一种水轮发电机组励磁系统参数辨识方法

摘要

本发明公开了一种水轮发电机组励磁系统参数辨识方法，用于准确获取水轮发电机组励磁系统参数。根据水轮发电机组励磁系统建立仿真模型，然后依据该仿真系统建立采用实际系统输出与辨识系统输出的加权误差平方和作为参数辨识的目标函数，运用本发明设计的优选方法求解目标函数得到最优控制参数。本发明设计的水轮发电机组励磁系统参数辨识方法，采用一种新型启发式优化算法优化目标函数，可以搜索到更小的目标函数值，能得到更精确的辨识参数。更精确的辨识参数使得辨识系统输出与实际系统输出吻合较好。

主权项

一种水轮发电机组励磁系统参数辨识方法，其特征在于，所述方法包括如下步骤：步骤(1)：建立水轮发电机组励磁系统仿真模型，确定待辨识参数：所述的水轮发电机组励磁系统包括PID控制器、放大单元、励磁机、水轮发电机、测量单元；在所述水轮发电机组励磁系统中，通过测量单元测量到的水轮发电机机端电压与给定的参考电压比较，得到系统输出的偏移量，此偏移量经过PID控制器产生控制信号，再经过放大单元放大后作用于励磁机，实现对励磁电压的调节，从而进一步调节水轮发电机机端电压；需要辨识的参数向量为其中k_A,τ_A分别为放大单元增益和时间常数，k_E,τ_E分别为励磁机增益和时间常数，k_G,τ_G分别为水轮发电机增益和时间常数，k_S,τ_S分别为传感器增益和时间常数；步骤(2)：采集实际励磁系统动态过程数据：对实际励磁系统进行电压阶跃扰动试验，采集实际励磁系统动态过程数据，动态过程数据包括各环节输出，即放大单元输出V_R，励磁机输出V_F，水轮发电机机端电压V_t和传感器输出V_S；步骤(3)：建立励磁系统参数辨识目标函数，采用实际系统输出与辨识系统输出的加权误差平方和作为参数辨识的目标函数，目标函数定义如下：${\mathrm{minf}}_{WMSE}\left(\hat{\theta }\right)=\underset{k=1}{\overset{N_s}{\Sigma }}\underset{j=1}{\overset{s}{\Sigma }}{w}_j{\left(y_j\right(k)-{\hat{y}}_j(k\left)\right)}^2$其中N_s为系统输出采样点数，s为系统输出个数，w_j为权重，是待辨识参数，y_j(k)∈{V_R(k),V_F(k),V_t(k),V_S(k)}为实际系统输出；为辨识系统输出；步骤(4)：运用启发式优化算法求解步骤(3)中目标函数，获得待辨识系统参数；其中所述步骤(3)具体包括如下子步骤：Step 1：算法初始化：设置算法参数，包括群体规模N、最大迭代次数T、个体随机搜索数量N_l，淘汰幅度系数σ、跳跃阈值p；确定搜索待辨识参数的取值范围为[B_L,B_U]，具体k_A∈[k_A,min,k_A,max]，τ_A∈[τ_A,min,τ_A,max]，k_E∈[k_E,min,k_E,max]，τ_E∈[τ_E,min,τ_E,max]k_G∈[k_G,min,k_G,max]，τ_G∈[τ_G,min,τ_G,max]，k_S∈[k_S,min,k_S,max]，τ_S∈[τ_S,min,τ_S,max]，即B_L＝[k_A,min,τ_A,min,k_E,min,τ_E,min,k_G,min,τ_G,min,k_S,min,τ_S,min]表示励磁系统待辨识参数的最小值，B_U＝[k_A,max,τ_A,max,k_E,max,τ_E,max,k_G,max,τ_G,max,k_S,max,τ_S,max]表示励磁系统待辨识参数的最大值；在解空间[B_L,B_U]中随机初始化群体中所有个体的位置向量，其一组位置向量表示为X_i＝[k_A,τ_A,k_E,τ_E,k_G,τ_G,k_S,τ_S]；令当前迭代次数t＝0；Step 2：计算各个个体的目标函数值F_i^t＝f_WMSE(X_i(t))，i＝1,...,N，并寻找群体目标函数最小值，具有最小目标函数值的个体确定为当前最优个体X_B(t)；Step 3:对所有个体X_i(t)，i＝1,…,N进行个体随机搜索，更新X_i(t)；Step 4:按照个体位置更新公式更新个体位置向量X_i(t)，i＝1,…,N：$\left\{\begin{array}{c}{\delta }_i=|c_1·X_B(t)-X_i(t\left)\right|\\ X_i(t+1)=X_B\left(t\right)+c_2·{\delta }_i\end{array}\right.$δ_i为中第i个个体与当前最优个体的距离向量，随机数c₁＝2·rand，c₂＝(2·rand‑1)exp(‑10·t/T)，rand为(0,1)之间随机数；Step 5:判断个体是否需要被淘汰并重新初始化：Step 5.1：如果第i个个体满足公式则该个体被淘汰并重新初始化：$F_i^t>F_{ave}^t+\omega ·(F_{ave}^t-F_{min}^t),i=1,\mathrm{...},N$其中，是t代种群所有个体目标函数值的平均值，是最小的目标函数值，ω是一个随迭代次数而线性递增的参数，取值范围为[‑σ,σ]；Step 5.2：被淘汰的个体初始化：X_i＝rand(1,D)×(B_U‑B_L)+B_L其中，D为位置向量维数；Step 6:判断是否连续p代当前最优个体位置未发生移动，如果是，则认为种群灭亡，按照下式反演重构新的种群：$X_i=X_B+rand\times \frac{R^2}{{\delta }_i},i=1,2,\mathrm{...},N$其中R为反演半径，R＝0.1·||B_U‑B_L||；rand为(0，1)之间随机数，p为跳跃阈值；Step 7:t＝t+1，如果t>T，算法结束，输出当前最优个体位置作为终解，当前最优个体位置即为辨识得出的励磁系统参数；否则，转入Step 2。