[发明专利]基于数据融合的发电机励磁系统参数辨识方法、装置和存储介质

说明书

本发明公开一种基于数据融合模型的发电机励磁系统参数辨识方法、装置和存储介质，方法首先获取发电机励磁系统结构参数以及实际系统模型，从而确定参数待辨识励磁系统模型；然后分别向实际系统模型和参数待辨识励磁系统模型分别多次施加小阶跃扰动信号和大阶跃扰动信号，并分别获取实际系统模型和参数待辨识励磁系统模型的响应输出；再采用多种优化算法以实际系统模型与参数待辨识模型的输出误差最小为优化目标，进行模型参数的寻优计算；然后将多种算法的寻优结果通过神经网络融合模型进行数据融合，即得到发电机励磁系统模型参数的辨识结果。本发明能够适用于发电机励磁系统的非线性特征进行模型参数辨识，且能够提高辨识精度、稳定性与辨识效率。

技术领域

本发明涉及发电机励磁系统技术领域，特别是一种基于数据融合的发电机励磁系统参数辨识方法、装置和存储介质。

背景技术

辨识发电机励磁系统参数，对准确计算与分析电力系统行为有着非常重要的意义，是电力系统电压控制和稳定运行的关键因素之一。

系统参数辨识就是按照某种准则，从一组模型中选择一个模型，使之能最好地拟合由系统的输入输出观测数据体现出的实际系统的动态或静态特性。辨识方法的选取在辨识精度上起着十分重要的作用，由辨识理论可知，辨识方法可分为经典辨识法和人工智能法两类。

经典辨识方法包括频域辨识法和时域辨识法，但实际发电机励磁系统中一般都存在限幅环节等因素影响，不再是一个简单的线性模型，扰动稍大就可能使得励磁系统中某些环节进入非线性区，这种情况下传统的时域辨识法与频域辨识法就无法很好地解决励磁系统参数的辨识问题。而人工智能算法相较于传统辨识法，诸如遗传算法、粒子群算法、蚁群算法等，可以有效解决非线性系统的辨识问题。但是，单一人工智能算法在实际应用中，都存在着收敛速度慢、全局搜索能力弱的缺点，要想获得足够的精度，需要花费大量的时间，难以找到时间成本与经济成本间的平衡。而数据融合技术可以很好的解决这个问题，它可以合理地协调多源数据，充分整合各种有用信息，以提高在不断变化的环境中的正确决策能力。

发明内容

本发明的目的是提供一种基于数据融合的发电机励磁系统参数辨识方法、装置和存储介质，利用多种智能优化算法并进行数据融合，能够对发电机励磁系统参数进行辨识，提高辨识精度、稳定性和辨识效率。

本发明采用的技术方案如下：

一方面，本发明提供一种发电机励磁系统参数辨识方法，包括：

获取发电机励磁系统结构参数以及实际系统模型；

根据系统结构参数和实际系统模型输入输出特性，确定参数待辨识励磁系统模型；参数待辨识励磁系统模型的模型参数包括：响应于小阶跃扰动信号影响发电机空载阶跃响应的第一模型参数组，和响应于大阶跃扰动信号影响发电机空载阶跃响应的第二模型参数组；

向实际系统模型和参数待辨识励磁系统模型分别多次施加小阶跃扰动信号，并分别获取实际系统模型和参数待辨识励磁系统模型响应于所述小阶跃扰动信号的输出；

向实际系统模型和参数待辨识励磁系统模型分别多次施加大阶跃扰动信号，并分别获取实际系统模型和参数待辨识励磁系统模型响应于所述大阶跃扰动信号的输出；

对于第一模型参数组中的模型参数：基于小阶跃扰动信号及其对应的输出，以实际系统模型与参数待辨识模型的输出误差最小为优化目标，采用多种优化算法分别对参数待辨识励磁系统模型进行模型参数的优化计算，得到分别对应各优化算法的第一模型参数组模型参数辨识结果；

对于第二模型参数组中的模型参数：基于大阶跃扰动信号及其对应的输出，以实际系统模型与参数待辨识模型的输出误差最小为优化目标，采用多种优化算法分别对参数待辨识励磁系统模型进行模型参数的优化计算，得到分别对应各优化算法的第二模型参数组模型参数辨识结果；