基于Matlab的勵磁系統參數辨識與評價

楊 玲 戴文波

基于Matlab的勵磁系統參數辨識與評價

楊 玲1戴文波2

（1. 國電南瑞科技股份有限公司，南京 211106； 2. 國網湖北省電力公司黃龍灘水力發電廠，湖北 十堰 442000）

本文基于Matlab搭建發電機勵磁系統模型，將勵磁調節器的實測采樣數據導入模型，利用遺傳算法、粒子群算法和灰狼算法對勵磁系統參數進行識別，結合機組性能狀態評價指標，實現對勵磁系統健康狀況的評價。

Matlab；勵磁系統；參數辨識；性能評價

0 引言

我國的電力系統廣泛使用數字型勵磁調節器，提高了機網協調運行水平，然而由于機組老化及系統故障等問題，勵磁系統的實際參數與出廠時校驗的參數相比可能發生變化。勵磁系統數學模型參數與勵磁系統實際參數的誤差直接決定了機電暫態計算結果的正確性和可信度[1]，從而影響暫態安全的裕度和電網穩定勵磁系統的參數。使勵磁系統仿真結果更接近真實值，對研究電網穩定性及制定合理的運行方式至關重要。

隨著智能電網建設的快速發展，電網設備的智能化水平不斷提高[2]。在線監測裝置用于反映電網設備的健康狀態，可以有效預防設備發生故障，保護電網的運行安全，因此越來越得到人們的關注[3-5]。文獻[6]采用粒子群算法對電力系統穩定器進行參數優化。文獻[7]通過制定誤差指標的標幺化判定準則實現同步發電機勵磁系統模型參數的離線辨識。文獻[8]提出一種基于模型參考方法的參數辨識，能夠實現定子磁鏈觀測。上述文獻主要研究了電網設備的在線監測裝置及勵磁系統傳統參數的優化，對于發電機勵磁系統網源協調參數優化的相關研究 較少。

本文針對發電機勵磁參數辨識問題，提出網源協調相關性能指標，建立基于現場實測數據的參數識別與評價模型，對發電機組涉網性能進行監測及參數采集，應用于勵磁系統參數辨識及機組涉網性能狀態評價。

1 勵磁系統參數識別軟件結構

勵磁系統參數識別軟件結構如圖1所示。讀取采集到的數據，通過軟件中構建的勵磁系統參數識別模型，對實際系統中發電機勵磁系統的運行狀態進行診斷，從而快速、準確地判斷發電機的運行狀態是否正常，并為調度側提供勵磁系統實際運行參數用于在線辨識。

圖1 勵磁系統參數識別軟件結構

輸入錄波數據為勵磁調節器的錄波文件；勵磁系統參數識別軟件主要由數據庫、勵磁系統近似計算模型、參數識別模型、參數檢驗算法等組成。檢驗算法根據不同的發電機勵磁系統，輸入相應的評價指標和裝置整定參數，得到校驗和診斷結果存入數據庫。

勵磁系統在線識別器的工作流程如下：

1）將電力系統及勵磁調節器中采集到的錄波數據輸入軟件中。

2）通過系統辨識，建立發電機勵磁系統的近似計算模型。

3）對近似計算模型進行一次階躍響應仿真計算，得到階躍響應的性能指標，即上升時間r、峰值時間p和超調量p，將其與實測發電機在線階躍數據進行對比。

4）依據相關評價標準，若仿真計算結果與實測結果差值超過偏差允許范圍，發出報警信號，提出勵磁參數的修正方式。

2 勵磁系統參數辨識

2.1 參數辨識原理

勵磁系統參數辨識是指：通過設定的準則，將數據擬合得最好的模型作為近似計算模型，使該模型和實際模型的輸入、輸出特性保持一致或保持在誤差允許范圍之內，其實質是一個參數尋優的過程。

參數辨識的基本過程是：首先選擇與實測模型結構最為接近的勵磁系統模型作為辨識模型；調整勵磁調節器的擾動錄波條件，讀取調節器的擾動錄波comtrade文件，將機端電壓實際值作為輸入數據()，勵磁電壓作為輸出()。采用同樣的輸入數據()輸入實際模型和辨識模型，獲得各自的輸出數據1()、2()，并計算出誤差和誤差函數()；若誤差函數()超出偏差允許范圍，則通過調用辨識算法不斷修正估計模型參數；反之則認為該辨識模型符合一定精度的要求。經反復迭代，獲得與實際模型相近的最優近似計算模型。勵磁系統參數辨識原理如圖2所示。

圖2 勵磁系統參數辨識原理

2.2 勵磁系統參數辨識模型

以某電廠發電機組為例，其勵磁系統為南瑞電控NES6100自并勵靜止勵磁系統，系統模型如圖3所示。

圖3 NES6100自并勵靜止勵磁系統模型

圖3中，REF為電壓給定值，OEL為過勵限制輸出，UEL為低勵限制輸出，G為發電機機端電壓，R為測量環節時間常數，PSS為電力系統穩定器（power system stabilizer, PSS）輸出，p為比例環節參數，i為積分環節參數，d為微分環節參數，A為勵磁系統自身時間常數，Rmax為電壓調節器最大輸出，Rmin為電壓調節器最小輸出，F為勵磁電壓。

本文以發電機端電壓實測輸出數據與仿真輸出偏差值的二次方最小作為單一辨識法的目標函數。目標函數為

式中，1()和2()分別為發電機端電壓實測輸出數據與發電機仿真模型機端電壓輸出值。

2.3 勵磁系統參數辨識結果對比

本文選取三個單一智能算法，灰狼優化算法（grey wolf optimizer, GWO）[9]、粒子群算法（particle swarm optimization, PSO）、遺傳算法（genetic algorithm, GA），進行融合集成[10]。幾種算法的辨識結果及偏差見表1。

表1 各算法辨識結果及偏差

由比例環節參數p真值與算法的偏差可以看出，灰狼優化算法的偏差為1.821 0，遺傳算法偏差為-1.870 1，粒子群算法的偏差為0.508 0，粒子群算法的偏差最小。由電壓調節器最大輸出Rmax真值與算法的偏差可以看出，灰狼優化算法偏差為-0.095 0p.u.，遺傳算法偏差為0.021 7p.u.，粒子群算法的偏差為0.018 9p.u.，粒子群算法的偏差最小。單一算法都可用于參數辨識，考慮到系統的非線性特性，對單一算法的結果進行融合集成，由表1結果可以看出，融合集成的結果比任意單一算法的偏差都小，因此采用融合集成的結果作為最終的辨識結果。

3 軟件仿真及分析

本文在Matlab仿真環境中搭建單機-無窮大電力系統真模型。采用第1節和第2節所述辨識原理和算法，對某發電廠某一臺發電機進行系統參數辨識，并生成勵磁系統參數辨識與性能評價軟件。

3.1 網源協調相關性能指標

電力系統發生短路、直流閉鎖等故障或者擾動時，可能導致系統中發電機機端電壓突降，發電機勵磁系統的調節動作。根據勵磁系統的調節原理、調節特性和網源協調對勵磁系統的要求，提出動態性能指標[11]，反映擾動時勵磁系統動作情況和電壓恢復情況。以下式中各量均為標幺值。

1）勵磁電壓相對變化比：反映勵磁系統響應機端電壓變化而做出反應的能力。

式中：lmax為擾動過程中勵磁電壓的最大值；l1為擾動前勵磁電壓穩態值，以擾動發生時刻前5s內勵磁電壓的平均值計算；fmin為擾動過程中機端電壓的最小值；f1為擾動前機端電壓穩態值。

2）無功功率相對變化比：反映擾動時的無功出力。

式中：max為擾動過程中無功功率的最大值；1為擾動前無功功率穩態值。

3）上升時間、超調量、調節時間：反映并網擾動發生時機端電壓恢復的快速性和穩定性。

上升時間r：從機端電壓的最低點開始，機端電壓相對于最低點的差值與擾動后穩態值相對于最低點的差值之比由10%上升到90%所需的時間，單位為s。

超調量p：擾動后機端電壓最大值減去擾動后穩態值對機端電壓下降的幅度之比的百分數。

式中：m為機端電壓恢復過程中的最大值；t2為機端電壓擾動后的穩態值。

調節時間s：從發電機端電壓最低點開始到機端電壓穩定時刻所需的時間，單位為s。

3.2 勵磁系統辨識及評價軟件

評價軟件界面如圖4所示。該軟件界面設計以功能實現為基礎，包括勵磁調節器、評價標準導入端口、輸入錄波數據導入端口及辨識結果導出端口。

圖4 評價軟件界面

單擊圖4中“勵磁調節器”圖標，出現如圖5所示勵磁調節器窗口，顯示界面包括“整定參數”結果顯示窗口、“運行”調節器按鈕，以及啟動“評價”辨識參數的4個試驗按鈕。

發電機、原動機及其調節系統參數設置界面如圖6所示，可選擇使用抽水蓄能機組、常規水輪機組或者汽輪機組，設置其對應的參數。

3.3 勵磁參數辨識結果驗證

辨識過程中，根據該廠勵磁系統結構，設置d=0，R=0.005s，A=0.003s，Rmax=8.62p.u.，Rmin=-6.0p.u.，綜合考慮時間成本與經濟成本的影響，GWO、PSO、GA均設置30個搜索代理，迭代次數為10。對PSO、GWO、GA的辨識結果進行人工網絡數據融合得到最終辨識結果見表2。辨識結果與出廠參數在空載階躍5%試驗下的性能指標對比見表3。

圖5 評價軟件窗口

圖6 參數設置界面

表2 辨識結果

表3 空載階躍性能指標對比

由表2與表3可知，本軟件完成了當前發電機組勵磁系統參數的辨識，并將辨識的控制性能與出廠參數下的系統進行了對比。表3中的數據顯示，當前發電機勵磁系統的控制性能與出廠參數下的系統相比，各項控制性能均在允許偏差范圍內。

3.4 勵磁系統辨識及評價

本軟件分為輸入錄波數據、輸入評價標準、整定參數、勵磁系統性能評價四大部分，實現對勵磁系統的參數辨識與對勵磁系統控制性能的評價。其中，輸入錄波數據、輸入評價標準主要為外界輸入；整定參數包括發電機參數及設置、原動機及其控制系統選擇與參數設置；勵磁系統性能評價包括動態性能校驗、頻率特性校驗、勵磁系統復核性試驗[12]（發電機空載電壓小階躍試驗、PSS退出負載小擾動試驗）等功能，對檢修后的勵磁系統進行性能校驗，實現對勵磁系統的評價，以下結果以動態性能校驗為例。

本軟件導入的評價標準為5個指標：無功功率相對變化比Q、勵磁電壓相對變化比f、超調量p、上升時間r和調整時間s。點擊“勵磁調節器”模塊，并點擊“運行”得到勵磁參數辨識結果，再點擊“動態性能校驗”按鈕。

系統正常時，出廠參數為p=60，i=20，Rmax= 8.62p.u.，Rmin=-6.05p.u.。將融合算法所得辨識結果與出廠參數分別代入校驗系統，對該系統的動態性能校驗結果如圖7所示，動態性能良好。

圖7 動態性能校驗結果（正常系統）

相關動態性能指標數據見表4，以出廠參數系統在擾動下的各項性能指標為基準，辨識系統所得的各項性能指標均在允許偏差范圍內，勵磁系統動態性能良好。

表4 動態性能指標數據（正常系統）

在實際生產與實踐過程中，勵磁系統進行檢修與校驗前后，系統的參數有可能變化，例如電廠工作人員會調節系統的PID參數，或者勵磁調節器在運行過程中內部發生故障，勵磁控制某環節失效等，都會影響勵磁系統的控制性能。

處于故障運行狀態的勵磁系統參數辨識結果見表5。

表5 故障勵磁系統參數辨識結果

采用故障擾動數據進行參數辨識的結果顯示動態特性曲線與出廠參數系統下的曲線存在誤差，動態性能指標超出允許范圍，檢修發現勵磁系統出現故障，系統進行提示，如圖8所示。相關動態性能指標數據見表6，在校驗系統下，上升時間、調節時間、勵磁電壓變化比都超出了允許范圍，表示辨識系統的控制性能與出廠參數下的系統控制性能有較大差異。

圖8 動態校驗超標提示

表6 動態性能指標數據（故障系統）

4 結論

本文設計出一種基于Matalb的勵磁系統辨識器，對某電廠電機勵磁系統參數進行辨識，得到了勵磁系統模型參數。主要結論如下：

1）本文通過對單一辨識算法進行融合集成，可有效地提高參數辨識結果的準確性。

2）所設計的勵磁系統在線辨識器，采集機組實際電氣量，經過精確模型的計算，有效地實現了發電機勵磁系統的參數辨識，同時可對勵磁系統性能進行評價，具有較強的工程實際推廣價值。

后續可搭載ARM專用版開發工具MDK，將軟件程序固化在在線監測裝置內部，實現網源的在線監測。基于本文的研究，輸入相應的評價指標和裝置整定參數，得到校驗和診斷結果存入數據庫，并可生成勵磁系統參數修正方案及報警信息，供運行人員參考。

[1] 賀仁睦, 沈峰, 韓冬, 等. 發電機勵磁系統建模與參數辨識綜述[J]. 電網技術, 2007(14): 62-67.

[2] 李欽豪, 張勇軍, 陳佳琦, 等. 泛在電力物聯網發展形態與挑戰[J]. 電力系統自動化, 2020, 44(1): 13-22.

[3] 錢文曉, 張俊雙, 李碩, 等. 極寒條件下輸電線路弧垂在線監測技術研究應用[J]. 電測與儀表, 2018, 55(1): 60-64.

[4] 申莉, 彭翔, 李力華. 關口電能計量裝置在線校驗及故障診斷采集前置裝置設計[J]. 電測與儀表, 2017, 54(19): 102-106.

[5] 王永強, 李長元, 胡芳芳, 等. 基于情感客觀過濾的變電設備在線監測裝置性能評估方法研究[J]. 電測與儀表, 2016, 53(16): 30-34.

[6] 劉斌, 楊培宏, 張玉杰. 基于廣域測量系統的電力系統低頻振蕩的抑制研究[J]. 電氣技術, 2013, 14(2): 36-40.

[7] 沈小軍, 李梧桐, 喬冠倫, 等. 同步發電機勵磁系統模型參數離線辨識自動尋優方法[J]. 電工技術學報, 2018, 33(18): 4257-4266.

[8] 金海, 黃進. 基于模型參考方法的感應電機磁鏈的自適應觀測及參數辨識[J]. 電工技術學報, 2006, 21(1): 65-69.

[9] 劉亨銘, 曹路. 基于改進灰狼算法的發電機勵磁系統參數辨識算法[J]. 電氣自動化, 2021, 43(2): 38-40, 60.

[10] 曹路, 李建華, 時艷強, 等. 基于數據融合模型的勵磁系統參數辨識算法[J]. 電氣自動化, 2021, 43(2): 64-66, 93.

[11] 何哲. 考慮網源協調的勵磁系統調節性能評價研究[D]. 武漢: 華中科技大學, 2017.

[12] 電力系統網源協調技術規范: DL/T 1870—2018[S].北京: 中國電力出版社, 2018.

Parameter identification and evaluation of excitation system based on Matlab

YANG Ling1DAI Wenbo2

(1. NARI Technology Co., Ltd, Nanjing 211106; 2. Huanglongtan Hydropower Plant of State Grid Hubei Electric Power Company, Shiyan, Hubei 442000)

In this paper, the model of generator excitation system is built based on Matlab. The parameters of excitation system are identified by using genetic algorithm, particle swarm optimization algorithm and gray wolf algorithm through importing the measured sampling data of excitation regulator into the model. The health status of excitation system is evaluated by the unit performance state evaluation indexes.

Matlab; excitation system; parameter identification; performance evaluation

2021-06-22

2021-07-26

楊 玲（1988—），女，江蘇省南京市人，碩士，高級工程師，主要從事發電機勵磁系統控制專業工作。