CN114415498A - 一种发电机励磁装置pid参数离线整定方法 - Google Patents
一种发电机励磁装置pid参数离线整定方法 Download PDFInfo
- Publication number
- CN114415498A CN114415498A CN202210076106.4A CN202210076106A CN114415498A CN 114415498 A CN114415498 A CN 114415498A CN 202210076106 A CN202210076106 A CN 202210076106A CN 114415498 A CN114415498 A CN 114415498A
- Authority
- CN
- China
- Prior art keywords
- pid
- excitation device
- excitation
- parameters
- generator
- 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
- 230000005284 excitation Effects 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 62
- 230000006870 function Effects 0.000 claims description 40
- 210000002569 neuron Anatomy 0.000 claims description 13
- 108090000623 proteins and genes Proteins 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000033228 biological regulation Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims 2
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P9/00—Arrangements for controlling electric generators for the purpose of obtaining a desired output
- H02P9/14—Arrangements for controlling electric generators for the purpose of obtaining a desired output by variation of field
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P2103/00—Controlling arrangements characterised by the type of generator
- H02P2103/20—Controlling arrangements characterised by the type of generator of the synchronous type
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种发电机励磁装置PID参数离线整定方法,该方法先搭建虚拟仿真系统,将虚拟仿真系统与励磁装置连接后,进行起励试验获取数据集,利用遗传算法对BP神经网络的初始权值和阈值进行优化,再用采集到的数据集训练BP神经网络,得到PID动态特性预测模型,再通过自适应遗传算法对PID动态特性预测模型的预测结果进行迭代寻优,寻找出控制性能最佳的励磁装置PID参数。本发明操作便捷,安全高效,数据真实,可以模拟真实发电机的运行状况,可以实现对励磁装置PID参数的快速整定。
Description
技术领域
本发明属于电力系统智能控制领域,具体是一种发电机励磁装置PID参数离线整定方法。
背景技术
同步发电机励磁系统作为发电机最重要的控制系统之一,其控制性能的优劣既影响了发电机运行稳定性,又直接决定着电网的电能质量。发电机的励磁控制一直被看作是提高和改善电力系统稳定性的主要措施之一。同步发电机是非线性时变系统,励磁装置常用PID控制器对其励磁电流进行调节,传统PID控制器参数整定困难,控制效果不佳。
励磁装置在出厂前,调试人员需要对其进行调试,判断其各项功能是否正常,这个过程需要将励磁装置连接至同步发电机及电网才能正常进行,对于调试人员来说费时费力;励磁装置正式投运前,调试人员要进行动态实验以便进行参数整定,但是在现场,电厂给的实验时间通常都比较短,不太容易把参数调整到最佳状态,一般只能达到合格水平;励磁装置发货后,电厂的工作人员需要对其操作进行学习,此时若连接发电机及电网,会有一定的危险性。
发明内容
针对现有技术的不足,本发明拟解决的技术问题是,提供一种发电机励磁装置PID参数离线整定方法。
本发明解决所述技术问题的技术方案是,提供一种发电机励磁装置PID参数离线整定方法,其特征在于,该方法包括以下步骤:
步骤1、搭建虚拟仿真系统:虚拟仿真系统由LabVIEW程序与发电机及其励磁系统的仿真模型构成,仿真模型在Matlab中搭建;
步骤2、将装载有虚拟仿真系统的上位机与励磁装置通讯连接,实现数据传输,进行励磁装置的性能评价,以判断该励磁装置的各项功能是否正常;
步骤3、励磁装置性能评价完成后,确定励磁装置各项功能正常,再进行励磁装置的PID参数离线整定,得到动态特性最佳的PID参数;
步骤4、LabVIEW读取动态特性最佳的PID参数,显示在LabVIEW的参数调试界面上;然后根据此参数修改励磁装置中的PID参数,进行起励试验,读取仿真模型的仿真结果,显示在励磁装置上,供调试人员查看参数整定效果。
与现有技术相比,本发明有益效果在于:
(1)本发明先搭建虚拟仿真系统,将虚拟仿真系统与励磁装置连接后,进行起励试验获取数据集,利用遗传算法对BP神经网络的初始权值和阈值进行优化,再用采集到的数据集训练BP神经网络,得到PID动态特性预测模型,再通过自适应遗传算法对PID动态特性预测模型的预测结果进行迭代寻优,寻找出控制性能最佳的励磁装置PID参数。
(2)本发明使得励磁装置不必连接真实发电机及电网,只需连接至装载有虚拟仿真系统的计算机后,就可以开始工作,通过进行各种操作后LabVIEW的参数调试界面的反馈,可以判断励磁装置的工作状况是否正常。
(3)在本发明的LabVIEW的参数调试界面可以选择不同的发电机模块及负荷类型,实现功能的多样化和可选择化。在此界面内,用户可以选择不同类型的发电机模块并对发电机的具体参数进行修改,选择不同的负荷类型(包括串联和并联)并对负荷的参数进行修改,对励磁装置的PID参数进行调节,对可修改量进行整定值的发送和返回值的读取,点击并网按钮进行并网操作。
(4)本发明操作便捷,安全高效,数据真实,可以模拟真实发电机的运行状况,可以实现对励磁装置PID参数的快速整定。可以用于用户对励磁装置工作原理及操作的学习。能实现所有开关量、模拟量及可修改量的发送和接收。可以通过在人机交互界面上修改可修改参数,实现对仿真模型中相应参数的修改。
(5)在励磁装置性能升级和扩展时,可以在原有仿真模型的基础上直接进行修改或模块添加,更新功能,因此也具有可推广性,可以用于其他型号的励磁装置的调试。
(6)仿真模型没有使用Simulink自带的励磁装置,而是选择了自行搭建,使得上述模型中的参数都是现场调试人员调试励磁装置时会用到的参数,更有利于工作人员进行参数整定。
附图说明
图1为本发明的参数离线整定的流程图;
图2为本发明的LabVIEW的参数调试界面图;
图3为本发明的虚拟仿真系统与励磁装置的数据传输图;
图4为本发明的BP神经网络的结构图;
图5为本发明实施例1的超调量的预测结果与真实值对比图;
图6为本发明实施例1的调节时间的预测结果与真实值对比图;
图7为本发明对比例1的整定前的PID参数;
图8为本发明实施例1的整定方法与对比例1的经验整定法的控制效果对比图。
具体实施方式
下面给出本发明的具体实施例。具体实施例仅用于进一步详细说明本发明,不限制本申请权利要求的保护范围。
本发明提供了一种发电机励磁装置PID参数离线整定方法(简称方法),其特征在于,该方法包括以下步骤:
步骤1、搭建虚拟仿真系统:
(1.1)在Matlab的可视化仿真工具Simulink中搭建发电机及其励磁系统的仿真模型(简称仿真模型);
优选地,步骤(1.1)中,搭建仿真模型所用到的元件包括标准同步发电机模型、励磁控制模块、PS-Simulink转换器、星-星变压器、负载、理想转矩源、NI VeriStand IN接口和NI VeriStand OUT接口;通过具有序号的NI VeriStand IN和NI VeriStand OUT两种接口实现在LabVIEW中对仿真模型中的相关参数进行修改并完成开关量的输入和模拟量的读取;仿真模型中的相关参数包括发电机参数、负载参数、PID参数等所有可修改的参数。
优选地,步骤(1.1)中,所述励磁控制模块由软起励部分、PID控制部分、PSS部分和励磁机组成;其中用到了5个NI VeriStand IN接口,分别用来实现对励磁开关、手动通道给定值、自动手动切换开关、PSS开关及自动通道给定值的控制。
(1.2)在Matlab的Simulink中设置联合仿真环境,设置完成后生成DLL文件以便后续在LabVIEW中通过MIT工具包调用;
优选地,步骤(1.2)中,所述设置联合仿真环境包括设置仿真时间为无限长、代码生成的系统文件类型为NIVeriStand.tlc、语言为C++、数据类型为离散型。
(1.3)根据步骤(1.2)生成的DLL文件,通过联合仿真技术将LabVIEW和仿真模型建立连接;再在LabVIEW的前面板上设计参数调试界面(如图2所示),根据步骤(1.2)生成的DLL文件中仿真模型中的相关参数的序号,在LabVIEW中按照序号来编写修改和读取相应仿真模型中的相关参数的程序,使得通过参数调试界面实现在LabVIEW中进行操作来修改仿真模型中的相关参数以及采集仿真模型的实时试验结果,进而得到由LabVIEW程序和仿真模型构成的虚拟仿真系统;
优选地,步骤(1.3)中,参数调试界面由系统简要原理图、发电机模块选择、发电机参数修改、负荷修改、励磁装置PID参数调节和可修改量表格;
优选地,步骤(1.3)中,联合仿真技术通过在LabVIEW程序框图中调用DLL文件实现,通过DLL文件向仿真模型输入开关量并从中读取模拟量。通过VeriStand软件查看仿真模型中的相关参数的序号,通过VeriStand 2015中内置模型接口工具箱MIT(ModelInterface Toolkit)调用DLL文件。
步骤2、将装载有虚拟仿真系统的计算机、PC等上位机通过USB-CAN设备(CANLOW和CANHIGH)与励磁装置通讯连接,实现LabVIEW的参数调试界面和励磁装置之间的数据传输(传输开关量、模拟量和可修改量,如图3所示),进行励磁装置的性能评价,以判断该励磁装置的各项功能是否正常;
优选地,步骤2中,所述性能评价包括在励磁装置上进行灭磁合分、PSS投切、叠加投切、通道Ⅰ/Ⅱ的切换、自动/手动的选择、起励逆变、增减磁、并网等各种基本操作,测试励磁装置的基本功能是否正常;在励磁装置上进行起励、阶跃等各种试验,测试励磁装置的试验功能是否正常;测试励磁装置的人机交互界面是否能实时显示实验结果;测试励磁装置是否能正常修改参数,具体是:
在人机交互界面菜单栏点击“起励试验”,唤出起励试验界面,在其中点击“起励”进行起励试验,查看励磁装置起励试验功能是否正常,并通过同样的操作验证阶跃试验等试验功能是否正常;通过查看试验结束后的波形及界面显示的超调量、调节时间等数据,验证励磁装置对波形的显示、运算、分析功能是否正常。
起励后,在人机交互界面菜单栏点击“可修改量修改”,唤出可修改量修改界面,在其中修改想要修改的参数,在参数调试界面查看是否修改成功,测试励磁装置是否能正常修改参数。
步骤3、励磁装置性能评价完成后,确定励磁装置各项功能正常,再进行励磁装置的PID参数离线整定,得到动态特性最佳的PID参数:
(3.1)在Matlab中建立预测PID参数动态特性的BP神经网络(简称BP神经网络,如图4所示),确定BP神经网络的输入变量为PID参数(即PID控制器的参数)KP、KI、KD,输出变量为超调量M0和调节时间Ts,隐含层节点个数为10,并选取合适的激活函数;
(3.2)在虚拟仿真系统中进行BP神经网络的数据集的采集:在Matlab中在一定约束条件下随机生成一组PID参数,参数范围为0~150;再编写Matlab程序将仿真模型中的PID参数修改为随机生成的这一组PID参数;再在励磁装置的人机交互界面点击起励按钮,仿真模型开始运行,进行起励试验,得到试验波形;然后LabVIEW读取仿真模型的试验波形,传输至励磁装置,利用励磁装置对试验波形的分析和运算功能,得到PID动态特性参数,再通过LabVIEW传输至Matlab作为该组PID参数的输出值,进而得到BP神经网络的一组数据集,完成一次试验;PID动态特性参数包括调节时间Ts和超调量M0;一次试验完成后,自动进行逆变、修改PID参数和再次起励操作,进行下一次试验;进行若干次试验(优选80~150次)得到对应组数的试验数据,将这若干组试验数据作为BP神经网络的数据集;数据集包括训练集和测试集,训练集占数据集的80%,测试集占数据集的20%;
(3.3)根据步骤(3.2)得到的训练集,利用遗传算法(简称GA)优化BP神经网络的初始权值和初始阈值,得到最优初始权值和最优初始阈值,形成GA-BP神经网络;
优选地,步骤(3.3)具体是:
(3.3.1)确定遗传算法群体规模M1,生成初始种群;再对初始种群进行编码,设置最大进化代数T1;进化代数l置0;
(3.3.2)进化代数l加1,计算此时的进化代数对应的适应度函数fl(i)的值,依次进行遗传算法的选择、交叉和变异操作;
第l代的个体i的适应度函数fl(i)如下:
式(1)中,i的取值为1到M1之间的整数,aki为第i个个体第k组数据的GA-BP神经网络输出层神经元的超调量输出值,bki为第i个个体第k组数据的GA-BP神经网络输出层神经元的调节时间输出值,ak为第k组数据的超调量期望值,bk为第k组数据的调节时间期望值,u为训练集样本数;
优选地,步骤(3.3.2)中,选择操作采用轮盘赌的方式:计算种群中每个个体被选中的概率,然后模拟赌盘操作,即把每个个体的概率用对应长度的线段来表示,这些线段组成一条长度为1的直线;随机产生M个(0,1)区间的随机数,有几个数字落在某个个体对应区间内,则代表该个体被选中几次;同时选择操作中采取最优保留策略,即具有最佳适应度值的个体不参与交叉、变异操作,直接复制到下一代中;
交叉操作采用算术交叉算子:设两个个体中对应参数基因分别为xa和yb,则算术交叉后的两个新个体的基因x′a和y′b按式(2)产生:
式(2)中,γ是[0,1]之间的随机数;
变异操作采用均匀变异操作:设欲变异个体的基因串为(x1,x2,……,xm),在参数基因串中随机选取一个位置,若选取的基因为xk,则变异后的基因值x′k为:
x′k=xk+β (3)
式(3)中,β是(-1,1)区间上的随机数。
(3.3.3)判断进化代数l与T1之间的大小关系;若l=T1,则进入步骤(3.3.4),否则返回步骤(3.3.2);
(3.3.4)对得到的适应度最高的个体进行解码,得到BP神经网络的最优初始权值和最优初始阈值。
(3.4)利用步骤(3.2)得到的训练集来训练GA-BP神经网络,得到可以预测被控对象在不同PID参数控制下的动态特性的模型(简称PID动态特性预测模型);
优选地,步骤(3.4)中,训练的具体方法是:输入训练数据,通过误差的反向传播,逐层对权值和阈值进行修正,逐渐达到理想的非线性系统逼近效果,得到训练后的GA-BP神经网络即PID动态特性预测模型;
(3.5)利用自适应遗传算法(简称AGA)对PID动态特性预测模型的输出进行迭代寻优,得到动态特性最佳的PID参数;
优选地,步骤(3.5)具体是:
(3.5.1)确定遗传算法群体规模M2,生成初始种群;再对初始种群进行编码,设置最大进化代数T2;进化代数m置0;
(3.5.2)进化代数m加1,Matlab调用PID动态特性预测模型,预测得到个体的超调量M0和调节时间Ts;然后计算此时的进化代数对应的适应度函数f′m(j)的值,依次进行遗传算法的选择、自适应交叉和自适应变异操作;
第m代的个体j的适应度函数f′m(j)如下:
式(4)中,j的取值为1到M2之间的整数,aj为个体j的PID动态特性预测模型输出层神经元的超调量输出值,bj为个体j的PID动态特性预测模型输出层神经元的调节时间输出值;
优选地,步骤(3.5.2)的自适应交叉概率pc如式(5)所示,自适应变异概率pm如式(6)所示:
式(5)和(6)中,fmax为种群最大适应度,favg为种群的平均适应度,f′为欲交叉的两个个体中较大的适应度,f为欲变异的个体的适应度。
(3.5.3)判断进化代数m与T2之间的大小关系;若m=T2,则进入步骤(3.5.4),否则返回步骤(3.5.2);
(3.5.4)对得到的适应度最高的个体进行解码,得到动态特性最佳的PID参数。
步骤4、LabVIEW读取动态特性最佳的PID参数,显示在LabVIEW的参数调试界面上;然后根据此参数修改励磁装置中的PID参数,进行起励试验,读取仿真模型的仿真结果,显示在励磁装置的人机交互界面上,供调试人员查看参数整定效果。
本实施例1和对比例1中,发电机励磁装置选用天津市睿信创和电气有限公司的RXEE-2C型号分布式数字励磁装置,其采用先进的浮点型32位DSP芯片作为核心运算控制器件,数据处理速度快、计算精度高,工作频率为150MHz,指令周期6.67ns。发电机励磁装置的控制对象为额定功率为136MW的某两级无刷机组。
实施例1
发电机励磁装置PID参数离线整定方法包括:
步骤1、搭建虚拟仿真系统:虚拟仿真系统由LabVIEW程序与发电机及其励磁系统的仿真模型构成,仿真模型在Matlab中搭建;
步骤2、将装载有虚拟仿真系统的上位机与励磁装置通讯连接,实现数据传输,进行励磁装置的性能评价,以判断该励磁装置的各项功能是否正常;
步骤3、励磁装置性能评价完成后,确定励磁装置各项功能正常,再进行励磁装置的PID参数离线整定,得到动态特性最佳的PID参数:
(3.1)中,隐含层节点个数为10;
(3.2)在虚拟仿真系统中进行BP神经网络的数据集的采集:在Matlab中随机生成一组PID参数;再将仿真模型中的PID参数修改为随机生成的这一组PID参数;再在励磁装置上点击起励按钮,仿真模型开始进行起励试验,得到试验波形;然后LabVIEW读取仿真模型的试验波形,传输至励磁装置中,利用励磁装置对试验波形的分析和运算功能,得到PID动态特性参数,再通过LabVIEW传输至Matlab作为该组PID参数的输出值,进而得到BP神经网络的一组数据集,完成一次试验;PID动态特性参数包括调节时间Ts和超调量M0;进行100次试验得到100组试验数据,将这100组试验数据作为BP神经网络的数据集,其中训练集为80组,测试集为20组;
(3.3.1)中,群体规模M1=20,最大进化代数T1=50;编码方式采用实数编码:将与同一个隐含层神经元相连的所有权值和阈值放在一起,按照从左到右、从上到下的顺序摆放基因;编码长度R1=82;u为训练集样本数,取u=80;
(3.5.1)中,群体规模M2=50,最大进化代数T2=100;编码方式采用实数编码,编码长度R2=3;
步骤4、LabVIEW读取动态特性最佳的PID参数,显示在LabVIEW的参数调试界面上;然后根据此参数修改励磁装置中的PID参数,进行起励试验,读取仿真模型的仿真结果,显示在励磁装置上,供调试人员查看参数整定效果。
为验证本发明方法步骤(3.4)得到的PID动态特性预测模型预测结果的准确性,取20%的数据集作为GA-BP神经网络的测试集,进行真实值和预测值的对比。由图5和图6可以看出,本发明方法得到的PID动态特性预测模型的预测结果与真实值相差很小,保障了使用本发明方法得到的PID参数的真实可用性。
对比例1
步骤1和步骤2与实施例1相同。
步骤3、将使用经验整定法得到的PID参数输入至励磁装置的人机交互界面,打开起励试验界面,点击起励按钮,仿真模型开始进行起励试验,得到试验波形;然后LabVIEW读取仿真模型的试验波形,传输至励磁装置中,利用励磁装置对试验波形的分析和运算功能,得到PID动态特性参数。得到的试验波形和PID动态特性参数如图7所示。
由图7可以看出,参数整定前调节时间为19.68s,振荡次数为5次,超调量为52.4%,此时超调量过大,调节时间长,振荡次数多,不符合国家标准,需要对PID参数进行整定。
表1为使用传统经验整定法整定得到的PID参数和使用本发明方法得到的动态特性最佳的PID参数。两种方法整定出的PID参数控制效果对比如图8,控制性能具体参数见表2,可见本发明方法在超调量和调节时间方面均较经验整定法有所改善,提升了PID控制性能。
表1
整定方法 | K<sub>P</sub> | K<sub>I</sub> | K<sub>D</sub> |
经验整定法 | 55 | 44 | 65.6 |
本发明方法 | 61 | 13.2 | 49.4 |
表2
整定方法 | 超调量/% | 调节时间/s |
经验整定法 | 10.9% | 3.98 |
本发明方法 | 3.1% | 3.06 |
上述实例佐证本发明可以实现励磁装置的调试及PID参数的快速整定,操作方便,整定后的参数控制效果好。
本发明未述及之处适用于现有技术。
Claims (10)
1.一种发电机励磁装置PID参数离线整定方法,其特征在于,该方法包括以下步骤:
步骤1、搭建虚拟仿真系统:虚拟仿真系统由LabVIEW程序与发电机及其励磁系统的仿真模型构成,仿真模型在Matlab中搭建;
步骤2、将装载有虚拟仿真系统的上位机与励磁装置通讯连接,实现数据传输,进行励磁装置的性能评价,以判断该励磁装置的各项功能是否正常;
步骤3、励磁装置性能评价完成后,确定励磁装置各项功能正常,再进行励磁装置的PID参数离线整定,得到动态特性最佳的PID参数;
步骤4、LabVIEW读取动态特性最佳的PID参数,显示在LabVIEW的参数调试界面上;然后根据此参数修改励磁装置中的PID参数,进行起励试验,读取仿真模型的仿真结果,显示在励磁装置上,供调试人员查看参数整定效果。
2.根据权利要求1所述的发电机励磁装置PID参数离线整定方法,其特征在于,步骤1具体是:
(1.1)在Matlab中搭建发电机及其励磁系统的仿真模型;
(1.2)在Matlab中设置联合仿真环境;
(1.3)将LabVIEW和仿真模型建立连接,实现在LabVIEW中进行操作来修改仿真模型中的相关参数以及采集仿真模型的实时试验结果,进而得到由LabVIEW程序和仿真模型构成的虚拟仿真系统。
3.根据权利要求2所述的发电机励磁装置PID参数离线整定方法,其特征在于,步骤(1.1)中,搭建仿真模型所用到的元件包括标准同步发电机模型、励磁控制模块、PS-Simulink转换器、星-星变压器、负载、理想转矩源、NI VeriStand IN接口和NI VeriStandOUT接口;通过具有序号的NI VeriStand IN和NI VeriStand OUT两种接口实现在LabVIEW中对仿真模型中的相关参数进行修改;
所述励磁控制模块由软起励部分、PID控制部分、PSS部分和励磁机组成;其中用到了5个NI VeriStand IN接口,分别用来实现对励磁开关、手动通道给定值、自动手动切换开关、PSS开关及自动通道给定值的控制;
步骤(1.2)中,所述设置联合仿真环境包括设置仿真时间为无限长、代码生成的系统文件类型为NIVeriStand.tlc、语言为C++、数据类型为离散型。
4.根据权利要求1所述的发电机励磁装置PID参数离线整定方法,其特征在于,步骤2中,所述性能评价包括测试励磁装置的基本功能是否正常,测试励磁装置的试验功能是否正常,测试励磁装置的人机交互界面是否能实时显示实验结果,测试励磁装置是否能正常修改参数。
5.根据权利要求1所述的发电机励磁装置PID参数离线整定方法,其特征在于,步骤3具体是:
(3.1)在Matlab中建立预测BP神经网络,确定BP神经网络的输入变量为PID参数KP、KI、KD,输出变量为超调量M0和调节时间Ts,确定激活函数;
(3.2)在虚拟仿真系统中进行BP神经网络的数据集的采集:在Matlab中随机生成一组PID参数;再将仿真模型中的PID参数修改为随机生成的这一组PID参数;再在励磁装置上点击起励按钮,仿真模型开始进行起励试验,得到试验波形;然后LabVIEW读取仿真模型的试验波形,传输至励磁装置中,利用励磁装置对试验波形的分析和运算功能,得到PID动态特性参数,再通过LabVIEW传输至Matlab作为该组PID参数的输出值,进而得到BP神经网络的一组数据集,完成一次试验;PID动态特性参数包括调节时间Ts和超调量M0;进行若干次试验得到若干组BP神经网络的数据集;
(3.3)根据步骤(3.2)得到的数据集中的训练集,利用遗传算法优化BP神经网络的初始权值和初始阈值,得到最优初始权值和最优初始阈值,形成GA-BP神经网络;
(3.4)利用步骤(3.2)得到的数据集中的训练集来训练GA-BP神经网络,得到PID动态特性预测模型;
(3.5)利用自适应遗传算法对PID动态特性预测模型的输出进行迭代寻优,得到动态特性最佳的PID参数。
7.根据权利要求5所述的发电机励磁装置PID参数离线整定方法,其特征在于,步骤(3.3)具体是:
(3.3.1)确定遗传算法群体规模M1,生成初始种群;再对初始种群进行编码,设置最大进化代数T1;进化代数l置0;
(3.3.2)进化代数l加1,计算此时的进化代数对应的适应度函数fl(i)的值,依次进行遗传算法的选择、交叉和变异操作;
第l代的个体i的适应度函数fl(i)如下:
式(1)中,i的取值为1到M1之间的整数,aki为第i个个体第k组数据的GA-BP神经网络输出层神经元的超调量输出值,bki为第i个个体第k组数据的GA-BP神经网络输出层神经元的调节时间输出值,ak为第k组数据的超调量期望值,bk为第k组数据的调节时间期望值,u为训练集样本数;
(3.3.3)判断进化代数l与T1之间的大小关系;若l=T1,则进入步骤(3.3.4),否则返回步骤(3.3.2);
(3.3.4)对得到的适应度最高的个体进行解码,得到BP神经网络的最优初始权值和最优初始阈值。
8.根据权利要求7所述的发电机励磁装置PID参数离线整定方法,其特征在于,步骤(3.3.2)中,选择操作采用轮盘赌的方式:计算种群中每个个体被选中的概率,然后把每个个体的概率用对应长度的线段来表示,这些线段组成一条长度为1的直线;随机产生M个(0,1)区间的随机数,有几个数字落在某个个体对应区间内,则代表该个体被选中几次;同时选择操作中具有最佳适应度值的个体不参与交叉、变异操作,直接复制到下一代中;
交叉操作采用算术交叉算子:设两个个体中对应参数基因分别为xa和yb,则算术交叉后的两个新个体的基因x′a和y′b按式(2)产生:
式(2)中,γ是[0,1]之间的随机数;
变异操作采用均匀变异操作:设欲变异个体的基因串为(x1,x2,……,xm),在参数基因串中随机选取一个位置,若选取的基因为xk,则变异后的基因值x′k为:
x′k=xk+β (3)
式(3)中,β是(-1,1)区间上的随机数。
9.根据权利要求5所述的发电机励磁装置PID参数离线整定方法,其特征在于,步骤(3.5)具体是:
(3.5.1)确定遗传算法群体规模M2,生成初始种群;再对初始种群进行编码,设置最大进化代数T2;进化代数m置0;
(3.5.2)进化代数m加1,Matlab调用PID动态特性预测模型,预测得到个体的超调量M0和调节时间Ts;然后计算此时的进化代数对应的适应度函数f′m(j)的值,依次进行遗传算法的选择、自适应交叉和自适应变异操作;
第m代的个体j的适应度函数f′m(j)如下:
式(4)中,j的取值为1到M2之间的整数,aj为个体j的PID动态特性预测模型输出层神经元的超调量输出值,bj为个体j的PID动态特性预测模型输出层神经元的调节时间输出值;
(3.5.3)判断进化代数m与T2之间的大小关系;若m=T2,则进入步骤(3.5.4),否则返回步骤(3.5.2);
(3.5.4)对得到的适应度最高的个体进行解码,得到动态特性最佳的PID参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210076106.4A CN114415498B (zh) | 2022-01-23 | 一种发电机励磁装置pid参数离线整定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210076106.4A CN114415498B (zh) | 2022-01-23 | 一种发电机励磁装置pid参数离线整定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114415498A true CN114415498A (zh) | 2022-04-29 |
CN114415498B CN114415498B (zh) | 2024-07-16 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165880A (zh) * | 2023-04-23 | 2023-05-26 | 苏州海豚之星智能科技有限公司 | 遗传算法卷积神经网络的agv调速自动整定pid参数的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170028147A (ko) * | 2015-09-03 | 2017-03-13 | 한국전기연구원 | 특성 시험 데이터를 활용한 발전기-제어시스템의 모델 파라미터 산정 장치 및 그 방법 |
CN107402515A (zh) * | 2017-07-20 | 2017-11-28 | 贵州电网有限责任公司电力调度控制中心 | 一种优化同步发电机励磁系统pid参数的方法 |
CN111555682A (zh) * | 2020-05-29 | 2020-08-18 | 上海海事大学 | 一种基于优化算法的pid永磁同步电机的控制方法 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170028147A (ko) * | 2015-09-03 | 2017-03-13 | 한국전기연구원 | 특성 시험 데이터를 활용한 발전기-제어시스템의 모델 파라미터 산정 장치 및 그 방법 |
CN107402515A (zh) * | 2017-07-20 | 2017-11-28 | 贵州电网有限责任公司电力调度控制中心 | 一种优化同步发电机励磁系统pid参数的方法 |
CN111555682A (zh) * | 2020-05-29 | 2020-08-18 | 上海海事大学 | 一种基于优化算法的pid永磁同步电机的控制方法 |
Non-Patent Citations (2)
Title |
---|
徐庆坤: "基于虚拟仪器的励磁监测与故障分析系统的研究与开发", 《中国优秀硕士论文全文数据库(工程科技Ⅱ辑)》, 15 March 2016 (2016-03-15) * |
高觐悦;: "PID控制器参数优化中的仿真研究", 计算机仿真, no. 03, 15 March 2011 (2011-03-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116165880A (zh) * | 2023-04-23 | 2023-05-26 | 苏州海豚之星智能科技有限公司 | 遗传算法卷积神经网络的agv调速自动整定pid参数的方法 |
CN116165880B (zh) * | 2023-04-23 | 2023-08-04 | 苏州海豚之星智能科技有限公司 | 遗传算法卷积神经网络的agv调速自动整定pid参数的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shoults et al. | Multi-area adaptive LFC developed for a comprehensive AGC simulator | |
CN112784484A (zh) | 一种区域综合能源系统多目标优化方法及优化系统 | |
CN112287540B (zh) | 一种风电场接入电网的电磁暂态联合仿真方法 | |
Zhang et al. | Research on AGC performance during wind power ramping based on deep reinforcement learning | |
Liu et al. | Opposition-mutual learning differential evolution with hybrid mutation strategy for large-scale economic load dispatch problems with valve-point effects and multi-fuel options | |
Abbasnia et al. | Time-cost trade-off problem in construction project management, based on fuzzy logic | |
CN115764870A (zh) | 基于自动化机器学习的多变量光伏发电功率预测方法与装置 | |
CN116995682B (zh) | 一种可调节负荷参与有功潮流连续调整方法与系统 | |
Sun et al. | Hybrid reinforcement learning for power transmission network self-healing considering wind power | |
Subramanian et al. | A simple approach for emission constrained economic dispatch problems | |
CN114880932B (zh) | 一种电网运行环境模拟方法、系统、设备及介质 | |
CN114415498B (zh) | 一种发电机励磁装置pid参数离线整定方法 | |
CN114415498A (zh) | 一种发电机励磁装置pid参数离线整定方法 | |
CN112182835A (zh) | 一种考虑风电不确定性和储能调节的电力系统可靠性评估方法及系统 | |
CN104182854A (zh) | 一种面向企业能源管理系统的混合能耗测算的方法 | |
CN108021029A (zh) | 一种智能家用电需求响应平台 | |
CN113360328A (zh) | 一种基于多实时仿真器的数模混合仿真接口测试平台 | |
CN112365024A (zh) | 一种基于深度学习的高压直流换流站能效预测方法及系统 | |
CN117335414B (zh) | 一种电力系统交流最优潮流决策方法、装置、设备及介质 | |
JPH08292974A (ja) | 制御系・電気回路・管路網の連成汎用解析方法及び装置 | |
CN107123979A (zh) | 一种微电网系统直流母线电压稳定性控制处理方法及装置 | |
CN117411084A (zh) | 一种电网运行仿真模拟器的构建方法、系统、设备及介质 | |
Huang et al. | Construction Method of Power Grid Simulation Environment for Reinforcement Learning | |
CN117611391A (zh) | 多能互补能源基地参与辅助服务电力市场交易优化方法 | |
Bachtiar et al. | Analysis of the Best Neural Network Configuration for Predicting Household Customer Kwh Sales in Banda Aceh City |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |