CN102968064A - 一种发电机励磁系统模型的动态自动更新方法 - Google Patents

Abstract

本发明涉及一种发电机励磁系统模型的动态自动更新方法，该方法包括：励磁系统同步智能终端同步采集励磁系统的动态数据发送给电网调度侧，电网调度侧对接收到的数据进行筛选，并根据筛选后的数据进行粒子群优化辨识，最后利用辨识结果对励磁系统模型进行动态自动更新。与现有技术相比，本发明具有实时反映励磁系统真实性能、实现稳定控制、有效提高电网计算结果正确性和可信度等优点。

Description

一种发电机励磁系统模型的动态自动更新方法

技术领域

本发明涉及一种电力系统控制技术，尤其是涉及一种发电机励磁系统模型的动态自动更新方法。

背景技术

随着我国电力系统的迅猛发展，电力系统的规模不断扩大，发电机组容量和电压等级不断提高，电力系统已步入高电压、大机组和交直流混合互联电网的新时代。在此背景下，基于电力系统机电暂态数学模型的动态仿真技术已成为电网调度部门制定电网运行方式和安稳控制措施的重要辅助手段。

发电机励磁系统模型作为电力系统机电暂态数学模型的重要组成部分，其模型参数的准确性直接决定了电力系统稳定计算的正确性和可信度，进而影响系统运行控制措施的制定与实施。

当前，电网调度部门能量管理系统(EMS)中高级应用模块(PAS)采用的励磁系统模型，其模型参数的整定一般是在发电机组首次并网交接试验中确定的。随着机组工作时间的积累，励磁系统性能难以避免会发生下降，其对应的励磁系统模型参数势必也发生变化。但电网调度部门由于缺少励磁系统并网后期的实测数据，其励磁系统模型存在不更新或更新不及时的问题。由此导致电网调度部门在电网稳定性分析计算中依据的励磁系统模型不能准确地反映励磁系统的实际性能，使计算结果的正确性和可信度降低。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种实时反映励磁系统真实性能、实现稳定控制、有效提高电网计算结果正确性和可信度的发电机励磁系统模型的动态自动更新方法。

本发明的目的可以通过以下技术方案来实现：

一种发电机励磁系统模型的动态自动更新方法，该方法包括：励磁系统同步智能终端同步采集励磁系统的动态数据发送给电网调度侧，电网调度侧对接收到的数据进行筛选，并根据筛选后的数据进行粒子群优化辨识，最后利用辨识结果对励磁系统模型进行动态自动更新。

所述的励磁系统包括励磁调节器、励磁功率单元、电力系统稳定器和发电机组。

所述的励磁系统同步智能终端通过GPS实时对励磁系统的动态数据进行高分辨率的同步采集，并对数据进行同步时间标定，然后通过高速以太网传输至电厂远程终端，再经电力调度数据网传输至电网调度侧。

所述的励磁系统的动态数据包括电压、电流、频率、频率变化率、机端电压和无功功率。

所述的对接收到的数据进行筛选的具体步骤为：

选取一段时间内的机端电压数据和无功功率数据，判断该段时间内机端电压和无功功率是否均发生变化，若是，则重新选取另一时间内的数据，若否，则选取该段时间内对应的数据进行粒子群优化辨识。

所述的机端电压是否发生变化的判断方法为：将某段时间内的机端电压数据平均分成若干子段，分别计算每个子段数据的平均值，获得这若干子段数据的最大平均值与最小平均值之差，并计算整段数据平均值，判断最大平均值与最小平均值之差是否小于整段数据平均值的1％，若是，则判断该段时间内的机端电压没有发生变化。

所述的粒子群优化辨识具体为：以励磁系统的实际输入作为励磁系统模型的输入，以励磁系统模型的输出和励磁系统实际输出的误差作为目标函数，采用粒子群优化算法进行励磁系统模型参数辨识，计算目标函数最小时对应的励磁系统模型参数并输出。

所述的粒子群优化算法进行励磁系统模型参数辨识的具体步骤为：

1)设定待辨识励磁系统模型的阶次和每一阶次内的算法执行次数；

2)初始化粒子群优化算法的参数，包括种群规模，惯性权重，加速因子、迭代次数、搜索空间，初始化粒子空间的位置和速度；

3)根据以下公式计算所有粒子初始适应度：

$f\left(x\right)=\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}C{[y_i-f(u_i,\mathrm{\θ})]}^2}$

其中，y_i表示实际励磁系统的输出，u_i表示励磁系统的输入信号，θ表示待辨识励磁系统的参数，f表示传递函数，C为大于零的常数，n表示粒子数；

4)根据粒子群优化算法更新所有粒子的位置、速度和适应度，并找到当前个体最优值和全局最优值；

5)判断是否达到最大迭代次数，若是，则执行步骤6)，若否，则返回步骤4)；

6)根据以下公式计算输出误差准则值FOE：

$\mathrm{FOE}=\frac{N+d}{N-d}\frac{1}{N}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}C{[y_i-f(u_i,\mathrm{\θ})]}^2$

其中，N为数据长度，d为模型参数个数；

7)判断是否执行完算法执行次数，若是，则执行步骤8)，若否，则返回步骤2)；

8)计算全部算法执行次数下FOE的平均值；

9)判断设定的阶次是否全部结束，若是，则执行步骤10)，若否，则返回步骤1)；

10)通过比较不同阶次对应的FOE平均值，确定模型的合适阶次；

11)在确定模型阶次的基础上，求解出模型参数。

所述的模型的合适阶次是指FOE平均值最小时对应的阶次。

与现有技术相比，本发明具有以下优点：

1)本发明解决了当前电网调度部门由于缺少励磁系统并网后期的实测数据，其稳定计算过程采用的励磁系统模型存在不更新或更新严重滞后的问题；

2)本发明实现了励磁系统模型的自动更新，使模型能够实时反映励磁系统的真实性能，从而为电网调度部门制定电网运行方式和安稳控制措施时提供更准确、更能反映实际的稳定计算结果。

附图说明

图1为本发明方法的流程示意图；

图2为本发明基于粒子群优化算法的励磁系统参数辨识流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，一种发电机励磁系统模型的动态自动更新方法，所述的励磁系统包括励磁调节器、励磁功率单元、电力系统稳定器和发电机组，所述的动态自动更新包括：励磁系统同步智能终端通过GPS实时对励磁系统的动态数据进行高分辨率的同步采集，并对数据进行同步时间标定，然后通过高速以太网传输至电厂远程终端，再经电力调度数据网传输至电网调度侧，电网调度侧对接收到的数据进行筛选，并根据筛选后的数据进行粒子群优化辨识，最后利用辨识结果对励磁系统模型进行动态自动更新。所述的励磁系统的动态数据包括电压、电流、频率、频率变化率、机端电压和无功功率。

励磁系统同步智能终端主要负责动态跟踪和记录发电机励磁系统动态运行过程、自动分析和记录发电机励磁系统运行事件、自动分析发电机并网稳定状态和小干扰事件、标定时间同步基准，将高分辨率采集的励磁系统动态数据实时上传。

由于实际励磁调节器参考电压的变化对励磁控系统参数辨识有很大影响。因此在进行在线辨识前，需要判断参考电压是否发生了改变，提取出励磁参考电压保持不变的一段数据用于参数辨识。判断原理：参考电压的变化是自动电压控制(AVC)的作用结果，因此参考电压变化时，机端电压和无功功率的变化趋势势必相同，即同时增加或同时降低，如果机端电压和无功功率都没有发生变化则说明参考电压没有发生变化。所以对接收到的数据进行筛选的具体步骤为：

首先选取一段时间内的机端电压数据和无功功率数据，判断该段时间内机端电压和无功功率是否均发生变化，若是，则重新选取另一时间内的数据，若否，则选取该段时间内对应的数据进行粒子群优化辨识。

所述的机端电压是否发生变化的判断方法为：将某段时间内的机端电压数据平均分成10个子段，分别计算每个子段数据的平均值，获得这10个子段数据的最大平均值与最小平均值之差，并计算整段数据平均值，判断最大平均值与最小平均值之差是否小于整段数据平均值的1％，若是，则判断该段时间内的机端电压没有发生变化。

所述的粒子群优化辨识具体为：以励磁系统的实际输入作为励磁系统模型的输入，以励磁系统模型的输出和励磁系统实际输出的误差作为目标函数，采用粒子群优化算法进行励磁系统模型参数辨识，计算目标函数最小时对应的励磁系统模型参数并输出。

粒子群优化(Particle Swarm Optimization，PSO)算法描述如下：

设搜索空间的维数为Q，粒子数为n。则每个粒子的位置表示为：

X_i＝(x_i1，x_i2，…，x_iQ)，i＝1，2，…，n

每个粒子的速度表示为：

V_i＝(v_i1，v_i2，…，v_iQ)，i＝1，2，…，n

每个粒子在搜索过程中要考虑两个最优值，一个是自己搜索到的历史最优值，一个是全部粒子搜索到的最优值。分别表示为：

P_i＝(p_i1，p_i2，…，p_iQ)，i＝1，2，…，n，P_g＝(p_g1，p_g2，…，p_gQ)

则每一步迭代中，粒子更新公式如下：

$\left\{\begin{array}{c}{v}_{\mathrm{id}}^{k+1}={\mathrm{\ωv}}_{\mathrm{id}}^k+c_1\mathrm{\ξ}(p_{\mathrm{id}}^k-x_{\mathrm{id}}^k)+c_2\mathrm{\η}(p_{\mathrm{gd}}^k-x_{\mathrm{id}}^k)\\ x_{\mathrm{id}}^{k+1}=x_{\mathrm{id}}^k+v_{\mathrm{id}}^{k+1}\end{array}\right.---\left(1\right)$

其中ω为惯性权重，反映粒子上一代速度对当前代速度的影响。c₁和c₂称为加速因子，分别代表粒子向个体极值和全局极值靠近过程的调整权重。ξ和η是[0，1]上均匀分布的随机数，用来保证群体的多样性。

如图2所示，粒子群优化算法进行励磁系统模型参数辨识的具体步骤为：

1)设定待辨识励磁系统模型的阶次和每一阶次内的算法执行次数；

2)初始化粒子群优化算法的参数，包括种群规模，惯性权重，加速因子、迭代次数、搜索空间，初始化粒子空间的位置和速度；

3)根据以下公式计算所有粒子初始适应度：

$f\left(x\right)=\frac{1}{E^2}=\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}C{[y_i-f(u_i,\mathrm{\θ})]}^2}---\left(2\right)$

其中，y_i表示实际励磁系统的输出，u_i表示励磁系统的输入信号，θ表示待辨识励磁系统的参数，f表示传递函数，C为大于零的常数，n表示粒子数；

4)根据公式(1)更新所有粒子的位置、速度和适应度，并找到当前个体最优值和全局最优值；

5)判断是否达到最大迭代次数，若是，则执行步骤6)，若否，则返回步骤4)；

6)根据以下公式计算输出误差准则值FOE；

$\mathrm{FOE}=\frac{N+d}{N-d}\frac{1}{N}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}C{[y_i-f(u_i,\mathrm{\θ})]}^2---\left(3\right)$

其中，N为数据长度，d为模型参数个数；

7)判断是否执行完算法执行次数，若是，则执行步骤8)，若否，则返回步骤2)；

8)计算全部算法执行次数下FOE的平均值；

9)判断设定的阶次是否全部结束，若是，则执行步骤10)，若否，则返回步骤1)；

10)通过比较不同阶次对应的FOE平均值，确定模型的合适阶次，模型的合适阶次是FOE平均值最小时对应的模型阶次，此时模型阶次最接近系统的真实阶次；

11)在确定模型阶次的基础上，求解出模型参数。

本发明通过该励磁系统同步智能组件技术对全网励磁系统的状态数据进行高分辨率的同步采集和实时上传，利用获取的励磁系统实时状态数据并基于粒子群优化算法，对励磁系统模型参数进行在线辨识，使励磁系统模型的输入输出与实际励磁系统的输入输出保持一致性，从而建立能够反映励磁系统真实性能的动态模型，并实现模型的自动更新。本发明方法可以有效提高电网调度部门稳定计算结果的正确性和可信度。

Claims (9)

1.一种发电机励磁系统模型的动态自动更新方法，其特征在于，该方法包括：励磁系统同步智能终端同步采集励磁系统的动态数据发送给电网调度侧，电网调度侧对接收到的数据进行筛选，并根据筛选后的数据进行粒子群优化辨识，最后利用辨识结果对励磁系统模型进行动态自动更新。

2.根据权利要求1所述的一种发电机励磁系统模型的动态自动更新方法，其特征在于，所述的励磁系统包括励磁调节器、励磁功率单元、电力系统稳定器和发电机组。

3.根据权利要求1所述的一种发电机励磁系统模型的动态自动更新方法，其特征在于，所述的励磁系统同步智能终端通过GPS实时对励磁系统的动态数据进行高分辨率的同步采集，并对数据进行同步时间标定，然后通过高速以太网传输至电厂远程终端，再经电力调度数据网传输至电网调度侧。

4.根据权利要求3所述的一种发电机励磁系统模型的动态自动更新方法，其特征在于，所述的励磁系统的动态数据包括电压、电流、频率、频率变化率、机端电压和无功功率。

5.根据权利要求4所述的一种发电机励磁系统模型的动态自动更新方法，其特征在于，所述的对接收到的数据进行筛选的具体步骤为：

选取一段时间内的机端电压数据和无功功率数据，判断该段时间内机端电压和无功功率是否均发生变化，若是，则重新选取另一时间内的数据，若否，则选取该段时间内对应的数据进行粒子群优化辨识。

6.根据权利要求5所述的一种发电机励磁系统模型的动态自动更新方法，其特征在于，所述的机端电压是否发生变化的判断方法为：将某段时间内的机端电压数据平均分成若干子段，分别计算每个子段数据的平均值，获得这若干子段数据的最大平均值与最小平均值之差，并计算整段数据平均值，判断最大平均值与最小平均值之差是否小于整段数据平均值的1％，若是，则判断该段时间内的机端电压没有发生变化。

7.根据权利要求1所述的一种发电机励磁系统模型的动态自动更新方法，其特征在于，所述的粒子群优化辨识具体为：以励磁系统的实际输入作为励磁系统模型的输入，以励磁系统模型的输出和励磁系统实际输出的误差作为目标函数，采用粒子群优化算法进行励磁系统模型参数辨识，计算目标函数最小时对应的励磁系统模型参数并输出。

8.根据权利要求7所述的一种发电机励磁系统模型的动态自动更新方法，其特征在于，所述的粒子群优化算法进行励磁系统模型参数辨识的具体步骤为；

1)设定待辨识励磁系统模型的阶次和每一阶次内的算法执行次数；

2)初始化粒子群优化算法的参数，包括种群规模，惯性权重，加速因子、迭代次数、搜索空间，初始化粒子空间的位置和速度；

3)根据以下公式计算所有粒子初始适应度：

$f\left(x\right)=\frac{1}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}C{[y_i-f(u_i,\mathrm{\θ})]}^2}$

其中，y_i表示实际励磁系统的输出，u_i表示励磁系统的输入信号，θ表示待辨识励磁系统的参数，f表示传递函数，C为大于零的常数，n表示粒子数；

4)根据粒子群优化算法更新所有粒子的位置、速度和适应度，并找到当前个体最优值和全局最优值；

5)判断是否达到最大迭代次数，若是，则执行步骤6)，若否，则返回步骤4)；

6)根据以下公式计算输出误差准则值FOE：

$\mathrm{FOE}=\frac{N+d}{N-d}\frac{1}{N}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}C{[y_i-f(u_i,\mathrm{\θ})]}^2$

其中，N为数据长度，d为模型参数个数；

7)判断是否执行完算法执行次数，若是，则执行步骤8)，若否，则返回步骤2)；

8)计算全部算法执行次数下FOE的平均值；

9)判断设定的阶次是否全部结束，若是，则执行步骤10)，若否，则返回步骤1)；

10)通过比较不同阶次对应的FOE平均值，确定模型的合适阶次；

11)在确定模型阶次的基础上，求解出模型参数。

9.根据权利要求8所述的一种发电机励磁系统模型的动态自动更新方法，其特征在于，所述的模型的合适阶次是指FOE平均值最小时对应的阶次。

Images