistungsverstärker den Regelkreis schließen. Der Wechselrichter erhält Spannungsbefehle vom simulierten Netz, während der Simulator die gemessenen Stromwerte von den Klemmen des Wechselrichters empfängt. Dieser geschlossene Regelkreis macht PHIL zu einem wertvollen Werkzeug für die Leistungselektronik und Netzstudien.
Entscheidend ist der physikalische Energieaustausch. Sobald Stromgrenzen, Filterresonanz, Totzeit, Sensorskalierung und verzögerungen auf der Schaltseite ins Spiel kommen, kann das Verhalten schnell von der Offline-Simulation abweichen. Aus diesem Grund nimmt die Power-Hardware-in-the-Loop-Methode eine Mittelstellung zwischen reinen Softwareuntersuchungen und dem Einsatz vollständiger Prototypen ein. Sie ermöglicht es, elektrische Wechselwirkungen zu testen, ohne zuvor die gesamte Anlage aufbauen zu müssen.
Der Hauptunterschied zwischen Controller-HIL- und Tests einfach: Beim Controller-HIL werden Signale mit geringer Leistung mit einem Regler ausgetauscht, während beim PHIL tatsächliche elektrische Leistung mit der Hardware ausgetauscht wird. Controller-HIL testet die Regelungslogik anhand einer simulierten Anlage. PHIL testet gleichzeitig die Hardware und die Schnittstelle zur Anlage.
„Der nächste sinnvolle Schritt besteht darin, das Gerät den elektrischen Bedingungen auszusetzen, die über seine Abnahme entscheiden.“
| Kontrollpunkt | Bedeutung von „Controller HIL“ | Bedeutung von „Power Hardware-in-the-Loop“ |
| Die Schnittstelle über die Werkbank hinweg | Die Signale zwischen Simulator und Steuerung bleiben auf niedriger Spannung und bei geringem Strom. | Spannung und Strom fließen durch einen Leistungsverstärker zum Prüfling. |
| Das zu validierende Element | Der Schwerpunkt liegt weiterhin auf Firmware, Logik, Zeitplanung und der Verwaltung von Steuerungszuständen. | Der Schwerpunkt liegt auf Magneten, Halbleitern, Filtern, Sensoren und Schutzvorrichtungen. |
| Der Hauptmangel, den dies offenbart | Es deckt fehlerhafte Steuerungslogik, Timing-Fehler und falsche Zustandsübergänge auf. | Es deckt instabile elektrische Wechselwirkungen, Sättigung und hardwareseitige Grenzen auf. |
| Die Kosten und die Komplexität der Werkbank | Die Anlage bleibt leichter, da keine Stromversorgungsschnittstelle erforderlich ist. | Die Anlage ist schwerer, da Verstärkung, Sensorik und Regelkreisstabilität eine Rolle spielen. |
| Der Grund, warum Mannschaften in eine höhere Liga aufsteigen | Sie brauchen mehr Sicherheit, nachdem die Softwarelogik korrekt zu sein scheint. | Sie benötigen den Nachweis, dass sich das Gerät unter Lastbedingungen korrekt verhält. |
Ein HIL-Prüfstand für Regler kann zwar zeigen, dass ein aktueller Regler einem Sollwert korrekt folgt, doch lässt er nicht erkennen, wie sich ein LCL-Filter, Sensorrauschen, die Schaltzeiten von Schützen oder ein Einbruch im Zwischenkreis auf das physikalische Gerät auswirken. Genau diese Lücke schließt PHIL. Man nutzt zunächst HIL für Regler, um die Zuverlässigkeit der Regelung zu gewährleisten, und wechselt dann zu PHIL, wenn die elektrischen Wechselwirkungen zur größten Unbekannten werden.
Sie sollten PHIL einsetzen, wenn das Hauptrisiko des Projekts im Leistungspfad und nicht nur im Steuerpfad liegt. Dazu gehören Projekte, bei denen Hardwarebeschränkungen, Netzfestigkeit, Fehlerverhalten oder das Zusammenspiel der Schutzfunktionen darüber entscheiden, ob der Entwurf akzeptabel ist. Wenn die elektrische Schnittstelle über Erfolg oder Misserfolg des Ergebnisses entscheidet, reicht eine Simulation allein nicht aus, um dies zu klären.
Deutliche Auslöser treten in der Regel schon vor der Errichtung der Anlage auf. Ein netzgeführter Wechselrichter, der auf eine schwache Zuleitung ausgelegt ist, ein Batteriewandler mit strenger Strombegrenzung oder ein Ladegerät, das Spannungseinbrüche überstehen muss, entsprechen alle diesem Muster. Diese Fälle haben eines gemeinsam: Das Anlagemodell und die Hardware müssen sich unter Last gegenseitig beeinflussen.
PHIL ist nicht bei jedem Projekt der erste Schritt. Es ist der richtige Schritt, wenn ein spätes Scheitern mehr kosten würde, als frühzeitig eine disziplinierte Basis zu schaffen.
PHIL funktioniert bei Tests dann, wenn die Stromschnittstelle das elektrische Verhalten beibehält, das Sie untersuchen möchten. Der Simulator berechnet die Netzwerkreaktion, der Verstärker legt diese Reaktion an die Wechselrichteranschlüsse an, und die gemessene Wechselrichterausgabe wird an den Simulator zurückgesendet. Wenn dieser Regelkreis das Timing oder die Skalierung verzerrt, entspricht Ihr Ergebnis nicht dem beabsichtigten Testfall.
Ein dreiphasiger netzgekoppelter Wechselrichter ist ein gutes Beispiel. Die simulierte Seite umfasst die Netzimpedanz, die Netzquelle und Fehlerszenarien. Der physikalische Wechselrichter empfängt an seinen Wechselstromanschlüssen die vorgegebenen Phasenspannungen und speist den Strom über Sensoren und den Verstärker zurück in den Regelkreis. Bei einer zu hohen Verzögerung des Prüfstands kann der Wechselrichter instabiler erscheinen, als er tatsächlich ist. Ist die Bandbreite des Verstärkers zu gering, kann das Oberschwingungsverhalten sauberer aussehen, als es eigentlich sein sollte.
Deshalb entscheidet die Qualität der Schnittstelle über die Glaubwürdigkeit der Tests, noch bevor die Details des Skripts eine Rolle spielen. Spannungsbereich, Stromaufbaugeschwindigkeit, Messgenauigkeit, Skalierungsfaktoren und die Wahl des Schnittstellenalgorithmus bestimmen, welche Informationen der Wechselrichter anzeigen darf. Eine gute PHIL-Arbeit macht diese Grenzen sichtbar, bevor man den Kurvendiagrammen Glauben schenkt.
Netzgekoppelte PHIL-Konfigurationen funktionieren nur, wenn Schleifenverzögerung, Quellenimpedanz und Schnittstellendynamik innerhalb stabiler Toleranzgrenzen bleiben. Die physikalische Einheit, der Verstärker, die Sensoren und der Simulator bilden einen geschlossenen elektrischen Regelkreis. Ist dieser Regelkreis schlecht abgestimmt, kann ein stabiles Produkt instabil erscheinen oder ein instabiles Produkt aus den falschen Gründen als akzeptabel gelten.
Studien zu schwachen Netzen machen dies deutlich. Ein Solarwechselrichter, der an einer simulierten Zuleitung mit hoher Impedanz getestet wird, reagiert stark auf kleine Phasen- und Amplitudenfehler an der Schnittstelle. Auch bei Tests zur Durchfahrbarkeit von Fehlern Tests ein Batteriewechselrichter schnell Probleme aufdecken, wenn die Stromsättigung im Verstärker ignoriert wird. Es wurde erwartet, dass Solarkraftwerke im Großmaßstab und Batteriespeicher im Jahr 2024 81 % der neuen Erzeugungskapazitäten in den USA ausmachen würden. Dieser Mix führt dazu, dass weitaus mehr Netzausrüstung in Situationen zum Einsatz kommt, in denen die Qualität der Schnittstelle entscheidend ist.
In der Regel stabilisieren Sie die Konfiguration zunächst mit konservativen Testgrenzen und erweitern dann den Betriebsbereich, sobald die gemessenen Ergebnisse Ihren Offline-Erwartungen entsprechen. Die sichere Reihenfolge lautet: Überprüfung der Impedanz, Verzögerungsschätzung, Testlauf bei geringer Leistung und erst danach Volllasttests. Das Überspringen dieser Reihenfolge führt zu Verwirrung, die wie ein Produktfehler wirkt.
Ein PHIL-fähiges Simulationsmodell behält die für das Testziel relevanten physikalischen Aspekte bei und lässt Details weg, die der geschlossene Regelkreis nicht unterstützen kann. Sie erstellen ein Modell für eine bandbreitenbegrenzte Schnittstelle, das nur die Details enthält, die der Aufbau reproduzieren kann. Wenn das Modell vom Prüfstand verlangt, Dynamiken zu reproduzieren, die dieser nicht nachverfolgen kann, verliert der Test seine Aussagekraft.
Ein Schaltmodell eines 20-kHz-Wechselrichters kann im Offline-Betrieb gut funktionieren, eine PHIL-Konfiguration jedoch überlasten, sobald Verstärkerverzögerung und Messfilterung in den Regelkreis einfließen. Teams ersetzen häufig die Schaltvorgänge auf Halbleiterebene durch ein gemitteltes Brückenmodell, behalten dabei jedoch die Regelverzögerung, das PLL-Verhalten, die Strombegrenzungen, die Filterresonanz und die Netzimpedanz bei, die das Testergebnis beeinflussen. Diese Vereinfachung bewahrt das wesentliche Verhalten und lässt Details weg, die auf dem Prüfstand nicht berücksichtigt werden können.
Teams, die SPS SOFTWARE für eine transparente Offline-Modellierung nutzen, erkennen häufig fehlende Verzögerungen, falsche Basiswerte oder versteckte Parameterannahmen, bevor sie das Modell in einen PHIL-Workflow übernehmen. Diese Vorbereitung ist wichtig, denn Modellreduktion ist keine Vereinfachung um ihrer selbst willen. Es handelt sich vielmehr um eine disziplinierte Auswahl der Dynamiken, die das Modell realistisch abbilden kann.
Eine schlechte PHIL-Kopplung führt zu falschen Fehlermeldungen, da das Prüfgerät eigene Schwingungen, Phasenfehler, Übersteuerungen und Rauschen in die gemessene Antwort einspeisen kann. In diesem Fall wird Tests Schnittstelle ebenso stark Tests wie die Hardware. Selbst einwandfreie Hardware erscheint defekt, wenn die Schleife während des Leistungsaustauschs im Regelkreis schlecht konditioniert ist.
Ein Wandler, der während des PHIL-Zyklus aufgrund von Überstrom auslöst, weist nicht immer ein Steuerungsproblem auf. Fehler bei der Sensorpolarität, nicht abgestimmte Skalierung, Verstärkersättigung und versteckte Übertragungsverzögerungen können alle dasselbe Symptom hervorrufen. Eine weitere häufige Falle tritt auf, wenn ein Gerät den Nennbetriebspunkt überschreitet, aber bei einem Spannungseinbruch ausfällt, einfach weil der Schnittstellenalgorithmus in der Nähe dieses Grenzbereichs instabil wird.
Mit einer systematischen Prüfabfolge können Sie Probleme mit dem Prüfstand von Produktfehlern unterscheiden. Beginnen Sie mit Passivitäts- und Verzögerungsprüfungen, vergleichen Sie das gemessene Kleinsignalverhalten mit dem Offline-Modell und wiederholen Sie den Test bei reduzierter Leistung. Wenn die Schwingung nur dann verschwindet, wenn die Schnittstelle abgeschwächt wird, ist die Konfiguration der erste Verdächtige. Diese Herangehensweise bewahrt Sie davor, Fehlern hinterherzujagen, die nicht auf das Produkt zurückzuführen sind.
„Du überprüfst nicht mehr nur den Code. Du überprüfst, wie sich die Hardware verhält, wenn das elektrische System unter Last Gegenwehr leistet.“
PHIL zahlt sich aus, wenn die HIL-Steuerung und die Offline-Simulation die softwarebezogenen Fragen bereits geklärt haben, die Freigabe, Inbetriebnahme oder Laborabnahme jedoch noch durch Unsicherheiten auf der Hardware-Seite blockiert wird. An diesem Punkt bringt eine weitere Softwareuntersuchung kaum noch einen Mehrwert. Der nächste sinnvolle Schritt besteht darin, das physische Gerät den elektrischen Bedingungen auszusetzen, die über die Abnahme entscheiden.
Dieses Kriterium sorgt für Realitätsnähe bei Projekten. Ein kleines Ausbildungslabor für Wechselrichter, ein früher Steuerungsprototyp oder eine stabile, risikoarme Zuleitungsstudie können oft allein durch Offline-Modellierung und HIL-Tests für Steuerungen ausreichend Vertrauen schaffen. Ein netzgekoppelter Umrichter, der für den Betrieb bei schwachem Netz, strenge Fehlerreaktionen und das Zusammenspiel mit Schutzvorrichtungen ausgelegt ist, wird dies in der Regel nicht leisten können. Der Unterschied ist keine reine Budgetfrage. Der Unterschied liegt in der Menge an unbekannten Verhaltensweisen, die im Strompfad noch verborgen sind.
SPS SOFTWARE greift bereits früher in dieser Kette ein: Hier werden Gleichungen überprüft, Modelle sorgfältig vereinfacht und PHIL mit einem Testziel gefüttert, das man Zeile für Zeile erklären kann. Teams, die PHIL als Werkzeug für die späte Verifizierungsphase betrachten und nicht als Ersatz für eine solide Modellierungsdisziplin, erzielen klarere Fehlermeldungen, schnellere Korrekturen und Ergebnisse, die sie verteidigen können.
Eine präzise Simulation von Elektromotoren beginnt damit, dass man das Modell auf eine einzige technische Fragestellung beschränkt und nur die physikalischen Modelle entwickelt, die zur Beantwortung dieser Frage erforderlich sind.
Dieser Ansatz spart Zeit, verbessert die Parameterqualität und ermöglicht die Validierung, wenn Ihr Modell den Bildschirm verlässt und auf Testdaten trifft. Elektromotorsysteme machen mehr als 40 % des weltweiten Stromverbrauchs aus, sodass sich kleine Modellierungsfehler zu erheblichen Fehlern in den Bereichen Energie, Wärme und Regelung ausweiten können. Sie erzielen bessere Ergebnisse mit Simulationssoftware für Elektromotoren, wenn Sie Genauigkeit, Parameter, Antriebsdetails und Solver-Einstellungen als miteinander verknüpfte Entscheidungen betrachten. Anfänger beginnen oft mit einem Standard-Maschinenblock und hoffen, dass dieser alle Fragen beantwortet, doch Sie kommen weiter, wenn das Modell von Anfang an eng gefasst, messbar und an einen Testfall geknüpft ist.
Ein nützliches Motormodell basiert auf einem überprüfbaren Ausgangswert, wie beispielsweise Anlaufstrom, Drehmomentwelligkeit, Drehzahl-Einschwingzeit oder Kupferverlust. Sobald diese Frage geklärt ist, werden die erforderlichen Zustände, Eingaben und Abtastzeiten viel klarer, und Ihr Modell wächst nicht mehr in alle möglichen Richtungen.
Eine Studie zum Anlaufen eines Förderbandes verdeutlicht dies. Man benötigt die Trägheit der Welle, die Versorgungsgrenzen und eine Lastmomentkurve, um die Beschleunigungszeit und den Spitzenstrom vorherzusagen. Akustische Geräusche, Details zur Lagerreibung oder ein vollständiges thermisches Netzwerk sind im ersten Durchgang nicht erforderlich. Bei einem kleinen Lüfter mit bürstenlosem Gleichstrommotor muss der Fokus ganz anders liegen, wenn es um die im Phasenstrom auftretende Kommutierungswelligkeit geht.
Bevor Sie Blöcke platzieren, sollten Sie das gewünschte Ergebnis in einfachen Worten formulieren. Geben Sie die Last, die Versorgung, die Regelungsmethode und die Toleranzgrenze an. Dieser einfache Schritt verhindert einen häufigen Anfängerfehler bei der Simulation von Elektromotoren, bei dem zunächst ein aufwendiges Modell erstellt und die eigentliche technische Fragestellung erst später hinzugefügt wird.
„Die Modellgenauigkeit sollte sich nach dem Verhalten richten, das Sie vorhersagen möchten, und nach der Genauigkeit, die Ihre Studie erfordert.“
Modelle mit Durchschnittswerten reichen für die Abstimmung der Geschwindigkeitsregelung und für Energieberechnungen aus. Schaltmodelle werden für Stromwelligkeit, Kommutierungsvorgänge und die Belastung der Bauteile während Transienten benötigt. Zusätzliche Details sind nur dann hilfreich, wenn sie zu einer anderen technischen Lösung führen.
| Ziel der Simulation | Ein Modelldetail, das normalerweise funktioniert | Hauptrisiko bei Verwendung geringerer Detailgenauigkeit |
| Schätzung der Beschleunigungszeit für einen belasteten Motor | Verwenden Sie ein elektromechanisches Maschinenmodell mit einer gemessenen Last-Drehmoment-Kurve | Sie werden die Stromgrenzwerte verfehlen, die den Start verzögern und das verfügbare Drehmoment zu hoch angeben |
| Einen Drehzahlregler für einen stabilen Einschwingvorgang einstellen | Verwenden Sie einen handelsüblichen Wechselrichter und ein Maschinenmodell mit nachgewiesener Widerstands- und Induktivitätscharakteristik | Sie stimmen auf eine ideale Spannung ab, die die Hardware niemals liefern wird |
| Überprüfung der Kommutierungswelligkeit in einem bürstenlosen Gleichstrommotor | Verwendung einer Phasenumschaltlogik mit Gegen-EMK-Kurve und Sensor-Timing | Sie werden Drehmomentpulsationen unterdrücken, die nach dem Zusammenbau der Hardware auftreten |
| Untersuchung der thermischen Belastung über einen Arbeitszyklus hinweg | Verwenden Sie Verlustmodelle, die an Stromstärke, Geschwindigkeit und Schaltbedingungen gekoppelt sind | Bei wiederholten Starts oder im Betrieb bei niedriger Drehzahl entsteht weniger Wärme |
| Bewertung von Stromspitzen im Wechselrichter bei Störungen | Verwenden Sie ein Schaltmodell mit parasitären Elementen und strengen Solver-Einstellungen | Sie glätten Spitzenwerte und unterschreiten die Schutzgrenzwerte |
Ein Pumpenantrieb macht diesen Kompromiss deutlich. Durchschnittliche Modelle erfassen Geschwindigkeits- und Energietrends in der Regel gut genug für die Reglerabstimmung, zeigen jedoch keine Schwankungen bei der Pulsweitenmodulation, die die Wicklung erwärmen oder den Wechselrichter belasten. Genauigkeit hat ihren Preis, daher sollten Sie sie nur dort einsetzen, wo die nicht berücksichtigten physikalischen Gegebenheiten Ihr technisches Urteilsvermögen beeinflussen würden.
Ein Modell eines bürstenlosen Gleichstrommotors muss die Kommutierung korrekt abbilden, bevor man sich auf die Regelparameter verlassen kann. Trapezförmige Gegen-EMK, Phasenfolge, Hall-Sensor-Offsets und Totzeit beeinflussen die Drehmomentkurve, und diese Effekte bestimmen das Verhalten bei niedrigen Drehzahlen, lange bevor eine Feinabstimmung des Reglers eine Rolle spielt.
Ein gutes Beispiel hierfür ist eine kleine Pumpe mit Sechs-Punkt-Kommutierung. Wenn das Modell von einer sinusförmigen Gegen-EMK oder einer perfekten Sensorausrichtung ausgeht, erscheint das simulierte Drehmoment gleichmäßiger als in der Hardware. Sobald der tatsächliche Hall-Übergang einige elektrische Grad zu spät eintritt, treten Stromspitzen auf, und der Drehzahlregelkreis wirkt instabil, obwohl die Reglerverstärkungen angemessen waren.
Bevor Sie erweiterte Funktionen hinzufügen, sollten Sie die Kommutierungslogik anhand einer einfachen Messkurve am Prüfstand überprüfen. Überprüfen Sie die Phasenstromreihenfolge, die Nulldurchgänge und den Zusammenhang zwischen Rotorposition und angelegter Spannung. Viele Anfänger überspringen diesen Schritt und verbringen dann Stunden damit, einen Regler abzustimmen, der ein falsches elektrisches Modell kompensiert, anstatt ein echtes Regelungsproblem zu beheben.
Der Hauptunterschied zwischen einem Modell für eine Induktionsmaschine und einem Modell für eine Permanentmagnet-Synchronmaschine besteht darin, dass der Rotorfluss bei der Induktionsmaschine aus dem Schlupf und den Rotorparametern berechnet werden muss, während bei der Permanentmagnetmaschine der Fluss von der Rotorposition und der Magnetstärke abhängt. Dieser Unterschied wirkt sich auf die Zustandsauswahl, die Identifikation und die Auslegung der Regelung aus.
Ein Förderband mit Induktionsmotor verdeutlicht dies sehr gut. Der Rotorwiderstand und die Magnetisierungsinduktivität beeinflussen das Anlaufdrehmoment und den Anlaufstrom während einer Lastanstiegsphase maßgeblich. Eine Servoachse mit einer Synchronmaschine mit Permanentmagneten hängt stärker vom Rotorwinkel, der Induktivität der Direkt- und Quadraturachse sowie der magnetischen Flussbindung ab. Das eine Modell erfordert ein gutes Schlupfverhalten. Das andere benötigt einen präzisen, positionsabhängigen Fluss.
Man sollte diese Modelle nicht einfach so innerhalb derselben Antriebsvorlage austauschen und dabei einen aussagekräftigen Vergleich erwarten. Bei Induktionsmaschinen ist oft eine sorgfältige Schätzung der Rotorparameter über den gesamten Temperaturbereich erforderlich, während bei Permanentmagnetmaschinen die Salienz und die Gegen-EMK direkter zum Tragen kommen. Die Simulation von Elektromotoren wird wesentlich zuverlässiger, wenn die Maschinengleichungen mit der physikalischen Ursache des Drehmoments übereinstimmen.
Ein Modell für einen Motorantrieb ist nur dann zuverlässig, wenn seine Parameter auf Typenschildangaben, Messungen oder überprüfbaren Schätzungen beruhen. Versorgungsspannung, Wicklungswiderstand, Induktivität, Trägheit, Sensorverzögerung und Lastdrehmoment beeinflussen das Ergebnis stärker als feine Regelungsdetails, wenn diese Werte nur geschätzt werden.
Bei Antriebssystemen lassen sich noch Effizienzsteigerungen von 20 % bis 30 % erzielen, was ein Grund dafür ist, warum eine genaue Antriebskonfiguration bei der Abschätzung von Verlusten und Betriebsmargen so wichtig ist. Ein Hubantrieb beispielsweise erscheint in der Simulation stabil, wenn die reflektierte Trägheit zu niedrig angesetzt ist. Die Hardware schwingt dann über, da der Drehzahlregelkreis auf eine Last abgestimmt wurde, die an der Welle tatsächlich nicht anliegt.
Sie kommen weiter, wenn Sie zunächst eine kleine Auswahl an Parametern überprüfen und diese vor der Feinabstimmung festlegen. Zu den sinnvollen ersten Überprüfungen gehören:
Simulationssoftware für Elektromotoren ist dann am nützlichsten, wenn sie Gleichungen, Parameterverknüpfungen und die Wahl der Löser sichtbar macht, anstatt sie hinter einer ansprechenden Grafik zu verbergen. Man muss erkennen können, was vereinfacht und was linearisiert wurde und an welcher Stelle das Modell nicht mehr mit der Hardware übereinstimmt, die man bauen oder testen möchte.
Ein Lehrlabor oder ein Entwicklungsteam erkennt den Unterschied schnell. Wenn ein Maschinenblock Verlustterme, Strombegrenzung oder Schaltlogik verbirgt, können zwei Anwender zu unterschiedlichen Ergebnissen kommen, ohne zu wissen, warum. Mit SPS SOFTWARE können Sie die Modellstruktur überprüfen und bearbeiten, sodass es einfacher ist, ein fehlerhaftes Ergebnis auf eine falsche Annahme zurückzuführen, anstatt dem Regler die Schuld zu geben.
Dies gilt für jede seriöse Werkzeugkette. Sie sollten in der Lage sein, die Einheiten der Parameter zu überprüfen, die Maschinengleichungen zu kontrollieren, zwischen Durchschnitts- und Schaltwechsel-Wechselrichtermodellen zu wechseln und zu überprüfen, wie Sättigung oder Reibung dargestellt werden. Software allein schafft noch kein Verständnis. Transparenz hingegen schon, denn sie ermöglicht es Ihnen, das Modell zu testen, anstatt ihm einfach zu vertrauen.
Validierung bedeutet, simulierte Ergebnisse mit gemessenen Signalen unter denselben Testbedingungen zu vergleichen und das Modell nur dann als gültig anzusehen, wenn die Übereinstimmung für den vorgesehenen Verwendungszweck ausreichend ist. Wenn bei der Laborprüfung und der Simulation nicht dieselben Last-, Spannungs-, Zeit- und Temperaturbedingungen herrschen, führt der Vergleich zu falschen Schlussfolgerungen.
Ein Leerlauf-Drehtest ist ein praktischer Ausgangspunkt für einen bürstenlosen Gleichstrommotor. Dabei lassen sich Drehzahl, Phasenstromverlauf und Gegen-EMK über einen elektrischen Zyklus hinweg vergleichen. Ein Anlaufversuch eines Asynchronmotors bietet eine Reihe anderer Prüfpunkte, wie beispielsweise Anlaufstrom, Schlupf während der Beschleunigung und Enddrehzahl unter bekannter Wellenlast.
Sie sollten die Validierung schrittweise durchführen, anstatt auf eine perfekte Übereinstimmung des gesamten Systems zu warten. Beginnen Sie mit den elektrischen Wellenformen, fügen Sie dann Drehmoment- oder Drehzahltransienten hinzu und überprüfen Sie anschließend Verluste oder Temperaturen, sofern diese Größen von Bedeutung sind. Diese Reihenfolge hilft Ihnen dabei, Fehler einzugrenzen. Wenn der Phasenstrom im Leerlauf falsch ist, wird das Hinzufügen thermischer Details das Modell nicht retten, sondern lediglich die grundlegende Abweichung verschleiern.
„Bei einer fundierten Simulation von Elektromotoren geht es weniger darum, Blöcke hinzuzufügen, als vielmehr darum, den Zusammenhang zwischen Fragestellung, Modell, Parametern, Validierung und numerischen Berechnungen zu wahren.“
Die Solver-Einstellungen können das Motorverhalten so stark beeinflussen, dass sie eine technische Einschätzung während der Einschwingphase zunichte machen können. Zeitschritt, Toleranz, Ereignisbehandlung und Interpolationsregeln wirken sich auf Schaltflanken, Kommutierungszeitpunkte und elektrische Steifzustände aus; daher versagt selbst ein gutes Maschinenmodell, wenn die numerischen Einstellungen das für Sie relevante Ereignis verwischen.
Ein grober fester Schritt liefert ein anschauliches Beispiel. Stromspitzen beim Schalten des Wechselrichters erscheinen kleiner, die Drehmomentwelligkeit wirkt glatter und das Drehzahlverhalten scheint leichter zu steuern zu sein, als es auf der Hardware der Fall sein wird. Verringert man den Schritt oder wechselt zu einem Solver, der besser für starre elektrische Systeme geeignet ist, wird das fehlende Verhalten oft sichtbar. Das ist kein Softwarefehler. Es ist der Preis dafür, dass man von der numerischen Methode verlangt, schnelle Ereignisse abzubilden.
Bei einer fundierten Simulation von Elektromotoren geht es weniger darum, Blöcke hinzuzufügen, als vielmehr darum, den Zusammenhang zwischen Fragestellung, Modell, Parametern, Validierung und numerischen Berechnungen zu wahren. Diese Einschätzung gewinnt im Laufe der Zeit mehr an Bedeutung als jede einzelne Liste von Funktionen. SPS SOFTWARE passt gut zu dieser Vorgehensweise, da transparente Modelle es einfacher machen, zu erkennen, woher ein Ergebnis stammt und wo die Vertrauenswürdigkeit endet.
„Ein gutes Modell für ein Batteriemanagementsystem erkennt fehlerhafte Steuerungslogik, noch bevor Sie die Hardware testen.“
Dieses Ergebnis ist von Bedeutung, da Lithium-Ionen-Akkus eher durch Wechselwirkungen zwischen Zellen, Sensoren, Wärme und Schutzlogik ausfallen als aufgrund eines einzelnen fehlerhaften Schwellenwerts. Der weltweite Absatz von Elektroautos lag im Jahr 2024 bei über 17 Millionen, wodurch weitaus mehr große Akkus in Betriebszyklen gelangen, in denen ein ungenaues Modell kostspielige Steuerungsfehler verschleiern kann. Sie erzielen bessere Validierungsergebnisse, wenn Sie zunächst die Batteriefabrik modellieren, die Eingaben für den Schätzer realistisch halten und die Details an den Fehler anpassen, den Sie untersuchen möchten. Dieser Ansatz funktioniert sowohl für Elektrofahrzeuge als auch für Netzspeicher, auch wenn die Belastungsmuster sehr unterschiedlich sind.
Ein Batteriemanagementsystem misst den Zustand der Zellen und des Akkupacks, schätzt Werte, die sich nicht direkt erfassen lassen, und leitet Schutzmaßnahmen ein, bevor Grenzwerte überschritten werden. Bei Lithium-Ionen-Batterien umfasst dies Spannung, Strom, Temperatur, Ausgleich, Schützsteuerung und Fehlerbehandlung. Alles andere ist lediglich eine Überwachung des Akkupacks.
Man erkennt den Unterschied, wenn ein Fahrzeugpark bei nahezu vollem Ladezustand in den regenerativen Bremsbetrieb wechselt. Ein Monitor zeigt die Zellspannungen an, sobald diese ansteigen. Ein ordnungsgemäßes Batteriemanagementsystem begrenzt die Ladeaufnahme, schätzt ein, welche Zellen zuerst die Obergrenze erreichen, und öffnet die Schütze nur dann, wenn sanftere Maßnahmen versagen. Ein Netzrack bewältigt dasselbe Problem in einem langsameren Ablauf während der Lastverteilung nahe der oberen Ladegrenze.
Diese Unterscheidung ist wichtig, da bei vielen Modellierungsansätzen das Batteriemanagementsystem lediglich als eine Reihe von Warnmeldungen betrachtet wird, die einen Batterieblock umgeben. Dabei wird übersehen, wie eng Schätzungen, Ausgleichsmaßnahmen, thermische Grenzwerte und Schutzfunktionen miteinander verzahnt sind. Wenn Sie auf Simulationsergebnisse vertrauen wollen, muss die gesamte Steuerungsebene als geschlossener Regelkreis mit dem Batteriepack dargestellt werden und nicht als eine Reihe isolierter Prüfungen.
Sie sollten die Simulation des Batteriemanagementsystems mit der Batterieanlage beginnen, da jeder Schätzwert und jeder Schutzschwellenwert vom Ansprechen der Anlage abhängt. Sind das Zellmodell, die Verkabelung des Batteriepacks, die Sensoren und die Schütze zu einfach gehalten, erscheint die Steuerungslogik in der Software zwar stabil, versagt jedoch, sobald Hardwareverzögerungen und Ungleichgewichte im Batteriepack auftreten.
Ein Fahrzeugpaket der 96er-Serie ist ein anschauliches Beispiel dafür. Wenn alle Zellen dieselbe ideale Leerlaufspannungskurve und dieselbe Temperatur aufweisen, verschleiert das Modell den Spannungsabfall schwacher Zellen während der Beschleunigung und verdeckt, welcher Kanal beim Laden zuerst ausfällt. Nützliche Anlagenmodelle berücksichtigen Zell-zu-Zell-Schwankungen, die Vorspannung des Stromsensors, Abtastverzögerungen, die Schaltzeiten der Schütze sowie zumindest einen vereinfachten Wärmepfad zwischen den Zellen und den Kühlplatten.
SPS SOFTWARE eignet sich für diese Phase, da bearbeitbare elektrische und thermische Modelle es ermöglichen, die Annahmen zu überprüfen, anstatt die Anlage als geschlossenen Block zu behandeln. Das ist wichtig, wenn Ihre Schätzungen in einer Studie zutreffen, in einer anderen jedoch stark abweichen. Ein „Plant-First“-Workflow gewährleistet zudem eine zuverlässige spätere Validierung, da jede Schutzmaßnahme dann auf gemessene und verzögerte Signale wirkt und nicht auf ideale interne Zustände.
Die Modellgenauigkeit sollte auf den zu untersuchenden Ausfall abgestimmt sein, denn ein sehr detailliertes Modell am falschen Ort kostet Zeit und lässt das eigentliche Risiko dennoch außer Acht. Für den Zeitpunkt der Abschaltung sind Details zu Sensoren und Schaltvorgängen erforderlich. Bei Langzeit-Zyklusuntersuchungen sind Alterung, thermische Drift und Unwucht wichtiger als elektrische Details im Mikrosekundenbereich.
| Studienfokus | Zeige, was wirklich zählt | Halte es einfacher |
|---|---|---|
| Überspannung der Zelle während des regenerativen Ladevorgangs | Die Verzögerung bei der Spannungsmessung, die Zellfehlanpassung und die Öffnungsverzögerung des Schützes müssen berücksichtigt werden. | Der langfristige Leistungsverfall kann für diese Studie grob veranschlagt werden. |
| Temperaturgrenzwertprüfungen während des Schnellladevorgangs | Die Wärmeentwicklung, die Anordnung der Sensoren und der Widerstand im Kühlkreislauf müssen genauer betrachtet werden. | Die Details zur Konverterumschaltung können zusammengefasst bleiben. |
| Genauigkeit der Ladezustandsschätzung | Am wichtigsten sind der Verlauf der Leerlaufspannung, die Stromvorspannung und die Hysterese. | Die Geometrie des Pack-Gehäuses kann abstrakt bleiben. |
| Prüfung der Logik | Der Leckerstrom, die Kanalauflösung und die Zelldispersion sollten eindeutig angegeben werden. | Eine vollständige Nachverfolgung der Antriebssignale ist oft nicht erforderlich. |
| Studien zu Netzausgleich und Laststeuerung | Alterung, Schwankungen der Umgebungstemperatur und kumulative Abweichungen müssen berücksichtigt werden. | Hochfrequente Schalteffekte können gering gehalten werden. |
Wenn Sie einen Akku auf Fehlauslösungen prüfen, nützt eine detaillierte elektrochemische Analyse nicht viel. Ein einfacheres Ersatzschaltbild mit zuverlässigen Sensoren und Schaltlogik liefert schneller eine Antwort auf die Frage. Wenn Sie den Kapazitätsverlust über wiederholte Lade- und Entladezyklen untersuchen, gilt das Gegenteil, und thermische Alterungsfaktoren sind weitaus aussagekräftiger als Schaltdetails.
Die Zustandsschätzung ist nur so gut wie die Signale, die Ihr Akku tatsächlich messen kann. Ein Modell, das dem Schätzer perfekte Ladezustände, perfekte Temperaturen oder rauschfreie Stromwerte zuführt, verschleiert dieselben Fehler, die im Betrieb zu Ausgleichsfehlern, ungenauen Reichweitenprognosen und falschen Schutzmaßnahmen führen.
Die Vorspannung des Stromsensors liefert ein einfaches Beispiel. Ein kleiner Versatz während wiederholter Lade- und Entladezyklen führt dazu, dass der geschätzte Ladezustand vom tatsächlichen Ladezustand des Akkupacks abweicht, und diese Abweichung macht sich zuerst bei einem Fahrzeug bemerkbar, dessen Akku fast leer ist, oder bei einem Akku im Lagerregal, der kurz vor der Auslagerungsgrenze steht. Wenn Ihre Simulation den tatsächlichen internen Ladezustand in den Schätzer einspeist, wird dieser Fehler nie auftreten.
Sie müssen auch die Beobachtbarkeit berücksichtigen. Die Spannung gibt im flachen mittleren Bereich einer Lithium-Ionen-Kurve weniger Aufschluss über den Ladezustand als in der Nähe der Knicke, und Temperaturverzögerungen können die Schätzungen des Innenwiderstands verfälschen. Gute Modelle zwingen den Schätzer dazu, mit denselben blinden Flecken, Quantisierungen und Filterungen zu arbeiten, die Ihre Hardware in die Validierung einbringt.
Die Validierung der Schutzlogik hängt stärker von Timing, Fehlerfolge und Wiederherstellungspfaden ab als von einfachen Schwellenwertprüfungen. Sie müssen nachweisen, dass Entprellungsfenster, Sensorverzögerungen und Schützaktionen den Akku auch dann noch schützen, wenn Fehler in ungünstigen Abfolgen auftreten. Eindeutige Einzelschrittfehler sind nur die einfachen Fälle.
Ein sinnvoller Testsatz sollte verschiedene Zeitmuster abdecken, die die Logik aus unterschiedlichen Blickwinkeln auf die Probe stellen:
Jeder Einzelfall ist von Bedeutung, da der Schutz nicht an einem einzigen Punkt, sondern als Abfolge von Schritten erfolgt. Eine verspätete Überspannungsmeldung kann zu einer härteren Abschaltung führen als eine rechtzeitige Leistungsbegrenzung. Eine versteckte Stromverzerrung kann dazu führen, dass der Akkuanschluss bestehen bleibt, obwohl er eigentlich bereits isoliert sein sollte. Eine gute Simulation prüft die Verriegelungs-, Wiederherstellungs- und Neustartlogik, da viele Vorfälle mit Akkus darauf zurückzuführen sind, wie das System nach Behebung eines Fehlers wieder in Betrieb genommen wird.
„Die Genauigkeit des Modells sollte auf das zu untersuchende Versagen abgestimmt sein, denn ein sehr detailliertes Modell am falschen Ort kostet nur Zeit und lässt das eigentliche Risiko dennoch außer Acht.“
Thermische Simulationen sind wichtig, da elektrische Grenzwerte nicht mehr als feststehend gelten, sobald sich in Zellen, Sammelschienen und Modulen Wärme staut. Ein aussagekräftiges Modell verbindet Strom, Innenwiderstand, Wärmeentwicklung, Wärmeleitwege und das Kühlverhalten miteinander. So lässt sich erkennen, wann ein elektrischer Befehl, der zunächst sicher ist, nach einigen Minuten unter Last oder beim Laden unsicher wird.
Stellen Sie sich einen Ladevorgang vor, bei dem die Zellen in der Mitte wärmer werden als die Randzellen, da die Kühlplatte die äußeren Module bevorzugt. Die Zellspannungen können zwar noch akzeptabel erscheinen, doch die wärmere Gruppe altert schneller und erreicht im nächsten Zyklus früher eine Schutzgrenze. Wenn Ihr Modell nur eine einzige Packtemperatur verwendet, erscheint das Batteriemanagementsystem ruhiger und genauer, als es auf der Hardware tatsächlich der Fall ist.
Auch die thermische Modellierung beeinflusst die Entscheidung über die Anordnung der Sensoren. Ein einzelner Sensor am Gehäuse eines Moduls erfasst einen internen Hotspot nicht, und die Verzögerung zwischen der Erwärmung des Kerns und der gemessenen Oberflächentemperatur kann lang genug sein, um bei Schnellladung oder wiederholten Beschleunigungsvorgängen eine Rolle zu spielen. Gekoppelte Modelle decken diese Verzögerungen auf und helfen Ihnen dabei, Grenzwerte festzulegen, die nicht nur die Sensoren, sondern auch die Zellen schützen.
Studien zu Elektrofahrzeugen sollten sich auf kurze Transienten, die Leistungsgrenzen des Akkupacks und die Erholung des Schätzalgorithmus nach aggressiven Lastsprüngen konzentrieren. Die Betriebszyklen der Fahrzeuge zwingen das Batteriemanagementsystem dazu, auf regenerative Leistungsspitzen, Anlaufströme, Kaltstarts und schnelle Temperaturwechsel zu reagieren. Diese Ereignisse decken Schwachstellen in der Sensorik und der Logik schnell auf.
Eine Bergabfahrt nach vollständiger Aufladung ist ein klassisches Beispiel. Der Akku nimmt regenerativen Strom auf, wenn sich mehrere Zellen bereits nahe der oberen Spannungsgrenze befinden, und der Regler hat nur ein kurzes Zeitfenster, um die Ladeaufnahme zu reduzieren, bevor es zu einer harten Abschaltung kommt. Bei der Modellierung eines BMS (Battery Management System) für ein Elektrofahrzeug ist der Durchschnittsstrom weniger entscheidend als kurze Ereignisse, die die schwächsten Zellen zusätzlich belasten.
Ergebnisse, die für den Fahrer sichtbar sind, machen dies deutlicher. Eine unzureichende Erholung der Schätzwerte nach einer starken Beschleunigung kann zu plötzlichen Reichweitenverlusten, unerwarteten Leistungsbegrenzungen oder störenden Warnmeldungen führen, die dem Fahrer willkürlich erscheinen. Fahrzeugstudien sollten sich auf diese Belastungsspitzen konzentrieren, denn genau hier muss ein Batteriemanagementsystem beweisen, dass es den Akku schützen kann, ohne die Nutzung des Fahrzeugs zu beeinträchtigen.
Studien zu Netzspeichern sollten sich auf lange Zyklen, thermische Einwirkzeiten und die kumulative Abweichung der Schätzwerte über mehrere Betriebsmonate hinweg konzentrieren. Stationäre Batteriesysteme weisen zwar geringere Leistungsschwankungen auf als Fahrzeugbatterien, verbringen jedoch deutlich mehr Zeit im Bereich der Ladegrenzen und thermischen Plateaus. Geringfügige Modellierungsfehler können sich zu einer schlechten Einsatzplanung, vorzeitiger Leistungsreduzierung oder unnötigen Abschaltungen summieren.
Der weltweite Einsatz von Batterien im Energiesektor erreichte im Jahr 2023 etwa 70 GW, sodass selbst geringfügige Regelungsfehler zu einem ernsthaften Betriebsproblem führen können. Ein Speicherrack, das während der warmen Nachmittagsstunden einen hohen Ladezustand aufweist, altert anders als ein Fahrzeugakku, und die thermische Trägheit bei wiederholten täglichen Zyklen ist von größerer Bedeutung als Stromspitzen beim Start. Aus diesem Grund benötigen Netzstudien lange Zeitfenster, in denen Schwankungen der Umgebungsbedingungen, das Ausgleichsverhalten und die Drift der Schätzverfahren unverändert berücksichtigt werden.
Die wichtigste Schlussfolgerung ist einfach: Eine sinnvolle Modellierung des Batteriemanagementsystems erfordert Disziplin hinsichtlich dessen, was dargestellt wird, was vereinfacht wird und welche Signale der Steuerlogik zur Verfügung stehen dürfen. SPS SOFTWARE unterstützt diese Art von Arbeit, wenn Sie transparente Modelle benötigen, die im Rahmen von technischen Überprüfungen geprüft, optimiert und begründet werden können, anstatt einfach blind akzeptiert zu werden.
Wählen Sie eine Simulationssoftware für Stromversorgungssysteme aus, indem Sie die Genauigkeit des Solvers, die Modelltransparenz, die Eignung für Ihren Arbeitsablauf, die Umfang der Bibliothek, die Anbindung an andere Tools und die Gesamtkosten auf die Studien abstimmen, die Ihr Team tatsächlich durchführt.
Die meisten Fehlentscheidungen bei der Softwareauswahl passieren, wenn Teams eher auf Breite als auf Passgenauigkeit setzen. Ein studentisches Labor benötigt anschauliche Modelle, die sich öffnen und bearbeiten lassen, während eine Arbeitsgruppe im Bereich Versorgungstechnik zuverlässige Ergebnisse zu Störungen, Schutzmaßnahmen oder Stabilität unter reproduzierbaren Bedingungen benötigt. Wenn Sie eine Liste mit Simulationssoftware für Stromversorgungssysteme anhand Ihrer aktuellen Arbeitsaufgaben bewerten, wird Ihre Auswahlliste kleiner und treffsicherer.
Die beste Simulationssoftware für Stromversorgungssysteme passt zu Ihrer Art von Studie, den Fähigkeiten Ihres Teams und Ihrem Modellierungsworkflow. Eine große Funktionsvielfalt kann eine schlechte Eignung nicht wettmachen. Eine engere Auswahl wird erst dann wirklich aussagekräftig, wenn Sie testen, wie ein Tool die Aufgaben bewältigt, die Sie bereits ausführen. Diese 6 Faktoren sorgen dafür, dass diese Bewertung fundiert bleibt.
„Eine systematische Überprüfung führt in der Regel zu einer enger gefassten und besser begründbaren Entscheidung.“
Die Wahl des Solvers bestimmt, wie aussagekräftig Ihre Ergebnisse sein werden. Wenn Sie elektromagnetische Transienten, Schaltstudien, Wechselrichter-Wechselwirkungen oder detaillierte Fehlerereignisse simulieren, benötigen Sie einen Solver, der diese Effekte erfasst, ohne sie hinter groben Annahmen zu verbergen. Ein Planungsteam, das stationäre Lastflussberechnungen durchführt, benötigt etwas anderes. Ein Tool kann beeindruckend aussehen und dennoch Ihr Studienziel verfehlen, wenn sein numerischer Ansatz nicht mit der Physik übereinstimmt, die für Sie von Bedeutung ist. Ein Zuleitungsmodell, das unter einer gemittelten Methode stabil erscheint, kann ganz andere Stromspitzen aufweisen, wenn das Schalten von Wechselrichtern oder die Erregung von Kondensatoren detaillierter dargestellt wird. Sie kaufen keine abstrakte „Genauigkeit“. Sie prüfen, ob der Solver genau das Verhalten reproduzieren kann, das Ihr Team später erklären, verteidigen und wiederverwenden muss.
Transparente Modelle lassen sich leichter überprüfen, vermitteln und anpassen. Wenn Sie Gleichungen, Parameter und das Verhalten von Blöcken einsehen können, müssen Sie weniger Zeit damit verbringen, zu raten, was eine vorgefertigte Komponente tut. Das ist in Forschung und Lehre von Bedeutung, wo Modellannahmen sichtbar bleiben müssen. Ein Doktorand, der sich mit der Steuerung von Umrichtern befasst, verliert Zeit, wenn eine geschlossene Komponente Strombegrenzungen oder Filtergleichungen verbirgt, während ein bearbeitbares Modell es demselben Studenten ermöglicht, Annahmen zu testen und übersichtlich zu dokumentieren. Hier kommen auch Plattformen wie SPS SOFTWARE ins Spiel, da eine offene Modellstruktur die Überprüfung und Wiederverwendung unterstützt, anstatt wichtige Details zu verbergen. Teams spüren diesen Vorteil meist erst Monate später, wenn jemand Neues eine Studie übernimmt und verstehen muss, warum sich das ursprüngliche Modell so verhalten hat, wie es es tat.
„Transparente Modelle lassen sich leichter überprüfen, vermitteln und anpassen.“
Software verdient ihren Platz, wenn sie sich in die bestehende Arbeitsweise Ihres Teams einfügt. Einrichtungszeit, Fallmanagement, Parameteraktualisierungen, Diagrammerstellung und Exportschritte prägen den täglichen Einsatz stärker als eine lange Liste von Funktionen. Ein Schutzingenieur, der die Relais-Einstellungen verschiedener Zuleitungsfälle vergleicht, benötigt schnelle Duplizierungsfunktionen, eine übersichtliche Benennung und einheitliche Berichterstellung – und nicht zwanzig zusätzliche Module, die nie genutzt werden. Das gleiche Muster zeigt sich in Lehrlabors, wo eine übersichtliche Benutzeroberfläche dafür sorgt, dass sich die Studierenden auf das Systemverhalten konzentrieren können, anstatt nach Menüpunkten zu suchen. Reibungsverluste summieren sich über ein Semester oder ein Projekt hinweg. Wenn Routineaufgaben in einem Tool sechs Klicks erfordern und in einem anderen nur einen Schritt, spart der bessere Arbeitsablauf Stunden, reduziert Einrichtungsfehler und erleichtert die gegenseitige Überprüfung erheblich.
Komponentenbibliotheken sind dann von Bedeutung, wenn sie die Systeme widerspiegeln, die Sie tatsächlich bauen. Sie benötigen genügend Tiefe, um Generatoren, Leitungen, Transformatoren, Relais, Wechselrichter, Umrichter, Maschinen, Lasten und Steuerungen auf dem für Ihre Arbeit erforderlichen Niveau zu modellieren. Eine umfangreiche Bibliothek ist nur dann hilfreich, wenn sie Ihren Anwendungsbereich abdeckt, ohne Sie zu ständiger Anpassungsarbeit zu zwingen. Ein Mikronetz-Team benötigt beispielsweise in einer Studienkette möglicherweise Batteriespeicher, netzbildende Steuerungen, Leitungsschutz und Modelle für erneuerbare Energiequellen. Fehlt eines dieser Elemente, fangen Ingenieure an, Ersatzlösungen zusammenzuflicken, und die Zuverlässigkeit des Modells sinkt. Zu viel ungenutzte Bibliothekstiefe sorgt zudem für Unübersichtlichkeit. Die richtige Wahl bietet Ihnen eine umfassende Abdeckung Ihres Fachgebiets sowie Spielraum zur Verfeinerung von Modellen, ohne dass jede neue Studie zu einer manuellen Komponentenerstellungsübung wird.
Eine gute Tool-Anbindung ist entscheidend, wenn die Reglerauslegung und Netzstudien in getrennten Schritten erfolgen. Wenn Ihr Team Algorithmen in MATLAB/Simulink entwickelt und das Anlagenverhalten in einem Stromnetzmodell validiert, führt ein schlechter Austausch zwischen diesen Phasen zu vermeidbaren manuellen Änderungen. Das verlangsamt Tests erhöht das Risiko von Inkonsistenzen. Ein Umrichterteam erkennt dies schnell, wenn Reglerverstärkungen, Abtasteinstellungen oder Signalpfade nach jeder Überarbeitung manuell kopiert werden müssen. Eine saubere Import-, Export- oder Co-Modellierungsunterstützung sorgt dafür, dass die Regelungslogik mit der für Netzstudien verwendeten Anlagenrepräsentation übereinstimmt. Außerdem erhalten Sie einen zuverlässigeren Übergang zwischen den Teams, da die gleichen Annahmen durch den gesamten Workflow hindurch beibehalten werden. Bei einer guten Integration geht es weniger um Bequemlichkeit als vielmehr darum, die Konsistenz bei wiederholten Modellaktualisierungen zu gewährleisten.
Der Gesamtnutzen ergibt sich aus dem, was Ihr Team im Laufe der Zeit tatsächlich nutzen kann, und nicht allein aus dem Listenpreis. Lizenzbeschränkungen, Benutzerzugriff, Schulungsaufwand, Supportqualität und Hardwareauslastung beeinflussen allesamt, ob ein Tool Teil der normalen Arbeitsabläufe wird oder ungenutzt bleibt. Ein Lehrlabor mit dreißig Studierenden wird Lizenzprobleme ganz anders empfinden als eine Forschungsgruppe mit zwei Spezialisten, und ein Beratungsteam wird bei engen Projektterminen Wert auf zuverlässigen Support legen. Auch die Rechenkosten spielen eine Rolle. Wenn die Lösung eines detaillierten Modells auf Standardrechnern zu lange dauert, werden die Nutzer die Fälle vereinfachen, nur um weiterzukommen. Dieser Kompromiss schwächt oft den ursprünglichen Zweck der Studie. Eine fundierte Softwareauswahl schafft ein Gleichgewicht zwischen technischer Eignung, Zugänglichkeit, Support und praktischer Laufzeit auf den Systemen, die Sie bereits haben.
| Zu vergleichender Faktor | Der wichtigste Punkt, den es zu beachten gilt |
|---|---|
| 1. Die Genauigkeit des Solvers muss zu den von Ihnen durchgeführten Studien passen | Ihr Solver muss die elektrischen Effekte abbilden, die für Ihre Untersuchung erforderlich sind, da die Ergebnisse sonst nicht die richtige Frage beantworten. |
| 2. Die Transparenz von Modellen wirkt sich auf das Vertrauen in die Wiederverwendung in Lehre und Forschung aus | Bearbeitbare und lesbare Modelle erleichtern die Überprüfung, den Unterricht und die langfristige Wiederverwendung erheblich. |
| 3. Die Eignung für den Arbeitsablauf ist wichtiger als die bloße Anzahl der Funktionen | Ein Tool, das auf die täglichen Aufgaben zugeschnitten ist, spart mehr Zeit als ein Tool voller ungenutzter Funktionen. |
| 4. Die Tiefe der Bibliothek sollte dem Umfang Ihres Systems entsprechen | Die beste Bibliothek deckt Ihre tatsächlichen Systeme so gut ab, dass Sie keine Ersatzlösungen mehr entwickeln müssen. |
| 5. MATLAB- und Steuerungs-Tool-Anbindungen reduzieren den manuellen Aufwand | Eine gute Verknüpfung zwischen Steuerungsentwurf und Netzwerkmodellen sorgt für Konsistenz bei Änderungen und verringert die Gefahr von Kopierfehlern. |
| 6. Lizenzkosten und Rechenkosten bestimmen den Gesamtwert | Zugriffsregeln, Supportqualität und die Laufzeit auf handelsüblicher Hardware entscheiden darüber, wie nützlich die Software bleibt. |
Passen Sie die Software an die jeweilige Aufgabe an, bevor Sie Preislisten oder Produktversprechen vergleichen. Lehrlabore benötigen Übersichtlichkeit. Forschungsgruppen benötigen bearbeitbare Modelle und reproduzierbare Studien. Ingenieurteams benötigen zuverlässige Arbeitsabläufe, die Nacharbeiten vermeiden, die Überprüfung erleichtern und dafür sorgen, dass die Ergebnisse auch noch Monate später nachvollziehbar sind.
Ihr erstes Kriterium sollte das Studienergebnis sein, bei dem Sie keine Kompromisse eingehen können. Wenn die Studierenden Gleichungen und den Signalfluss sehen müssen, sollte die Transparenz an erster Stelle stehen. Wenn Ihre Gruppe die Schaltvorgänge von Umrichtern untersucht, sollte die Genauigkeit des Solvers an erster Stelle stehen. Wenn mehrere Ingenieure Modelle projektübergreifend gemeinsam nutzen, sollten Sie den Arbeitsablauf und die Lizenzkompatibilität ganz oben auf die Liste setzen. Diese einfache Bewertungsmethode sorgt dafür, dass die Liste der Simulationssoftware für Stromversorgungssysteme an Ihrer Arbeit orientiert ist und nicht an Marketingphrasen.
Eine konsequente Überprüfung führt in der Regel zu einer enger gefassten und besser begründbaren Entscheidung. Teams, die Wert auf offene Modelle, physikbasiertes Verhalten und übersichtliche Lehr- oder Forschungsabläufe legen, finden SPS SOFTWARE oft leichter zu rechtfertigen, da die Auswahlkriterien vom ersten Pilotmodell bis zur späteren Wiederverwendung transparent bleiben. Diese Art der Übereinstimmung wird auch lange nach Ablauf der Testphase noch von Bedeutung sein.
Die Auswahl eines Buck-Boost-Wandlers richtet sich nach dem Eingangsspannungsbereich, nicht nach der Bezeichnung des Wandlers.
Eine Lithium-Ionen-Zelle hat im Betrieb üblicherweise eine Spannung zwischen 3,0 V und 4,2 V , was bedeutet, dass jeder aus diesen Zellen gebaute Akku bei sinkender Ladung kritische Spannungsgrenzen überschreitet. Allein diese Tatsache unterscheidet einfache von riskanten Wahlmöglichkeiten bei Wandlern. Wenn die Quelle vollständig über oder unter dem Lastziel bleibt, reicht in der Regel eine einfache Buck- oder Boost-Stufe aus. Wenn die Quelle das Ziel überschreitet, ist ein Buck-Boost-Wandler zunächst die sicherere Wahl.
Diese Sichtweise ist bei der Simulation von Bedeutung, da Topologiefehler zunächst akzeptabel erscheinen, bis der Tastgrad, die Stromwelligkeit und die Belastung der Bauteile über den gesamten Eingangsbereich hinweg überprüft werden. Sie wählen nicht zwischen drei Bezeichnungen, die mit geringfügigen Unterschieden dieselbe Aufgabe erfüllen. Sie wählen den Strompfad, der die Verluste, den Regelungsaufwand und den nutzbaren Betriebsbereich bestimmt. Gute Modelle machen dies frühzeitig sichtbar, bevor die Arbeit am Prüfstand einen sauberen Schaltplan in eine unangenehme Überraschung verwandelt.
Ein Buck-Boost-Wandler eignet sich am besten, wenn die Eingangsspannung im Normalbetrieb sowohl über als auch unter die erforderliche Ausgangsspannung schwankt. Dieser Betriebsbereich ist der Hauptgrund für die Wahl dieses Wandlers. Er regelt über den gesamten Bereich, während eine reine Buck- oder Boost-Stufe an einem Ende die Regelung verlieren würde.
Ein Akkupack, das einen 48-V-Bus speist, veranschaulicht dieses Muster deutlich. Direkt nach dem Aufladen kann die Spannung des Akkus über 48 V liegen, sodass eine Buck-Stufe ausreicht. Wenn der Akku fast leer ist, kann die Spannung unter 48 V fallen, sodass die Schaltung nun eine Boost-Funktion benötigt. Ein Buck-Boost-Wandler deckt beide Zustände ab, ohne die Regelung von einer Stufe an die andere zu übergeben.
Dies ist von Bedeutung, da viele frühe Modelle ausschließlich auf der Nennspannung basieren. Diese Vereinfachung verschleiert die genauen Betriebspunkte, an denen der Tastgrad ansteigt, die Stromwelligkeit zunimmt und die thermische Belastung zu steigen beginnt. Wenn man den Wandler zunächst auf den minimalen und maximalen Eingangsstrom auslegt, ergibt sich die Wahl der Topologie viel naheliegender.
„Wenn man den Wandler zunächst auf den minimalen und maximalen Eingangsstrom abstimmt, ergibt sich die Wahl der Topologie viel naheliegender.“
Ein Buck-Boost-Wandler speichert Energie in einem Induktor während eines Schaltzustands und gibt diese Energie in einem anderen Schaltzustand an den Ausgang ab. Der Regelkreis steuert die Dauer der einzelnen Zustände. Durch diese Zeitsteuerung kann der Wandler je nach Schaltungsaufbau und Tastverhältnis eine Ausgangsspannung erzeugen, die über oder unter der Eingangsspannung liegt.
Ein einfacher invertierender Buck-Boost-Wandler veranschaulicht diesen Ablauf gut. Wenn der Schalter schließt, fließt Strom durch die Induktivität, und in ihrem Magnetfeld baut sich Energie auf. Wenn der Schalter öffnet, drückt die Induktivität den Strom durch die Diode in den Ausgangskondensator und zur Last. Der durchschnittliche Ausgangspegel richtet sich nach dem Tastverhältnis, sodass eine längere Einschaltzeit den Umwandlungswirkungsgrad erhöht.
Diesen Ansatz findet man auch in nicht-invertierenden Schaltungen, wie sie in vielen Stromversorgungssystemen zum Einsatz kommen. Die Details unterscheiden sich zwar, doch die Prioritäten bei der Modellierung bleiben dieselben. Achten Sie zunächst auf den Induktivitätsstrom, den Schaltstrom und die Kondensatorwelligkeit. Diese Wellenformen geben Aufschluss über den Zustand des Wandlers – mehr noch als die Ausgangsspannung allein.
Ein Buck-Wandler senkt die Spannung über einen einfacheren Strompfad als ein Buck-Boost-Wandler, wodurch er leichter zu modellieren und in der Regel auch einfacher zu regeln ist. Er eignet sich für Anwendungen, bei denen die minimale Eingangsspannung stets über der Soll-Ausgangsspannung liegt. Der Eingangsstrom verläuft zudem gleichmäßiger, was den Aufwand für die Eingangsfilterung oft verringert.
Eine 24-V-Versorgung, die eine geregelte 12-V-Steuerspannung speist, ist ein typisches Beispiel für einen Buck-Wandler. Der Schalter legt den Eingangsstrom während eines Teils jedes Zyklus an die Induktivität an, und die Induktivität glättet diese gepulste Energie zu einem Gleichstromausgang mit niedrigerer Spannung. Die Ausgangswelligkeit wird hauptsächlich durch die Schaltfrequenz, den Induktivitätswert, die Kondensatorgröße und den parasitären Widerstand bestimmt.
In der Regel wählt man zunächst die Buck-Schaltung, sofern das Spannungsfenster dies zulässt, da dann weniger Belastungsbedingungen geprüft werden müssen. Der Tastgrad bleibt häufiger in einem angenehmen mittleren Bereich. Das bedeutet in der Regel eine einfachere Kompensation, einen geringeren Spitzenstrom und weniger Überraschungen, wenn man vom Modell mit idealen Bauteilen auf praktische Bauteile umsteigt.
Ein Abwärtswandler erhöht die Spannung, indem er eine Induktivität aus der Quelle auflädt und diese gespeicherte Energie anschließend mit einem höheren Ausgangspotenzial an die Last abgibt. Er funktioniert gut, wenn der maximale Eingangsstrom stets unter dem Soll-Ausgangsstrom bleibt. Der Nachteil ist, dass der Quellstrom und die Belastung des Schaltelements stark ansteigen, wenn sich der Tastgrad seiner Obergrenze nähert.
Eine 12-V-Batterie, die einen 24-V-Hilfsbus speist, ist ein typisches Beispiel für eine Aufwärtswandlung. Die Induktivität lädt sich auf, während der Schalter eingeschaltet ist, und der Ausgangskondensator versorgt die Last während dieser Zeit. Wenn der Schalter ausgeschaltet wird, fließt der Induktivitätsstrom über die Diode zur Quelle, wodurch die Ausgangsspannung über die Quellspannung ansteigt.
Sie sollten Ergebnisse mit hoher Einschaltdauer mit Vorsicht betrachten, selbst wenn der Ausgang stabil erscheint. Geringfügige Abweichungen bei Schaltverlusten, Dioden-Spannungsabfall oder Induktivitätswiderstand können den Wirkungsgrad schnell beeinträchtigen. Aus diesem Grund müssen bei Boost-Schaltungen die Stromwelligkeit und der Temperaturanstieg genau untersucht werden, bevor Sie eine saubere Spannungskurve als Erfolg werten.
Der beste Weg, einen Gleichstrom-Gleichstrom-Wandler zu simulieren, besteht darin, mit einem idealen Schaltmodell zu beginnen, die Wellenformen und die Regelung zu überprüfen und dann nacheinander die nicht-idealen Effekte hinzuzufügen. Durch diese Reihenfolge bleiben Fehler sichtbar. Außerdem lässt sich so besser erkennen, welcher Parameter das Verhalten tatsächlich beeinflusst, anstatt mehrere Probleme gleichzeitig zu überdecken.
Ein nützlicher erster Ansatz nutzt einen idealen Schalter, eine ideale Diode, einen nominalen Eingangs-Sweep und eine ohmsche Last. Sobald der Tastgrad und die Wellenformen korrekt aussehen, fügt man praktische Verlustgrößen hinzu und vergleicht die Verschiebung bei der durchschnittlichen Ausgangsleistung, der Welligkeit und den Stromspitzen. Die SPS-SOFTWARE eignet sich gut für diesen Arbeitsablauf, da die Modellstruktur offen genug bleibt, um jedes Element einzeln zu untersuchen, anstatt den Wandler als geschlossenen Block zu behandeln.
Diese Vorgehensweise spart Zeit, da jeder hinzugefügte Verlust eine erkennbare Signatur aufweist. Wenn die Ausgangsspannung nach dem Hinzufügen eines Widerstands einbricht, sind die Topologie oder die magnetischen Komponenten wahrscheinlich unterdimensioniert. Wenn sich lediglich die Welligkeit ändert, müssen vor Beginn der Regelungsoptimierung die Wahl der Kondensatoren oder die Frequenz überprüft werden.
Die Begrenzung des Tastverhältnisses erklärt den größten Teil des praktischen Unterschieds zwischen Buck-, Boost- und Buck-Boost-Lösungen. Liegt das erforderliche Tastverhältnis nahe bei 0 % oder 100 %, verschlechtern sich die Strombelastung, die Verlustempfindlichkeit und die Regelreserve. Eine Topologie, die das Tastverhältnis über den gesamten Betriebsbereich hinweg moderat hält, führt in der Regel zu einem übersichtlicheren Design.
Eine Buck-Stufe arbeitet im komfortablen Bereich, solange der Eingangsstrom deutlich über dem Ausgangsstrom liegt, da das erforderliche Tastverhältnis mit ausreichender Reserve unter eins bleibt. Eine Boost-Stufe wird belastet, wenn der Ausgangsstrom weit über den Eingangsstrom ansteigt. Eine Buck-Boost-Stufe gewährleistet eine Regelung über einen größeren Bereich, erkauft diesen Bereich jedoch durch eine höhere Strombelastung und eine größere Anzahl an Bauteilen, die abgestimmt werden müssen.
| Nutzen Sie diesen Meilenstein, bevor Sie sich für eine Topologie entscheiden. | Betrachten Sie das Ergebnis als praktisches Signal des Modells. |
|---|---|
| Wenn der Mindesteingangswert über dem Sollausgangswert bleibt, ist eine Abwärtswandlerstufe in der Regel für diesen Bereich geeignet. | Der Arbeitszyklus bleibt unter seiner Obergrenze, wodurch sich die Belastung leichter bewältigen lässt. |
| Wenn die maximale Eingangsleistung unter der Soll-Ausgangsleistung bleibt, reicht in der Regel eine Verstärkerstufe aus. | An Stellen mit hoher Belastung muss der Verlust weiterhin genau überwacht werden, da der Strom dort schnell ansteigt. |
| Wenn der Eingangsstrom den Sollwert überschreitet, sorgt eine Buck-Boost-Stufe dafür, dass die Regelung über den gesamten Bereich hinweg aufrechterhalten bleibt. | Der Stromverbrauch und der Regelungsaufwand steigen im Vergleich zu einer Einzweckstufe. |
| Wenn das Modell einen Arbeitszyklus nahe den Grenzwerten benötigt, warnt es Sie hinsichtlich der Sicherheitsmarge. | Magnetische Effekte, Schaltverluste und die Erholung nach Transienten werden sich immer schwerer in den Griff bekommen lassen. |
Ein Buck-Boost-Wandler eignet sich für Leistungsstufen in Elektrofahrzeugen, wenn die Batteriespannung je nach Ladezustand, Temperatur und Last die erforderliche Bus- oder Subsystemspannung überschreitet. Diese Situation tritt häufig in Antriebsversorgungsschienen, Hilfsbussen und Batterieschnittstellenstufen auf. Die Topologie gewährleistet eine konstante Regelung, wenn eine Buck- oder Boost-Stufe allein den zulässigen Bereich verlassen würde.
Der Ladezustand einer Elektrofahrzeugbatterie bleibt während des Betriebs nicht auf einem festen Wert stehen, und genau deshalb ist diese Topologie von Bedeutung. Der weltweite Absatz von Elektroautos erreichte im Jahr 2023 etwa 14 Millionen Einheiten, was rund 18 % des gesamten Autoabsatzes entspricht. Eine breite und wachsende installierte Basis bedeutet, dass immer mehr Ingenieure batteriebetriebene Umrichter über den gesamten Betriebsbereich hinweg modellieren, anstatt sich auf die Nennwerte des Akkupacks zu beschränken.
Ein praktisches Beispiel ist ein Hochspannungsmodul, das in einem Betriebsmodus eine untergeordnete Hilfsschiene speist und in einem anderen Betriebsmodus Energie von einer untergeordneten Quelle bezieht. Das genaue Regelverfahren kann variieren, doch Ihr Modell sollte stets die minimale und maximale Modulspannung sowie Lastsprungbedingungen durchspielen. Genau hier hört die Wahl des Wandlers auf, rein theoretisch zu sein, und zeigt stattdessen, wie gut er geeignet ist.
„Eine gute Auswahl von Wandlern beruht auf dieser Disziplin, denn die richtige Stufe ist jene, die ihr Verhalten beibehält, wenn die idealen Bauteile nicht mehr vorhanden sind.“
Parasitäre Effekte entscheiden darüber, ob sich ein Wandler, der in der Simulation vielversprechend aussieht, auch dann noch wie erwartet verhält, wenn Kupferwiderstand, Kondensatorverluste, Layoutinduktivität und Bauteil-Timing ins Spiel kommen. Diese Effekte sind keine geringfügigen Korrekturen. Sie verändern Welligkeit, Spitzenstrom, Spannungsüberschwingen und Wirkungsgrad so stark, dass sie eine früh getroffene Topologieentscheidung zunichte machen können.
Beim Bau eines Prototyps tritt diese Diskrepanz am Schaltknoten oft zutage. Das ideale Modell zeigt saubere Übergänge, während die Hardware Schwingungen, zusätzliche Erwärmung und Ausgangswelligkeit aufweist, die zuvor nicht zu erkennen waren. Dies ist in der Regel auf nicht berücksichtigte Ersatzserienwiderstände, Schleifeninduktivität oder das Rückstellverhalten zurückzuführen. Sobald diese Faktoren berücksichtigt werden, ist die beste Topologie nicht mehr diejenige, die auf einem sauberen Schaltplan am besten aussah, sondern diejenige, die das Ziel noch mit einer gewissen Sicherheitsmarge erfüllt.
Das ist eine nützliche Gewohnheit, die man sich nach dem ersten erfolgreichen Durchlauf aneignen sollte. SPS SOFTWARE funktioniert am besten, wenn man jede Komponente als überprüfbar und editierbar betrachtet und das Modell dann so lange verfeinert, bis es die erwartete Messkurve erklärt. Eine gute Auswahl der Wandler ergibt sich aus dieser Vorgehensweise, denn die richtige Stufe ist jene, die ihr Verhalten beibehält, wenn die idealen Bauteile wegfallen.
Die Analyse der Spannungsstabilität in der Simulation funktioniert, wenn man die Blindleistungsreserve als Hauptsignal betrachtet und nicht nur die Spannungsamplitude.
Ein Spannungsabfall beginnt selten mit einem einzelnen niedrigen Spannungswert. Er setzt ein, wenn Generatoren, Kondensatorbänke, statische Kompensatoren oder Wechselrichtersteuerungen keine Blindleistungsunterstützung mehr leisten können, während die Überlastbelastung weiter zunimmt. Wind- und Solarenergie deckten im Jahr 2023 13,4 % des weltweiten Strombedarfs, was bedeutet, dass immer mehr Netze vom Verhalten der Umrichter abhängig sind, das in Stabilitätsstudien angemessen berücksichtigt werden muss. Eine gute Spannungsstabilitätsanalyse zeigt Ihnen, wo sich die schwachen Sammelschienen befinden, welche Begrenzungen zuerst greifen und wie die Schutzvorrichtungen reagieren, wenn sich die Spannungswiederherstellung verlangsamt.
Eine aussagekräftige Simulation basiert auf einer fundierten Modellauswahl und nicht auf einer einzigen Untersuchungsmethode. Sie versuchen, eine praktische ingenieurtechnische Frage zu Sicherheitsmargen, Einsturzrisiken oder Korrekturmaßnahmen zu beantworten. Das bedeutet, dass Ihr Modell ein glaubwürdiges Lastverhalten, realistische Kontrollgrenzen und eine Untersuchungsmethode benötigt, die auf die für Sie relevante Störung oder das Lastmuster abgestimmt ist. Wenn diese Komponenten nicht stimmen, sehen die Diagramme zwar ordentlich aus, vermitteln Ihnen aber dennoch falsche Erkenntnisse.
„Der entscheidende Faktor ist die Blindleistungsreserve.“
Die Spannungsstabilität ist die Fähigkeit eines Stromnetzes, nach einer Lastzunahme, einer Schaltvorgang oder einer Störung eine akzeptable Spannung aufrechtzuerhalten. Der entscheidende Maßstab hierfür ist die Blindleistungsreserve. Ein Knotenpunkt kann sich nahe der Nennspannung befinden und dennoch kurz vor dem Zusammenbruch stehen. Deshalb reicht die bloße Höhe der Spannung allein nicht aus, um eine ausreichende Aussage zu treffen.
Stellen Sie sich einen Übertragungskorridor vor, der an einem heißen Abend einen Ballungsraum mit hoher Last versorgt. Stufenschalter halten die Verteilerspannung nahe am Sollwert, Induktionsmotoren ziehen mehr Blindstrom, und ein nahegelegener Generator erreicht seine Blindleistungsgrenze. Das Spannungsprofil mag für kurze Zeit noch akzeptabel aussehen, doch das System verfügt fast über keine Reserven mehr. Ein kleiner Leitungsausfall oder ein weiterer Lastanstieg wird den Knotenpunkt an den Scheitelpunkt der Leistungs-Spannungs-Kurve drängen.
Dies ist wichtig, da Spannungsinstabilität in der Regel ein Grenzproblem darstellt, bevor sie sich als sichtbares Niederspannungsproblem manifestiert. Sie müssen die Blindleistungsgrenzen der Generatoren, die umgeschalteten Kompensationsstufen, die Transformator-Stufenschaltung und die Spannungsempfindlichkeit der Last im Auge behalten. Tun Sie dies nicht, verwechseln Sie einen stabilen Betriebspunkt mit einem instabilen. Eine gute Analyse beginnt mit der Frage: „Wie viel Spielraum bleibt noch, bevor die Regelungen an ihre Grenzen stoßen?“
Ein zuverlässiges Netzmodell umfasst die Parameter und Regelungsmechanismen, die das Spannungsverhalten unter Lastbedingungen tatsächlich bestimmen. Sie benötigen korrekte Leitungsdaten, Transformator-Stufenschalter, Shunt-Vorrichtungen, Generatorgrenzwerte, Lastzusammensetzung und Regelungslogik. Wenn einer dieser Faktoren zu stark vereinfacht wird, stimmt die von Ihnen berechnete Sicherheitsmarge nicht mit dem tatsächlichen Verhalten im Netz überein.
Eine praxisnahe Konfiguration beginnt mit einem gelösten Basisfall und einer klar definierten Untersuchungsgrenze. Eine Untersuchung des Einspeisungsnetzes erfordert Einspeisungsregler, eine Kondensatorschaltlogik und Lasten mit hohem Motoranteil. Eine Untersuchung des Hauptnetzes erfordert Generatorerregung, Grenzen der Blindleistungskapazität und Übertragungswege, die die von Ihnen Tests Betriebsbedingungen widerspiegeln. In SPS SOFTWARE ist dieser Ausführungsschritt nützlich, da Sie Modellgleichungen und Schutzeinstellungen überprüfen und bearbeiten können, anstatt ein fertiges Ergebnis einfach zu akzeptieren.
Der schnellste Weg, das Vertrauen in die Analyse der Spannungsstabilität zu verlieren, ist das Überspringen grundlegender Modellprüfungen. Nutzen Sie diese Mindestcheckliste, bevor Sie das System einer Belastungsprüfung unterziehen.
Die PV-Kurvenanalyse ist der schnellste Weg, um festzustellen, wo die Spannungsstabilitätsreserve knapp ist. Man erhöht die Last oder die Übertragungsbelastung schrittweise und beobachtet, wie die Sammelschienenspannung darauf reagiert. Die schwachen Sammelschienen sind diejenigen, die als erste an ihre Grenze stoßen. Diese Sammelschienen verdienen Ihre Aufmerksamkeit, bevor eingehendere Untersuchungen beginnen.
Ein gängiger Arbeitsablauf sieht vor, dass ein Übertragungskorridor von einem Erzeugungsgebiet in ein Lastgebiet unter Beobachtung mehrerer Stromkreise genutzt wird. Ein Stromkreis weist in der Regel einen stärkeren Spannungsabfall und eine geringere Belastbarkeitsreserve auf als die anderen. Dieser Stromkreis dient dann als Anhaltspunkt für die Prüfung von Abhilfemaßnahmen. Anschließend können Sie die Unterstützung durch Nebenschlussgeneratoren, die Neusteuerung von Generatoren oder Stufenschaltungen testen und feststellen, welche Maßnahme den Betrieb in einen sichereren Bereich verschiebt.
PV-Kurven sind wertvoll, weil sie eine vage Sorge vor einem Zusammenbruch in eine nach Schwachstellen geordnete Karte umwandeln. Außerdem verhindern sie, dass Sie Ihre Anstrengungen auf das gesamte Netz verteilen, wenn das limitierende Problem lokal begrenzt ist. Den größten Nutzen erzielen Sie, wenn bei jedem Schritt die Grenzen der Anlagen und die Regelmaßnahmen berücksichtigt werden. Werden reaktive Obergrenzen ignoriert, sieht die Kurve besser aus, als das System tatsächlich ist.
QV-Studien beantworten eine eng gefasste, aber sehr wichtige Frage. Sie zeigen, wie viel Blindleistung ein Bus benötigt, um ein bestimmtes Spannungsniveau aufrechtzuerhalten. Das macht sie nützlich, wenn das Hauptproblem in einem lokalen Blindleistungsdefizit liegt. Dabei geht es weniger um die Belastbarkeit als vielmehr um ein Blindleistungsdefizit an einem bestimmten Standort.
Ein gutes Beispiel hierfür ist eine schwache Sammelschiene in einem Umspannwerk in der Nähe einer großen Motorlast. Die PV-Kurve kann bestätigen, dass der Bereich nur über eine geringe Reserve verfügt, doch die QV-Kurve zeigt, wie viel Blindleistungsunterstützung erforderlich ist, um einen Wert von 1,0 pro Einheit oder ein anderes Ziel zu halten. Dadurch werden die Dimensionierung von Kondensatoren, statische Kompensationsstudien und die Platzierung der Unterstützung konkreter. Man muss nicht mehr raten, welche Sammelschiene Unterstützung benötigt oder wie viel Unterstützung erforderlich ist.
QV-Ergebnisse gewinnen besonders an Bedeutung, wenn die Blindleistungsgrenzen der Generatoren erreicht sind oder wenn sich durch einen Leitungsausfall die lokale Blindleistungsversorgung verändert. Sie zeigen zudem Fälle auf, in denen ein Knotenpunkt Unterstützung benötigt, die eine entfernte Quelle aufgrund der Übertragungsreaktanz nicht effektiv bereitstellen kann. Wenn Ihre Frage lautet: „Wo setze ich die Unterstützung ein und wie viel wird benötigt?“, liefert eine QV-Studie eine direktere Antwort als eine PV-Kurve.
Eine dynamische Simulation zeigt, wie sich das System im Laufe der Zeit von einer Störung in Richtung Stabilisierung oder Zusammenbruch entwickelt. Sie erfasst Regelmaßnahmen, Verzögerungen, Sättigung und Schutzlogik, die in statischen Untersuchungen nicht vollständig dargestellt werden können. Deshalb ist sie unerlässlich, nachdem PV- und QV-Untersuchungen Schwachstellen identifiziert haben. Die statische Sicherheitsreserve gibt Aufschluss über die Entfernung bis zum Auftreten von Problemen, während die dynamische Reaktion den Weg dorthin aufzeigt.
Ein Busfehler, der nach mehreren Zyklen behoben wird, kann dazu führen, dass Motoren blockieren, Transformator-Stufenschalter umschalten und Blindleistungsgeräte nacheinander schalten. Eine statische Untersuchung würde diesen zeitlichen Ablauf nicht erfassen. Ein RMS-Modell kann eine langsame Spannungswiederherstellung nach der Fehlerbehebung darstellen, und ein detaillierteres elektromagnetisches Modell kann die Strombegrenzung des Umrichters oder die Wechselwirkung der Regelung während desselben Ereignisses aufzeigen. Diese Details sind von Bedeutung, wenn der Betriebspunkt bereits nahe an seiner Blindleistungsgrenze liegt.
Nutzen Sie diesen Anhaltspunkt, um die Untersuchungsmethode auf die von Ihnen gestellte Frage abzustimmen.
| Studienansatz | Was dir das ganz klar sagt | Wenn es am besten passt |
| Überprüfung des Stromflusses im Basisszenario | Dies bestätigt, dass Spannungen, Ströme und Blindleistungen mit den Betriebsbedingungen übereinstimmen, die Sie untersuchen möchten. | Führen Sie dies vor jedem Stabilitätstest durch, damit jedes spätere Ergebnis von einem glaubwürdigen Zustand ausgeht. |
| Analyse der Leistungs-Spannungs-Kurve | Es ermittelt die schwächsten Busse, indem es aufzeigt, wo die Spannung bei steigender Last oder Übertragungsbelastung zuerst zusammenbricht. | Verwenden Sie diese Funktion, wenn Sie sich einen schnellen Überblick über Margen und Schwachstellen im gesamten Netzwerk verschaffen möchten. |
| Analyse der Blindleistungskurve | Es zeigt, wie viel lokale Blindleistungsunterstützung erforderlich ist, um eine bestimmte Spannung an einer Sammelschiene aufrechtzuerhalten. | Verwenden Sie diese Option, wenn die Platzierung und die Größe der Var-Halterung im Vordergrund stehen. |
| Simulation von RMS-Störungen | Es erfasst langsamere Regelvorgänge wie die Erregung, Stufenschaltungen, die Motorwiederherstellung und die Schutzzeitabläufe. | Setzen Sie es nach einem Fehler, einem Ausfall oder einem Schaltvorgang ein, wenn die Reaktionszeit über den Ausgang entscheidet. |
| Simulation elektromagnetischer Transienten | Es löst Probleme im Zusammenhang mit Wandlergrenzen und kurzfristigen Regelwechselwirkungen, die für stationäre Methoden zu detailliert sind. | Verwenden Sie es in Umrichter-intensiven Bereichen oder wenn Schalt- und Steuerungsdetails die Spannungswiederherstellung beeinflussen. |
| Überprüfung der Koordinierung von Schutzmaßnahmen | Es zeigt, welche Elemente zuerst auslösen und wie sich diese Auslösungen auf die Stabilitätsreserve auswirken, von der Sie ausgegangen sind. | Verwenden Sie dies vor der endgültigen Entscheidung, damit die simulierte Marge die tatsächliche Absicherung widerspiegelt. |
Studien zur Stabilität der Verteilungsspannung scheitern, wenn die Lastmodelle zu einfach sind. Die Lastverteilung in den Abzweigleitungen wird durch Motoren, thermostatisch geregelte Lasten, dezentrale Erzeugung auf Dächern, Reglermaßnahmen und Unsymmetrien bestimmt. Annahmen von konstanter Leistung können das Risiko eines Zusammenbruchs über- oder unterschätzen. Sie benötigen ein Modell, das der tatsächlichen Zusammensetzung der Lasten in den Abzweigleitungen entspricht.
Eine lange Zuleitung, die Klimaanlagen, kleine gewerbliche Motoren und dezentrale Erzeugungsanlagen versorgt, verhält sich ganz anders als eine Zuleitung, die hauptsächlich aus ohmschen Heizungen besteht. Nach einem Fehler oder einem Spannungseinbruch kann das Blockieren von Motoren den Blindleistungsbedarf hoch halten, während Regler und Kondensatorsteuerungen mit Verzögerung reagieren. Wenn Ihr Modell all dies als statischen Block mit konstanter Leistung behandelt, wird die prognostizierte Erholung glatter aussehen, als es die Zuleitung tatsächlich leisten wird.
Bei Studien zur Verteilungstechnik muss auch berücksichtigt werden, wo und wie schnell die Regelungsmaßnahmen greifen. Stufenschalter können die Kundenspannung aufrechterhalten, während sie das vorgelagerte Netz an seine Grenzen bringen. Kondensatorbänke können einem Abschnitt helfen, während sie einen anderen beeinträchtigen, wenn die Schaltlogik schlecht abgestimmt ist. Man kann das Risiko eines Spannungsabfalls in einer Abzweigleitung nicht so untersuchen, als handele es sich um einen reduzierten Sammelschienenstrang. Die Zusammensetzung der Abzweigleitung ist Gegenstand der Untersuchung.
Netzsysteme mit hohem Anteil an erneuerbaren Energien erfordern im Modell explizite Stromgrenzwerte für Wechselrichter, Regelungsprioritäten und Einstellungen für die Blindleistungsunterstützung. Umrichterbasierte Anlagen verhalten sich nicht wie Synchrongeneratoren. Bei einem Spannungsabfall richten sich ihre Regelungen nach den Stromgrenzwerten und Schutzschwellen. Fehlen diese Grenzwerte, wird die simulierte Reserve zu hoch angesetzt.
Ein Solarkraftwerk, das an ein instabiles Netz angeschlossen ist, liefert ein anschauliches Beispiel. Bei einem Spannungseinbruch priorisiert die Wechselrichtersteuerung häufig die Blindleistungsunterstützung bis zu einer bestimmten Stromobergrenze. Jenseits dieser Obergrenze sinkt die Wirkleistungsunterstützung, und die weitere Spannungsunterstützung wird begrenzt. Die Stromerzeugung aus Photovoltaik stieg im Jahr 2023 um fast 320 TWh – der größte jemals verzeichnete jährliche Anstieg –, weshalb dieses Modellierungsdetail für moderne Stabilitätsstudien von Bedeutung ist.
Außerdem müssen Sie die Spannungsregelung auf Anlagenseite, die Impedanz des Kollektorsystems und die Netzkodevorgaben für die Störungsüberbrückung berücksichtigen. Eine generische Quelle hinter einer Reaktanz kann diese Grenzen nicht erfassen. Diese Vereinfachung mag für eine grobe Vorauswahl akzeptabel sein, ermöglicht jedoch keine fundierte Beurteilung des Zusammenbruchsrisikos. Wenn Ihr Netz reich an Wechselrichter-basierten Ressourcen ist, muss das Spannungsstabilitätsmodell die physikalischen Eigenschaften der Umrichter und deren Regelungslogik widerspiegeln.
„Eine Reserve, die nur vor dem Auslösen eines Relais besteht, ist keine nutzbare Reserve.“
Die Koordinierung der Schutzsysteme im Stromnetz ist Teil der Spannungsstabilitätsanalyse, da die Schutzsysteme das endgültige Ergebnis bestimmen, sobald sich die Spannungswiederherstellung verlangsamt oder der Strom ansteigt. Eine Reserve, die nur vor der Auslösung eines Relais besteht, ist keine nutzbare Reserve. Die Untersuchung muss dieselbe Auslöse-Logik widerspiegeln, die auch die Feldgeräte anwenden werden.
Eine verzögerte Unterspannungsabschaltung in einem Windpark, eine Lastabwurfstufe an einer schwachen Zuleitung oder ein Übererregungsbegrenzer an einem Generator können jeweils den Verlauf von der Störung bis zum Zusammenbruch beeinflussen. Eine Einstellung kann den Betrieb lange genug aufrechterhalten, bis sich die Spannung wieder erholt, während eine andere die Unterstützung aufhebt und den Spannungseinbruch vertieft. Deshalb gehört die Überprüfung der Schutzvorrichtungen in den Simulationsablauf und nicht erst danach. Wenn das Relais zuerst auslöst, ist Ihr PV- oder QV-Ergebnis nicht die vollständige Antwort.
Das beste technische Urteil ergibt sich aus der Zusammenführung von Sicherheitsmargen, Regelgrenzen und Schutzauslösezeiten in einem einheitlichen Modell. SPS SOFTWARE fügt sich nahtlos in diesen Arbeitsablauf ein, da offene Modelle es erleichtern, die Annahmen hinter der Netzreaktion und der Relaisauslösung zu überprüfen. Sie suchen nicht nach einer spektakulären grafischen Darstellung. Sie suchen nach einem Untersuchungsergebnis, das auch dann noch Sinn ergibt, wenn das System unter Belastung steht, die Regler an ihre Grenzen stoßen und der Schutz genau wie eingestellt auslöst.
Eine präzise Simulation der Leistungselektronik beginnt mit der Festlegung des Modellzwecks.
Die meisten Konverterfehler sind auf eine ungeeignete Konfiguration zurückzuführen und nicht auf mangelnde Komplexität. Wenn Sie zunächst das Untersuchungsziel festlegen, wählen Sie den richtigen Modelldetaillierungsgrad, die richtige Zeitauflösung und die richtigen Prüfungen für die Genauigkeit der Wellenform, die Verluste und die Stabilität.
„Diese sieben Vorgehensweisen beheben die Einstellungsfehler, die die Ergebnisse des Konverters am häufigsten verfälschen.“
Eine Simulation in der Leistungselektronik ist dann zuverlässig, wenn das Modell eine klare technische Frage beantwortet. Diese Frage bestimmt den erforderlichen Genauigkeitsgrad. Sie legt auch die akzeptable Laufzeit fest. Wenn das Ziel klar definiert ist, ist es weitaus unwahrscheinlicher, dass man ein Modell auf eine falsche Wellenform abstimmt.
Eine Rippel-Schätzung für eine Buck-Stufe erfordert andere Details als eine thermische Überprüfung für einen Wechselrichterzweig. Bei der einen Untersuchung geht es um Schaltflanken und passive Werte, bei der anderen um Verlustgrößen und längere Betriebsfenster. Halten Sie diese Markierungen im Oszilloskop sichtbar, bevor Sie den Solver starten.
Diese sieben Vorgehensweisen beheben die Einstellungsfehler, die die Ergebnisse des Konverters am häufigsten verfälschen. Jede einzelne beseitigt eine bestimmte Ursache für Abweichungen zwischen dem Modell und der Schaltung. Wenden Sie sie nach Möglichkeit der Reihe nach an. Diese Reihenfolge sorgt dafür, dass Ihre Simulation der Leistungselektronik auf messbarem Verhalten basiert.
Die Wahl des Gerätemodells sollte sich nach der Schaltgeschwindigkeit, der Spannungsbelastung, dem Temperaturbereich und der benötigten Ausgangsleistung richten. Ein einfacher Schalter mit festem Durchlasswiderstand eignet sich für die Regelungsoptimierung in einem Niederfrequenz-Chopper. Dasselbe Modell berücksichtigt jedoch nicht die Rückwärtserholung und die Auswirkungen der Ausgangskapazität in einer hartgeschalteten Siliziumkarbid-Brücke. Zudem erhalten Sie während der Kommutierung falsche Stromspitzen und eine falsche Verlustverteilung. Wenn sich Ihre Untersuchung auf das durchschnittliche Tastverhältnis konzentriert, reichen kompakte Modelle aus. Wenn Sie Einschaltverluste, Diodenschnapp-Effekte oder dv/dt-Belastungen benötigen, muss das Gerätemodell diese Mechanismen enthalten. Die Modellgenauigkeit sollte nur dann erhöht werden, wenn das Untersuchungsziel dies erfordert, da sonst die Rechenzeit steigt, ohne dass die Genauigkeit verbessert wird.
Parasitäre Effekte beeinflussen die Schaltverläufe weitaus stärker, als viele erste Modellansätze vermuten lassen. Eine Halbbrücke mit idealen Verbindungen kann stabil und sauber erscheinen, dann aber auf dem Prüfstand stark schwingen, weil die Schleifeninduktivität außer Acht gelassen wurde. Schon wenige Nanohenry im Kommutierungspfad verändern das Überschwingen, die Stromanstiegsgeschwindigkeit und die Belastung der Dioden. Auch der ESR und die ESL im Zwischenkreiskondensator verändern die Spannung, die an den Bauelementen während der Flankenübergänge anliegt. Man kann diese Werte nicht aus Schaltplänen in Lehrbüchern ableiten und eine gute Übereinstimmung erwarten. Beziehen Sie sie nach Möglichkeit aus Layout-Schätzungen, Herstellerangaben oder gemessenen Impedanzen. Sobald die parasitären Effekte realistisch berücksichtigt werden, verbirgt die Simulation nicht mehr die Resonanzen, die Ihre Hardware tatsächlich aufweisen wird.
Die Wahl des Zeitschritts bestimmt, ob der Solver die physikalischen Vorgänge erfasst, die Sie untersuchen möchten. Ein Schritt, der Ein- oder Ausschaltintervalle überspringt, glättet scharfe Übergänge und unterschätzt die Spitzenspannung. Ein 100-kHz-Wandler mit einer Flankenaktivität von 50 ns erfordert eine wesentlich feinere Auflösung, als es die Schaltperiode allein vermuten lässt. Dasselbe Modell kann bei einer Schrittweite vollkommen stabil und bei einer anderen eindeutig instabil erscheinen. Läufe mit festem Schritt sind nützlich für die Wiederholbarkeit, doch der Schritt muss dennoch Totzeit, Diodenrücklauf und schmale Impulse erfassen. Läufe mit variablem Schritt können helfen, doch lockere Toleranzen werden schnelle Ereignisse weiterhin überdecken. Wenn sich die Wellenformen nicht mehr ändern, wenn Sie den Schritt verkleinern, sind Sie nahe an einer vertretbaren Einstellung.
Wellenformen sind nur dann aussagekräftig, wenn sich der Wandler auf den zu untersuchenden Betriebspunkt eingependelt hat. Wenn Sie eine Verlustanalyse bei Nullstrom und Null-Kondensatorspannung starten, werden die ersten Zyklen durch das Anlaufverhalten verfälscht. Dadurch erscheinen Stromwelligkeit, Schaltbelastungen und die durchschnittliche Leistung schlechter oder besser, als sie tatsächlich sind. Ein Aufwärtswandler mit einem Tastverhältnis nahe 70 % benötigt unter Umständen viele Zyklen, bevor der Induktionsstrom und die Ausgangsspannung nicht mehr schwanken. Es lohnt sich, zunächst ein Einlauffenster durchlaufen zu lassen und dann Daten zu erfassen, nachdem die Einschwingphase abgeklungen ist. Sie sparen Zeit bei der Analyse, da das gemessene Intervall tatsächlich den Zielmodus widerspiegelt. Außerdem ist der Vergleich mit Messungen auf dem Prüfstand, die nach der Stabilisierung der Hardware aufgenommen wurden, einfacher.
Gatesignale sind Teil des Leistungsstufenmodells, da Timing-Fehler die Leitungswege direkt beeinflussen. Ideale komplementäre Impulse ohne Verzögerung können das Risiko eines Shoot-Through verbergen oder die Körperdiodenleitung ausblenden, die in der Hardware auftritt. Eine synchrone Buck-Stufe zeigt dies deutlich, wenn eine Totzeit von einigen zehn Nanosekunden den Strom vom Kanal in die Diode verlagert. Diese Verlagerung wirkt sich auf den Wirkungsgrad, die Rücklaufzeit und die Bauteil-Temperatur aus. Beschränken Sie sich auch nicht auf die nominelle Totzeit. Berücksichtigen Sie auch Ausbreitungsverzögerungsabweichungen, Unterschiede bei Anstiegs- und Abfallzeiten sowie Gate-Widerstandseffekte, wenn diese Faktoren für die Untersuchung relevant sind. Wenn Ihr Timing-Modell zu „sauber“ ist, werden auch die elektrischen Ergebnisse zu „sauber“ ausfallen.
Verlustschätzungen werden glaubwürdiger, wenn sie mit einer einfachen Energiebilanz übereinstimmen. Die durchschnittliche Eingangsleistung sollte mit der Ausgangsleistung plus der Änderung der gespeicherten Energie plus den Verlusten über das erfasste Intervall übereinstimmen. Wenn diese Werte nicht übereinstimmen, liegt das Problem häufig an einem Vorzeichenfehler, einem zu kurzen Mittelungsfenster oder fehlenden Leitungs- und Schaltverlusten. Eine phasenverschobene Vollbrücke kann plausible Schaltverluste anzeigen, während die Gesamtleistung dennoch nicht ausgeglichen ist, weil magnetische Verluste oder Snubber-Verluste nicht berücksichtigt wurden. Führen Sie zyklusbasierte Überprüfungen durch, bevor Sie den thermischen Ergebnissen vertrauen. Dies ist ein schneller Weg, um versteckte Fehler aufzudecken. Sobald die Leistungsbilanz ausgeglichen ist, stehen alle nachfolgenden Temperatur- oder Wirkungsgradberechnungen auf einer solideren Grundlage.
„Sobald die Leistungsbilanz ausgeglichen ist, stehen alle nachfolgenden Temperatur- oder Wirkungsgradberechnungen auf einer solideren Grundlage.“
Validierung bedeutet, das Modell mit etwas außerhalb des Modells selbst zu vergleichen. Messungen am Prüfstand sind am aussagekräftigsten, aber auch analytische Überprüfungen, Herstellerkurven und von Fachkollegen geprüfte Referenzfälle sind hilfreich. Eine Diodenstromkurve, die zwar in ihrer Form Ihren Erwartungen entspricht, bei der jedoch der Rücklaufspitzenwert fehlt, besteht die Validierung nicht. Dasselbe gilt für Wirkungsgradergebnisse, die zwar glatt aussehen, bei geringer Last jedoch die gemessenen Durchlassverluste nicht berücksichtigen. Die offene Modellprüfung ist hier wichtig, da Sie nachvollziehen müssen, was jede einzelne Gleichung bewirkt. SPS SOFTWARE eignet sich gut für diesen Schritt, da die Komponentenmodelle transparent genug sind, um Parameter, Gleichungen und Annahmen zu überprüfen, anstatt den Block als geschlossene Box zu behandeln.
| Worauf man sich konzentrieren sollte | Was diese Vorgehensweise gewährleistet |
|---|---|
| 1. Passen Sie die Gerätemodelle an den Betriebsbereich des Wandlers an | Das gewählte Modell muss nur die Schalteffekte enthalten, die für das Untersuchungsziel von Bedeutung sind. |
| 2. Parasitische Werte anhand der gemessenen Layoutdaten festlegen | Gemessene oder geschätzte parasitäre Effekte in Verbindungsleitungen und passiven Bauteilen verhindern, dass Schwingungen und Überschwingen verdeckt werden. |
| 3. Wählen Sie Solver-Schritte aus, die jedes Schaltereignis auflösen | Die Zeitauflösung muss hoch genug sein, um schmale Impulse und Details der Kommutierung zu erfassen. |
| 4. Beginnen Sie mit einem stationären Zustand, bevor Sie die Wellenformen aufzeichnen | Nur festgelegte Betriebsintervalle sollten als Grundlage für die Überprüfung von Welligkeit, Belastung, Wirkungsgrad und Verlusten dienen. |
| 5. Modellierung des Gate-Ansteuerungsablaufs mit realistischer Totzeit | Die zeitlichen Details bestimmen, welches Gerät den Strom führt und wie hoch die Schaltbelastungen ausfallen. |
| 6. Überprüfen Sie die Verluste anhand der Energiebilanz für jeden Zyklus | Die Leistungsbilanz deckt fehlende Terme und fehlerhafte Mittelwertbildung auf, bevor man den thermischen Ergebnissen vertrauen kann. |
| 7. Vergleichen Sie die Kurven mit unabhängigen Referenzergebnissen | Unabhängige Überprüfungen verhindern, dass ein sauberes Modell akzeptiert wird, wenn seine physikalischen Eigenschaften noch nicht mit dem gemessenen Verhalten übereinstimmen. |
Beginnen Sie jede Konverter-Analyse mit einem Betriebspunkt, einem Kriterium für „bestanden“ oder „nicht bestanden“ und einem Validierungsziel. Diese einfache Struktur sorgt dafür, dass das Modell auf den richtigen Umfang beschränkt bleibt. Außerdem gibt sie vor, welche Details Sie berücksichtigen sollten. Sie erhalten schneller aussagekräftige Ergebnisse, da jede Wahl bei der Konfiguration einem definierten Zweck dient.
Ein Buck-Wandler für den Unterricht, ein Wechselrichter im Labormaßstab und ein Forschungsprototyp folgen alle denselben Prinzipien, auch wenn sie sich in ihrer Komplexität unterscheiden. Legen Sie das Studienziel fest, beziehen Sie nur die physikalischen Faktoren ein, die dieses Ziel beeinflussen, und überprüfen Sie anschließend die Solver-Einstellungen, das Timing, die parasitären Effekte und die Leistungsbilanz, bevor Sie den Diagrammen Glauben schenken. SPS SOFTWARE unterstützt diese Art der Arbeit hervorragend, da transparente Modelle es erleichtern, jede Annahme zu überprüfen, zu hinterfragen und zu verfeinern.
