基于改进粒子群算法非线性励磁系统参数辨识.docVIP

基于改进粒子群算法非线性励磁系统参数辨识 　　【摘 要】 随着电网的发展，系统中长期动态稳定问题变得突出要求更详细地模拟发电机励磁系统各部件的动态特性，进行发电机励磁系统参数辨识是其中一项重要工作。提出了采用改进粒子群算法应用于非线性发电机励磁系统的参数辨识，结合较强的全局寻优能力和较强的局部寻优能力，较好而又较快地辨识出发电机励磁系统参数估计值。实际算例试验结果表明，基于改进粒子群算法的励磁系统参数辨识方法速度快、精度高，为非线性发电机励磁系统的参数辨识提供了一种有效的新方法。 　　【关键词】 非线性励磁系统；参数辨识；改进粒子群算法；全局搜索能力；局部搜索能力 　　中图分类号： TM76 文献标识码：A 　　1引言 　　随着电网规模的不断扩大，发电机组单机容量和电压等级的不断提高，电力系统已步入大电网、高电压和大机组时代，因此对系统稳定性也提出了更高的要求[1]。发电机励磁系统对电力系统的电压控制[2]和稳定控制[3]具有十分重要的作用。在电力系统稳定计算分析中广泛采用发电机励磁系统数学模型来描述发电机励磁系统物理过程，发电机励磁模型作为电力系统机电暂态过程数学模型的重要组成部分，其模型参数设置正确与否直接决定电力系统稳定计算的正确性和可信度，影响电力系统机电暂态过程模拟的准确性。在故障情况下，对系统暂态稳定的影响更大，有必要对大型发电机组励磁系统的动态性能进行分析，而励磁系统性能的好坏取决于其参数的设置。因此对实际励磁系统的数学模型与参数进行正确的测定和试验是全网精确建模和安全稳定分析的关键[4-5]。 　　我国电力系统中目前常用的励磁系统参数辨识方法包括频域辨识法[6-7]（如快速傅里叶变换（FFT））和时域辨识法[8]（如最小二乘法（LSE）/线性多项式函数法（PLPF））。最小二乘法是一种现代辨识法[9]，它通过系统的数学模型得到系统的状态空间方程，结合状态空间方程与最小二乘估计准则来实现对系统中待测参数的估计。 　　对于小扰动情况下的线性励磁系统参数的测定可以通过时域辨识法与频域辨识法中相关的算法来实现，但扰动稍大就会使励磁系统中部分环节进入非线性区，这种情况下传统的时域辨识法与频域辨识法就无法很好地解决励磁系统参数的辨识问题。粒子群算法（Particle Swarm Optimization Algorithm）具有的学习能力及非线性特性能有效地解决非线性系统的辨识问题，但基本的粒子群算法中存在的早熟收敛问题是不可忽视的。本文采用改进粒子群算法来克服早熟收敛问题，并根据此思想对含有限幅环节的励磁系统的参数进行了辨识。 　　2改进粒子群算法的基本原理 　　2.1 基本的粒子群算法 　　粒子群优化算法最初是由Kennedy和Eberhart博士[10]于1995年受人工生命研究结果启发，在模拟鸟群觅食过程中的迁徙和群集行为时提出的一种基于群体智能的演化计算技术。该算法具有并行处理、鲁棒性好等特点，能以较大概率找到问题的全局最优解，且计算效率较高。在配电网扩展规划[11-12]、检修计划[13]、机组优化组合[14]、负荷经济分配[15-17]、最优潮流计算和无功优化控制[18-20]、谐波分析与电容器配置[21]、优化设计[22]等方面引起了普遍重视。 　　在基本的粒子群优化算法里面，令 D表示搜索空间的维数，表示粒子 i当前的位置，表示粒子 i当前的速度，表示粒子 i曾经达到的最好位置表示群体历史最佳位置，粒子群算法的迭代公式如下： 　　式中 k表示迭代次数；n 表示粒子群规模； c1、c2 为学习因子； r1、r2 是区间 [0，1]的上的随机数； a为控制速度权重的约束因子；w为惯性系数； 分别表示 的第 k次迭代值。 　　2.2 改进的粒子群算法 　　惯性系数 对于平衡粒子群算法的收敛性起到很大作用。如果 较大，表示粒子能扩展目标搜索空间，探索以前没有达到的区域，算法的全局搜索能力较强；如果 值较小，粒子主要集中在当前解附近的区域搜索，其局部搜索能力较强；因此可以通过改变 值大小可以在算法的局部和全局搜索能力之间进行调整。 　　综合考虑上述情况，惯性系数 采用下式进行自我动态调整： 　　式中 分别为惯性系数的最大值和最小值；为最大迭代次数，k为当前迭代次数。 　　在基本的粒子群算法中，每个粒子根据自身的个体极值和全局极值两个量更新自己的位置和速度，各粒子受到全局极值的影响，很快收敛到全局极值附近。粒子在搜索过程中没有考虑除自身和全局最优个体之外的其它粒子所包含的信息。粒子在搜索过程中对其他区域开采不够，在实际的生物进化过程中，个体除了总结自身的实践经验和向最优个体学习以外，也常常模拟其他同伴的行为，“三人行，必有我师”就是这个道理，尤其是在进化初期，这种模拟行为应处于主导