基于數(shù)據(jù)融合模型的勵(lì)磁系統(tǒng)參數(shù)辨識(shí)算法

曹路, 李建華, 時(shí)艷強(qiáng), 楊玲, 朱宏超, 馬騰宇, 吳杰, 謝志平

(1.國(guó)家電網(wǎng)有限公司華東分部，上海 200120；2.國(guó)電南瑞科技股份有限公司, 江蘇 南京 211106；3.揚(yáng)州第二發(fā)電有限責(zé)任公司，江蘇 揚(yáng)州 225000)

0 引 言

發(fā)電機(jī)勵(lì)磁系統(tǒng)具有調(diào)節(jié)發(fā)電機(jī)端電壓和控制并列運(yùn)行發(fā)電機(jī)無(wú)功功率分配的作用[1]。準(zhǔn)確掌握每臺(tái)并網(wǎng)機(jī)組勵(lì)磁系統(tǒng)的參數(shù)對(duì)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(shí)域與頻域辨識(shí)法，可以較好地解決勵(lì)磁系統(tǒng)非線性部分的參數(shù)辨識(shí)問(wèn)題。文獻(xiàn)[2]提出遺傳算法及其改進(jìn)應(yīng)用于勵(lì)磁系統(tǒng)參數(shù)辨識(shí)。文獻(xiàn)[3]提出一種改進(jìn)的粒子群算法可應(yīng)用于解決勵(lì)磁系統(tǒng)的參數(shù)辨識(shí)問(wèn)題。上述算法在勵(lì)磁系統(tǒng)的參數(shù)辨識(shí)問(wèn)題上取得了一定的成效，但都只考慮了使用單一辨識(shí)法對(duì)系統(tǒng)進(jìn)行辨識(shí)，無(wú)法保證辨識(shí)結(jié)果概率為1的收斂到全局最優(yōu)點(diǎn)。信息融合技術(shù)可以很好地解決這個(gè)問(wèn)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(duì)發(fā)電機(jī)勵(lì)磁參數(shù)辨識(shí)問(wèn)題，采用人工網(wǎng)絡(luò)融合法，提出一種基于數(shù)據(jù)融合模型的辨識(shí)算法，應(yīng)用于發(fā)電機(jī)勵(lì)磁系統(tǒng)參數(shù)辨識(shí)，有效地提高了算法的準(zhǔn)確度與穩(wěn)定性。

1 參數(shù)識(shí)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(shí)算法的并聯(lián)結(jié)構(gòu)為基礎(chǔ)，建立基于人工神經(jīng)網(wǎng)絡(luò)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(shí)結(jié)果分別作為信息空間X1、X2、X3，構(gòu)成融合模型第1級(jí)。同時(shí)將X1、X2、X3作為如圖2所示BP神經(jīng)網(wǎng)絡(luò)的輸入信息，構(gòu)成融合模型第2級(jí)。神經(jīng)網(wǎng)絡(luò)隱含層第i(i=1,2,3)個(gè)神經(jīng)元的值yi可表示為：

圖1 數(shù)據(jù)融合辨識(shí)模型

圖2 三層BP神經(jīng)網(wǎng)絡(luò)模型

(1)

(2)

(3)

1.2 神經(jīng)網(wǎng)絡(luò)初始權(quán)值優(yōu)化

(4)

式中:Y1為神經(jīng)網(wǎng)絡(luò)實(shí)際輸出;Yp為神經(jīng)網(wǎng)絡(luò)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(duì)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(lì)磁系統(tǒng)參數(shù)辨識(shí)

2.1 勵(lì)磁系統(tǒng)參數(shù)辨識(shí)模型

以華東某電廠1號(hào)機(jī)組為例，其勵(lì)磁系統(tǒng)為自并勵(lì)靜止勵(lì)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(lì)靜止勵(lì)磁系統(tǒng)的FV模型

2.2 系統(tǒng)參數(shù)辨識(shí)算法流程

本文根據(jù)勵(lì)磁系統(tǒng)參數(shù)對(duì)發(fā)電機(jī)空載大、小干擾階躍響應(yīng)的影響，分二步進(jìn)行參數(shù)辨識(shí)。當(dāng)發(fā)電機(jī)受到小擾動(dòng)信號(hào)時(shí)，影響發(fā)電機(jī)階躍響應(yīng)的模型參數(shù)為K、Tc1、Tb1、Kv、Tc2、Tb2、Ka、Ta、Kf和Tf。當(dāng)發(fā)電機(jī)受到大擾動(dòng)信號(hào)系統(tǒng)響應(yīng)進(jìn)入非線性區(qū)時(shí)，影響發(fā)電機(jī)階躍響應(yīng)的模型參數(shù)為VRmax和VRmin。以發(fā)電機(jī)端電壓階躍響應(yīng)實(shí)測(cè)輸出與仿真輸出偏差值的平方作為辨識(shí)的目標(biāo)函數(shù)。

辨識(shí)步驟如下所示。

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

(2)給原模型和實(shí)際系統(tǒng)模型同時(shí)施加相同小擾動(dòng)信號(hào)。

(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(shí)值。

(4)調(diào)用人工網(wǎng)絡(luò)算法程序，對(duì)K、Tc1、Tb1、Kv、Tc2、Tb2、Ka、Ta、Kf和Tf每個(gè)參數(shù)的三個(gè)辨識(shí)值進(jìn)行決策，得到合成值，并代入實(shí)際系統(tǒng)模型。

(5)對(duì)原模型和實(shí)際系統(tǒng)模型同時(shí)施加相同大階躍擾動(dòng)信號(hào)。

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

(7)調(diào)用人工網(wǎng)絡(luò)算法程序，對(duì)VRmax和VRmin每個(gè)參數(shù)的三個(gè)辨識(shí)值進(jìn)行決策，得到合成值。

(8)將所有參數(shù)辨識(shí)結(jié)果輸出。

3 仿真及分析

3.1 辨識(shí)算法評(píng)價(jià)

εi=|θR-θI|

(6)

(7)

式中:θR為勵(lì)磁系統(tǒng)模型真實(shí)參數(shù);θI為勵(lì)磁系統(tǒng)算法辨識(shí)值;ε為各項(xiàng)參數(shù)的仿真值與真實(shí)值之間的偏差；n為參數(shù)辨識(shí)個(gè)數(shù)。

3.2 辨識(shí)仿真結(jié)果

本文在MATLAB仿真環(huán)境中搭建單機(jī)-無(wú)窮大電力系統(tǒng)仿真模型。發(fā)電機(jī)采用出廠參數(shù)。根據(jù)廠家勵(lì)磁系統(tǒng)結(jié)構(gòu)，辨識(shí)設(shè)置Kv=0、Kf=0、Tf=0。Tb1可與K提取公因數(shù)，辨識(shí)時(shí)默認(rèn)設(shè)置Tb1=1。Ka與K都為系統(tǒng)放大增益，設(shè)置Ka=1。綜合考慮時(shí)間與經(jīng)濟(jì)的影響，GWO、PSO和GA算法均設(shè)置20個(gè)搜索代理，迭代次數(shù)為10。

3.2.1 單一辨識(shí)法辨識(shí)結(jié)果

單一算法重復(fù)試驗(yàn)30次的辨識(shí)結(jié)果如圖4所示。

圖4中：30次重復(fù)試驗(yàn)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(shí)結(jié)果的詳細(xì)信息。顯然，GWO第10次、PSO第20次和GA第14次的辨識(shí)結(jié)果收斂到局部最優(yōu)點(diǎn)，沒(méi)有完成勵(lì)磁系統(tǒng)參數(shù)辨識(shí)的要求。

表1 GWO辨識(shí)結(jié)果

表2 PSO辨識(shí)結(jié)果

表3 GA辨識(shí)結(jié)果

圖4 GWO、PSO和GA辨識(shí)平均偏離誤差

在使用單一辨識(shí)法進(jìn)行勵(lì)磁系統(tǒng)參數(shù)辨識(shí)重復(fù)試驗(yàn)時(shí)，都出現(xiàn)了辨識(shí)結(jié)果收斂到局部最優(yōu)點(diǎn)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(shí)結(jié)果

標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中，各個(gè)權(quán)值的初值為(-1,1)間的隨機(jī)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(luò)初值優(yōu)化

以GWO、PSO、GA運(yùn)行100次的數(shù)據(jù)作為訓(xùn)練樣本對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。融合算法重復(fù)試驗(yàn)30次，辨識(shí)結(jié)果的平均偏離誤差如圖5所示。

圖5 融合算法辨識(shí)平均偏離誤差

從圖5可見(jiàn)，基于融合模型的辨識(shí)算法大大降低了辨識(shí)參數(shù)的平均偏離誤差，并且權(quán)值優(yōu)化后的辨識(shí)結(jié)果其平均偏離誤差普遍小于隨機(jī)初值的辨識(shí)結(jié)果，初始權(quán)值優(yōu)化后的辨識(shí)效果更好。權(quán)值優(yōu)化后的第4、第5次辨識(shí)結(jié)果如表5、表6所示。

表5 融合算法第4次辨識(shí)結(jié)果

表6 融合算法第5次辨識(shí)結(jié)果

第4次參數(shù)辨識(shí)中，三種辨識(shí)法的辨識(shí)結(jié)果均收斂到全局最優(yōu)點(diǎn)附近，經(jīng)過(guò)融合后，辨識(shí)結(jié)果收斂到全局最優(yōu)點(diǎn)。在第5次辨識(shí)中，GA辨識(shí)結(jié)果收斂到局部最優(yōu)點(diǎn)，而經(jīng)過(guò)融合后，辨識(shí)結(jié)果收斂到全局最優(yōu)點(diǎn)附近。因此，基于融合模型的辨識(shí)算法可以避免參數(shù)辨識(shí)值收斂到局部最優(yōu)點(diǎn)的情形，降低辨識(shí)參數(shù)的平均偏離誤差，有效地提高了勵(lì)磁系統(tǒng)參數(shù)辨識(shí)的準(zhǔn)確性與穩(wěn)定性。

4 結(jié)束語(yǔ)

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

(1)采用數(shù)據(jù)融合技術(shù)，通過(guò)人工網(wǎng)絡(luò)融合法對(duì)單一辨識(shí)算法進(jìn)行合成決策，提高了勵(lì)磁系統(tǒng)參數(shù)辨識(shí)的準(zhǔn)確性與穩(wěn)定性。

(2)基于數(shù)據(jù)融合模型的辨識(shí)方法有效地實(shí)現(xiàn)了非線性發(fā)電機(jī)勵(lì)磁系統(tǒng)的參數(shù)辨識(shí)，為實(shí)際工程實(shí)踐提供了切實(shí)的方法。