极限传输容量三篇

极限传输容量 篇1

对于含有大型太阳能发电系统的电力系统,在未来较短的一段时间内,即使是在常规机组开机方式和电网结构确定的情况下,由于并网太阳能发电系统输出的随机性以及负荷的不可控性,对该时段的电力系统极限传输容量(TTC)产生了不可忽视的影响。

TTC是电力系统可用传输能力(ATC)分析的基础。在实际运行中,一般每0.5 h或1 h计算一次TTC或ATC,目前,它的求解主要有确定性求解方法[1,2]和概率性求解方法[3,4]。确定性方法计算速度较快,目前主要应用于在线计算,但其所能提供的信息非常有限[5];而概率性方法可以提供更加丰富的系统安全稳定裕度信息,但其计算量较大,只适用于离线分析。

本文将在确定性模型框架下采用点估计法[6]研究太阳能发电、负荷的随机特性对TTC的影响,避免了传统概率性求解方法的大计算量,又可以得到TTC的统计特征值和概率分布特性。

1 含太阳能发电系统的TTC数学模型

TTC的计算可以描述为:在满足系统各种运行约束条件下,对于给定的发电机集合与负荷集合间的最大传输容量。因此,含太阳能发电系统的TTC计算可以由如下的非线性优化模型表述:

$\max {\displaystyle \sum _{i\in R}{\rm P}}{}_{\text{L}i}$(1)

$\begin{array}{l}\text{s}.\text{t}.{\rm P}{}_{\text{G}i}+{\rm P}{}_{\text{s}\text{o}\text{l}\text{a}\text{r}i}-{\rm P}{}_{\text{L}i}-V{}_i{\displaystyle \sum _{j}V}{}_j(G{}_{ij}\cos \theta {}_{ij}+\\ B{}_{ij}\sin \theta {}_{ij})=0(2)\\ Q{}_{\text{G}i}+Q{}_{\text{s}\text{o}\text{l}\text{a}\text{r}i}-Q{}_{\text{L}i}-V{}_i{\displaystyle \sum _{j}V}{}_j(G{}_{ij}\sin \theta {}_{ij}-\\ B{}_{ij}\cos \theta {}_{ij})=0(3)\\ {\rm P}{}_{\text{G}i\text{m}\text{i}\text{n}}\le {\rm P}{}_{\text{G}i}\le {\rm P}{}_{\text{G}i\text{m}\text{a}\text{x}}i\in S(4)\\ Q{}_{\text{G}i\text{m}\text{i}\text{n}}\le Q{}_{\text{G}i}\le Q{}_{\text{G}i\text{m}\text{a}\text{x}}(5)\\ 0\le {\rm P}{}_{\text{L}i}\le {\rm P}{}_{\text{L}i\text{m}\text{a}\text{x}}i\in R(6)\\ V{}_{i\text{m}\text{i}\text{n}}\le V{}_i\le V{}_{i\text{m}\text{a}\text{x}}(7)\\ |{\rm I}{}_{ij}|\le {\rm I}{}_{ij\text{m}\text{a}\text{x}}(8)\end{array}$

式中:S为送电区域发电机节点集合;R为受电区域负荷节点集合;PGi和QGi分别为节点i常规发电机有功、无功功率(当i∉S,PGi为常量);PGimax,PGimin,QGimax,QGimin分别为节点i常规发电机有功、无功功率上、下限;Psolari和Qsolari分别为节点i太阳能发电系统有功、无功功率;PLi和QLi分别为节点i的有功、无功负荷(当i∈R,PLi=PL0i+λbPi,λ为负荷增长参数,bPi为负荷增长方向,可以取为各节点负荷按基准负荷比例及功率因数增长,QLi按功率因数随PLi变化;当i∉R,PLi=PL0i,QLi=QL0i;PL0i和QL0i分别为基准有功、无功负荷);Vi和θi分别为节点i的电压幅值、相角,θij=θi-θj;Vimax和Vimin分别为节点i电压幅值上、下限;Gij和Bij分别为节点导纳矩阵的实部、虚部元素;Iij为输电线路i-j的电流值,Iijmax为相应的限值。

目标函数(式(1))为受电区域R总负荷最大;式(2)、式(3)为含太阳能发电系统的潮流方程等式约束;式(4)为送电区域S常规发电机有功功率约束;式(5)为常规发电机无功功率约束(考虑所有常规发电机无功功率均参与优化,使TTC不趋于保守);式(6)为受电区域R负荷有功功率约束;式(7)为节点电压幅值约束;式(8)为考虑动稳及热稳限值的输电线路限值约束。

式(1)~式(8)构成了含太阳能发电系统的TTC数学模型。在未来某一时刻,由于太阳能发电系统的输出功率以及系统负荷具有随机性,因此式(1)~式(8)是一个含随机变量Psolari,Qsolari,PLi,QLi的TTC问题,通过近似方法能够将这一概率问题转化为确定性问题,进而采用非线性内点法求解包含大量等式和不等式约束的TTC数学模型。

2 太阳能光伏发电系统及负荷的随机模型

2.1 太阳能光伏发电系统随机模型

太阳能光伏发电系统主要由太阳能电池方阵、控制器和逆变器组成,其中,太阳能电池方阵是核心部件。

若给定一个具有M个电池组件的太阳能电池方阵,则太阳能电池方阵的输出功率为:

${\rm P}{}_{\text{s}\text{o}\text{l}\text{a}\text{r}}=EA\eta (9)$

式中:E为辐照度,单位W/m2;A和η分别为方阵的总面积和光电转换效率。

若方阵的每个组件面积和光电转换效率分别为Am和ηm(m=1,2,…,M),则有:

$\begin{array}{l}A={\displaystyle \sum _{m=1}^{{\rm M}}A}{}_m\\ \eta =\frac{1}{A}{\displaystyle \sum _{m=1}^{{\rm M}}A}{}_m\eta {}_m\end{array}$

太阳光照辐照度E,在一定时间段内可以近似为Beta分布,其概率密度函数为[7]:

$f(E)=\frac{\text{Γ}(\alpha +\beta )}{\text{Γ}(\alpha )\text{Γ}(\beta )}(\frac{E}{E{}_{\max }}){}^{\alpha -1}(1-\frac{E}{E{}_{\max }}){}^{\beta -1}(10)$

式中:Emax为最大辐照度;α和β为Beta分布形状参数;Γ为Gamma函数。

根据式(9)Psolar与辐照度E的函数关系,可知Psolar的概率密度函数如下:

$f({\rm P}{}_{\text{s}\text{o}\text{l}\text{a}\text{r}})=\frac{\text{Γ}(\alpha +\beta )}{\text{Γ}(\alpha )\text{Γ}(\beta )}(\frac{{\rm P}{}_{\text{s}\text{o}\text{l}\text{a}\text{r}}}{R{}_{\text{s}\text{o}\text{l}\text{a}\text{r}}}){}^{\alpha -1}(1-\frac{{\rm P}{}_{\text{s}\text{o}\text{l}\text{a}\text{r}}}{R{}_{\text{s}\text{o}\text{l}\text{a}\text{r}}}){}^{\beta -1}(11)$

式中:Rsolar=AηEmax,为太阳能电池方阵最大输出功率。

光伏发电系统一般只向电网提供有功功率,为简化处理,无功功率可以不予考虑。

2.2 负荷随机模型

未来某一时刻基准负荷预测结果可以作为随机变量,并采用正态分布近似反映其不确定性。

若μL0和σL0分别为基准有功负荷预测的均值和标准差,则基准有功负荷PL0的概率密度函数为:

$f({\rm P}{}_{\text{L}0})=\frac{1}{\sqrt{2\text{π}}\sigma {}_{\text{L}0}}\exp (-\frac{({\rm P}{}_{\text{L}0}-\mu {}_{\text{L}0}){}^2}{2\sigma {}_{\text{L}0}^2})(12)$

若负荷功率因数一定,则无功负荷QL0按功率因数随PL0变化而变化。

3 基于点估计法与Cornish-Fisher级数的TTC计算方法

3.1 Cornish-Fisher级数

根据随机变量的矩或半不变量,可以采用相应的级数展开式计算该随机变量的概率分布。

若随机变量z的概率分布函数为F(z),其分位数为τ,有z(τ)=F-1(τ),则根据Cornish-Fisher级数[8]理论,z(τ)可以近似表达为:

$\begin{array}{l}z(\tau )\approx \zeta (\tau )+\frac{\zeta {}^2(\tau )-1}{6}\kappa {}_3+\frac{\zeta {}^3(\tau )-3\zeta (\tau )}{24}\kappa {}_4-\\ \frac{2\zeta {}^3(\tau )-5\zeta (\tau )}{36}\kappa {}_3^2+\frac{\zeta {}^4(\tau )-6\zeta {}^2(\tau )+3}{120}\kappa {}_5+\cdots (13)\end{array}$

式中:ζ(τ)=Φ-1(τ);Φ为标准正态分布N(0,1)的概率分布函数;κt为随机变量z的t阶规格化半不变量。

Cornish-Fisher级数与Gram-Charlier级数[9]相比,在计算非正态分布的概率分布时,具有更高的精度。

3.2 TTC计算方法

含太阳能发电系统的TTC数学模型(式(1)~式(8)),通过引入松弛变量S、对偶变量Π,形成Lagrangian函数:

$L=g(\mathit{X},\mathit{Y},\mathit{S},\mathit{\Pi })(14)$

式中:X=[Psolar,Qsolar,PL,QL]T为随机变量,根据太阳能发电系统及负荷的随机模型,简化为X=[Psolar,PL]T;Y=[PG,QG,V,θ]T。

可将式(14)写成:

$\mathit{{\rm Z}}=\mathit{h}(\mathit{X})(15)$

式中:Z=[Y,S,Π]T=[PG,QG,V,θ,S,Π]T 。

式(15)表达了TTC数学模型各输出量Z与随机变量X之间的非线性关系,从而也表达了TTC与随机变量Psolar与PL的非线性关系。

点估计法是求解具有n维随机变量X函数Z=h(X)的统计信息的一种有效方法,是由Hong在Rosenblueth[10]研究的基础上提出的。它是根据Taylor级数展开式,应用X的高阶矩,对每一随机变量构造m个估计点,对Z作mn次函数h(X)计算(等同于采用内点法求解TTC数学模型式(1)~式(8))得到Z的概率统计信息。

若X=[Psolar,PL]T=[X1,X2,…,Xn]T,则点估计法根据每个随机变量Xi(i=1,2,…,n)的均值μi和标准差σi,在Xi上取m个估计点xi,k(k=1,2,…,m),每个估计点定义如下:

$x{}_{i,k}=\mu {}_i+\xi {}_{i,k}\sigma {}_i(16)$

式中:ξi,k为位置系数。

若每个估计点所占的权重为wi,k,则有:

$\{\begin{array}{l}{\displaystyle \sum _{k=1}^{m}w}{}_{i,k}=\frac{1}{n}\\ {\displaystyle \sum _{k=1}^{m}w}{}_{i,k}(\xi {}_{i,k}){}^j=\lambda {}_{i,j}\end{array}(17)$

式中:i=1,2,…,n;j=1,2,…,2m-1;λi,j为规格化的第j阶中心矩,定义如下:

$\begin{array}{l}\lambda {}_{i,j}=\frac{{\rm M}{}_j(X{}_i)}{(\sigma {}_i){}^j}(18)\\ {\rm M}{}_j(X{}_i)={\displaystyle {\int }_{-\infty }^{\infty }(}X{}_i-\mu {}_i){}^{j}f(X{}_i)\text{d}X{}_i(19)\end{array}$

式中:f(Xi)为随机变量Xi的概率密度函数。

由式(18)、式(19)可知,λi,1=0,λi,2=1,而λi,3和λi,4分别为随机变量Xi的偏度和峰度系数。

联立求解式(17)~式(19),得到(ξi,k,wi,k),则对于每一随机变量Xi有m个估计点(xi,k,wi,k),进而对于n维随机变量X,可以构造mn个估计点。定义估计点(xi,k,wi,k)对应向量[μ1,μ2,…,xi,k,…,μn]T,则在每一估计点处随机变量均为确定值,TTC的概率计算问题转化为随机变量Psolar和PL在其估计点上的确定性TTC问题,应用内点法依次求解随机变量[Psolar,PL]T=[μ1,μ2,…,xi,k,…,μn]T(i=1,2,…,n;k=1,2,…,m)时的TTC数学模型,得到TTC值为CTTC(μ1,μ2,…,xi,k,…,μn),再根据每个估计点的权重系数wi,k,求得TTC的各阶原点矩估计值:

$E(C{}_{\text{Τ}\text{Τ}\text{C}}{}^l)={\displaystyle \sum _{i=1}^n{\displaystyle \sum _{k=1}^{m}w}}{}_{i,k}(C{}_{\text{Τ}\text{Τ}\text{C}(\mu {}_1,\mu {}_2,\cdots ,x{}_{i,k},\cdots ,\mu {}_n)}){}^l(20)$

式中:当l=1时得到TTC的均值为ETTC,当l=2时,求得TTC的标准差为σTTC。

在理论上,取随机变量Xi的多个估计点,可以提高TTC的点估计精度,但在实际应用中,一方面采用随机变量Xi的多个估计点,需引入更高阶中心矩,式(17)~式(19)将变得更为复杂,且当m>3时,计算出的ξi,k和wi,k可能为非实数解,难以应用;另一方面,多个估计点也将使TTC数学模型的内点法求解次数大幅增加,影响计算效率。为此,取m≤3更具实际应用价值。

当m=2,即每个随机变量Xi取2个估计点(2n方案),根据式(17)~式(19)可以求得每个估计点ξi,k和wi,k的解析表达式。2n方案仅用到了Xi的偏度系数λi,3,且位置系数与研究问题的随机变量个数n有关。随着问题规模的增加,估计点远离相应随机变量的均值,点估计误差将增大。

当m=3,即每个随机变量Xi取3个估计点(3n方案),若其中一个估计点取Xi的均值μ1,则对应的位置系数ξi,3=0,根据式(17)~式(19)同样可以求得ξi,k和wi,k的解析表达式。尽管构造了3n个估计点,但其中有n个点对应着同一估计点向量[μ1,μ2,…,μi,…,μn],因而只需要计算一次CTTC(μ1,μ2,…,μi,…,μn),因此3n方案转化为2n+1方案。

2n+1方案比2n方案的点估计精度高,因为它同时考虑了随机变量Xi的偏度以及峰度系数λi,3和λi,4,而计算量仅增加1次。

综上,考虑太阳能发电系统及负荷的不确定性,基于点估计法与Cornish-Fisher级数的TTC的概率计算步骤如下:

1)根据太阳能发电系统以及负荷的概率密度函数f(Psolar)和f(PL),求取每一随机变量Xi(Xi=Psolari或PLi)的均值、标准差、各阶中心矩,由式(18)得到随机变量Xi的规格化第j阶中心矩λi,j;

2)选取点估计方案(确定估计点数m值),由式(17)~式(19)计算位置系数ξi,k、权重系数wi,k,从而求得随机变量Xi的估计点(xi,k,wi,k)及对应向量[μ1,μ2,…,xi,k,…,μn]T(i=1,2,…,n;k=1,2,…,m);

3)对于每一估计点向量:

$\mathit{X}=[\mathit{{\rm P}}{}_{\text{s}\text{o}\text{l}\text{a}\text{r}},\mathit{{\rm P}}{}_{\text{L}}]{}^{\text{Τ}}=[\mu {}_1,\mu {}_2,\cdots ,x{}_{i,k},\cdots ,\mu {}_n]{}^{\text{Τ}}$

应用内点法求解TTC数学模型(式(1)~式(8)),得到CTTC(μ1,μ2,…,xi,k,…,μn)(i=1,2,…,n;k=1,2,…,m);

4)由式(20),计算TTC的各阶原点矩E(CTTCl);

5)根据半不变量与原点矩的函数关系,求得TTC的第r阶规格化半不变量κr;

6)应用Cornish-Fisher级数(式(13))求得TTC的概率分布。

4 算例分析

基于点估计法与Cornish-Fisher级数的TTC概率计算方法由C++语言实现,在Visual C++ 6.0环境下编译。采用该算法对IEEE 30节点系统进行计算,运行于Pentium双核1.6 GHz PC机。

IEEE 30节点系统划分为3个区域,每个区域有2台常规发电机、20个负荷和41条支路,如图1所示。考虑在节点25和28接入2个大型太阳能发电系统,相关数据见表1。20个负荷服从以原给定的负荷为均值、标准差为2%均值的正态分布。

Monte Carlo方法作为一种随机模拟仿真,可以用来检验算法的效率与准确性。表2和表3分别给出了点估计方法2n方案和2n+1方案以及2 000次Monte Carlo仿真的区域1到区域2、区域3的TTC计算结果。

从表中可以看出,与Monte Carlo方法相比,点估计方法2n和2n+1方案在计算TTC均值时,准确性都较高,相对误差很小;但对于标准差,2n方案的相对误差很大,区域1到区域2、区域3分别达到67.69%和33.26%,而2n+1方案仍保持较高的精度,2种TTC结果下的标准差相对误差仅为0.32%和0.68%。从计算效率来看,IEEE 30节点系统的20个负荷、2个太阳能发电系统输出功率作为随机变量,2n和2n+1方案分别构造44个和45个估计点,即分别需要44次和45次应用内点法求解TTC非线性优化模型,而Monte Carlo方法为2 000次计算,因此Monte Carlo方法的计算时间约为2种点估计方案的45倍左右。

图2给出了点估计法2n和2n+1方案基于Cornish-Fisher级数计算出的区域1到区域2的TTC概率密度分布曲线,同时与Monte Carlo方法的仿真曲线加以比较。从图中可以看出,点估计法2n方案的概率密度分布曲线误差很大,已经失真,不具有参考价值。而基于2n+1方案得到的概率密度分布曲线具有较高的精度,与Monte Carlo方法的仿真曲线基本一致。

图3为点估计法2n+1方案与Monte Carlo方法计算出的区域1到区域3的TTC概率密度分布曲线,同样验证了2n+1方案的有效性。

5 结语

本文基于点估计法与Cornish-Fisher级数,提出了一个考虑太阳能发电系统不确定性的TTC概率计算方法。通过点估计法,将概率评估转化为确定性计算,求得TTC的各阶原点矩,并由Cornish-Fisher级数求得TTC的概率分布。IEEE 30节点算例系统的计算结果表明,采用点估计法的2n+1方案有着较高的计算精度,同时,与Monte Carlo方法相比,计算量小,具有较高的适用性。

参考文献

[1]张永平,童小娇,倪以信,等.基于半光滑牛顿法的可用输电能力新算法.电力系统自动化,2004,28(7):35-38.ZHANG Yongping,TONG Xiaojiao,NI Yixin,et al.A novelmethod for calculating available transfer capability using semi-smooth Newton method.Automation of Electric PowerSystems,2004,28(7):35-38.

[2]王成山,孙玮,王兴刚.含大型风电场的电力系统最大输电能力计算.电力系统自动化,2007,31(2):17-21.WANG Chengshan,SUN Wei,WANG Xinggang.Totaltransfer capability calculation of power system including large-scale wind farm.Automation of Electric Power Systems,2007,31(2):17-21.

[3]崔雅莉,别朝红,王锡凡.输电系统可用输电能力的概率模型及计算.电力系统自动化,2003,27(14):36-40.CUI Yali,BIE Zhaohong,WANG Xifan.Study on probabilisticmodels and algorithms of available transfer capability.Automation of Electric Power Systems,2003,27(14):36-40.

[4]张强,韩学山,徐建政.可用输电能力的概率优化决策模型与计算.电力系统自动化,2007,31(23):15-18.ZHANG Qiang,HAN Xueshan,XU Jianzheng.Probabilisticoptimal decision-making model and solution for available transfercapability.Automation of Electric Power Systems,2007,31(23):15-18.

[5]王成山,王兴刚.考虑静态电压稳定约束并计及负荷和发电机出力不确定性因素的概率最大输电能力快速计算.中国电机工程学报,2006,26(16):46-51.WANG Chengshan,WANG Xinggang.Fast calculation ofprobabilistic total transfer capability considering static voltagestability constraints and the uncertainties of load and generatoroutput.Proceedings of the CSEE,2006,26(16):46-51.

[6]HONG H P.An efficient point estimate method for probabilisticanalysis.Reliability Engineering and System Safety,1998,59(3):261-267.

[7]KARAKI S H,CHEDID R B,RAMADAN R.Probabilisticperformance assessment of autonomous solar-wind energyconversion systems.IEEE Trans on Energy Conversion,1999,14(3):766-772.

[8]HILL G W,DAVIS A W.Generalized asymptotic expansions ofCornish-Fisher type.The Annals of Mathematical Statistics,1968,39(4):1264-1273.

[9]KENDALL M G,STUART A.The advanced theory ofstatistics.New York,NY,USA:Macmillan,1977.

极限传输容量 篇2

1研究背景

某硬件测试平台如图1所示,主要由上位机、 EZ - USB FX2、FPGA以及3片NORFLASH构成。其中,作为主控制器的FPGA选用了Xilinx Virtex - 6系列的XC6VLX130T芯片。USB芯片选用了Cypress公司的CY7C68053芯片。NORFLAH存储则选用3片容量为2 Gbit由Micron公司生产的P30系列芯片,用于大容量调制数据的存储。高速数据缓存选用3片由Samsung公司生产容量为2 Gbit的DDR3芯片,用于缓存高速并行调制数据。3片AD9910工作于并行调制模式,用于产生3通道高速调制波形。PC机运行基于C#编写的上位机。

2SLAVEFIFO的FPGA接口设计

CY7C68053外部集成 的配置灵 活的大端 点FIFO[],如图2所示,能使数据在片上和片外高速传输,其具有以下特性: 利用CY7C68053 CPU的外部数据通路,直接与外部主控逻辑连接; “块FIFO”的结构保证了USB和FIFO之间数据的瞬时传输或提交; 具有多功能接口,SLAVE FIFO接口或GPIF接口、异步或同步时钟接口、外部或内部时钟等[]。这些端点FIFO可根据数据传输带宽的需要进行不同的配置,如双缓冲、三缓冲和四缓冲等。其中,双缓冲是指一个缓冲区用于USB数据的缓冲,与此同时,外部控制器可操作同一端点的另一个缓冲区。

图3表示了CY7C68053的SLAVE FIFO接口以及与FPGA的连接示意图,其中EP2、EP4、EP6和EP8均可作为输 入或输出 端点进行 数据的传 输。其中, FLAGS为FIFO的标志引脚,用于报告FIFO的状态, 如“满”和“空”状态。SLOE、SLRD、SLWR、PKTEND、 和FIFOADR[1∶ 0]为控制引脚,分别表示FD输出使能、读端点FIFO、写端点FIFO、IN包发送控制和端点FIFO选择控制。IFCLK为时钟接口。

根据系统需求,CY7C68053的固件程序采用同步读写操作,将EP2设置为输出端点,512 Byte双倍缓冲,总线宽度16 bit; 将EP6设置为输入端点,512 Byte双倍缓冲,总线宽度16 bit; 采用内部IFCLK时钟。SLAVE FIFO的读写操作时序如图4所示。在写时序中,在SLWR有效的下一个时钟上升沿,数据锁存至SLAVE FIFO,完成数据的写入。在读时序中,SLOE有效后,SLAVE FIFO中的第一个数据被读出,此后使能SLRD依次读出SLAVE FIFO中的其他数据。为简化设计,SLOE和SLRD可同时使能,完成数据的读出。

3NORFLASH控制器的设计与实现

P30系列是Micron公司最新 一代的65纳米FLASH芯片,有64 Mbit到2 Gbit的可选存储容 量。 在本设计中,使用了P30系列中的PC28F00BP30EF芯片,存储容量2 Gbit,采用512 Byte缓冲编程模式对NORFLASH进行写入 操作,按页读取 的模式读 取NORFLASH中的数据[]。PC28F00BP30EF的主要设备控制信号如图5所示。

其中,A表示27位地址总线; DQ为16位设备数据总线; CLK、CE、ADV、OE、WE、WP和WAIT分别表示同步时钟输入、片选、地址锁存、输出使能、写使能、写保护和输出数据有效信号。PC28F00BP30EF提供了完备的命令用户接口( CUI) ,用户只需将操作命令写入CUI,由片上写状态机( WSM) 对所有的擦除和编程算法进行处理,即可对设备进行擦除以及读写操作。

表1给出了部分操作命令编码及其总线周期,其中,SRD表示状态寄存器( SR) 的数据,用于显示设备当前的忙或准备状态,以及用户操作遇到的错误信息等; N表示缓冲编程模式中缓冲器的大小,N≤512 Byte。

根据NORFLASH读写时序进行状态机设计的关键在于,对各个操作信号的保持建立时间进行有效的控制。NORFLASH的写时序如图6所示,WE#在上升沿锁存地址和数据。WE # 有效的最小保持时间为50 ns,到WE#升高,数据和地址总线需要至少50 ns的建立时间。异步页读时序如图7所示,ADV#锁存页初始地址所需的保持时间至少10 ns,地址锁存后,数据写入片内缓冲区最多需要105 ns,之后累加变化地址后4位即可依次读取16 Byte数据。

根据上文对于SLAVE FIFO和NORFLASH操作时序的描述,本文基于Verilog HDL硬件描述语言[9], 采用时序状态机实现了大容量调制数据的存储和传输,如图8所示。由于对NORFLASH的操作,需要频繁地向CUI写入命令,故将状态机中所有需要向CUI写入命令的状态复用为“WRFSH”状态,以达到简化设计和提高状态机效率的目的。同样,用于读取SR来判断设备状态的“RDSR”状态也采用了相同的设计方法。

状态机工作流程分为读和写两个进程。在读NORFLASH进程中。首先,在“RDFSH”状态中向CUI写入读阵列命令( 0XFF) ; 然后,状态机在“LATCHADDR”状态中锁存页初始地址; 最终由“OUTPUTDATA”状态输出读取数 据。在写NORFLASH进程中。首先,在 “UNLOCK”状态中对将要进行擦写的存储空间进行解锁操作,需要注意的是,此时WP#需要保持无效状态; 然后,在“ERASE ”状态中向CUI写入擦除 命令 ( 0X20) 和擦除确认命令( 0XD0) ,接下来,在“RDSR” 状态中判 断擦除是 否成功,若擦除成 功,由 “EP2STATE”状态判断SLAVE FIFO的状态标志; 最终,由“BUFFERPRO”状态和“WRBUFFER”状态配合, 将SLAVE FIFO中的数据采用缓冲编程的方式写入NORFLASH中,至此整个擦写过程结束。在擦除和缓冲编程的命令写入CUI后,NORFLASH内部状态机进行相关算法的操作,文中只需检测SR即可判断擦除或编程是否成功或失败,若失败则需根据SR的值判断失败的原因,并反馈给系统。

由于系统需要,设计将每片NORFLASH进行了存储空间的划分,每片划分为16段。因此,本文设计的控制模块除了SLAVE FIFO和NORFLASH的地址、控制和数据接口,还给顶层模块预留了段地址输入接口、 操作模式选择输入接口,方便顶层模块对NORFLASH和SLAVE FIFO之间的数据传输进行控制,如图所示, 大幅提高了系统的灵活性和可操作性。

4测试与分析

将工程文件添加至Xilinx ISE 14. 4中进行综合实现,并生成Bit文件下载至FPGA,利用在线调试工具Chip Scope进行信号的抓 取验证,其中采样时 钟采用CY7C68053输出的48 MHz时钟。本文进行了两种数据传输模式的测试: NORFLASH的写入测试,如图9所示; NORFLASH数据的读取验证,如图10所示。

在图9数据写入过程中,状态机向CUI写入0XE8和01FF后,NORFLASH进入缓冲编程模式,状态机控制SLOE( SLRD) 信号拉低,读取SLAVE FIFO中的数据,配合WE#信号,锁存地址和数据,缓冲区被写满 ( 512 Byte) 后,写入缓冲编程确认命令0XD0,NORFLASH内部状态机开始运行编程算法将512 Byte的数据写入NORFLASH中,状态机检测SR的值判断编程是否结束。如此反复,直至NORFLASH被写满。

在状态机的设计中,采用计数器对保持时间和建立时间进行控制。本设计中,WE#信号有效的保持时间、以及数据和地址到WE#信号上升沿的保持时间, 均为3个时钟周期62. 5 ns,大于NORFLASH所需的至少50 ns,从图中可看出,建立时间和保持时间均满足要求,数据被正常写入。

在图10数据读出过程中,状态机控制ADV#锁存页初始地址后,地址依次累加输出16字页数据,同时控制SLWR信号,将读出的数据写入SLAVE FIFO中。 如此反复,直至读取完NORFLASH所有地址的数据。

在异步按页读取的过程中,ADV#有效时的保持时间至少要为10 ns,才能锁存地址; 在地址锁存后,页数据在NORFLASH中被读出并缓存至内部缓冲区,该过程最长需要105 ns。从图中可看出,ADV#的保持时间显然大于10 ns,为保证设计的可靠性,在本设计的状态机中将等待页数据缓冲完毕的时间设置为6个时钟周期125 ns。从图中可看出,数据顺利读出。

从图9和图10中可看出,控制信号完 全符合SLAVE FIFO和NORFLASH对时序的要求。经过多次测试,NORFLASH的写入速度可达36. 5 MB /min,读出速度160 MB /min,传输速率完全符合系统需求。上位机将读取的数据与源数据进行比对,比对结果数据完全一致,表明状态机工作正常且稳定可靠。

5结束语

根据实际的工程需要,基于NORFLASH解决了在AD9910并行调制模式中,大容量相位、频率和幅度调制数据的存储和传输问题。通过对SLAVE FIFO和NORFLASH的介绍,基于FPGA设计了控 制SLAVE FIFO和NORFLASH数据双向传输的状态机,经过多次测试状态机工作稳定可靠。测试结果证明了该数据传输状态机的可行性,且因其用户接口简单,具有较好的可移植性,目前已应用于工程实践中。

摘要：针对在高速调制波形产生过程中大容量调制数据传输和存储的问题,提出了基于Virtex-6 FPGA采用USB设备和NORFLASH进行大容量数据传输与存储的设计方案。采用Verilog HDL硬件描述语言设计了SLAVE FIFO控制接口,以及NORFLASH擦写、读取控制器,实现了USB设备与NORFLASH之间6 Gbits的大容量数据的存储和回放验证。硬件测试结果表明,所设计的控制器工作稳定可靠,且具有较好的可移植性。

极限传输容量 篇3

氦气的低热膨胀系数造就了BarraCuda Pro一体铸铝成型的盘体，明显有别于机械硬盘的铸铝外壳+钢质冲压顶盖的结构，特别是用于“呼吸”的通气孔也消失了，取而代之的是可轻微形变的金属密封标签。

充氦的设计体现在产品外观上特征就是无通气孔的一体式铝合金外壳。

7碟片带来的益处显而易见，就是更高的内部传输速度，按照希捷公布的指标，其最大内部传输率可达2 695Mb/s，比8TB版本高5%。实际测试中，其接口持续读/写速度高达243MB/s和231MB/s，超过标称值10%之多。当然，256MB的超大容量缓存的作用也不可小视。虽然碟片更多且保持7 200r/min的高转速，但是10TB版本的BarraCuda Pro功耗却明显低于同系列小容量型号，启动电流、操作功耗及空载功耗都是如此，为7碟封装特质的超薄盘片功不可没。实际测试中，其最大读写功率为7.3W，而低头移至内圈后，读写功率逐步下降到5.8W水平，甚至低于多数双碟封装的硬盘，与单碟封装产品达到同样水平。当然，启动电流小也和希捷为其配备了特别的起停机制有关，其通电可用时长为20s，比4碟封装型号长5s～10s。

已收归希捷旗下的Avago公司主控芯片（左）和高达256MB的缓存（右）。

在可靠性方面，10TB版本BarraCuda Pro与其他型号一样，同样可达到30 000次起停、10-15故障概率水平，抗振能力也达到250Gs@2ms（非工作）/0.25Gs（工作）的主流水准，与其他硬盘一样使用即可。希捷为BarraCuda Pro系列提供5年质保，也从很大程度上解决了用户的后顾之忧。