浅析电力系统模型参数辨识.docVIP

浅析电力系统模型参数辨识随着我国电力事业的迅猛发展, 超高压输电线路和大容量机组的相继投入, 对电力系统稳定计算、以及其安全性、经济性和电能质量提出了更高的要求。现代控制理论、计算机技术、现代应用数学等新理论、新方法在电力系统的应用，正在促使电力工业这一传统产业迅速走向高科技化。 我国大区域电网的互联使网络结构更复杂，对电力系统安全稳定分析提出了更高的要求，在线、实时、精确的辨识电力系统模型参数变得更加紧迫。由于电力系统模型的基础性、重要性，国外早在上世纪 三十年代就开始了这方面的分析研究，[1,2]国内外的电力工作者在模型参数辨识方面做了大量的研究工作。[3]随后IEEE相继公布有关四大参数的数学模型。1990年全国电网会议上的调查 确定了模型参数的地位，促进了模型参数辨识的进一步发展，并提出了研究发电机、励磁、调速系统、负荷等元件的动态特性和理论模型，以及元件在极端运行环境下的动态特性和参数辨识的要求。但传统的测量手段，限制了在线实时辨识方法的实现。 同步相量测量技术的出现和WAMS系统的研究与应用，使实现在线实时的电力系统模型参数辨识成为可能。同步相量是以标准时间信号GPS作为同步的基准，通过对采样数据计算而得的相量。相量测量装置是进行同步相量测量和输出以及动态记录的装置。PMU的核心特征包括基于标准时钟信号的同步相量测量、失去标准时钟信号的授时能力、PMU与主站之间能够实时通信并遵循有关通信协议。 自1988年Virginia Tech研制出首个PMU装置以来，PMU技术取得了长足发展，并在国内外得到了广泛应用。截至2006年底，在我国范围内，已有300多台P MU装置投入运行，并且可预计，在不久的将来PMU装置会遍布电力系统的各个主要电厂和变电站。这为基于PMU的各种应用提供了良好的条件。 系统模型是实际系统本质的简化描述。模型可分为物理模型和数学模型两大类。物理模型是根据相似原理构成的一种物理模拟，通过模型试验来研究系统的特性；数学模型是以数学表达式来描述实际系统的特性，通过数字仿真计算来分析其过程。物理模型具有物理概念明确、能自然保护各种复杂物理因素的优点，但模型实际代价高且费时费力，并且有的情况因 受到实际限制而不能进行模拟。数学模型虽然有时难以包含所有物理因素，但随着计算机技术的迅速发展，用以数字仿真计算进行分析研究已愈来愈显出其简便、灵活、代价小的优越性。辨识的基本过程如图1，利用待测系统动态过程提供的输入、输出数据，不断调整模型结果和参数，使模型结果尽量接近实际结果。图中是输入向量， Y是量测向量，∞是量测噪声，Z是输出向量，是模型参数向量。 三、电力系统模型参数辨识方法 参数辨识的方法可以大致分为离线与在线两类。由于在线的方法考虑了电力系统运行的实际情况等影响，而成为电力系统分析主要采用的方法。 1．传统的辨识方法 传统的方法多为离线方法，主要包括卷积分辨识法、相关辨识法、频域FFT法、最小二乘法、极大似然法等，这些辨识方法虽然已经发展的比较成熟和完善，但也还存在着一定的不足和局限。传统辨识方法一般要求输入信号已知且必须具有较丰富的变化。这一条件在某些动态预测系统和过程控制系统中，系统的输入往往无法精确获得或不允许随意改变，因此这些传统的方法不便直接应用；对于线性系统的辨识具有很好的辨识效果，但对于非线性系统往往不能得到满意的辨识结果；普遍存在着不能同时确定系统的结构与参数以及往往得不到全局最优解的缺点。 2．基于神经网络的辨识方法 神经网络技术具有良好的非线性映射能力、自学习适应能力和并行信息处理能力。在辨识非线性系统时，可以根据非线性静态系统或动态系统的神经网络辨识结构，利用神经网络所具有的对任意非线性映射的任意逼近能力，来模拟实际系统的输入和输出关系，而利用神经网络的自学习、自适应能力，可以方便地给出工程上易于实现的学习算法，经过训练得到系统的正向或逆向模型。 神经网络方法可以对本质非线性系统进行辨识，辨识的收敛速度不依赖于待辨识系统的维数，通过调节权值即可使网络输出逼近系统输出；神经网络作为实际系统的辨识模型，实际上也是系统的一个物理实现，可用于在线控制。该方法计算速度快，具有良好的推广逼近和收敛特性。但由于神经网络尚有一些理论和实际问题有待深入研究，如：学习算法的收敛性、收敛的速度、精度等问题，因此在实时、辨识的精度方面等很多情况下还不理想。 5．基于遗传类算法的辨识方法 遗传算法是建立在自然选择和自然遗传学机理基础上的迭代自适应概率性算法，可用于线性离散系统的在线辨识，能够克服最乘法难以处理的时滞在线辨识和局部优化的缺点，具有不受函数性质制约、全方位搜索及全局收敛等诸多优点。但遗传算法存在易陷入局部最优(收敛到局部极小，简称早敛的