Versuch 2: Simulation und Messung von Asynchronmaschine und Kreiselpumpe: Das dynamische Verhalten eines Drehstromasynchronmotors in einem Pumpenantrieb wird untersucht. Der Anlaufvorgang wird auf einem Rechner simuliert und mit Messungen an einem Versuchsstand verglichen. Um den Versuch durchführen zu können müssen Sie das Skript durcharbeiten, welches Sie unter Dateien finden und die darin enthaltenen Fragen schriftlich beantworten. Zu Beginn des Labors findet eine theoretische Einführung statt, bei welcher Ihr Verständnis abgefragt wird.
Voraussetzungen:
Grundlegende Kenntnisse in Elektrischen Maschinen (Asynchronmotoren) und Betriebsverhalten von Pumpen
Leistungsnachweis:
Erfolgreiche Labordurchführung
Sonstiges:
Das Laborpraktikum besteht dieses Semester aus 4 Versuchen, welche in getrennten StudIP Veranstaltungen organisiert werden. Nachfolgend die Links zu den anderen Versuchen:
Bringen Sie zum späteren Nachweis den Laufzettel mit, welchen Sie unter Dateien finden. Diesen können Sie bei dem Versuch, welchen Sie als letztes durchführen abgeben. Fertigen Sie sich eine Kopie oder ein Foto für Ihre eigenen Unterlagen als Sicherheit an.
ECTS-Kreditpunkte:
2
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Hund, P. (2021). Modellierung eines elektrischen Netzes zur Demonstration des Einflusses von virtueller Trägheit durch umrichterbasierte Energieanlagen.
Hund, P. (2021). Koordinierte Bereitstellung von virtueller Trägheit durch erneuerbare umrichterbasierte Energieanlagen in Verteilnetzen mithilfe von künstlicher Intelligenz.
Möller, P. (2021). Erfassung der Knotenspannung in Niederspannungsnetzen auf Basis von dezentralen Messeinrichtungen mithilfe von Machine learning.
Plant, R. (2021). Estimation of Power System Inertia in an Inverter-Dominated Distribution Grid Using Machine Learning.
2020
Dressel, M. (2020). Modellierung der Zustandsschätzung eines elektrischen Netzes mit Hilfe von Graph neuronalen Netzen.
Schmidt, M. (2020). Vorhersage von zuverlässig bereitstellbarer Regelleistung aus Erneuerbaren Energien mithilfe von neuronalen Netzen.