发电机励磁系统参数辨识三种智能算法比较.doc

发电机励磁系统参数辨识三种智能算法比较 　　摘要：针对发电机励磁系统参数，采用遗传算法、蚁群算法、粒子群算法三种智能算法进行辨识。以发电机的实际输出电压和电气模型的输出电压之间的差值作为目标函数，不断对励磁系统电气模型中的参数进行更新，从而辨识全部的励磁系统的参数。通过MATLAB建模实验，对?畲畔低巢问?辨识的三种智能算法的速度、精确程度进行综合比较，遗传算法最优 关键词：发电机；励磁系统；参数辨识；智能优化算法 中图分类号：TM346 文献标识码：A 文章编号：1007-9416（2017）04-0142-02 同步发电机励磁系统起到控制机端电压、控制无功功率的分配、改善电力系统稳定性的作用，对电力系统影响巨大。励磁系统性能优劣与其参数密不可分，因此准确辩识发电机励磁系统参数非常必要 近年来，智能优化算法被用于发电机励磁系统参数辨识，这些算法包括：蚁群算法[1]、遗传算法[2-3]、粒子群算法[4]。智能算法被用于励磁系统参数辨识，相对于频域法和时域法参数辨识方法，智能算法能有效辨识非线性环节，并能一次辨识出系统的每一个环节传递函数的参数[5]。本文将蚁群算法、遗传算法、粒子群算法用于发电机励磁系统参数辨识。通过MATLAB建模仿真实验，对发电机励磁系统参数辨识的三种智能算法的速度、精确程度进行综合比较，并得出了结论 仿真模型为湖南某电厂一台型号为MEC3300的600MW机组励磁系统。厂家提供的发电机组模型框图如图1所示，待辨识的参数有15个 1 智能算法的特点 蚁群算法是模拟蚂蚁觅食的基于种群的进化算法，采用正反馈机制是其最为显著的特点。它通过【最优路径上蚂蚁数量的增加→信息素强度增加→后来蚂蚁选择概率增大→最优路径上蚂蚁数量更大增加】达到最终收敛于最优路径上 遗传算法模拟自然界中生物的遗传和进化机理，在优化过程中借鉴了生物学中的染色体和基因等概念，遗传操作能求解无数值概念或很难有数值概念的优化问题。遗传算法通过交叉算子产生新个体，这是遗传算法与其他仿生优化算法的不同之处。粒子群算法是模拟鸟类群体行为的一种算法，是一种启发式算法，与其他仿生优化算法相比，其受所求问题维数的影响较小 2 发电机励磁系统参数辨识智能优化算法原理 发电机励磁系统参数辨识方法的原理如图2所示。辨识过程中，根据发电机的实际输出和电气模型输出的差值，通过智能优化算法对电气模型参数不断修正，从而辨识出发电机励磁系统的参数[6]。辨识过程：规定一目标函数，它通常是误差e的函数，实际系统和电气模型系统在同一激励信号x的作用下，产生实际输出信号yr和模型输出信号ym，其误差为e，经辨识准则计算后，去修正模型参数，反复进行，直至误差e满足目标函数最小为止。上述过程的数学描述可写为，令 3 实验及其结果分析 3.1 实验 实验时，从输入端输入阶跃电压信号，从励磁机端和发电机端取输出电压信号，经过专门的采集卡采集数据并上传给计算机保存，最后由Matlab软件完成智能优化算法的参数辨识。表1所示，为励磁系统的15个参数的辨识结果 3.2 实验结果及分析 在主频为2.93GHz的电脑上，通过matlab7.8软件对系统输出励磁电压和机端电压进行仿真实验，三种实验方法得出的数据与实际数据结果对比如图3-图5所示 仿真实验结果显示，对于系统输出励磁电压来说，遗传算法最准确，其次是粒子群算法，相对较差的是蚁群算法；对于系统输出机端电压来说，蚁群算法最准确，其次是遗传算法和粒子群算法，后两种算法结果相差不大。在进化代数相同的情况下，三种算法中蚁群算法所需时间最短，遗传算法次之，粒子群算法最长；遗传算法适应度最高，其次是蚁群算法，最差是微粒群算法。因为不是在线参数辨识，辨识时间不是关键问题。综上所述，发电机励磁系统参数辨识的三种智能算法中，遗传算法最优 参考文献 [1]毛晓明，蔡永智，等.采用最大-最小蚁群算法的励磁系统参数辨识[J].电力系统及其自动化学报，2015（5）：51-55. [2]王晓伟，蒋平，等.改进遗传算法在发电机励磁系统参数辨识中的应用[J].继电器，2007（11）：16-20. [3]赵书强，王磊，等.基于改进遗传算法的非线性励磁系统参数辨识[J].电力自动化设备，2007（7）：1-4. [4]查卫华，袁越，等.基于改进粒子群算法的励磁系统参数辨识[J].电力系统保护与控制，2010（11）：29-32，54. [5]沈善德.电力系统辨识[M].清华大学出版社，1993. [6]舒辉，文劲宇.发电机励磁系统参数辨识综述[J].电力自动化设备，2008（2）：104-107. 1