发电机励磁系统参数辨识研究

论文摘要

研究电力系统稳定问题所需要的基础计算数据涉及到发电机励磁系统的详细模型和参数。但由于实际运行的励磁系统缺少实测参数,在稳定计算中只能采用厂家数据或某些参数的典型数据,或沿用E’_q恒定模型,这严重影响了计算结果的准确性和可靠性。因此,需要采用辨识技术来获取可靠的实际励磁系统模型参数。论文首先对基于FFT/LSE的励磁系统参数辨识方法进行了分析,阐述了其基本原理,通过理论推导得出了FFT/LSE辨识方法中试验信号的选取准则,并对该辨识方法存在的优缺点进行了分析。针对FFT/LSE方法不能够辨识励磁系统非线性环节的缺点,论文将粒子群优化(PSO)算法引入励磁系统参数辨识,使得励磁系统非线性环节参数的辨识成为可能,该方法根据输入输出的采样数据直接在时域上进行参数辨识,无需经过FFT变换,方法简便。论文对励磁系统中常见的一阶惯性环节、非线性环节等利用PSO算法进行单环节参数辨识,分析了输入扰动信号为阶跃信号、随机扰动信号及输入信号中混有噪声时的辨识结果。在考虑励磁系统各环节之间相互影响时,对PSO算法进行改进,使得PSO算法既可以对励磁系统进行单环节辨识也可以对其进行整体辨识。辨识算例证明了PSO算法具有很强的励磁系统参数辨识能力。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题背景及意义
• 1.2 参数辨识
• 1.3 电力系统参数辨识的特点
• 1.4 电力系统参数辨识的发展及研究现状
• 1.4.1 基于频域法的参数辨识
• 1.4.2 基于最小二乘法的参数辨识
• 1.4.3 基于极大似然法的参数辨识
• 1.4.4 基于卡尔曼滤波法的参数辨识
• 1.4.5 基于分段线性多项式函数法的参数辨识
• 1.4.6 基于遗传算法的参数辨识
• 1.4.7 基于进化策略的参数辨识
• 1.4.8 基于粒子群优化算法的参数辨识
• 1.4.9 基于人工神经网络的参数辨识
• 1.4.10 基于 Prony算法的参数辨识
• 1.5 论文的主要工作
• 2 励磁系统数学模型及其分析
• 2.1 励磁控制系统的数学模型
• 2.1.1 同步发电机的传递函数
• 2.1.2 励磁调节器的数学模型
• 2.1.3 电力系统稳定器数学模型
• 2.1.4 交流励磁机的数学模型
• 2.2 小结
• 3 基于 FFT/LSE法的发电机励磁系统参数辨识
• 3.1 FFT/LSE辨识原理
• 3.1.1 Wiener-Hops方程
• 3.1.2 FFT处理
• 3.1.3 LSE估计
• 3.2 伪随机序列
• 3.2.1 白噪声
• 3.2.2 PRBS
• 3.3 基于FFT/LSE法的励磁系统参数辨识
• 3.3.1 FFT/LSE法辨识过程
• 3.3.2 基于FFT/LSE法的励磁系统参数辨识
• 3.3.3 基于FFT/LSE法的励磁系统参数辨识方法特点
• 3.4 本章小结
• 4 粒子群优化算法
• 4.1 引言
• 4.2 基本粒子群优化算法
• 4.2.1 算法原理
• 4.2.2 算法流程
• 4.2.3 基本粒子群优化算法的社会行为分析
• 4.3 引入收敛因子的PSO模型
• 4.4 改进粒子群优化算法
• 4.4.1 粒子群规模N对算法性能的影响
• 4.4.2 ω和Vmax对算法性能的影响
• 4.5 本章小结
• 5 基于粒子群优化算法的励磁系统参数辨识
• 5.1 引言
• 5.2 励磁系统模型结构的处理
• 5.3 励磁系统非线性环节的处理
• 5.4 PSO算法用于励磁系统参数辨识原理及流程
• 5.5 基于 PSO算法的励磁系统组成单元参数辨识
• 5.5.1 一阶环节
• 5.5.2 三阶环节
• 5.5.3 非线性环节
• 5.6 基于PSO算法的励磁系统参数辨识
• 5.6.1 辨识用数据初值调零
• 5.6.2 PSO算法目标函数的改进
• 5.6.3 励磁系统参数辨识
• 5.7 本章小结
• 6 全文总结
• 致谢
• 参考文献
• 附录