基于數據融合模型的勵磁系統參數辨識算法

曹路, 李建華, 時艷強, 楊玲, 朱宏超, 馬騰宇, 吳杰, 謝志平

(1.國家電網有限公司華東分部，上海 200120；2.國電南瑞科技股份有限公司, 江蘇 南京 211106；3.揚州第二發電有限責任公司，江蘇 揚州 225000)

0 引 言

發電機勵磁系統具有調節發電機端電壓和控制并列運行發電機無功功率分配的作用[1]。準確掌握每臺并網機組勵磁系統的參數對研究電網穩定性十分重要。

人工智能算法相較于傳統的時域與頻域辨識法，可以較好地解決勵磁系統非線性部分的參數辨識問題。文獻[2]提出遺傳算法及其改進應用于勵磁系統參數辨識。文獻[3]提出一種改進的粒子群算法可應用于解決勵磁系統的參數辨識問題。上述算法在勵磁系統的參數辨識問題上取得了一定的成效，但都只考慮了使用單一辨識法對系統進行辨識，無法保證辨識結果概率為1的收斂到全局最優點。信息融合技術可以很好地解決這個問題，它可以合理地協調多源數據，充分整合各種有用信息，以提高在不斷變化的環境中的正確決策能力[4-5]。

本文針對發電機勵磁參數辨識問題，采用人工網絡融合法，提出一種基于數據融合模型的辨識算法，應用于發電機勵磁系統參數辨識，有效地提高了算法的準確度與穩定性。

1 參數識別融合算法

1.1 數據融合模型

如圖1所示，以多種參數辨識算法的并聯結構為基礎，建立基于人工神經網絡的多信息融合模型。融合模型中，以灰狼優化算法(GWO)、粒子群算法(PSO)以及遺傳算法(GA)的參數辨識結果分別作為信息空間X1、X2、X3，構成融合模型第1級。同時將X1、X2、X3作為如圖2所示BP神經網絡的輸入信息，構成融合模型第2級。神經網絡隱含層第i(i=1,2,3)個神經元的值yi可表示為：

圖1 數據融合辨識模型

圖2 三層BP神經網絡模型

(1)

(2)

(3)

1.2 神經網絡初始權值優化

(4)

式中:Y1為神經網絡實際輸出;Yp為神經網絡期望輸出。引入松弛變量l與u，將不等式約束化為等式約束，然后再引入對數障礙函數與拉格朗日乘子s、t，形成增廣拉格朗日函數，如式(5)所示。

(5)

2 勵磁系統參數辨識

2.1 勵磁系統參數辨識模型

以華東某電廠1號機組為例，其勵磁系統為自并勵靜止勵磁系統，在BPA仿真環境中采用FV模型，如圖3所示。

圖3 自并勵靜止勵磁系統的FV模型

2.2 系統參數辨識算法流程

本文根據勵磁系統參數對發電機空載大、小干擾階躍響應的影響，分二步進行參數辨識。當發電機受到小擾動信號時，影響發電機階躍響應的模型參數為K、Tc1、Tb1、Kv、Tc2、Tb2、Ka、Ta、Kf和Tf。當發電機受到大擾動信號系統響應進入非線性區時，影響發電機階躍響應的模型參數為VRmax和VRmin。以發電機端電壓階躍響應實測輸出與仿真輸出偏差值的平方作為辨識的目標函數。

辨識步驟如下所示。

(1)在MATLAB/Simulink環境下，搭建原勵磁系統模型與實際系統模型。

(2)給原模型和實際系統模型同時施加相同小擾動信號。

(3)分別調用GWO、GA、PSO程序，得到K、Tc1、Tb1、Kv、Tc2、Tb2、Ka、Ta、Kf和Tf辨識值。

(4)調用人工網絡算法程序，對K、Tc1、Tb1、Kv、Tc2、Tb2、Ka、Ta、Kf和Tf每個參數的三個辨識值進行決策，得到合成值，并代入實際系統模型。

(5)對原模型和實際系統模型同時施加相同大階躍擾動信號。

(6)分別調GWO、GA和PSO程序，得到VRmax和VRmin辨識值。

(7)調用人工網絡算法程序，對VRmax和VRmin每個參數的三個辨識值進行決策，得到合成值。

(8)將所有參數辨識結果輸出。

3 仿真及分析

3.1 辨識算法評價

εi=|θR-θI|

(6)

(7)

式中:θR為勵磁系統模型真實參數;θI為勵磁系統算法辨識值;ε為各項參數的仿真值與真實值之間的偏差；n為參數辨識個數。

3.2 辨識仿真結果

本文在MATLAB仿真環境中搭建單機-無窮大電力系統仿真模型。發電機采用出廠參數。根據廠家勵磁系統結構，辨識設置Kv=0、Kf=0、Tf=0。Tb1可與K提取公因數，辨識時默認設置Tb1=1。Ka與K都為系統放大增益，設置Ka=1。綜合考慮時間與經濟的影響，GWO、PSO和GA算法均設置20個搜索代理，迭代次數為10。

3.2.1 單一辨識法辨識結果

單一算法重復試驗30次的辨識結果如圖4所示。

圖4中：30次重復試驗中，GWO第1次、PSO第1次和GA第24次的平均偏離誤差都接近于0；而GWO第10次的平均偏離誤差約1.25，PSO第20次的平均偏離誤差約1.165，GA第14的平均偏離誤差約1.331。表1～表3為上述辨識結果的詳細信息。顯然，GWO第10次、PSO第20次和GA第14次的辨識結果收斂到局部最優點，沒有完成勵磁系統參數辨識的要求。

表1 GWO辨識結果

表2 PSO辨識結果

表3 GA辨識結果

圖4 GWO、PSO和GA辨識平均偏離誤差

在使用單一辨識法進行勵磁系統參數辨識重復試驗時，都出現了辨識結果收斂到局部最優點的情況，算法精確度與穩定性都需要提升。

3.2.2 融合算法辨識結果

標準BP神經網絡在訓練過程中，各個權值的初值為(-1,1)間的隨機數，經1.2小節方法優化后的初值結果如表4所示。

表4 BP神經網絡初值優化

以GWO、PSO、GA運行100次的數據作為訓練樣本對人工神經網絡進行訓練。融合算法重復試驗30次，辨識結果的平均偏離誤差如圖5所示。

圖5 融合算法辨識平均偏離誤差

從圖5可見，基于融合模型的辨識算法大大降低了辨識參數的平均偏離誤差，并且權值優化后的辨識結果其平均偏離誤差普遍小于隨機初值的辨識結果，初始權值優化后的辨識效果更好。權值優化后的第4、第5次辨識結果如表5、表6所示。

表5 融合算法第4次辨識結果

表6 融合算法第5次辨識結果

第4次參數辨識中，三種辨識法的辨識結果均收斂到全局最優點附近，經過融合后，辨識結果收斂到全局最優點。在第5次辨識中，GA辨識結果收斂到局部最優點，而經過融合后，辨識結果收斂到全局最優點附近。因此，基于融合模型的辨識算法可以避免參數辨識值收斂到局部最優點的情形，降低辨識參數的平均偏離誤差，有效地提高了勵磁系統參數辨識的準確性與穩定性。

4 結束語

本文提出了一種基于數據融合模型的勵磁系統參數辨識方法，主要結論如下：

(1)采用數據融合技術，通過人工網絡融合法對單一辨識算法進行合成決策，提高了勵磁系統參數辨識的準確性與穩定性。

(2)基于數據融合模型的辨識方法有效地實現了非線性發電機勵磁系統的參數辨識，為實際工程實踐提供了切實的方法。