CN104898415A - 一种基于低通滤波的发电机组转动惯量参数的在线辨识方法 - Google Patents

Abstract

本发明公开了一种对发电机组转动惯量参数进行在线辨识的方法。该方法利用发电机组转动惯量是与秒级以上长时间常数相关的动态参数的特点，仅基于发电机运动方程辨识发电机组的转动惯量，避免了相量测量单元不能准确测量次暂态和暂态过程中的物理量以及次暂态和暂态参数不准确对转动惯量辨识造成的影响。针对发电机轴系机械功率无法直接测量的问题，提出了在动态辨识过程中，用低通滤波器从实测电磁功率获取机械功率变化曲线的方法，从而避免不考虑机械功率变化所带来的误差，也使得在辨识中可使用较长时间的动态曲线。

Description

一种基于低通滤波的发电机组转动惯量参数的在线辨识方法

技术领域

本发明属于发电机组参数辨识领域，特别涉及一种对发电机组转动惯量参数进行在线辨识的方法。

背景技术

转动惯量是表征发电机组动态特性的最重要参数之一，其准确与否对于电力系统的安全稳定分析具有重要的影响。发电机组的转动惯量是由发电机组的各旋转部件的转动惯量之和所决定的。例如，对于火电机组其转动惯量通常是由发电机组转动惯量、汽轮机转动惯量和励磁机(采用静态励磁系统的发电机除外)转动惯量组成。由于这几部分旋转部件可能分属于不同的制造厂家并且结构复杂，因此在发电厂组合成发电机组后的转动惯量通常由甩负荷试验进行测试和验证。然而，很多发电机组由于实际运行条件和测试条件所限并没有进行这种甩负荷试验，无法获取实测转动惯量。作为替代的方案，这些机组的转动惯量取为厂家提供的各旋转部件的转动惯量之和，然而其准确性难以保证。

近年来基于相量测量单元(PMU)的广域测量系统在省级及以上电网调度中心得到广泛应用，这使得电网运行人员能够以25帧/秒或50帧/秒的速率同步观察电网中各发电机的动态运行过程，获取相应的功率、频率、转速、电压相量、电流相量等量测的动态过程曲线，基于这些动态信息，近年来提出了许多利用在线实测数据进行发电机参数辨识的解决方案，主要是基于遗传算法的发电机参数辨识，然而这些参数辨识都涉及发电机的电磁暂态方程，重点是辨识发电机的暂态和次暂态电抗以及相应的时间常数，辨识发电机组转动惯量的还没有见报道。并且实践表明，这些发电机参数辨识方法应用效果并不好，所得辨识结果误差大，且不稳定，这是由PMU的相量计算原理所决定的。因为PMU的相量定义是对1个完整工频录波的表示方法，暂态扰动期间，1个工频周期(大约20ms)往往还未完成，就被扰动改变了相量参数，目前PMU算法不能准确计算这种情况的瞬时相量值，这也决定了PMU只适合基于机电暂态模型的电力系统应用，而不适合涉及电磁暂态方程的电力系统应用。

发电机组转动惯量是决定发电机组机械运动速度变化快慢的主要物理量，对于发电机转速的变化，其时间常数是秒级，主要与其关联的是发电机运动方程，即机电方程。因此，对于仅辨识发电机组转动惯量来说，若各时刻的电气功率已知，可以不考虑电磁暂态方程对发电机组转子轴系运动的影响，从而减小电磁暂态期间相量量测的不准确对转动惯量辨识的影响，并完全避免电磁暂态参数不准确对发电机组转动惯量辨识的影响。因此本发明提出了仅基于发电机运动方程的采用遗传算法的在线转动惯量辨识方法。为了解决发电机轴系机械功率无法测量的问题，提出了在动态辨识过程中，用低通滤波器从实测电磁功率曲线获取机械功率变化曲线的方法，从而避免不考虑机械功率变化所带来的误差，也避免了试验法中为了满足机械功率不变的前提，导致能用于计算的动态曲线不能太长的缺点(通常只能取100毫秒到1秒的时间曲线)。这一方法的发明实现了发电机组转动惯量在线准确辨识，解决了PMU对电磁暂态过程测量不准确和机械功率无法量测造成的辨识困难。

发明内容

为了实现发电机组转动惯量的在线辨识，本发明提出了一种基于相量量测单元PMU的高密度同步量测数据，采用低通滤波器从实测电磁功率曲线获取机械功率变化曲线，仅使用发电机组运动方程，利用遗传算法实现的在线发电机组转动惯量辨识方法。

本发明具体采用以下技术方案。

一种发电机组转动惯量参数的在线辨识方法，其特征在于，所述方法包含以下步骤：

步骤1：识别扰动事件，获取该事件对应的基于PMU实测的发电机组动态过程曲线，发电机组动态过程曲线包括扰动期间的发电机组有功电磁功率曲线P_e，和基于实测转速得到的发电机组角速度曲线ω_r(t)，简称角速度实测曲线；

步骤2：利用低通滤波器获取扰动时间内发电机组有功电磁功率曲线P_e对应的发电机组机械功率变化曲线P_m；

步骤3：采用遗传算法求解使得以下目标函数最小的发电机组转动惯量M和阻尼系数D，

$\begin{array}{cc}\min & E(M,D)=\underset{t=1}{\overset{K}{\mathrm{\Σ}}}{(\mathrm{\ω}\left(t\right)-{\mathrm{\ω}}_r\left(t\right))}^2\end{array}---\left(1\right)$

式中，E(M,D)为目标函数，K为步骤1所获得的基于实测转速得到的角速度实测曲线中包含的总采样点数，ω_r(t)为角速度实测曲线在t时刻值，简称t时刻角速度的实测值，ω(t)为给定发电机组转动惯量M和阻尼系数D情况下根据实测发电机组有功电磁功率曲线和对应的机械功率变化曲线，采用下面公式求得的角速度仿真曲线上t时刻的值：

$\mathrm{\ω}\left(t_n\right)=\frac{P_m\left(t_{n-1}\right)-P_e\left(t_{n-1}\right)-D\×{\mathrm{\ω}}^2\left(t_{n-1}\right)}{M\×\mathrm{\ω}\left(t_{n-1}\right)}\mathrm{\Δt}+\mathrm{\ω}\left(t_{n-1}\right)---\left(2\right)$

式中，下标n和n-1表示PMU实测发电机组动态过程曲线采样时间点的序号，P_e(t_n-1)为第n-1个采样时刻的实测电磁功率；P_m(t_n-1)为由低通滤波器从实测的电磁功率曲线得到的第n-1个采样时刻的机械功率值，ω(t_n-1)为第n-1个采样时刻角速度的仿真值，△t为采样的时间步长；起始时刻t₀的仿真值ω(t₀)取为步骤1得到的实测角速度动态过程曲线第1个时间点t₀时刻的实测值ω_r(t₀)。

本发明进一步优选以下方案：

在步骤1中，监视发电机组PMU实时动态数据，当发现5秒移动时间窗口内发电机组转速与额定转速的差值超过4转/分钟或频率与额定频率的差值超过0.066HZ，且该移动时间窗口内发电机组有功功率最大值与最小值差值超过40MW，取该5秒时段以及前0.5秒和后0.5秒共6秒，称为扰动时间，在扰动时间内PMU记录的实时动态数据含有发电机对扰动的响应信息，可被提取出来用于发电机参数的辨识，被提取出的在扰动期间由PMU记录的动态过程数据即扰动期间的动态过程曲线，包括发电机组的转速n(转/分钟)、频率f(Hz)和发电机组有功电磁功率率P_e，其中转速和频率均转化为角速度ω(弧度/秒)。

在步骤2中，对于低通滤波器，取通带截止频率为0.04Hz，阻带截止频率取0.05Hz，通带波纹系数为1，阻带衰减系数为20，采样频率为200Hz，采用巴特沃斯低通IIR滤波器；

将扰动时间段内的6秒曲线向前后各延伸1秒，对8秒时间内PMU动态实时数据进行滤波，滤波完成后输出滤波后的原6秒时间段的动态数据作为发电机组机械功率变化曲线P_m。

在步骤3中，遗传算法的具体步骤如下：

3.1)对个体编码，生成初始种群；

发电机组的两个参数转动惯量M和阻尼系数D构成遗传算法个体[M,D]，不同的取值代表不同的个体，对遗传算法个体[M,D]采用十进制编码，种群的数目设为200个，在辨识参量的物理上下限范围内随机产生参量值，生成初始的200个个体；

3.2)计算每个个体[M,D]的适应度F(M,D)；

3.3)选择出适应度F(M,D)最大的个体，由该个体的参数[M,D]推算出的角速度仿真曲线与角速度实测曲线的误差E(M,D)，做为本次循环得到的最小误差E_min(M,D)_present，其比上一次循环得到的该误差E_min(M,D)_last的减小量，即本次循环的改进量为：

Improve＝E_min(M,D)_present-E_min(M,D)_last；

每次循环得到的改进量Improve均大于等于0，当连续100次循环，每次得到的改进量Improve均小于0.0001，则停止寻优，第100次循环得到的E_min(M,D)_present所对应的参数[M,D]，就是寻找到的最优的发电机组转动惯量M和阻尼系数D；否则执行步骤3.4；

3.4)根据轮盘赌选择算法选择和复制出新的200个个体；

3.5)对3.4节产生的个体进行交叉操作，产生新的200个个体；

3.6)对步骤3.5中产生的除标记为不可变异的最优个体外的199个个体中任选10个个体，对每个个体任选M或D，然后在M或D的上下限范围内随机产生新的参量值，由此生成新的10个变异的个体，然后返回步骤3.2。

在3.2)中，具体采用以下方式计算个体的适应度：

(1)首先对每个个体[M，D]，根据式(2)，计算出其与实测的角速度曲线对应的仿真角速度曲线；

(2)然后，根据下式计算出每个个体[M,D]的适应度F(M,D)

$F(M,D)=\frac{1}{E(M,D)}=\frac{1}{\underset{t=1}{\overset{K}{\mathrm{\Σ}}}{(\mathrm{\ω}\left(t\right)-{\mathrm{\ω}}_r\left(t\right))}^2}---\left(3\right)$

式中变量的定义与式(1)中相关变量的定义相同。

在3.4)中，具体按以下方法选择和复制出新的200个个体：

(1)适应度最优的1个个体直接保留；

(2)然后执行轮盘赌选择算法199次，从总种群中选择和复制出剩余的199个个体，种群第i个个体，在每次轮盘赌选择中被选中的概率由下式决定：

$p_i=\frac{F(M_i,D_i)}{\underset{k=1}{\overset{200}{\mathrm{\Σ}}}F(M_k,D_k)}---\left(4\right)$

式中F(M_i,D_i)和F(M_k,D_k)分别为第i个和第k个个体的适应度函数；

在3.5)中，按照以下方式进行交叉操作：

(1)适应度最优的1个个体直接复制为2个个体到下一代，并将其中的1个标记为不可变异个体；

(2)执行99次下述的交叉操作：从步骤3.4产生的200个个体中任选2个个体，进行M参数的互换，得到新的2个个体。

本发明利用发电机组转动惯量是与秒级以上长时间常数相关的动态参数的特点，仅基于发电机运动方程辨识发电机组的转动惯量，避免了相量测量单元对次暂态和暂态过程量测不准确以及次暂态和暂态参数不准确对发电机组转动惯量辨识造成的影响。针对发电机轴系机械功率无法直接测量的问题，提出了在动态辨识过程中，用低通滤波器从实测电磁功率曲线获取机械功率变化曲线的方法，从而避免不考虑机械功率变化所带来的误差，也避免了试验法中为了满足机械功率不变的前提，导致能用于计算的动态曲线不能太长的缺点，这一方法的发明实现了对发电机组转动惯量在线准确辨识，解决了PMU对电磁暂态过程测量不准确和机械功率无法量测造成的辨识困难。

附图说明

图1基于低通滤波考虑机械转矩变化的发电机组转动惯量在线辨识方法流程图。

具体实施方式

下面结合说明书附图和具体实施例对本发明的技术方案做进一步详细介绍。

如图1所示为基于低通滤波考虑机械转矩变化的发电机组转动惯量在线辨识方法流程图。本发明所提出的方法在实际系统中部署于电网调度中心的广域测量系统的高级应用服务器，利用实时测得的发电机组有功出力和角速度值，实现发电机组转动惯量的辨识。为了保证在线辨识结果的准确性，只利用大扰动期间相量测量单元PMU的记录结果进行发电机组转动惯量参数的辨识。对于各次参数辨识的结果，可以采用平均值法，确定发电机组的实测转动惯量值。对于每次捕捉到的足够大的扰动，采用下述本发明所提出的方法进行发电机组转动惯量的在线识别，其具体步骤如下：

步骤1：识别扰动事件，获取该事件对应的基于PMU实测的发电机组动态过程曲线，包括扰动期间的发电机有功电磁功率曲线P_e，基于实测转速得到的发电机组角速度实测曲线ω_r(t)，简称角速度实测曲线；具体方法如下：监视发电机组PMU实时动态数据(通常为50帧/秒)，当发现5秒移动时间窗口内转速与额定转速的差值超过4转/分钟或频率最大最小值超过0.066Hz，且对应时段有功功率最大值与最小值差超过40MW，取该5秒时段，以及前0.5秒和后0.5秒共6秒，称为扰动时间，这6秒内的PMU实时动态数据为扰动动态数据，内容包括发电机组的转速n(转/分钟)、频率f(Hz)、发电机组有功电磁功率P_e以及相应的时标，其中转速和频率均转化为角速度ω(弧度/秒)，下面的辨识计算将优先采用由转速转化得到的角速度，在没有转速测量时，使用由频率转化得到的角速度。

步骤2：利用低通滤波器获取扰动时间内发电机组有功电磁功率曲线P_e对应的机械功率变化曲线P_m。考虑到一次调频时间常数大约在5～12秒，因此取通带截止频率为0.04Hz，阻带截止频率取0.05Hz，通带波纹系数为1，阻带衰减系数为20，采样频率为200Hz，可采用巴特沃斯低通IIR滤波器(注：滤波器参数可根据机组一次调频性能进行微调，并可采用其他类型低通滤波器)。

为了避免滤波器在6秒曲线的边界附近产生误差，将6秒曲线向前后各延伸1秒，对8秒数据进行滤波，滤波完成后输出原6秒时间段的动态数据作为发电机组机械功率变化曲线P_m。

步骤3：采用遗传算法求解使得以下目标函数最小的发电机组转动惯量M和阻尼系数D，。

$\begin{array}{cc}\min & E(M,D)=\underset{t=1}{\overset{K}{\mathrm{\Σ}}}{(\mathrm{\ω}\left(t\right)-{\mathrm{\ω}}_r\left(t\right))}^2\end{array}---\left(1\right)$

式中E(M,D)为目标函数，K为步骤1所获得的基于实测的角速度动态过程曲线中包含的总采样点数ω_r(t)为基于实测的角速度动态过程曲线的t时刻值，简称t时刻角速度的实测值，ω(t)为给定发电机组转动惯量M和阻尼系数D情况下，根据实测发电机组电磁功率曲线和对应的机械功率变化曲线，采用下面公式求得的角速度仿真曲线上t时刻的值：

$\mathrm{\ω}\left(t_n\right)=\frac{P_m\left(t_{n-1}\right)-P_e\left(t_{n-1}\right)-D\×{\mathrm{\ω}}^2\left(t_{n-1}\right)}{M\×\mathrm{\ω}\left(t_{n-1}\right)}\mathrm{\Δt}+\mathrm{\ω}\left(t_{n-1}\right)---\left(2\right)$

式中，下标n和n-1表示PMU实测发电机组动态曲线采样时间点的序号，P_e(t_n-1)为第n-1个采样点的实测电磁功率；P_m(t_n-1)为由低通滤波器从实测电磁功率曲线得到的第n-1个采样时刻的机械功率值，ω(t_n-1)为第n-1个采样时刻角速度的仿真值，△t为采样的时间步长；起始时刻t₀的仿真值ω(t₀)取为取为步骤1得到的实测角速度曲线第1个时间点t₀时刻的实测值ω_r(t₀)。应说明的是(2)式实际上是由下面的发电机组转子运动方程经离散化后得到的：

$M\×\frac{\mathrm{d\ω}}{\mathrm{dt}}+D\×\mathrm{\ω}=\frac{P_m}{\mathrm{\ω}}-\frac{P_e}{\mathrm{\ω}}---\left(3\right)$

对于步骤1选择的6秒时段内的曲线，仿真值与实测值的差方和构成角速度仿真曲线与实际量测曲线的误差的衡量指标E(M,D)，该指标越小，则仿真曲线越接近实测曲线，相应的M和D越接近真实值。对最优M和D的搜寻本发明采用遗传算法。遗传算法可以有各种设计，例如对于M和D构成的个体，可以采用二进制编码，也可采用十进制编码，相应地采用对于二进制编码和十进制编码的交叉、变压操作。下面给出一种优选的遗传算法设计方法，具体步骤如下：

3.1)个体编码和初始种群生成；发电机组的两个参数转动惯量M和阻尼系数D构成遗传算法个体[M,D]，不同的取值代表不同的个体，对遗传算法个体[M,D]采用十进制编码，种群的数目设为200个，在辨识参量的物理上下限范围内随机产生参量值，生成初始的200个个体。

3.2)计算个体的适应度，具体方法如下：

(1)首先对每个个体[M，D]，根据式2，计算出其与实测角速度曲线对应的仿真角速度曲线；

(2)然后，根据下式计算出每个个体[M,D]的适应度F(M,D)

$F(M,D)=\frac{1}{E(M,D)}=\frac{1}{\underset{t=1}{\overset{K}{\mathrm{\Σ}}}{(\mathrm{\ω}\left(t\right)-{\mathrm{\ω}}_r\left(t\right))}^2}---\left(4\right)$

式中变量的定义见式1相关量的定义。即当发电机参数M,D的取值使得仿真曲线与实测曲线误差较小时，相应的遗传算法个体的适应度较大。

3.3)终止条件判断，具体方法如下：选择出适应度F(M,D)最大的个体，由该个体的参数[M,D]推算出的角速度仿真曲线与角速度实测曲线的误差E(M,D)，做为本次循环得到的最小误差E_min(M,D)_present，其比上一次循环得到的该误差E_min(M,D)_last的减小量，即本次循环的改进量为：

Improve＝E_min(M,D)_present-E_min(M,D)_last           (5)

由于每次下述的交叉、幅值和变异等遗传操作均采用最优保留策略，因此每次循环得到的改进量Improve均大于等于0，当连续100次循环，每次得到的改进量Improve均小于0.0001，则停止寻优，本次循环得到的E_min(M,D)_present所对应的参数[M,D]，就是寻找到的最优的发电机组转动惯量M和阻尼系数D；否则执行步骤3.4；

3.4)根据下述的轮盘赌选择算法选择和复制出新的200个个体：

a)适应度最优的1个个体直接保留；

b)然后执行轮盘赌选择算法199次，从总种群中选择和复制出剩余的199个个体，种群第i个个体，在每次轮盘赌选择中被选中的概率由下式决定：

$p_i=\frac{F(M_i,D_i)}{\underset{k=1}{\overset{200}{\mathrm{\Σ}}}F(M_k,D_k)}---\left(6\right)$

式中F(M_i,D_i),F(M_k,D_k)分别为第i个和第k个个体的适应度函数。

3.5)按以下方法对3.4节产生的个体进行交叉操作，产生新的200个个体。

a)适应度最优的1个个体直接复制为2个个体到下一代，并将其中的1个标记为不可变异个体；

b)执行99次下述的交叉操作：从步骤3.4产生的200个个体中任选2个个体，进行M参数的互换，得到新的2个个体。

3.6)对步骤3.5中产生的除标记为不可变异的最优个体外的199个个体中任选10个个体，对每个个体任选M或D，然后在M或D的上下限范围内随机产生新的参量值，由此生成新的10个变异的个体，然后返回步骤3.2。

申请人结合说明书附图对本发明的实施例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (8)

1.一种基于低通滤波的发电机组转动惯量参数的在线辨识方法，其特征在于：

采用低通滤波器从实测发电机组电磁功率曲线P_e(t)获取发电机组机械功率变化曲线P_m(t)，仅使用发电机组运动方程，利用遗传算法实现发电机组转动惯量在线辨识。

2.一种基于低通滤波的发电机组转动惯量参数的在线辨识方法，其特征在于，所述方法包含以下步骤：

步骤1：识别扰动事件，获取该事件对应的基于PMU实测的发电机组动态过程曲线，发电机组动态过程曲线包括扰动期间的发电机组有功电磁功率曲线P_e，和基于实测转速得到的发电机组角速度曲线ω_r(t)，简称角速度实测曲线；

步骤2：利用低通滤波器获取扰动时间内发电机组有功电磁功率曲线P_e对应的发电机组机械功率变化曲线P_m；

步骤3：采用遗传算法求解使得以下目标函数最小的发电机组转动惯量M和阻尼系数D，

式中，E(M,D)为目标函数，K为步骤1所获得的基于实测转速得到的角速度实测曲线中包含的总采样点数，ω_r(t)为角速度实测曲线在t时刻值，简称t时刻角速度的实测值，ω(t)为给定发电机组转动惯量M和阻尼系数D情况下根据实测发电机组有功电磁功率曲线和对应的机械功率变化曲线，采用下面公式求得的角速度仿真曲线上t时刻的值：

式中，下标n和n-1表示PMU实测发电机组动态过程曲线采样时间点的序号，P_e(t_n-1)为第n-1个采样时刻的实测电磁功率；P_m(t_n-1)为由低通滤波器从实测的电磁功率曲线得到的第n-1个采样时刻的机械功率值，ω(t_n-1)为第n-1个采样时刻角速度的仿真值，△t为采样的时间步长；起始时刻t₀的仿真值ω(t₀)取为步骤1得到的实测角速度动态过程曲线第1个时间点t₀时刻的实测值ω_r(t₀)。

3.根据权利要求2所述的发电机组转动惯量参数的在线辨识方法，其特征在于：

在步骤1中，采用下述的方法获取识别扰动事件，并获取扰动事件对应的PMU实测动态过程曲线：监视发电机组PMU实时动态数据，当发现5秒移动时间窗口内发电机组 转速与额定转速的差值超过4转/分钟或频率与额定频率的差值超过0.066HZ，且该移动时间窗口内发电机组有功功率最大值与最小值差值超过40MW，取该5秒时段以及前0.5秒和后0.5秒共6秒，称为扰动时间，获取扰动时间内由PMU记录的动态过程数据即扰动期间的动态过程曲线，所述动态过程数据包括发电机组的转速n(转/分钟)、频率f(Hz)和发电机组有功电磁功率P_e(MW)，其中转速和频率均转化为角速度ω(弧度/秒)。

4.根据权利要求2所述的发电机组转动惯量参数的在线辨识方法，其特征在于：

在步骤2中，对于低通滤波器，取通带截止频率为0.04Hz，阻带截止频率取0.05Hz，通带波纹系数为1，阻带衰减系数为20，采样频率为200Hz，采用巴特沃斯低通IIR滤波器；

将扰动时间段内的6秒发电机组有功电磁功率曲线向前后各延伸1秒，对8秒时间内PMU动态实时数据进行滤波，滤波完成后输出滤波后的原6秒时间段的动态数据作为发电机组机械功率变化曲线P_m。

5.根据权利要求2所述的发电机组转动惯量参数的在线辨识方法，其特征在于：

在步骤3中，遗传算法的具体步骤如下：

3.1)对个体编码，生成初始种群；

发电机组的两个参数转动惯量M和阻尼系数D构成遗传算法个体[M,D]，不同的取值代表不同的个体，对遗传算法个体[M,D]采用十进制编码，种群的数目设为200个，在辨识参量的物理上下限范围内随机产生参量值，生成初始的200个个体；

3.2)计算每个个体[M,D]的适应度F(M,D)；

3.3)选择出适应度F(M,D)最大的个体，由该个体的参数[M,D]推算出的角速度仿真曲线与角速度实测曲线的误差E(M,D)，做为本次循环得到的最小误差E_min(M,D)_present，其比上一次循环得到的该误差E_min(M,D)_last的减小量，即本次循环的改进量为：

Improve＝E_min(M,D)_present-E_min(M,D)_last；

每次循环得到的改进量Improve均大于等于0，当连续100次循环，每次得到的改进量Improve均小于0.0001，则停止寻优，第100次循环得到的E_min(M,D)_present所对应的参数[M,D]，就是寻找到的最优的发电机组转动惯量M和阻尼系数D；否则执行步骤3.4；

3.4)根据轮盘赌选择算法选择和复制出新的200个个体；

3.5)对3.4节产生的个体进行交叉操作，产生新的200个个体；

3.6)对步骤3.5中产生的除标记为不可变异的最优个体外的199个个体中任选10 个个体，对每个个体任选M或D，然后在M或D的上下限范围内随机产生新的参量值，由此生成新的10个变异的个体，然后返回步骤3.2。

6.根据权利要求5所述的发电机组转动惯量参数的在线辨识方法，其特征在于：

在3.2)中，具体采用以下方式计算个体的适应度：

(1)首先对每个个体[M，D]，根据式(2)，计算出其与实测的角速度曲线对应的仿真角速度曲线；

(2)然后，根据下式计算出每个个体[M,D]的适应度F(M,D)

式中变量的定义与式(1)中相关变量的定义相同。

7.根据权利要求5所述的发电机组转动惯量参数的在线辨识方法，其特征在于：

在3.4)中，具体按以下方法选择和复制出新的200个个体：

(1)适应度最优的1个个体直接保留；

(2)然后执行轮盘赌选择算法199次，从总种群中选择和复制出剩余的199个个体，种群第i个个体，在每次轮盘赌选择中被选中的概率由下式决定：

式中F(M_i,D_i)和F(M_k,D_k)分别为第i个和第k个个体的适应度函数。

8.根据权利要求5所述的发电机组转动惯量参数的在线辨识方法，其特征在于：

在3.5)中，按照以下方式进行交叉操作：

(1)适应度最优的1个个体直接复制为2个个体到下一代，并将其中的1个标记为不可变异个体；

(2)执行99次下述的交叉操作：从步骤3.4产生的200个个体中任选2个个体，进行M参数的互换，得到新的2个个体。