CN103529698A - 发电机调速系统参数辨识方法 - Google Patents

Abstract

本发明公开了一种发电机调速系统参数辨识方法，其包括如下步骤：确定发电机调速系统模型的待辨识调速系统参数；采样获取输入数据对应实际系统输出的实测值；确定粒子群算法模型的粒子数、最大迭代次数；将粒子的初始值代入发电机调速系统模型进行时域仿真求解，获得采样的输入数据对应的发电机调速系统模型的输出数据；根据适应度函数计算粒子的适应度值，并对粒子群的位置和速度更新；根据适应度值确定粒子群的全局最优解p_g，根据全局最优解p_g对应的数据获取待辨识调速系统参数；其中，粒子群的全局最优解p_g为适应度值对应的粒子位置。本发明将待辨识调速系统参数映射为粒子群算法的"粒子"，从而在参数准确性上提升仿真计算结果，使之能够正确反映电网特性。

Description

发电机调速系统参数辨识方法

技术领域

本发明涉及电力系统发电机技术领域，尤其是涉及一种发电机调速系统参数辨识方法。

背景技术

发电机调速系统模型作为电网分析计算中最为重要元件模型之一，对电网的动态特性分析起着关键作用，过去电力部门常采用典型参数，难以真实反映电力系统的动态特性。而电力系统中发电机调速系统的模型和参数的准确程度直接关系到系统的安全稳定运行水平。

参数辨识是根据实际系统与仿真系统来确定的一组参数值，通过反复仿真，使得一个与实际系统处于同种工况的仿真系统，在相同的扰动信号作用下，该仿真系统输出的动态曲线逼近于实际录波曲线。在这个逼近过程当中，一方面由于对仿真精确程度的需求不同，整个系统当中的部分模块的简化程度也不尽相同，如果按照建立整体模型的方式构建标准模型库，那么模型库的意义就不够明确，而且模型库当中所包含的模型类别显得过于繁杂，缺乏条理，与当今标准模型建模过程当中的模块化建模主流理念之间存在较大差异；另一方面，在实际的试验过程当中，调速系统当中的部分功能模块，如死区和限流模块，在进行现场试验时没有投运，这使得参数辨识用的励磁及调速系统模型与专业电力系统分析计算软件当中的标准模型之间又存在些微的不同；同时在实际的参数辨识过程当中，整体的模型结构由多个结构清晰、实际物理意义明确的模块组成。因此，参数辨识应该从整体模型参数辨识本身的需要出发，构建整体参数辨识用的励磁及调速系统模型需要采用模块化建模的理念，同时有需要恰当的分解，形成整体与局部辨识统一的方法及策略。

早在上世纪70年代，IEEE（Institute of Electrical and Electronics Engineers，电气和电子工程师协会）已经在一份报告中对应用于电力系统分析计算的各类型原动机及其调速系统的数学模型进行归纳，而且给出它们典型数学模型框图，部分模型还提供了厂家设计参数，但大部分模型参数还是难以得到。

常见的发电机调速系统辨识方法，如最小二乘法，该方法在小扰动工况下忽略非线性因素，可以使用线性系统辨识方法获取模型参数；然而，大扰动过程中，由于实际系统的结构非线性以及非结构非线性环节，如同步发电机电磁功率中包含正弦项，液压执行机构的死区、饱和、限幅、速率限制等对系统的动态特性产生严重影响，导致系统输出某些点不连续。目前一些智能方法，如神经网络方法、模糊理论等具有较强的非线性映射能力，已经初步应用于发电机调速系统的辨识，但由于这些方法难以提供具体的物理参数，更难以为控制系统稳定性分析提供支持，因此在参数辨识，尤其是在线参数辨识中的应用极其有限。遗传算法将待辨识的模型未知参数构成算法搜索空间中的一个个体，在随机初始化一个遗传算法种群后，将种群的个体代入模型中，利用相同输入条件下模型仿真输出与实际系统输出之间的误差构造一个误差函数，利用遗传算法不断修正模型以获得最优结果。但该方法在进行发电机系统参数辨识时，需要繁琐的解码、编码过程，这些操作某些情况下严重影响了其效率。

发明内容

基于此，有必要针对现有技术的不足，提供一种发电机调速系统参数辨识方法，在明确发电机调速系统模型结构的前提下，能够通过所获得的实验数据来辨识发电机系统调速模型中的各参数值，并将其提供给电力系统分析软件，从而在参数辨识准确性上提升仿真计算结果，使之能够正确反映电网特性。

为解决上述技术问题，本发明所采用的技术方案是：一种发电机调速系统参数辨识方法，其包括如下步骤：

确定发电机调速系统模型的待辨识调速系统参数；

采样获取待辨识调速系统参数所需的实际系统输入数据，每组输入数据对应实际系统输出的实测值；

以待辨识系统参数为粒子构建粒子群算法模型，确定粒子群算法模型的粒子数、最大迭代次数；

将粒子的初始值代入所述发电机调速系统模型进行时域仿真求解，获得采样的输入数据对应的发电机调速系统模型的输出数据；

根据适应度函数计算粒子群算法模型的每一个粒子的适应度值，并对粒子群的位置和速度更新；

根据粒子群中粒子的适应度值确定粒子群的全局最优解p_g，根据全局最优解p_g对应的数据获取待辨识调速系统参数；其中，粒子群的全局最优解p_g为适应度值对应的粒子位置。

综上所述，本发明发电机调速系统参数辨识方法通过将待辨识调速系统参数映射为粒子群算法的"粒子"，不仅能够估计出实际系统的状态变量而且可以估计出实际系统的参数，从而在参数准确性上提升仿真计算结果，使之能够正确反映电网特性；同时将模型与输入变量相互组合，通过粒子群算法形成众多的子模型，在众多子模型中选取粒子群的全局最优解p_g对应的最佳子模型以拟合实际系统，同时确定调速系统模型的待辨识系统参数，最终将发电机调速系统的参数辨识转化为粒子群算法的模型优化问题。

附图说明

图1为本发明发电机调速系统模型的电子调节器部分的计算模型图；

图2为本发明发电机调速系统模型的执行机构部分的计算模型图；

图3为BPA模型库中水轮机原动机模型的计算模型图；

图4为图3所示将原动机部分所采用的传递函数结构框图进行等效的改进计算模型图；

图5为本发明发电机调速系统参数辨识流程图；

图6为本发明动态下频率斜坡上扰时发电机调速系统实测工作情况与发电机调速系统模型的仿真对比图。

具体实施方式

为能进一步了解本发明的特征、技术手段以及所达到的具体目的、功能，下面结合附图与具体实施方式对本发明作进一步详细描述。

本发明发电机调速系统参数辨识方法，具体包括如下步骤：

（1）、确定发电机调速系统模型的待辨识调速系统参数。

以水轮发电机为例，将发电机调速系统模型解耦分为若干部分，发电机调速系统模型主要包括电子调节器部分、执行机构部分和原动机部分的计算模块。

如图1所示，电子调节器部分的输入信号是测得的机组频率f_g，电子调节器部分的输出信号是经过PID控制调节的导叶开度信号Y_PID；电子调节器部分主要包括人工频率死区环节、反馈环节及PID控制环节，人工频率死区环节设置在发电机调速系统的测频后端部，机组频率f_g与给定频率f_c比较之后产生偏差信号Δf，需要经过人工频率死区环节，此时人工频率死区e_f已经转化为基于基准频率的标么值，同时由于频率偏差信号Δf已经标么化为频率偏差信号Δf′，其中，给定频率f_c设定的标么值范围为0.98～1.02，优选为1。

反馈环节包括永态差值装置，其不但能够根据调节模式的不同，使机组运行在给定开度Y_c或者给定负荷P_c下，能够实现有差调节从而调整不同机组的出力，反馈环节的输入信号为PID控制调节的导叶开度信号Y_PID与开度给定Y_c的比较信号或机组功率P_g与给定负荷P_c的比较信号，反馈环节的输出则是将比较信号送至积分通道，从而得到具有反馈元件的汽轮发电机调速系统模型。

PID控制环节首先将标么化后频率偏差信号Δf′与反馈环节的输出进行叠加，然后除以暂态转差率b_t，最后经PID控制环节放大校正后输出；反馈环节的输出为PID控制调节的导叶开度信号Y_PID与开度给定Y_c的差值或机组功率P_g与给定负荷P_c的差值乘以永态转差率b_p。

PID控制环节放大校正采用的是PID控制算法，PID控制就是三种基本的控制：比例控制P、积分控制I和微分控制D组合而成的一种综合控制，比例控制P实现信号的比例放大，积分控制I获得输入信号的积分，微分控制D获得输入信号的微分，PID控制环节放大校正采用比例积分控制PI和微分控制D并联的形式，比例积分控制PI是将比例和积分控制相结合的式子微分控制D的式子为

如此即使输入信号包含很小的阶跃量也不会引起经PID控制环节放大校正后输出信号较大的变化，以适应工业应用现场恶劣复杂的环境，其中，T_d为缓冲时间常数，S为拉普拉斯算子。

在参数辨识过程中，电子调节器部分需要对暂态转差率b_t、缓冲时间常数T_d、加速度时间常数T_n，微分衰减时间常数T_1v等参数进行校验和辨识。

如图2所示，执行机构部分的输入信号是PID控制调节的导叶开度信号Y_PID，执行机构部分的输出信号是接力器的行程Y，执行机构部分的作用主要是将微弱的电气控制信号转换为有一定操作能力能够驱动水轮机导叶的机械信号，使导叶开大或关小，从而调整水流流量；执行机构部分采用一次放大方式，即主配压阀-接力器放大方式，执行机构部分的输入信号Y_PID放大的传递函数

其中，T_y为接力器响应时间常数，执行机构部分需要对接力器响应时间常数T_y进行参数辨识。

PID控制调节的导叶开度信号Y_PID在进行放大之前，首先要经过主配压阀死区u_m，同时执行机构部分在输出过程中要经过主配压阀位移和接力器行程两个限幅环节保证主配压阀开启、关断位移和接力器位移都在允许的范围之内，US_max为主配压阀开启方向最大位移，LS_max为主配压阀关闭方向最大位移，Y_max为接力器最大行程，Y_min为接力器最小行程；执行机构部分在有一定值输入的时候，其输出会持续增加，所以，执行机构部分需要加一个负反馈装置，负反馈系数一般设定为1。

如图3和图4所示，原动机部分采用BPA模型库中水轮机原动机模型，见于PSD-BPA暂态稳定程序中T_w卡，其中，T_w的计算方法由下式给出：

$T_w=\frac{{\mathrm{KP}}_{E}L}{H_r\mathrm{A\η}}$

其中，T_w为原动机水流惯性时间常数，P_E为水轮机电磁功率；L为压力管道长度；K为量纲折算系数；H_r为水轮机水头高度；A为压力管道截面积；η为水轮机及发电机总效率。

将原动机部分所采用的传递函数结构框图进行等效，由于水轮机力矩对导叶开度的传递系数取值为1，导致原动机部分会与实际有很大的误差，因此，将水轮机力矩对导叶开度的传递系数改为功率-开度拟合曲线P-Y，其中，P-Y基于出力-开度对应关系实测获得，一般情况下可用P＝aY²+bY+c来表述，其中，Y为接力器行程，P为原动机输出有功功率，原动机部分仅需要对T_w进行参数辨识。

（2）、如图5所示，本发明发电机调速系统参数辨识流程步骤图。采样获取待辨识调速系统参数所需的实际系统输入数据，每组输入数据对应实际系统输出的实测值。

考虑到不同的待辨识系统参数组合可能对应着相同的实际系统输出，当待辨识系统参数为暂态转差率b_t、缓冲时间常数T_d、加速度时间常数T_n、微分衰减时间常数T_1v、接力器响应时间常数T_y和水流惯性时间常数T_w时，选择实际系统中同步发电机的转子功角δ_i、有功功率P_ei和定子电流I_i为实际系统输出；为保证参数辨识的准确性，需要对实际系统的输出实测值采样多组数据。

（3）、以待辨识系统参数为粒子构建粒子群算法模型，确定粒子群算法模型的粒子数、最大迭代次数。

对粒子群进行初始化，由于发电机调速器系统模型的不同，给定的初始化数值也不同，初始化后粒子群中的每一个粒子，除初始值形成的粒子外，每个粒子对应的待辨识调速系统参数的取值在求解空间中服从平均分配。

根据厂家给定的参数，分别给b_t、T_d、T_n、T_1v、T_y和T_w赋初始值，同时粒子群算法模型的粒子被赋初始值，初始化参数数值如表一所示，其中，b_t、T_d、T_n、T_1v、T_y和T_w为待辨识调速系统参数，根据待辨识调速系统参数的实际取值范围设定粒子群算法的求解空间：

表一BPA仿真数据中初始化的参数数值

（4）、将粒子的初始值代入发电机调速系统模型进行时域仿真求解，获得采样的输入数据对应的发电机调速系统模型的输出数据，所述发电机调速系统模型的输出数据为转子功角

有功功率

和定子电流的数据；

（5）、根据设定的适应度函数计算粒子群算法模型的每一个粒子的适应度值，并对粒子群的位置和速度更新。

根据适应度函数为 $F\left(X\right)=\frac{1}{N}(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{\δ}}_i-{\widehat{\mathrm{\δ}}}_i)}^2+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(P_{\mathrm{ei}}-{\hat{P}}_{\mathrm{ei}})}^2+\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(I_i-{\hat{I}}_i)}^2)$ 计算粒子群算法模型的每一个粒子的适应度值，用以确认发电机调速系统模型逼近实际系统的程度，其中，X为待辨识调速系统参数组成的六维粒子，X=[b_t、T_d、T_n、T_1v、T_y、T_w]；δ_i、P_ei、I_i表示实际系统输出实测值中的发电机调速系统的转子功角、有功功率、定子电流的第i个采样值，表示在待辨识调速系统辨识参数为粒子X的情况下所获得的时域仿真中发电机调速系统模型中转子功角、有功功率、定子电流的第i个输出采样值，图6给出了发电机调速系统实测工作情况与发电机调速系统模型的仿真对比图。

对粒子群的位置和速度进行更新的步骤包括，通过如下公式将每个粒子的速度v和位置x从第t代迭代更新到第t+1代：

$\begin{array}{c}{v}_{\mathrm{id}}^{t+1}=w\·v_{\mathrm{id}}^t+c_1\·(p_{\mathrm{id}}-(1+{\mathrm{\γ}}_1)x_{\mathrm{id}}^t)\\ +c_2\·(p_{\mathrm{gd}}-(1+{\mathrm{\γ}}_2)x_{\mathrm{id}}^t)\end{array}$

$x_{\mathrm{id}}^{t+1}=x_{\mathrm{id}}^t+v_{\mathrm{id}}^{t+1}$

其中，i＝1,2,…,n；d为每个粒子的维数，d＝1,2,…,m；w是惯性权重常数，用于平衡粒子群算法全局和局部搜索能力；c₁，c₂是加速常数，取值范围为[0，2]中相互独立不相关的随机数，t为粒子群更新迭代次数，γ₁和γ₂为随机数。

进一步地，对粒子群的位置和速度更新的步骤还包括：

若更新后的粒子速度超出设定的速度最大值或最小值，则将该粒子的速度设为相应设定的速度最大值或最小值；

若更新后的粒子位置超出了粒子群算法的求解空间，则将该粒子的位置赋值设为求解空间范围中的极大值或极小值。

进一步地，将该粒子的位置赋值设为求解空间范围中的极大值或极小值的步骤包括：

根据更新的粒子位置的赋值，在将粒子位置的赋值设为求解空间范围中的极值前，按照下式选取随机数γ₁和γ₂：

$\begin{array}{c}{\mathrm{\&gamma;}}_1<\frac{2\sqrt{c_1\&CenterDot;{\mathrm{rand}}_1-1}}{c_1\&CenterDot;{\mathrm{rand}}_1}\\ {\mathrm{\&gamma;}}_2<\frac{2\sqrt{c_2\&CenterDot;{\mathrm{rand}}_2-1}}{c_2\&CenterDot;{\mathrm{rand}}_2}\end{array};$

在将粒子位置的赋值设为求解空间范围中的极值后，按照下式选取随机数γ₁和γ₂，

$\begin{array}{c}{\mathrm{\&gamma;}}_1\&GreaterEqual;\frac{2\sqrt{c_1\&CenterDot;{\mathrm{rand}}_1-1}}{c_1\&CenterDot;{\mathrm{rand}}_1}\\ {\mathrm{\&gamma;}}_2\&GreaterEqual;\frac{2\sqrt{c_2\&CenterDot;{\mathrm{rand}}_2-1}}{c_2\&CenterDot;{\mathrm{rand}}_2}\end{array},$

其中，rand1及rand2为[0，1]之间相互独立的随机数；c₁，c₂是加速常数，取值范围为[0，2]中相互独立不相关的随机数。

（6）、根据粒子群中粒子的适应度值确定粒子群的全局最优解p_g，根据全局最优解p_g对应的数据获取待辨识调速系统参数；其中，粒子群的全局最优解p_g为适应度值对应的粒子位置。所述粒子群的全局最优解p_g为粒子群中适应度值最小的粒子位置。

进行条件判断，对粒子群的位置和速度更新还包括：

若粒子群的全局最优解p_g对应的适应度值大于设定的阈值或迭代次数小于设定的最大迭代次数，则重新确定粒子群算法的粒子数、最大迭代次数，并对粒子群的粒子进行初始化；

反之，则选出粒子群中适应度值最小的粒子位置为粒子群的全局最优解p_g，其中，所述阈值符合待辨识调速系统参数精度为0.001-0.01的要求。

进一步地，根据粒子群中粒子的适应度值确定粒子群的全局最优解p_g的步骤包括：

将每一个粒子的位置均设为各自粒子的个体最优解p_i，通过粒子群的位置和速度的更新公式来更新粒子的全局最优解p_g和个体最优解p_i，如果粒子X第t+1代位置的适应度小于其第t代位置的适应度，则将粒子X第t+1代位置赋值给第t代位置对应的个体最优解p_i；如果第t+1代粒子群中粒子的最小适应度小于第t代粒子群中粒子的适应度，则将第t+1代最小适应度粒子的位置赋值给全局最优解p_g。

发电机调速系统参数辨识方法中选出粒子群中适应度值最小的粒子位置作为初始化时粒子群的全局最优解p_g，即为粒子群最终的全局最优解，此时全局最优解对应的数据为待辨识调速系统参数。

综上所述，本发明发电机调速系统参数辨识方法所达成的效果包括：

（1）将待辨识调速系统参数映射为粒子群算法的一个"粒子"个体，不仅能够估计出实际系统的状态变量而且可以估计出实际系统的参数，实现了实际系统状态变量与参数的联合估计，可用于离线辨识和在线实时估计；

（2）基于发电机调速系统模型，通过惯性权重常数w的改进和增添收敛因子γ₁及γ₂的方法，提高收敛速度，并克服了后期容易陷入局部最优而影响算法收敛性能的缺点；

（3）将模型与输入变量相互组合，通过粒子群算法形成众多的子模型，在众多子模型中选取粒子群的全局最优解p_g对应的最佳子模型以拟合实际系统，同时确定调速系统模型的待辨识系统参数，最终将发电机调速系统的参数辨识转化为粒子群算法的模型优化问题，可用于多变量系统的结构和多参数的系统辨识。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。

Claims (10)

1.一种发电机调速系统参数辨识方法，其特征在于，包括如下步骤：

确定发电机调速系统模型的待辨识调速系统参数；

采样获取待辨识调速系统参数所需的实际系统输入数据，每组输入数据对应实际系统输出的实测值；

以待辨识系统参数为粒子构建粒子群算法模型，确定粒子群算法模型的粒子数、最大迭代次数；

将粒子的初始值代入所述发电机调速系统模型进行时域仿真求解，获得采样的输入数据对应的发电机调速系统模型的输出数据；

根据适应度函数计算粒子群算法模型的每一个粒子的适应度值，并对粒子群的位置和速度更新；

根据粒子群中粒子的适应度值确定粒子群的全局最优解p_g，根据全局最优解p_g对应的数据获取待辨识调速系统参数；其中，粒子群的全局最优解p_g为适应度值对应的粒子位置。

2.根据权利要求1所述的发电机调速系统参数辨识方法，其特征在于：所述粒子群的全局最优解p_g为粒子群中适应度值最小的粒子位置。

3.根据权利要求1所述的发电机调速系统参数辨识方法，其特征在于，在将粒子的初始值代入所述发电机调速系统模型进行时域仿真求解的步骤前还包括：

根据待辨识调速系统参数的实际取值范围设定粒子群算法模型的求解空间。

4.根据权利要求3所述的发电机调速系统参数辨识方法，其特征在于，对粒子群的位置和速度更新的步骤包括：

若更新后的粒子速度超出设定值，则将该粒子的速度赋值设为相应的设定值；

若更新的粒子位置超出了粒子群算法的求解空间范围，则将该粒子的位置赋值设为求解空间范围中的极大值或极小值。

5.根据权利要求4所述的发电机调速系统参数辨识方法，其特征在于，将该粒子的位置赋值设为求解空间范围中的极大值或极小值的步骤包括：

根据更新的粒子位置的赋值，在将粒子位置的赋值设为粒子群算法的求解空间范围中的极值前，按照下式选取随机数γ₁和γ₂，

$\begin{array}{c}{\mathrm{\&gamma;}}_1<\frac{2\sqrt{c_1\&CenterDot;{\mathrm{rand}}_1-1}}{c_1\&CenterDot;{\mathrm{rand}}_1}\\ {\mathrm{\&gamma;}}_2<\frac{2\sqrt{c_2\&CenterDot;{\mathrm{rand}}_2-1}}{c_2\&CenterDot;{\mathrm{rand}}_2}\end{array};$

在将粒子位置的赋值设为粒子群算法的求解空间范围中的极值后，按照下式选取随机数γ₁和γ₂，

$\begin{array}{c}{\mathrm{\&gamma;}}_1\&GreaterEqual;\frac{2\sqrt{c_1\&CenterDot;{\mathrm{rand}}_1-1}}{c_1\&CenterDot;{\mathrm{rand}}_1}\\ {\mathrm{\&gamma;}}_2\&GreaterEqual;\frac{2\sqrt{c_2\&CenterDot;{\mathrm{rand}}_2-1}}{c_2\&CenterDot;{\mathrm{rand}}_2}\end{array},$

其中，rand1及rand2为[0，1]之间相互独立的随机数；c₁，c₂是加速常数，取值范围为[0，2]中相互独立不相关的随机数。

6.根据权利要求1所述的发电机调速系统参数辨识方法，其特征在于，对粒子群的位置和速度更新的步骤包括，

通过如下公式将每个粒子的速度v和位置x从第t代迭代更新到第t+1代：

$\begin{array}{c}{v}_{\mathrm{id}}^{t+1}=w\&CenterDot;v_{\mathrm{id}}^t+c_1\&CenterDot;(p_{\mathrm{id}}-(1+{\mathrm{\&gamma;}}_1)x_{\mathrm{id}}^t)\\ +c_2\&CenterDot;(p_{\mathrm{gd}}-(1+{\mathrm{\&gamma;}}_2)x_{\mathrm{id}}^t)\end{array}$

$x_{\mathrm{id}}^{t+1}=x_{\mathrm{id}}^t+v_{\mathrm{id}}^{t+1}$

其中，i＝1,2,…,n；d为每个粒子的维数，d＝1,2,…,m；w是惯性权重常数，用于平衡粒子群算法全局和局部搜索能力；c₁，c₂是加速常数，取值范围为[0，2]中相互独立不相关的随机数，t为粒子群更新迭代次数，γ₁和γ₂为随机数。

7.根据权利要求6所述的发电机调速系统参数辨识方法，其特征在于，根据粒子群中粒子的适应度值确定粒子群的全局最优解p_g的步骤包括：

将每一个粒子的位置均设为各自粒子的个体最优解p_i，更新粒子的全局最优解p_g和个体最优解p_i，

如果粒子第t+1代位置的适应度小于其第t代位置的适应度，则将粒子第t+1代位置赋值给第t代位置对应的个体最优解p_i；

如果第t+1代粒子群中粒子的最小适应度小于第t代粒子群中粒子的适应度，则将第t+1代最小适应度粒子的位置赋值给全局最优解p_g。

8.根据权利要求6所述的发电机调速系统参数辨识方法，其特征在于，对粒子群的位置和速度更新的步骤还包括：

当粒子群的全局最优解p_g对应的适应度值大于设定的阈值或迭代次数小于设定的最大迭代次数时，重新确定粒子群算法的粒子数、最大迭代次数，并对粒子群进行初始化。

9.根据权利要求1所述的发电机调速系统参数辨识方法，其特征在于，所述适应度函数为：

$F\left(X\right)=\frac{1}{N}(\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{({\mathrm{\&delta;}}_i-{\widehat{\mathrm{\&delta;}}}_i)}^2+\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(P_{\mathrm{ei}}-{\hat{P}}_{\mathrm{ei}})}^2+\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(I_i-{\hat{I}}_i)}^2)$

其中，X为待辨识调速系统参数组成的粒子，δ_i、P_ei、I_i表示实际系统输出实测值中的发电机调速系统的转子功角、有功功率、定子电流的第i个采样值，

表示在待辨识调速系统辨识参数为粒子X的情况下所获得的时域仿真中发电机调速系统模型中转子功角、有功功率、定子电流的第i个输出采样值。

10.根据权利要求1所述的发电机调速系统参数辨识方法，其特征在于：所述发电机调速系统模型包括电子调节器部分、执行机构部分和原动机部分的计算模型；所述待辨识调速系统参数包括电子调节器部分的暂态转差率b_t、缓冲时间常数T_d、加速度时间常数T_n、微分衰减时间常数T_1v、执行机构部分的接力器响应时间常数T_y和原动机部分的水流惯性时间常数T_w。

Images