基于数据融合模型的励磁系统参数辨识算法

2021-05-13曹路李建华时艳强杨玲朱宏超马腾宇吴杰谢志平

电气自动化 2021年2期

曹路, 李建华, 时艳强, 杨玲, 朱宏超, 马腾宇, 吴杰, 谢志平

(1.国家电网有限公司华东分部，上海 200120；2.国电南瑞科技股份有限公司, 江苏南京 211106；3.扬州第二发电有限责任公司，江苏扬州 225000)

0 引言

发电机励磁系统具有调节发电机端电压和控制并列运行发电机无功功率分配的作用[1]。准确掌握每台并网机组励磁系统的参数对研究电网稳定性十分重要。

人工智能算法相较于传统的时域与频域辨识法，可以较好地解决励磁系统非线性部分的参数辨识问题。文献[2]提出遗传算法及其改进应用于励磁系统参数辨识。文献[3]提出一种改进的粒子群算法可应用于解决励磁系统的参数辨识问题。上述算法在励磁系统的参数辨识问题上取得了一定的成效，但都只考虑了使用单一辨识法对系统进行辨识，无法保证辨识结果概率为1的收敛到全局最优点。信息融合技术可以很好地解决这个问题，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[4-5]。

本文针对发电机励磁参数辨识问题，采用人工网络融合法，提出一种基于数据融合模型的辨识算法，应用于发电机励磁系统参数辨识，有效地提高了算法的准确度与稳定性。

1 参数识别融合算法

1.1 数据融合模型

如图1所示，以多种参数辨识算法的并联结构为基础，建立基于人工神经网络的多信息融合模型。融合模型中，以灰狼优化算法(GWO)、粒子群算法(PSO)以及遗传算法(GA)的参数辨识结果分别作为信息空间X1、X2、X3，构成融合模型第1级。同时将X1、X2、X3作为如图2所示BP神经网络的输入信息，构成融合模型第2级。神经网络隐含层第i(i=1,2,3)个神经元的值yi可表示为：

图1 数据融合辨识模型

图2 三层BP神经网络模型

(1)

(2)

(3)

1.2 神经网络初始权值优化

(4)

式中:Y1为神经网络实际输出;Yp为神经网络期望输出。引入松弛变量l与u，将不等式约束化为等式约束，然后再引入对数障碍函数与拉格朗日乘子s、t，形成增广拉格朗日函数，如式(5)所示。

(5)

2 励磁系统参数辨识

2.1 励磁系统参数辨识模型

以华东某电厂1号机组为例，其励磁系统为自并励静止励磁系统，在BPA仿真环境中采用FV模型，如图3所示。

图3 自并励静止励磁系统的FV模型

2.2 系统参数辨识算法流程

本文根据励磁系统参数对发电机空载大、小干扰阶跃响应的影响，分二步进行参数辨识。当发电机受到小扰动信号时，影响发电机阶跃响应的模型参数为K、Tc1、Tb1、Kv、Tc2、Tb2、Ka、Ta、Kf和Tf。当发电机受到大扰动信号系统响应进入非线性区时，影响发电机阶跃响应的模型参数为VRmax和VRmin。以发电机端电压阶跃响应实测输出与仿真输出偏差值的平方作为辨识的目标函数。

辨识步骤如下所示。

(1)在MATLAB/Simulink环境下，搭建原励磁系统模型与实际系统模型。

(2)给原模型和实际系统模型同时施加相同小扰动信号。

(3)分别调用GWO、GA、PSO程序，得到K、Tc1、Tb1、Kv、Tc2、Tb2、Ka、Ta、Kf和Tf辨识值。

(4)调用人工网络算法程序，对K、Tc1、Tb1、Kv、Tc2、Tb2、Ka、Ta、Kf和Tf每个参数的三个辨识值进行决策，得到合成值，并代入实际系统模型。

(5)对原模型和实际系统模型同时施加相同大阶跃扰动信号。

(6)分别调GWO、GA和PSO程序，得到VRmax和VRmin辨识值。

(7)调用人工网络算法程序，对VRmax和VRmin每个参数的三个辨识值进行决策，得到合成值。

(8)将所有参数辨识结果输出。

3 仿真及分析

3.1 辨识算法评价

εi=|θR-θI|

(6)

(7)

式中:θR为励磁系统模型真实参数;θI为励磁系统算法辨识值;ε为各项参数的仿真值与真实值之间的偏差；n为参数辨识个数。

3.2 辨识仿真结果

本文在MATLAB仿真环境中搭建单机-无穷大电力系统仿真模型。发电机采用出厂参数。根据厂家励磁系统结构，辨识设置Kv=0、Kf=0、Tf=0。Tb1可与K提取公因数，辨识时默认设置Tb1=1。Ka与K都为系统放大增益，设置Ka=1。综合考虑时间与经济的影响，GWO、PSO和GA算法均设置20个搜索代理，迭代次数为10。

3.2.1 单一辨识法辨识结果

单一算法重复试验30次的辨识结果如图4所示。

图4中：30次重复试验中，GWO第1次、PSO第1次和GA第24次的平均偏离误差都接近于0；而GWO第10次的平均偏离误差约1.25，PSO第20次的平均偏离误差约1.165，GA第14的平均偏离误差约1.331。表1～表3为上述辨识结果的详细信息。显然，GWO第10次、PSO第20次和GA第14次的辨识结果收敛到局部最优点，没有完成励磁系统参数辨识的要求。

表1 GWO辨识结果

表2 PSO辨识结果

表3 GA辨识结果

图4 GWO、PSO和GA辨识平均偏离误差

在使用单一辨识法进行励磁系统参数辨识重复试验时，都出现了辨识结果收敛到局部最优点的情况，算法精确度与稳定性都需要提升。

3.2.2 融合算法辨识结果

标准BP神经网络在训练过程中，各个权值的初值为(-1,1)间的随机数，经1.2小节方法优化后的初值结果如表4所示。

表4 BP神经网络初值优化

以GWO、PSO、GA运行100次的数据作为训练样本对人工神经网络进行训练。融合算法重复试验30次，辨识结果的平均偏离误差如图5所示。

图5 融合算法辨识平均偏离误差

从图5可见，基于融合模型的辨识算法大大降低了辨识参数的平均偏离误差，并且权值优化后的辨识结果其平均偏离误差普遍小于随机初值的辨识结果，初始权值优化后的辨识效果更好。权值优化后的第4、第5次辨识结果如表5、表6所示。

表5 融合算法第4次辨识结果

表6 融合算法第5次辨识结果

第4次参数辨识中，三种辨识法的辨识结果均收敛到全局最优点附近，经过融合后，辨识结果收敛到全局最优点。在第5次辨识中，GA辨识结果收敛到局部最优点，而经过融合后，辨识结果收敛到全局最优点附近。因此，基于融合模型的辨识算法可以避免参数辨识值收敛到局部最优点的情形，降低辨识参数的平均偏离误差，有效地提高了励磁系统参数辨识的准确性与稳定性。