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(wǎng)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(fā)電有限責任公司，江蘇 揚州 225000)

0 引 言

發(fā)電機勵磁系統(tǒng)具有調(diào)節(jié)發(fā)電機端電壓和控制并列運行發(fā)電機無功功率分配的作用[1]。準確掌握每臺并網(wǎng)機組勵磁系統(tǒng)的參數(shù)對研究電網(wǎng)穩(wěn)定性十分重要。

人工智能算法相較于傳統(tǒng)的時域與頻域辨識法，可以較好地解決勵磁系統(tǒng)非線性部分的參數(shù)辨識問題。文獻[2]提出遺傳算法及其改進應用于勵磁系統(tǒng)參數(shù)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(tǒng)的參數(shù)辨識問題。上述算法在勵磁系統(tǒng)的參數(shù)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(tǒng)進行辨識，無法保證辨識結(jié)果概率為1的收斂到全局最優(yōu)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(xié)調(diào)多源數(shù)據(jù)，充分整合各種有用信息，以提高在不斷變化的環(huán)境中的正確決策能力[4-5]。

本文針對發(fā)電機勵磁參數(shù)辨識問題，采用人工網(wǎng)絡融合法，提出一種基于數(shù)據(jù)融合模型的辨識算法，應用于發(fā)電機勵磁系統(tǒng)參數(shù)辨識，有效地提高了算法的準確度與穩(wěn)定性。

1 參數(shù)識別融合算法

1.1 數(shù)據(jù)融合模型

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

圖1 數(shù)據(jù)融合辨識模型

圖2 三層BP神經(jīng)網(wǎng)絡模型

(1)

(2)

(3)

1.2 神經(jīng)網(wǎng)絡初始權值優(yōu)化

(4)

式中:Y1為神經(jīng)網(wǎng)絡實際輸出;Yp為神經(jīng)網(wǎng)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(shù)障礙函數(shù)與拉格朗日乘子s、t，形成增廣拉格朗日函數(shù)，如式(5)所示。

(5)

2 勵磁系統(tǒng)參數(shù)辨識

2.1 勵磁系統(tǒng)參數(shù)辨識模型

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

圖3 自并勵靜止勵磁系統(tǒng)的FV模型

2.2 系統(tǒng)參數(shù)辨識算法流程

本文根據(jù)勵磁系統(tǒng)參數(shù)對發(fā)電機空載大、小干擾階躍響應的影響，分二步進行參數(shù)辨識。當發(fā)電機受到小擾動信號時，影響發(fā)電機階躍響應的模型參數(shù)為K、Tc1、Tb1、Kv、Tc2、Tb2、Ka、Ta、Kf和Tf。當發(fā)電機受到大擾動信號系統(tǒng)響應進入非線性區(qū)時，影響發(fā)電機階躍響應的模型參數(shù)為VRmax和VRmin。以發(fā)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(shù)。

辨識步驟如下所示。

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

(2)給原模型和實際系統(tǒng)模型同時施加相同小擾動信號。

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

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

(5)對原模型和實際系統(tǒng)模型同時施加相同大階躍擾動信號。

(6)分別調(diào)GWO、GA和PSO程序，得到VRmax和VRmin辨識值。

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

(8)將所有參數(shù)辨識結(jié)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(tǒng)模型真實參數(shù);θI為勵磁系統(tǒng)算法辨識值;ε為各項參數(shù)的仿真值與真實值之間的偏差；n為參數(shù)辨識個數(shù)。

3.2 辨識仿真結(jié)果

本文在MATLAB仿真環(huán)境中搭建單機-無窮大電力系統(tǒng)仿真模型。發(fā)電機采用出廠參數(shù)。根據(jù)廠家勵磁系統(tǒng)結(jié)構(gòu)，辨識設置Kv=0、Kf=0、Tf=0。Tb1可與K提取公因數(shù)，辨識時默認設置Tb1=1。Ka與K都為系統(tǒng)放大增益，設置Ka=1。綜合考慮時間與經(jīng)濟的影響，GWO、PSO和GA算法均設置20個搜索代理，迭代次數(shù)為10。

3.2.1 單一辨識法辨識結(jié)果

單一算法重復試驗30次的辨識結(jié)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(jié)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(jié)果收斂到局部最優(yōu)點，沒有完成勵磁系統(tǒng)參數(shù)辨識的要求。

表1 GWO辨識結(jié)果

表2 PSO辨識結(jié)果

表3 GA辨識結(jié)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(tǒng)參數(shù)辨識重復試驗時，都出現(xiàn)了辨識結(jié)果收斂到局部最優(yōu)點的情況，算法精確度與穩(wěn)定性都需要提升。

3.2.2 融合算法辨識結(jié)果

標準BP神經(jīng)網(wǎng)絡在訓練過程中，各個權值的初值為(-1,1)間的隨機數(shù)，經(jīng)1.2小節(jié)方法優(yōu)化后的初值結(jié)果如表4所示。

表4 BP神經(jīng)網(wǎng)絡初值優(yōu)化

以GWO、PSO、GA運行100次的數(shù)據(jù)作為訓練樣本對人工神經(jīng)網(wǎng)絡進行訓練。融合算法重復試驗30次，辨識結(jié)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(shù)的平均偏離誤差，并且權值優(yōu)化后的辨識結(jié)果其平均偏離誤差普遍小于隨機初值的辨識結(jié)果，初始權值優(yōu)化后的辨識效果更好。權值優(yōu)化后的第4、第5次辨識結(jié)果如表5、表6所示。

表5 融合算法第4次辨識結(jié)果

表6 融合算法第5次辨識結(jié)果

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

4 結(jié)束語

本文提出了一種基于數(shù)據(jù)融合模型的勵磁系統(tǒng)參數(shù)辨識方法，主要結(jié)論如下：

(1)采用數(shù)據(jù)融合技術，通過人工網(wǎng)絡融合法對單一辨識算法進行合成決策，提高了勵磁系統(tǒng)參數(shù)辨識的準確性與穩(wěn)定性。

(2)基于數(shù)據(jù)融合模型的辨識方法有效地實現(xiàn)了非線性發(fā)電機勵磁系統(tǒng)的參數(shù)辨識，為實際工程實踐提供了切實的方法。