【技術(shù)前沿】基于類噪聲信號的負(fù)荷參數(shù)辨識算法
2017-5-30 11:07:32??????點擊：
1項目背景
目前已有研究中，基于總體測辨法的負(fù)荷模型的辨識主要利用擾動后響應(yīng)所激發(fā)的負(fù)荷模型特性來進(jìn)行。擾動后響應(yīng)辨識方法的主要缺點在于，系統(tǒng)中的短路故障等大擾動不是經(jīng)常出現(xiàn)的。因此，擾動后響應(yīng)的辨識方法是一種依賴于系統(tǒng)中大擾動是否存在的方法，如果沒有大擾動的存在，擾動后響應(yīng)的辨識方法就無法執(zhí)行。
負(fù)荷模型本身具有隨機(jī)性與時變性。如果完全按照擾動后響應(yīng)的方法來進(jìn)行辨識，那么無法完全跟蹤負(fù)荷模型參數(shù)隨時間的變化與隨機(jī)的波動，辨識所得的模型也就只能對應(yīng)擾動所發(fā)生的時刻系統(tǒng)的負(fù)荷特性，并不能夠用來表示其他時刻該地點的負(fù)荷特性，甚至可能會與其他時刻的負(fù)荷特性存在很大的差異。這樣，也就沒有達(dá)到利用廣域量測信息進(jìn)行動態(tài)負(fù)荷模型辨識的目的。因此，需要一種不依賴于擾動是否存在的負(fù)荷模型參數(shù)辨識方法來更頻繁地進(jìn)行負(fù)荷模型參數(shù)辨識。
2論文所解決的問題及意義
本文提出了針對類噪聲小擾動信號進(jìn)行負(fù)荷模型參數(shù)辨識的算法，可以實現(xiàn)對負(fù)荷模型參數(shù)的周期性多次辨識，而不需要考慮系統(tǒng)中是否有擾動存在，可以實現(xiàn)對負(fù)荷模型參數(shù)時變性的跟蹤，改善了擾動后響應(yīng)辨識方法不能隨時進(jìn)行辨識的問題?！ ?/span>
3論文重點內(nèi)容
辨識的量測數(shù)據(jù)與流程
在負(fù)荷模型辨識的過程中，假設(shè)可以得到的量測量為母線的電壓幅值、電壓相角、有功功率、無功功率四個變量。負(fù)荷模型辨識的過程，就是把電壓幅值、電壓相角兩個變量作為系統(tǒng)輸入，有功功率、無功功率兩個變量作為系統(tǒng)輸出。辨識的目的，就是找到一個負(fù)荷模型，使得在相同的系統(tǒng)輸入下，辨識得到的模型的系統(tǒng)輸出盡可能接近量測得到的系統(tǒng)輸出。
辨識的主要流程包括：
1.提取用于負(fù)荷模型參數(shù)辨識的電壓幅值、電壓相角、有功功率、無功功率四個電磁量測的數(shù)據(jù)段。
2.對一組給定的電磁參數(shù)數(shù)值，計算出在相同的電壓幅值、電壓相角輸入信號的作用下，有功功率、無功功率兩個輸出信號的預(yù)測值，并且計算與實測值的偏差平方和作為下一步優(yōu)化的目標(biāo)函數(shù)。
3.采用差分進(jìn)化算法，對有功功率和無功功率兩個輸出信號的偏差平方和進(jìn)行優(yōu)化，使目標(biāo)函數(shù)達(dá)到最小值的一組模型參數(shù)作為電磁參數(shù)辨識結(jié)果；
4.利用電磁參數(shù)辨識結(jié)果，計算每一時刻的轉(zhuǎn)差率s，用于下一步機(jī)電參數(shù)的辨識。
5.對一組給定的機(jī)電參數(shù)數(shù)值，計算出在相同電磁功率輸入信號的條件下，轉(zhuǎn)差率s的預(yù)測值，并與上一步中計算得到的計算值進(jìn)行比較計算偏差平方和作為下一步優(yōu)化的目標(biāo)函數(shù)。
6.采用差分進(jìn)化算法，對轉(zhuǎn)差率的偏差平方和進(jìn)行優(yōu)化，使目標(biāo)函數(shù)達(dá)到最小值的一組模型參數(shù)作為機(jī)電參數(shù)辨識結(jié)果。
辨識目標(biāo)函數(shù)計算
本文采用預(yù)測值與實測值之間的預(yù)報誤差作為辨識的目標(biāo)函數(shù)。從電動機(jī)的狀態(tài)方程中，利用功率和電壓的量測數(shù)據(jù)以及模型參數(shù)在優(yōu)化過程中的取值，就可以計算出每一時刻狀態(tài)變量的數(shù)值。根據(jù)求解出來的狀態(tài)變量，可以根據(jù)狀態(tài)方程預(yù)測下一時刻的狀態(tài)變量以及輸出變量。把預(yù)測的輸出變量與實測的輸出變量作比較，計算輸出變量預(yù)測值與實測值之間的偏差，就可以得到辨識的目標(biāo)函數(shù)。
在本文針對綜合負(fù)荷模型參數(shù)的辨識過程中，由于電動機(jī)的機(jī)電狀態(tài)方程與電磁狀態(tài)方程是可以解耦的，因此本文的研究中首先從功率和電壓的量測數(shù)據(jù)中計算直軸和交軸兩個感應(yīng)電動勢的狀態(tài)變量的數(shù)值并辨識電動機(jī)的電磁參數(shù)，隨后利用電磁參數(shù)的辨識結(jié)果結(jié)合量測數(shù)據(jù)辨識電動機(jī)的機(jī)電參數(shù)與輸入轉(zhuǎn)矩。
差分進(jìn)化算法
本文采用差分進(jìn)化算法來對目標(biāo)函數(shù)進(jìn)行優(yōu)化。差分進(jìn)化算法（Differential Evolution, DE）與遺傳算法、粒子群算法等優(yōu)化方法一樣，也屬于通過種群生成、進(jìn)化、選擇而實現(xiàn)優(yōu)化的進(jìn)化算法。進(jìn)化算法與傳統(tǒng)的梯度類算法相比，最吸引人的地方在于可以不依賴于初值選取而得到全局最優(yōu)解。差分進(jìn)化算法的基本流程是在參數(shù)取值范圍內(nèi)隨機(jī)進(jìn)行種群初始化，然后在每一代的進(jìn)化過程中對每個個體進(jìn)行變異和交叉，進(jìn)而把進(jìn)化后的個體與上一代個體進(jìn)行比較，選擇更好的個體作為這一代的進(jìn)化結(jié)果。
負(fù)荷參數(shù)辨識對全局最優(yōu)解的要求較高，因此要首先確保全局最優(yōu)然后再提升計算時間。為此，設(shè)計了如下對差分進(jìn)化算法的改進(jìn)，以便更好地應(yīng)用于負(fù)荷模型參數(shù)的辨識。首先，在進(jìn)化終止代數(shù)的選擇上，不再簡單地對總的進(jìn)化終止代數(shù)進(jìn)行計數(shù)，而是等待進(jìn)化過程趨于靜止、進(jìn)化幾乎完成之后，再開始啟動對進(jìn)化終止的判斷。其次，在交叉率與變異因子的選擇上，根據(jù)進(jìn)化過程與上面的終止計數(shù)進(jìn)行動態(tài)調(diào)整。最后，在初始種群的選擇上進(jìn)行改進(jìn)。
南方電網(wǎng)實測數(shù)據(jù)辨識結(jié)果
本部分結(jié)果采用2016年3月18日下午15:48分-15:49分在南方電網(wǎng)富寧-武平段（位于廣西?。┌l(fā)生的一次三相短路接地故障，在珠海220kV變電站所采集的PMU量測數(shù)據(jù)文件來進(jìn)行辨識。這一段的錄波數(shù)據(jù)中，既有系統(tǒng)日常運行伴隨的類噪聲信號，又有在15:48:23發(fā)生的故障后響應(yīng)信號。由于珠海站距離故障點的地理距離較遠(yuǎn)，因此故障的恢復(fù)過程較快，大擾動僅僅持續(xù)了10秒左右。由于故障在15:48:23發(fā)生，因此可以采用23秒之前的某一段數(shù)據(jù)來進(jìn)行辨識，采用整個一分鐘的數(shù)據(jù)來進(jìn)行數(shù)據(jù)校驗。
圖1 南方電網(wǎng)實際測量數(shù)據(jù)辨識結(jié)果（珠海站有功曲線）
圖2 南方電網(wǎng)實際測量數(shù)據(jù)辨識結(jié)果（珠海站無功曲線）
辨識所得到的預(yù)測值與實測值的對比如圖1與圖2所示，可以看出，整個一分鐘的有功功率、無功功率都可以被很好地擬合，說明了本文所提出的方法的有效性，即采用某一段類噪聲信號數(shù)據(jù)進(jìn)行辨識所得到的負(fù)荷模型參數(shù)的結(jié)果可以用于描述整個時間段、包括小擾動和大擾動在內(nèi)的負(fù)荷模型的動態(tài)響應(yīng)，無論有功功率還是無功功率都具有較好的擬合度。
4結(jié)論
?。?）介紹了采用類噪聲信號進(jìn)行負(fù)荷模型辨識所采用的量測數(shù)據(jù)與流程。
?。?）設(shè)計了基于優(yōu)化方法的辨識方法以及從量測數(shù)據(jù)中計算優(yōu)化目標(biāo)函數(shù)的方法。
?。?）介紹了差分進(jìn)化算法及選擇差分進(jìn)化算法用于負(fù)荷模型參數(shù)辨識的原因，針對負(fù)荷模型參數(shù)辨識的具體要求對差分進(jìn)化算法進(jìn)行了改進(jìn)。
?。?）通過南方電網(wǎng)實測數(shù)據(jù)算例，驗證了本章所設(shè)計的模型參數(shù)辨識方法的有效性。
