CN105529726A - 发电机电力系统稳定器参数整定方法 - Google Patents
发电机电力系统稳定器参数整定方法 Download PDFInfo
- Publication number
- CN105529726A CN105529726A CN201610079908.5A CN201610079908A CN105529726A CN 105529726 A CN105529726 A CN 105529726A CN 201610079908 A CN201610079908 A CN 201610079908A CN 105529726 A CN105529726 A CN 105529726A
- Authority
- CN
- China
- Prior art keywords
- data
- pss
- pss parameter
- neural net
- phase
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种发电机电力系统稳定器PSS参数整定方法,包括:获取现役机组的无补偿相频特性数据及相应的PSS参数数据,并根据所述无补偿相频特性数据及PSS参数数据编制训练样本;构建一神经网络,并利用所述训练样本对所述神经网络进行训练;利用训练后的神经网络、神经网络仿真函数及一发电机组的无补偿相频特性数据,计算得到所述发电机组的PSS参数整定数据。本发明的方法基于神经网络实现,能够降低操作复杂度,提高实验的安全性,确保电力系统安全运行。
Description
技术领域
本发明涉及电力技术领域,尤其涉及一种发电机电力系统稳定器参数整定方法。
背景技术
随着现代电力系统的发展,弱联系的电网、长距离的输电线路、重的系统负荷以及电网中对快速励磁系统的大量采用成为其主要特点。这些因素致使电力系统的阻尼降低,使得电力系统发生低频振荡的可能性大大增加,严重影响电力系统的稳定运行。目前,电力系统稳定器(PSS)是最有效的抑制低频振荡的措施。
电力系统稳定器(PowerSystemStabilizer,PSS)具有物理概念清楚、电路简单、调试方便等优点,已成为抑制低频振荡最有效的措施。为了保证PSS能安全可靠地工作,PSS投运前都必须进行参数整定,才能得到理想的阻尼效果。
现有技术中,可以根据试凑法,利用频谱分析仪将白噪声信号输入励磁调节器的内部,测量发电机励磁系统在PSS未投入时的电压相频特性,即无补充相频特性。逐一对PSS模型中的参数进行凑法,找到一合理的组参数值。
然而,该方法只能得到一组可接受的参数,而如果想得到优化甚至最优的参数方案,只能花费大量的时间去比较投入各组参数的实际效果,这在工程实际中是无法做到的;另外,参数整定的优劣很大程度上依赖于试验人员的现场经验和对数学模型掌握的熟练程度,一般人员很难顺利高效地完成此工作。
现有技术中,还可以根据仿真法,利用仿真软件建立与实际完全一致的电网、发电机、调速系统以及励磁系统模型;在励磁系统模型中加入PSS环节,通过仿真获得优化的PSS参数。
然而该方法基于仿真技术,需要第三方仿真软件的软件环境,要求试验人员精通电力系统仿真软件的应用。更重要的是仿真效果对电网、发电机、调速系统的实际参数依赖度很高,想得到准确地系统参数绝非易事。因此该方法多用于实验室测试的辅助手段,而很少在现场实际试验中应用。
发明内容
本发明提供一种发电机电力系统稳定器参数整定方法,以解决现有技术中的一项或多项缺失。
本发明提供一种发电机电力系统稳定器PSS参数整定方法,包括:获取现役机组的无补偿相频特性数据及相应的PSS参数数据,并根据所述无补偿相频特性数据及PSS参数数据编制训练样本;构建一神经网络,并利用所述训练样本对所述神经网络进行训练;利用训练后的神经网络、神经网络仿真函数及一发电机组的无补偿相频特性数据,计算得到所述发电机组的PSS参数整定数据。
一个实施例中,获取现役机组的无补偿相频特性数据及相应的PSS参数数据,包括:根据所述现役机组的PSS结构特点,从所述现役机组的所有的相频数据及相应的PSS参数中选取部分数据作为所述现役机组的无补偿相频特性数据及相应的PSS参数数据。
一个实施例中,构建一神经网络,并利用所述训练样本对所述神经网络进行训练,包括:步骤301:将所述训练样本输入至一训练函数,生成所述神经网络;步骤302:利用所述神经网络仿真函数对所述神经网络进行仿真,并输出所有所述训练样本对应的误差;步骤303:以最大的所述误差对应的训练样本为权值,为所述神经网络添加一个隐含层神经元;步骤304:重复执行步骤301至步骤303,对添加所述隐含层神经元后的所述神经网络进行仿真,当所有所述训练样本对应的误差中的最大值达到一设定误差值或者所述神经网络的隐含层神经元个数不再增加时,将最终得到的神经网络作为所述训练后的神经网络。
一个实施例中,利用训练后的神经网络、神经网络仿真函数及一发电机组的无补偿相频特性数据,计算得到所述发电机组的PSS参数整定数据,包括:将所述发电机组的无补偿相频特性数据作为向量,输入至所述神经网络仿真函数;所述神经网络仿真函数调用所述训练后的神经网络进行仿真,得到一输出向量;根据所述输出向量确定所述PSS参数整定数据。
一个实施例中,根据所述输出向量确定所述PSS参数整定数据,包括:根据所述输出向量确定部分所述PSS参数整定数据;根据部分所述PSS参数整定数据,确定剩余所述PSS参数整定数据。
一个实施例中,所述神经网络为RBF神经网络。
一个实施例中,该方法还包括:根据所述PSS参数整定数据和所述发电机组的无补偿相频特性数据,计算得到所述发电机组的有补偿相频数据;判断是否所述有补偿相频数据中的频率在一设定频率范围内且所述有补偿相频数据中的相角在一设定角度范围内;若是,则判定所述PSS参数整定数据可靠。
一个实施例中,所述设定频率范围为[0.1Hz,2Hz],所述设定角度范围为[-135°,-60°]。
一个实施例中,还包括:对投入PSS之前的所述发电机组进行阶跃试验,得到第一有功功率及第一阻尼比;对投入含有所述PSS参数整定数据的PSS之后的所述发电机组进行所述阶跃试验,得到第二有功功率及第二阻尼比;根据所述第一有功功率、所述第二有功功率、所述第一阻尼比及所述第二阻尼比判断所述PSS参数整定数据是否可靠。
本发明的发电机PSS参数整定方法,基于RBF神经网络的PSS参数整定方法实现,能够大大减化PSS参数整定过程中的工作流程,让现场试验更轻松易操作,更能提高试验过程中的安全性,确保电力系统安全稳定运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明一实施例的发电机电力系统稳定器PSS参数整定方法的流程示意图;
图2是本发明一实施例中训练神经网络方法的流程示意图;
图3是本发明一实施例中待整定发电机组的PSS参数整定数据获取方法的流程示意图;
图4是本发明一实施例中确定PSS参数整定数据方法的流程示意图;
图5是本发明另一实施例的发电机PSS参数整定方法的流程示意图;
图6是本发明又一实施例的发电机PSS参数整定方法的流程示意图;
图7是本发明一实施例中的PSS的结构示意图;
图8是利用本发明实施例的方法验证PSS参数整定数据的结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
现有技术中,使用是凑算法或仿真法对PSS参数进行整定,操作步骤复杂。而本发明的发电机电力系统稳定器PSS参数整定方法,是一种人工智能方法,能够根据实测的励磁系统无补偿相频特性自动整定PSS参数的功能。
图1是本发明一实施例的发电机电力系统稳定器PSS参数整定方法的流程示意图。如图1所示,发电机PSS参数整定方法,可包括步骤:
S110:获取现役机组的无补偿相频特性数据及相应的PSS参数数据,并根据上述无补偿相频特性数据及PSS参数数据编制训练样本;
S120:构建一神经网络,并利用上述训练样本对上述神经网络进行训练;
S130:利用训练后的神经网络、神经网络仿真函数及一发电机组的无补偿相频特性数据,计算得到上述发电机组的PSS参数整定数据。
在上述步骤S110中,该现役机组可指目前仍在服役中的发电机组,优选地,是具有广泛代表性的发电机组,例如大中型机组。将现役机组的PSS参数资料收集整理起来,例如它们的相频特性数据和PSS参数数据,编制成有效样本。较佳地,该训练样本是选出的有效样本,例如剔除无效数据后的现役机组的相频特性数据和PSS参数数据。现役机组的无补偿相频特性数据及相应的PSS参数数据是容易获取的数据,无需对待整定的发电机组进行实验,数据获取省时省力。
在上述步骤S120中,构建神经网络及利用训练样本对神经网络进行训练可以在多种仿真环境中进行,例如Matlab仿真环境。其中所构建的神经网络可以是多种类型的神经网络,并可利用相应的函数构建该神经网络,例如,利用newrb函数构建RBF(RadialBasisFunction径向基函数)神经网络,此时,该神经网络为RBF网络。
在构建神经网络时,优选地,根据无补偿相频特性数据及PSS参数数据的结构特点构建神经网络,例如,根据待整定发电机组和现役机组的相频特性和PSS参数特点,可以构建20输入7输出的神经网络。利用上述训练样本对神经网络训练后,可以保存训练好的神经网络配置文件,以备后续调用训练好的神经网络。
通过上述步骤S110和步骤S120,利用现役机组的PSS参数数据得到训练后的神经网络。在上述步骤S130中,该发电机组为待整定机组,利用训练好的神经网络可以获取待整定机组的PSS参数整定数据。其中,该神经网络仿真函数可以是在步骤S120中训练神经网络时用到的神经网络仿真函数。
目前,PSS参数整定过程工作量大且操作步骤非常复杂。而本发明实施例的发电机PSS参数整定方法,基于神经网络的PSS参数整定方法,能够大大减化PSS参数整定过程中的工作流程,提高试验过程中的安全性。本发明实施例的方法使得PSS参数调试方便,并且能够得到理想的阻尼效果,有效抑制发电机组的低频振荡。
一个实施例中,在上述步骤S110中,获取现役机组的无补偿相频特性数据及相应的PSS参数数据,可包括步骤:
S111:根据上述现役机组的PSS结构特点,从上述现役机组的所有的相频数据及相应的PSS参数中选取部分数据作为上述现役机组的无补偿相频特性数据及相应的PSS参数数据。
本发明实施例的方法适用于各种现役机组的PSS结构,例如,现役机组的PSS采用2B模型。现役机组的台数可以视需要确定,例如选取56台机组来获取神经网络训练样本。在上述步骤S111中,由于无补偿相频特性数据及PSS参数数据可均包括多个数据,根据现役机组的PSS结构特点,可以只从中选取部分的无补偿相频特性数据和/或部分的PSS参数数据用来作为训练样本,其余未作为样本的参数数据根据神经网络所确定的参数数据求得,如此一来,可以简化神经网络及其训练过程,提高PSS参数的整定效率。
图2是本发明一实施例中训练神经网络方法的流程示意图。如图2所示,在上述步骤S120中,构建一神经网络,并利用上述训练样本对上述神经网络进行训练的方法,可包括步骤:
S121:将上述训练样本输入至一训练函数,生成上述神经网络;
S122:利用上述神经网络仿真函数对上述神经网络进行仿真,并输出所有上述训练样本对应的误差;
S123:以最大的上述误差对应的训练样本为权值,为上述神经网络添加一个隐含层神经元;
S124:重复执行步骤S121至步骤S123,对添加上述隐含层神经元后的上述神经网络进行仿真,当所有上述训练样本对应的误差中的最大值达到一设定误差值或者上述神经网络的隐含层神经元个数不再增加时,将最终得到的神经网络作为上述训练后的神经网络。
一些实施例中,该神经网络可以是RBF神经网络。例如,可利用newrb函数构建RBF神经网络,并对神经网络进行训练。该newrb函数采用迭代法确定径向基函数RBF的中心,最初神经网络的隐含层神经元个数可为零,通过上述步骤S123,每迭代一次可为神经网络增加一个隐含层神经元。在上述步骤S124中,迭代过程中,神经网络通过仿真能够找到对应于最大输出误差的输入训练样本矢量,然后以该训练样本矢量为权值为神经网络添加一个隐含层神经元,直到误差例如平方和误差下降到目标误差或设定误差值,或者神经网络的隐含层神经元的个数达到最大值时(神经网络的神经元个数不再增加)停止迭代,训练后的神经网络的参数随即确定下来。
本实施例中,RBF神经网络是一种性能优良的前馈型神经网络,可以任意精度逼近任意的非线性函数,可以满足空载特性曲线确定精度的要求。RBF神经网络具有全局逼近能力,能够很好地获取待绘制空载特性曲线中缺少的数据点。RBF神经网络的收敛速度快,能够提高空载特性曲线的获取、绘制速度。
在其他实施例中,该神经网络可以是自组织神经网络或BP(BackPropagation,误差反向传播)神经网络。
图3是本发明一实施例中待整定发电机组的PSS参数整定数据获取方法的流程示意图。如图3所示,在上述步骤S130中,利用训练后的神经网络、神经网络仿真函数及一发电机组的无补偿相频特性数据,计算得到上述发电机组的PSS参数整定数据的方法,可包括步骤:
S131:将上述发电机组的无补偿相频特性数据作为向量,输入至上述神经网络仿真函数;
S132:上述神经网络仿真函数调用上述训练后的神经网络进行仿真,得到一输出向量;
S133:根据上述输出向量确定上述PSS参数整定数据。
在上述步骤S131中,发电机组的无补偿相频特性数据的多个参数分别对应神经网络输入向量中的各个分量。在上述步骤S132和步骤S133中,输出向量中的各个向量可分别对应PSS参数整定数据中的多个参数值。本实施例的方法,能够快速有效地获取待整定发电机的PSS参数整定数据。
利用图3所示的方法,可以一次确定待整定发电机的全部的PSS参数整定数据,或者首先获得待整定发电机的部分的PSS参数整定数据,然后再通过适当的方法求取其余的PSS参数整定数据。
图4是本发明一实施例中确定PSS参数整定数据方法的流程示意图。如图4所示,图3所示的待整定发电机组的PSS参数整定数据获取方法的流程示意图,在步骤S133中,根据上述输出向量确定上述PSS参数整定数据的方法,可包括步骤:
S1331:根据上述输出向量确定部分上述PSS参数整定数据;
S1332:根据部分上述PSS参数整定数据,确定剩余上述PSS参数整定数据。
本发明实施例中,获得待整定发电机的部分的PSS参数整定数据,然后再通过其他方法求取其余的PSS参数整定数据,能够简化神经网络的复杂度,从而减少神经网络的训练时间,从而提高确定PSS参数整定数据的效率。
在另一些实施例中,可以对上述各实施例中获得的PSS参数整定数据的可靠性进行验证,具体验证方可视所具备的条件而定。
图5是本发明另一实施例的发电机PSS参数整定方法的流程示意图。如图5所示,该发电机PSS参数整定方法不仅包括上述确定PSS参数整定数据的步骤,还可包括一种验证PSS参数整定数据的可靠性的步骤,例如,还包括步骤:
S140:根据上述PSS参数整定数据和上述发电机组的无补偿相频特性数据,计算得到上述发电机组的有补偿相频数据;
S150:判断是否上述有补偿相频数据中的频率在一设定频率范围内且上述有补偿相频数据中的相角在一设定角度范围内;
S160:若是,则判定上述PSS参数整定数据可靠。
在上述步骤S140和步骤S150中,PSS参数整定数据可包括相频补偿角度,利用该PSS参数整定数据对发电机组进行整定。通过PSS的补偿作用,可以得到发电机组的AVR(AutomaticVoltageRegulator,自动电压调节器)加PSS的有补偿相频特性数据。该有补偿相频特性数据可包括频率和角度。
在上述步骤S150中,该设定频率范围和该设定角度范围可以根据经验确定,优选地,上述设定频率范围为[0.1Hz,2Hz],上述设定角度范围为[-135°,-60°]。例如,若有补偿相频数据中的频率在[0.1Hz,2Hz]范围内,且AVR+PSS的有补偿相频特性数据中的角度在[-135°,-60°]范围内,则发电机组能够提供正阻尼,满足大区联网的要求,从而发电机组的PSS参数得到有效整定。
本实施例中,PSS参数整定数据的可靠性验证方法,操作简便,所需验证条件易满足,能够简便、低成本、有效地验证PSS参数整定数据,从而确保PSS参数整定数据的有效性。
图6是本发明又一实施例的发电机PSS参数整定方法的流程示意图。如图6所示,该发电机PSS参数整定方法不仅包括上述确定PSS参数整定数据的步骤,还可包括另一种用于验证PSS参数整定数据的可靠性的步骤,例如,还包括步骤:
S170:对投入PSS之前的上述发电机组进行阶跃试验,得到第一有功功率及第一阻尼比;
S180:对投入含有上述PSS参数整定数据的PSS之后的上述发电机组进行上述阶跃试验,得到第二有功功率及第二阻尼比;
S190:根据上述第一有功功率、上述第二有功功率、上述第一阻尼比及上述第二阻尼比判断上述PSS参数整定数据是否可靠。
在具备阶跃试验条件的情况下,可使用本实施例的方法验证PSS的效果。在上述步骤S170和步骤S180中,发电机组投入PSS前后,例如,分别进行机端电压+3%阶跃相应实验检验PSS的效果。在上述步骤S190中,投入PSS前后可分别得到一个有功功率振荡次数和阻尼比。然后根据该阻尼比和有功功率振荡次数,可以判断PSS抑制低频振荡的效果。
一个实施例中,可根据投入PSS前后的振荡次数值和阻尼比值判断PSS参数的可靠性。具体地例如,在投入PSS前,有功功率振荡次数大于3,例如为5次,阻尼比小于0.09,例如为0.086,投入PSS后,有功功率振荡次数小于2,例如为1次,阻尼比大于0.15,例如为0.179,在该种情况下,可以认为PSS参数可靠。在其他实施例中,投入PSS前后的振荡次数范围和阻尼比范围可以是其他设定范围。
另一实施例中,可判断是否上述第一有功功率和上述第二有功功率的差值在一设定有功功率范围内且上述第一阻尼比和上述第二阻尼比的差值在一设定阻尼比范围内;若是,则判定上述PSS参数整定数据可靠。
本发明实施例中,通过第一有功功率、第二有功功率、第一阻尼比及第二阻尼比,及投入PSS前后的有功功率和阻尼比,能够有效判断本发明实施例方法所得PSS参数整定数据的可靠性,进而提高PSS抑制发电机低频振荡的效果。
一个具体实施例中,选取Matlab仿真环境,机组PSS采用例如2B型(结构如图7所示),已测得现役机组的无补充相频特性数据如表1所示。
F(HZ) | 0.1 | 0.2 | 0.3 | 0.4 | 0.5 | 0.6 | 0.7 | 0.8 | 0.9 | 1.0 |
角度deg | -10.8 | -24.5 | -44.6 | -52.0 | -59.6 | -64.2 | -69.7 | -72.7 | -76.9 | -78.0 |
F(HZ) | 1.1 | 1.2 | 1.3 | 1.4 | 1.5 | 1.6 | 1.7 | 1.8 | 1.9 | 2.0 |
角度deg | -77.9 | -80.9 | -90.0 | -103 | -108 | -110 | -111 | -112 | -113 | -116 |
表1现役机组的无补充相频特性数据
根据本发明实施例的方法确定PSS参数整定数据。首先,把收集到的现役机组PSS参数资料,选取具有广泛代表性的56台机组的无补偿相频特性和PSS参数编制成神经网络训练样本,并保存到文件名为‘PSS’的EXCEL文档中,训练样本格式如表2所示,其中,T1、T2、T3、T4、T10、T11、T7是部分PSS参数数据,部分PSS参数数据(例如,T8、T9)可不用做训练样本。
0.1 | 0.2 | …… | 1.9 | 2 | T1 | T2 | T3 | T4 | T10 | T11 | T7 |
-15.4 | -36.8 | …… | -101.2 | -103.7 | 0.2 | 0.02 | 0.2 | 0.02 | 1 | 1 | 6 |
-24.7 | -39.4 | …… | -119.9 | -121.9 | 0.2 | 0.02 | 0.3 | 0.03 | 1 | 1 | 5 |
…… | …… | …… | …… | …… | …… | …… | …… | …… | …… | …… | …… |
-22.4 | -47.6 | …… | -116.5 | -111.8 | 0.2 | 0.07 | 0.1 | 0.02 | 0.1 | 0.2 | 6 |
表2神经网络训练样本数据
然后,再利用Matlab内部神经网络单元提供的newrb函数构建RBF神经网络,该函数采用迭代法确定径向基函数的中心,最初网络隐含层神经元个数为零,每迭代一次增加一个隐含神经元。程序迭代过程中网络通过仿真找到对应于最大输出误差的输入样本矢量,然后以该矢量为权值添加一个隐含层神经元,直到平方和误差下降到目标误差以下或隐含层神经元个数达到最大值时停止迭代,网络参数随即确定下来。创建RBF神经网络的主要代码例如如下:
Xtrain=xlsread('PSS','B2:U57');
Ytrain=xlsread('PSS','W2:AC57');
tic;
net=newrb(Xtrain',Ytrain',0,0.1);
time_cost=toc;
save('rbf_net','net');
其中,PSS表示神经网络训练样本所保存的EXCEL文档的文件名,B2表示PSS所采用的模型,rbf_net表示神经网络配置文件。
RBF网络通过表3中样本的训练,误差为零,最终的网络参数保存在'rbf_net.mat'文件中。以下是训练过程中神经网络添加隐含层节点和MSE下降的过程:
NEWRB,neurons=0,MSE=0.786661
NEWRB,neurons=2,MSE=0.657897
NEWRB,neurons=3,MSE=0.589963
NEWRB,neurons=4,MSE=0.518501
NEWRB,neurons=54,MSE=3.41841e-30
……
……
NEWRB,neurons=55,MSE=0
之后,调用已经训练好的神经网络(调用代码:load('-mat','rbf_net');)。输入待整定机组的无补偿相频特性数据。某机组实测的励磁系统无补偿频率特性数据,作为神经网络的输入向量:
X=[-18.1-30.4-46.8-58.3-63.4-60.1-69.1-64.4-73.2-76.1-10.1-7.7-5.7-4.1-2.8-1.8-1.1-0.6-0.3-0.1]
通过神经网络仿真函数:
Y=sim(net,Xtest');
得到RBF神经网络输出向量:
Y=[0.150.020.20.02115]
由神经网络输出向量Y确定PSS相频补偿相关参数:
T1=0.15,T2=0.2,T3=0.2,T4=0.2,T10=1,T11=1,T7=5
进一步,确定全部PSS参数。根据T7的取值,可确定TW1=TW2=TW3=T7=5,Ks2=T7/2H=0.63;Ks1可以实测的临界增益为基准,按照《导则》要求取临界增益的三分之一至五分之一。图7中的其他参数分别按照标准PSS模型中的标准值,最终得到完整PSS参数,如表3所示。
表3PSS参数整定数据
一个实施例中,继续验证表3所示PSS参数的可靠性。表3中PSS参数所提供的PSS相频补偿角度如表4所示,通过PSS的补偿作用,得到AVR+PSS有补偿相频特性如表5所示。
频率(Hz) | 0.1 | 0.2 | 0.3 | 0.4 | 0.5 | 0.6 | 0.7 | 0.8 | 0.9 | 1.0 |
角度(度) | -44.3 | -51.5 | -47.9 | -42.2 | -36.1 | -30.4 | -25.1 | -20.5 | -16.5 | -13.0 |
频率(Hz) | 1.1 | 1.2 | 1.3 | 1.4 | 1.5 | 1.6 | 1.7 | 1.8 | 1.9 | 2.0 |
角度(度) | -10.1 | -7.7 | -5.7 | -4.1 | -2.8 | -1.8 | -1.1 | -0.6 | -0.3 | -0.1 |
表4PSS参数中的相频补偿角度
频率(Hz) | 0.1 | 0.2 | 0.3 | 0.4 | 0.5 | 0.6 | 0.7 | 0.8 | 0.9 | 1.0 |
角度(度) | -62.4 | -81.9 | -94.7 | -100 | -99.5 | -90.5 | -94.2 | -84.9 | -89.7 | -89.1 |
频率(Hz) | 1.1 | 1.2 | 1.3 | 1.4 | 1.5 | 1.6 | 1.7 | 1.8 | 1.9 | 2.0 |
角度(度) | -88.2 | -89.1 | -89.6 | -90 | -90 | -88.2 | -89.2 | -90.4 | -92.4 | -94.3 |
表5有补偿相频特性数据
表5所示的有补偿相频特性数据证明,频率在0.1~2.0Hz频率范围内,AVR+PSS有补偿特性角度满足-60°~-135°要求,能够提供正阻尼,满足大区联网的要求。
另一实施例中,可利用现场阶跃试验验证上述PSS参数整定数据的可靠性。具体地,可在投入PSS前后,分别进行机端电压Uf的+3%阶跃相应试验来检验PSS效果。图8是利用本发明实施例的方法验证PSS参数整定数据的结果示意图。如图8所示,图8示出了投入PSS前的机端电压Uf曲线801、投入PSS后的机端电压Uf曲线802、投入PSS前的有功功率P的曲线803及投入PSS后的有功功率P的曲线804。投入前有功功率P振荡次数为5次,阻尼比为0.0855;投入后有功功率P振荡次数为1次,阻尼比为0.1789。可见在PSS投入作用下,有效抑制了振荡,为系统提供了正阻尼。由此证明利用RBF神经网络整定的者组PSS参数是可靠的。
本发明的发电机PSS参数整定方法,基于神经网络实现PSS参数整定,能够大大减化PSS参数整定过程中的工作流程,让现场试验更轻松易操作,更能提高试验过程中的安全性,确保电力系统安全稳定运行。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“例如”、“一个具体实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种发电机电力系统稳定器PSS参数整定方法,其特征在于,包括:
获取现役机组的无补偿相频特性数据及相应的PSS参数数据,并根据所述无补偿相频特性数据及PSS参数数据编制训练样本;
构建一神经网络,并利用所述训练样本对所述神经网络进行训练;
利用训练后的神经网络、神经网络仿真函数及一发电机组的无补偿相频特性数据,计算得到所述发电机组的PSS参数整定数据。
2.如权利要求1所述的发电机PSS参数整定方法,其特征在于,获取现役机组的无补偿相频特性数据及相应的PSS参数数据,包括:
根据所述现役机组的PSS结构特点,从所述现役机组的所有的相频数据及相应的PSS参数中选取部分数据作为所述现役机组的无补偿相频特性数据及相应的PSS参数数据。
3.如权利要求1所述的发电机PSS参数整定方法,其特征在于,构建一神经网络,并利用所述训练样本对所述神经网络进行训练,包括:
步骤301:将所述训练样本输入至一训练函数,生成所述神经网络;
步骤302:利用所述神经网络仿真函数对所述神经网络进行仿真,并输出所有所述训练样本对应的误差;
步骤303:以最大的所述误差对应的训练样本为权值,为所述神经网络添加一个隐含层神经元;
步骤304:重复执行步骤301至步骤303,对添加所述隐含层神经元后的所述神经网络进行仿真,当所有所述训练样本对应的误差中的最大值达到一设定误差值或者所述神经网络的隐含层神经元个数不再增加时,将最终得到的神经网络作为所述训练后的神经网络。
4.如权利要求1所述的发电机PSS参数整定方法,其特征在于,利用训练后的神经网络、神经网络仿真函数及一发电机组的无补偿相频特性数据,计算得到所述发电机组的PSS参数整定数据,包括:
将所述发电机组的无补偿相频特性数据作为向量,输入至所述神经网络仿真函数;
所述神经网络仿真函数调用所述训练后的神经网络进行仿真,得到一输出向量;
根据所述输出向量确定所述PSS参数整定数据。
5.如权利要求4所述的发电机PSS参数整定方法,其特征在于,根据所述输出向量确定所述PSS参数整定数据,包括:
根据所述输出向量确定部分所述PSS参数整定数据;
根据部分所述PSS参数整定数据,确定剩余所述PSS参数整定数据。
6.如权利要求1所述的发电机PSS参数整定方法,其特征在于,所述神经网络为RBF神经网络。
7.如权利要求1至6任一项所述的发电机PSS参数整定方法,其特征在于,还包括:
根据所述PSS参数整定数据和所述发电机组的无补偿相频特性数据,计算得到所述发电机组的有补偿相频数据;
判断是否所述有补偿相频数据中的频率在一设定频率范围内且所述有补偿相频数据中的相角在一设定角度范围内;
若是,则判定所述PSS参数整定数据可靠。
8.如权利要求7所述的发电机PSS参数整定方法,其特征在于,所述设定频率范围为[0.1Hz,2Hz],所述设定角度范围为[-135°,-60°]。
9.如权利要求1至6任一项所述的发电机PSS参数整定方法,其特征在于,还包括:
对投入PSS之前的所述发电机组进行阶跃试验,得到第一有功功率及第一阻尼比;
对投入含有所述PSS参数整定数据的PSS之后的所述发电机组进行所述阶跃试验,得到第二有功功率及第二阻尼比;
根据所述第一有功功率、所述第二有功功率、所述第一阻尼比及所述第二阻尼比判断所述PSS参数整定数据是否可靠。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610079908.5A CN105529726B (zh) | 2016-02-04 | 2016-02-04 | 发电机电力系统稳定器参数整定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610079908.5A CN105529726B (zh) | 2016-02-04 | 2016-02-04 | 发电机电力系统稳定器参数整定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105529726A true CN105529726A (zh) | 2016-04-27 |
CN105529726B CN105529726B (zh) | 2017-12-08 |
Family
ID=55771793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610079908.5A Active CN105529726B (zh) | 2016-02-04 | 2016-02-04 | 发电机电力系统稳定器参数整定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105529726B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108377006A (zh) * | 2018-01-26 | 2018-08-07 | 广东电网有限责任公司电力科学研究院 | 一种发电机组无功调差系数优化方法及装置 |
CN111046327A (zh) * | 2019-12-18 | 2020-04-21 | 河海大学 | 适用于低频振荡与次同步振荡辨识的Prony分析方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102664580A (zh) * | 2012-05-16 | 2012-09-12 | 重庆交通大学 | 电力系统多稳定器的混合智能控制方法 |
-
2016
- 2016-02-04 CN CN201610079908.5A patent/CN105529726B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102664580A (zh) * | 2012-05-16 | 2012-09-12 | 重庆交通大学 | 电力系统多稳定器的混合智能控制方法 |
Non-Patent Citations (2)
Title |
---|
张少如等: "一种新型的电力系统稳定器", 《仿真技术》 * |
薛玮等: "α/p 型仿真计算软件在机组PSS参数整定中的应用", 《电力系统保护与控制》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108377006A (zh) * | 2018-01-26 | 2018-08-07 | 广东电网有限责任公司电力科学研究院 | 一种发电机组无功调差系数优化方法及装置 |
CN111046327A (zh) * | 2019-12-18 | 2020-04-21 | 河海大学 | 适用于低频振荡与次同步振荡辨识的Prony分析方法 |
CN111046327B (zh) * | 2019-12-18 | 2021-10-19 | 河海大学 | 适用于低频振荡与次同步振荡辨识的Prony分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105529726B (zh) | 2017-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Grund et al. | Comparison of Prony and eigenanalysis for power system control design | |
Ryan et al. | Grid-supporting battery energy storage systems in islanded microgrids: A data-driven control approach | |
Yang et al. | Perturbation estimation based coordinated adaptive passive control for multimachine power systems | |
CN103810646B (zh) | 一种基于改进投影积分算法的有源配电系统动态仿真方法 | |
Abd El-Kareem et al. | Effective damping of local low frequency oscillations in power systems integrated with bulk PV generation | |
CN110161370A (zh) | 一种基于深度学习的电网故障检测方法 | |
Geromel et al. | ${\cal H} _\infty $ and Dwell Time Specifications of Continuous-Time Switched Linear Systems | |
Baek et al. | Nonlinear parameter optimization of FACTS controller via real-time digital simulator | |
CN105529726A (zh) | 发电机电力系统稳定器参数整定方法 | |
Han et al. | Nonlinear adaptive robust control strategy of doubly fed induction generator based on virtual synchronous generator | |
CN105740562A (zh) | 发电机空载特性曲线确定方法 | |
CN114094592A (zh) | 电网紧急切负荷控制方法、系统、设备及存储介质 | |
Petersen et al. | Design and tuning of wind power plant voltage controller with embedded application of wind turbines and STATCOMs | |
Rathore et al. | ARI and ARID control of virtual synchronous generator for frequency response improvement | |
Elliott | Trajectory tracking wide-area control for power systems | |
CN105811395B (zh) | 励磁系统pss参数整定方法及装置 | |
CN108964122B (zh) | 一种风电机组电气模型频率响应特性的验证方法和装置 | |
Mekhanet et al. | Adaptive fuzzy gain of power system stabilizer to improve the global stability | |
Veloso et al. | Application of model order reduction to a DFIG-based wind farm in the chilean system | |
Ellithy et al. | Tuning a static var compensator controller over a wide range of load models using an artificial neural network | |
Pagard et al. | Damping of Low‐Frequency Oscillations in a Power System, Based on Multiple‐Model Optimal Control Strategy | |
CN109103875A (zh) | 一种基于神经网络的自适应谐波振荡抑制方法与系统 | |
Shang-Guan et al. | Switching Method Based Load Frequency Control for Power System with Energy-Limited DoS Attacks | |
CN116738677B (zh) | 一种风电场场站运行的适应性能力评价方法及装置 | |
Babu et al. | Design of PSS3B for Multimachine system using GA Technique |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |