[发明专利]发电机调速系统参数辨识方法

说明书

技术领域

本发明涉及电力系统发电机技术领域，尤其是涉及一种发电机调速系统参数辨识方法。

背景技术

发电机调速系统模型作为电网分析计算中最为重要元件模型之一，对电网的动态特性分析起着关键作用，过去电力部门常采用典型参数，难以真实反映电力系统的动态特性。而电力系统中发电机调速系统的模型和参数的准确程度直接关系到系统的安全稳定运行水平。

参数辨识是根据实际系统与仿真系统来确定的一组参数值，通过反复仿真，使得一个与实际系统处于同种工况的仿真系统，在相同的扰动信号作用下，该仿真系统输出的动态曲线逼近于实际录波曲线。在这个逼近过程当中，一方面由于对仿真精确程度的需求不同，整个系统当中的部分模块的简化程度也不尽相同，如果按照建立整体模型的方式构建标准模型库，那么模型库的意义就不够明确，而且模型库当中所包含的模型类别显得过于繁杂，缺乏条理，与当今标准模型建模过程当中的模块化建模主流理念之间存在较大差异；另一方面，在实际的试验过程当中，调速系统当中的部分功能模块，如死区和限流模块，在进行现场试验时没有投运，这使得参数辨识用的励磁及调速系统模型与专业电力系统分析计算软件当中的标准模型之间又存在些微的不同；同时在实际的参数辨识过程当中，整体的模型结构由多个结构清晰、实际物理意义明确的模块组成。因此，参数辨识应该从整体模型参数辨识本身的需要出发，构建整体参数辨识用的励磁及调速系统模型需要采用模块化建模的理念，同时有需要恰当的分解，形成整体与局部辨识统一的方法及策略。

早在上世纪70年代，IEEE（Institute of Electrical and Electronics Engineers，电气和电子工程师协会）已经在一份报告中对应用于电力系统分析计算的各类型原动机及其调速系统的数学模型进行归纳，而且给出它们典型数学模型框图，部分模型还提供了厂家设计参数，但大部分模型参数还是难以得到。

常见的发电机调速系统辨识方法，如最小二乘法，该方法在小扰动工况下忽略非线性因素，可以使用线性系统辨识方法获取模型参数；然而，大扰动过程中，由于实际系统的结构非线性以及非结构非线性环节，如同步发电机电磁功率中包含正弦项，液压执行机构的死区、饱和、限幅、速率限制等对系统的动态特性产生严重影响，导致系统输出某些点不连续。目前一些智能方法，如神经网络方法、模糊理论等具有较强的非线性映射能力，已经初步应用于发电机调速系统的辨识，但由于这些方法难以提供具体的物理参数，更难以为控制系统稳定性分析提供支持，因此在参数辨识，尤其是在线参数辨识中的应用极其有限。遗传算法将待辨识的模型未知参数构成算法搜索空间中的一个个体，在随机初始化一个遗传算法种群后，将种群的个体代入模型中，利用相同输入条件下模型仿真输出与实际系统输出之间的误差构造一个误差函数，利用遗传算法不断修正模型以获得最优结果。但该方法在进行发电机系统参数辨识时，需要繁琐的解码、编码过程，这些操作某些情况下严重影响了其效率。

发明内容

基于此，有必要针对现有技术的不足，提供一种发电机调速系统参数辨识方法，在明确发电机调速系统模型结构的前提下，能够通过所获得的实验数据来辨识发电机系统调速模型中的各参数值，并将其提供给电力系统分析软件，从而在参数辨识准确性上提升仿真计算结果，使之能够正确反映电网特性。

为解决上述技术问题，本发明所采用的技术方案是：一种发电机调速系统参数辨识方法，其包括如下步骤：

确定发电机调速系统模型的待辨识调速系统参数；

采样获取待辨识调速系统参数所需的实际系统输入数据，每组输入数据对应实际系统输出的实测值；

以待辨识系统参数为粒子构建粒子群算法模型，确定粒子群算法模型的粒子数、最大迭代次数；

将粒子的初始值代入所述发电机调速系统模型进行时域仿真求解，获得采样的输入数据对应的发电机调速系统模型的输出数据；

根据适应度函数计算粒子群算法模型的每一个粒子的适应度值，并对粒子群的位置和速度更新；

根据粒子群中粒子的适应度值确定粒子群的全局最优解p_g，根据全局最优解p_g对应的数据获取待辨识调速系统参数；其中，粒子群的全局最优解p_g为适应度值对应的粒子位置。