基于改进遗传算法的非线性发电机励磁系统参数辨识 (1)
发电机励磁系统的参数辨识与等效建模
2011-12-25
河海大学 能源与电气学院 孙黎霞实验室
5
3.1.1系统辨识的定义 系统辨识的定义
系统辨识定义： 系统辨识定义： 定义一(Zadeh 1962)——辨识是指在输入输出数据的基础 定义一 辨识是指在输入输出数据的基础 从给定的一组模型中确定一个与所测系统等价的模型。 上，从给定的一组模型中确定一个与所测系统等价的模型。 定义二(L.Ljung 1978)——辨识即是按规定准则在一类模 定义二 辨识即是按规定准则在一类模 型中选择一个与数据拟合得最好的模型。 型中选择一个与数据拟合得最好的模型。
I fd
It
UR
E fd
Uf
UP
US
图3.3 发电机励磁系统调节原理框图
2011-12-25
河海大学 能源与电气学院 孙黎霞实验室
10
3.2.1励磁调节器（AVR）数学模型（一） 励磁调节器（ ）数学模型（ 励磁调节器
目前， 目前，我国电力系统中应用的励磁调节器基本上有 三种类型：电磁型的电压校正器、相位复式励磁调 三种类型：电磁型的电压校正器、 节器及晶体管型可控硅励磁调节器。 节器及晶体管型可控硅励磁调节器。前两种已属淘 汰之列， 汰之列，在此主要介绍可控硅励磁调节器的数学模 型。 可控硅励磁调节器由量测补偿调差、综合放大、 可控硅励磁调节器由量测补偿调差、综合放大、移 相触发、 相触发、可控硅输出及转子电压软反馈等单元组成 。
2011-12-25
河海大学 能源与电气学院 孙黎霞实验室
11
3.2.1励磁调节器（AVR）数学模型（二） 励磁调节器（ ）数学模型（ 励磁调节器
SE
Us
U ref +
−
+
−
基于改进遗传算法的单元机组非线性模型参数辨识
基 于 改进 遗 传 算 法 的单 元 机 组 非线 性 模 型 参 数 辨 识
任贵 杰 李平康 赵志刚２龙俊峰２ ， ， ，
（． １ 北京交通大学 机械与 电子控制工程学 院 ， 北京 １０ ４ ； ０ ０ ４ ２ 内蒙古大唐国际托克托第二发 电有 限责任公 司，内蒙古 托克托 ０ ０ ０ ） ． １２ ６
Ａｂ ｔａ ｔＡｉ ｎ ｔｃ ａａ ｔｒ ｆｔ ｅｆｓｉ ｆ ｅ ｏ ｒｐａ ｔｕ ｉ ａ ｄ ｔｅ ｐ ｅｏ ｉｕ ， ｎ ｃ ｌｂｌ ｙ ｓｒ ｃ ： ｍｉｇ ａ ｈ ｒｃｅｓｏ ｈ ｏｓｌ ｉ ｄ ｐ ｗｅ ｌｎ ｎｔ ｎ ｈ ｒ ｃｃｏ ｓ ａ ｄ ｓａａ ｉｔ —ｒ ｉ ｐ ｏ ｌｍｓｏ ｈ ｅ ｅｉ ａｇ ｒｔｍ ｏｂ ｘｉ ｅ ｔ ｙｎ ｌｖ ｒ ｂｅｎ ｎｉｅ ｒｓ ｓｅ ｐ ｒｍ ｅｅ ｓ ｈ ｒｂｅ ｆｔ ｅｇ ｎ ｔｃ ｌｏ ｉ ｈ ｔ ｌ ｉ ｎ ｉ ｉｇｍｕｔ ａ ｉ ｌ ｏ ｌ ａ ｙ ｔｍ ａａ ｔｒ ，ｔｅ ｏ ｏ ｎｄ ｆ ｉ ａ ｎ ｇ ｎ ｔ ｌｏ ｉ ｍ ｏｂ ｘ ｗａ ｍ ｐｏ ｅ ， ｔ ｅｎ ｎ ｉｅ ｒｄ ｎ ｍｉ ｍｏ ｅ ｓｃ ｏ ｅ ｓｔ ｅｓｕ ｙ ｓ ｂ ｅ ｅ ｉ ａｇ ｒ ｈ ｔ ｌｏ ｓｉ ｒｖ ｄ ｈ ｏ ｌ ａ ｙ ａ ｃ ｃ ｔ ｏ ｎ ｄｌ ｗａ ｈ ｓｎ ａ ｈ ｔｄ ｕ —
参数 辨识 具有 良好 的适 应性 ， 辨识 得 到的模 型是 有 效可 靠的 ．
关键词 ： 单元机组模型 ； 遗传算法； 参数辨识 中图分 类 号 ： Ｋ３ ３ Ｔ ２ 文献标 志码 ： Ａ
Ｐａ ａ ｅ ｅ ｓ ｉ ｅ ｔｆ ｃ ｔｏ ｆ ｔ ｒ ａ ｏ ｒ ｕ ｔｐ ａ ｔ ｒ ｍ ｔ ｒ ｄ ｎ ｉ ｉ ａ ｉ ｎ ｏ ｈｅ ｍ ｌｐ ｗｅ ｎｉ ｌ ｎ ｎ ｎｌｎ ａ ｏ ｅ ｓ ｄ ｏ ｍ ｐｒ ｖ ｄ ｇ ｎｅ ｉ ｌ ｏ ｉｈ ｏ ｉ ｅ ｒ ｍ ｄ ｌｂａ ｅ ｎ ｉ ｏ ｅ ｅ ｔｃ ａ ｇ ｒ ｔ ｍ
基于递推最小二乘法的永磁伺服系统参数辨识
基于递推最小二乘法的永磁伺服系统参数辨识荀倩;王培良;李祖欣;蔡志端;秦海鸿【摘要】为使永磁同步电机(PMSM)控制系统在复杂环境中具有较好的动态性能,伺服系统必须具有参数辨识和参数自整定的功能,而转动惯量与负载转矩辨识是其首要解决的问题.采用零阶保持器对电机运动方程进行离散化建模,考虑了摩擦系数对辨识结果的影响,将基于遗忘因子递推最小二乘辨识算法应用于该离散模型可以同时辨识出系统转动惯量、负载转矩和摩擦系数.同时,针对Matlab/Simulink中库模型参数不能在线动态修改的缺点,提出改进型PMSM模型,以此搭建了伺服系统的仿真控制模型,完成了定参数与变参数的动态仿真.最后,在stm32微控制器上进行了实验验证.仿真和实验表明该文提出的电机离散化模型和参数辨识方法具有一定的准确性和实时性,仿真结果验证了改进型PMSM模型在变参数仿真研究中的实用性.【期刊名称】《电工技术学报》【年(卷),期】2016(031)017【总页数】9页(P161-169)【关键词】永磁同步电机;动态性能;参数辨识;离散模型;遗忘因子递推最小二乘法【作者】荀倩;王培良;李祖欣;蔡志端;秦海鸿【作者单位】湖州师范学院工学院湖州313000;湖州师范学院工学院湖州313000;湖州师范学院工学院湖州313000;湖州师范学院工学院湖州313000;南京航空航天大学江苏省新能源发电与电能变换重点实验室南京211100【正文语种】中文【中图分类】TM351永磁同步电机(Permanent Magnet Synchronous Motor，PMSM)由于结构简单、运行可靠、功率密度大、效率高等优点，易于构成高性能的伺服系统，被广泛应用于家用电器、交通工具、工业控制等各个领域[1]，在电力拖动系统中具有重要的应用价值。
而永磁同步电机是集电气与机械为一体的部件，机械在运动中会受到诸多无法预知因素的影响，如外界负载扰动、摩擦力扰动或系统参数变化等[2]。
基于数据融合模型的励磁系统参数辨识算法
《电气自动化》2021年第43卷第2期电力及其自动化Power System&Automation基于数据融合模型的励磁系统参数辨识算法曹路1,李建华1,时艳强1,杨玲2,朱宏超2,马腾宇2,吴杰2,谢志平3(1.国家电网有限公司华东分部，上海200120；2.国电南瑞科技股份有限公司，江苏南京211106；3.扬州第二发电有限责任公司，江苏扬州225000)摘要：确认真实可靠的发电机励磁系统参数对电力系统安全稳定分析具有重要意义o基于人工网络融合法，提岀了一种基于数据融合模型的辨识算法实现对励磁系统的参数辨识"首先,使用灰狼算法、粒子群算法和遗传算法分别对励磁系统数辨识"然后，利用神经网络算法对三种方法的辨识结合成决策"最后,数据融合模型合成辨识值"结表明，基于融合模型的励磁系统参数辨识方法一辨识法具有的辨识稳定性o关键词：励磁系统;参数辨识;数据融合;神经网络;人工智能算法DOI:10.3969/j.is.1000-3886.2021.02.022［中图分类号］TM712［文献标志码］A［文章编号］1000-3886(2021)02-0064-03Parometor Identification Algorithm for the ExcitationSystem Based on a Dato Fusion ModelCav Lu1,Li Jianhua1,Shi Yanqiang1,Yang Ling2,Zhu Hongchav2,Ma Tengyu2,Wu Jia2,Xia Zhiping3(1.East China Branch O State Grib Corboratioo O China,Shanghai200120,China；2.State Grid NARI Technology Co.,Lt.,Naning Jiangsu211106,China；3-Yangzhoo No.2/0”0Genera/op Co.,Ltt.,Yangzhoo Jiangsu225000,China)Abstract:Confirmation ot genuine and reliable parameters ot the generator exokation system is ot great significance for the analysis ot the safety and eeeoaboeotsootheeeecteocpoweessstem.Based on theaetooocoaenetwoek ousoon appeoach#an odentooocatoon aegoeothm based on a data fusion model was proposed to realize parameter identification for the eockation system.Firstly#grey wolf optimization(GWO), particle scarm optimization(PSO)and genetic alyogthm(GA)were used respectively to identify parameters ot the eockation system.Then#theodentoocatoon eesuetsoHthosetheeemethodsweeessnthesoeed bstheaetoocoaeneueaenetwoek aegoeothm.Fona e s#thedata fusion model gave the synthetic inentikcation w I uc.Simulations indicated that the parameter identification method based on the fusion model achieved a higher accuraca and stability than a single identification approach.Keywordt:eockation system;parameter identikcation;data fusion;neural neteork;artificial intelligence alyo—thm0引言发电机励磁系统具有调节发电机端电压和控制并列运行发电机无功功率分配的作用⑴。
遗传算法在发电机励磁系统参数辨识中的应用
２ Ｇａ ｓ ｅ ｔ ｉ ｗｅ ｓ ａ ｃ ｎｓ ｉｕ ｅ ． ｎ ｕ Ｅｌ ｃ ｒｃＰｏ ｒ Ｒｅ ｅ ｒ ｈ Ｉ ｔｔ ｔ ，Ｌａ ｚ ｏｕ ７ ０ ５ ｎ ｈ ３ ０ ０，Ｃｈ ｎ ｉ ａ）
同 步 发 电 机 励 磁 系 统 在 提 高 电 力 系 统 可 靠 性
简 单 的线 性 模 型 ， 动 稍 大 系 统 就 进 入 非 线 性 区 。 扰
和稳定性方 面起着重 要作用 ， 提高其性 能是 实现 电 力系统稳 定 的有效 的措 施 。 常 ， ］通 励磁 调 节器 的
中 图分 类 号 ：ＴＭ７ １ ６ 文 献 标 志码 ：Ａ 文 章 编号 ：１ ０ — ９ ０ ２ １ ） 卜０ ７ — ４ ０ ３８ ３ （０ Ｏ ０ ０ ６０
Ａｐ ｉ ａ ｉ ｎ ｏ ｎ ｔｃ Ａｌ ｏ ｉｈ ｉ ｎ ｒ ｔ ｒ Ｅｘ ｉａ ｉ ｎ ｐｌｃ ｔｏ ｆ Ｇｅ ｅ ｉ ｇ ｒ ｔ ｍ ｎ Ｇｅ ｅ ａ ｏ ｃ ｔ ｔｏ Ｓ ｓ ｅ ｒ ｍ ｅ ｅ ｓ Ｉ ｎｔｆｃ ｔｏ ｙ ｔ ｍ Ｐａ ａ ｔ ｒ ｄｅ ｉ ｉａ ｉ ｎ
Ｗ ＡＮ Ｇ ｎｇ ｇｕ ，Ｗ Ａ Ｎ Ｇ ａ — ｎ Ｘｉ — ｉ Ｙ ｎ ｘ ，ＺＨ ＩＹ ｏ ｎｇ
（ ． ｐ ｒ ｍｅ ｔｏ ｅ ｔ ｉａ ｎ ｎ ｏ ｍａ ｉ ｎ Ｅｎ ｎ ｅ ｉ １ Ｄｅ ａ ｔ ｎ ｆＥｌ ｃ ｒｃ ｌａ ｄ Ｉ ｆ ｒ ｔｏ ｇｉ ｅ ｒｎｇ，Ｌａ ｚ ｏｕ Ｕｎ ｖ ｒ ｉｙ ｏｆ ｎ ｈ ｉ ｅ ｓｔ
Ａｂ ｔａ ｔ ｓ ｒ ｃ ：Ｔｈｅ ｌａ ｎｉｇ ｃ ｐａ ｉｉｙ ａ ｏｎ ｌｎｅ ｅ ｔ ｒ ｅ ｔｃａ ｇ ｉｈｍ ａ ｅ Ｏ ｏｂ ａｎ ｔ ｅ ｉｅ ｉｉａ ｅ ｒ ｎ ａ ｂ ｌ ｎｄ ｎ ｉ ｒｆ ａ ｕ ｅｏｆｇ ｎｅ ｉ ｌ ｏｒｔ ｔ ｃ ｎ ｂｅｕｓ ｄ ｔ ｔ ｉ ｈ ｄ ｎｔｆｃ —
基于改进智能算法的非线性转子系统的参数辨识
摘 要 ：为了有效的识别非线性转子系统的若干参数， 提出了基于遗传算法、 蚁群算法和邻域搜索算法的混合方
发电机励磁故障分析及处理对策
发电机励磁故障分析及处理对策摘要：近年来，我国对电能的需求不断增加，发电厂建设越来越多。
水轮发电机运行时励磁回路直流电压约数百伏,励磁回路对地电压约为励磁电压的一半,转子绕组及励磁系统对地绝缘,当励磁回路发生一点接地时,不会构成对发电机的直接危害,可平稳停机后再排查故障点。
因此本文就发电机励磁故障及处理对策进行研究，以供参考。
关键词：发电机；励磁系统；故障引言电励磁直驱水电机组是我国水力发电机常用的机组，机组主传动链使用双列圆锥滚子轴承，整个传动轴系采用单主轴承、外圈旋转结构，内圈通过过盈固定到支撑锥轴上，发电机为电励磁的内转子、外定子布局。
1低励限制原理水力发电机励磁系统的主要原理为:励磁电压的控制权由励磁控制系统中的主环稳定器以及低励控制中的控制信号通过竞比门方式决定。
开始低励限制动作前，通过电压稳定器实现水力发电机励磁系统的控制;低励限制动作开始后，励磁控制由低励限制实现。
2发电机励磁故障2.1励磁AVR柜报警电气专业对励磁系统的相关报警进行检查，信息如下。
（1）AVR柜控制面板警报。
AVR柜控制面板显示“警报（Alarm）”“出错（Error）”，按故障时报警时刻的先后时序。
通过查阅报警（Alarm）的故障代码“25010”，提示励磁系统发生可控硅异常，同时从表2中获知，励磁AVR通道1（CH1）及AVR通道2（CH2）均发生故障，触发励磁故障动作跳闸（Trip）。
（2）AVR装置故障录波情况。
查阅AVR装置，确认在故障时刻AVR装置自带的故障录波功能录取了相关的数据波形记录，但记录的是数据文件，在装置显示器上无法查阅波形，需要导出文件后在电脑上用专用软件复原数据文件形成电气波形。
（3）发变组保护盘动作检查。
故障发生后，检查发变组保护盘（A盘、B盘）仅存在“Trip”“Alarm”指示灯亮，86T3出口继电器动作，无详细保护动作指示灯亮；控制面板仅记录低频保护动作信息。
检查发变组保护压板，发现0号机发变组保护盘改造后图纸中标注为“备用”的LP13压板存在手写字样“AVR联跳”且处于投入状态，但查阅保护图纸，发现LP13压板的联跳信息及回路在图纸中缺失，即存在图纸与实际跳闸回路不相符合的问题。
基于遗传算法和人工神经网络的冷水机组模型参数辨识及误差补偿方法
第42卷第3期2021年6月Vol.42,No.3June,2021基于遗传算法和人工神经网络的冷水机组模型参数辨识及误差补偿方法文章编号：0253-4339(2021)03-0093-07doi：10.3969/j.issn.0253-4339.2021.03.093基于遗传算法和人工神经网络的冷水机组模型参数辨识及误差补偿方法张丽珠1章超波1陈琦2赵阳1(1浙江大学制冷与低温研究所杭州310027；2浙江省能源集团有限公司杭州310007)摘要DOE-2模型被广泛应用于冷水机组仿真建模,如何根据有限传感器实测数据对某特定冷水机组DOE-2模型的参数进行可靠地辨识，并补偿模型误差，对于节能运行等场景具有重要意义。
在实践中由于传感器不足且数据质量不高等问题,DOE-2模型参数的可靠辨识较为困难。
因此，本文提岀一种基于外部知识库的遗传算法和一种基于人工神经网络的方法分别对DOE-2模型进行参数辨识和误差补偿。
结果表明:基于外部知识库的遗传算法可以有效降低DOE-2模型参数辨识时间，并显著提升DOE-2模型预测精度。
误差补偿后的DOE-2模型的预测精度显著高于未作补偿的DOE-2模型，前者在预测冷冻水岀口温度时的MAE、RMSE、MAPE和CV-RMSE分别降低36.49%,46.OO%、33.16%和45.73%,R2提高25.75%。
关键词冷水机组建模;遗传算法;参数辨识;人工神经网络;误差补偿中图分类号:TU831.4;TP183文献标识码：AGenetic-Algorithm-Based Parameter Identification and Artificial-Neural-Network-Based Error Compensation for Chiller ModelZhang Lizhu1Zhang Chaobo1Chen Qi2Zhao Yang1(1.Institute of Refrigeration and Cryogenics,Zhejiang University,Hangzhou,310027,China; 2.Zhejiang Energy Group Co.,Ltd.,Hangzhou,310007,China)Abstract Accurate chiller models are important for the energy conservation of chillers.The DOE-2model is the most common chiller model.Parameter identification and error compensation are crucial for the development of an accurate DOE-2model.However,the parameter identification of a DOE-2model of an actual chiller is usually challenging because chillers are usually equipped with limited sensors and the quality of actual data is usually low.To address the above issues,a genetic algorithm based on an external knowledge base for parameter identification and artificial-neural-network-based(ANN-based)error compensation method are proposed.The results show that the proposed genetic algorithm can significantly reduce the computation load of parameter identification of the DOE-2model.It can also significantly improve the accuracy of the DOE-2model.Moreover,the accuracy of the DOE-2model with the ANN-based error compensation is significantly higher than that of the DOE-2model without error compensation.The MAE,RMSE,MAPE,and CV-RMSE of the model with error compensation in predicting the chilled water outlet temperature were reduced by36.49%,46.00%,33.16%,and45.73%,respectively,while R2of the model with error compensation was increased by25.75%.Keywords chiller modeling;genetic algorithm;parameter identification;artificial neural network;error compensation作为中央空调系统的重要组成部分，冷水机组能耗约占中央空调系统的40%~50%[1]。
系统辨识读后感
《远程多管火箭炮电液位置伺服系统辨识与控制策略研究》读后感系统辨识是一种利用系统的输入输出数据建模的方法，是黑箱建模问题，即使对系统的结构和参数一无所知，也可通过多次测量得到系统的输入和输出的数据来求得系统的模型，是对实际系统的一个合理的近似。
对于非线性系统模型的辨识问题，各国学者都作了大量的工作，提出了不少辨识算法，其中传统的非线性系统描述方法有模型法、高阶频率响应函数法等。
近年来，基于智能控制理论中的模糊逻辑、神经网络、遗传算法等知识形成了许多新型的辨识方法，为辨识非线性系统开辟一条新途径。
本文以某新型远程多管火箭炮为工程背景，研究了该火箭炮泵控缸电液位置伺服系统的模型辨识与控制策略。
这篇论文的主要讲解了以下几个方面：（1）分析了火箭炮泵控缸电液位置伺服系统的结构和工作原理，推导了电液位置伺服系统的传递函数，利用Matlab中的SimMechanicS和SimHydraulics 工具箱搭建了系统的仿真模型，并分析了该系统的非线性和时变性因素，为下一步的控制研究和试验分析奠定基础。
（2）研究了离线训练与在线微调相结合的系统辨识策略。
离线辨识时，采用基于遗传优化的神经网络辨识方法首先利用遗传算法优化神经网络的权值和阐值，得到优化初值，再由算法按负梯度方向寻优，进一步优化神经网络。
该方法较好地解决了神经网络易陷入局部最小的问题，并且离线训练后的权值参数为合理值，从而使在线微调避免了振荡现象的发生在线辨识时，采用附加动量项和自适应学习率相结合的快速算法，加速了网络的收敛速度，使其能很好的运用于在线辨识的研究中。
（3）研究了泵控缸电液位置伺服系统的神经网络间接模型参考自适应控制方案。
由于神经网络控制器反向传播需要己知被控对象的数学模型，而对于本文所研究的具有非线性和时变性的系统，神经网络控制器的学习修正就很难进行。
为了解决该问题，采用带有神经网络在线辨识器的神经网络间接模型参考自适应控制方案，利用神经网络在线辨识器实时地为神经网络控制器提供梯度信息，使得神经网络控制器的学习修正能够正确的进行。
改进遗传算法在发电机励磁系统参数辨识中的应用
ｈ ｔ ａｄ ｄ ｌ ｉ ｂｅ ， ｒ ｍｅｅｓ ｆ ｎ ｒ ｏ ｃ ａ ｏ ｙｔ ａ ｄｕｔ ｏ ｓ ｌ Ｆｎ ｌ ，ｈ ｔ ｔａ ｆ ｅｓ ｎ ａｄｍｏ ｅ ｅ ｇｔｅｏ ｉ ｔｔｅ ａａ ｔｒ ｏ ｅ ｅａ ｒ ｘｉ ｔ ｎｓｓ ｍ ｅａｊｓ ｄｃ ｎｔ ｔ ． ｉａ ｙ ｔｅ ｓ ｏｔ ｔ ｒ ｈ ｂｎ ｈ ｃ ｈ ｐ ｇ ｔ ｅ ｔｉ ｅ ｒ ｅ ｎ ａ ｙ ｌ ｍｏ
Ａｂ ｔ ａ ｔ Ａ ｅ ｍｅ ｏ ａ ｅ ｎ ｉ ｒ ｖ ｄ ｇ ｎ ｔ ｌ ｏ ｔ ｍ ｏ ｄ ｎ ｉｙ ｎ ａ ａ ｔｒ ｆ ｇ ｎ ｒ ｔ ｒ ｅ ｃｔ ｔ ｎ ｓ ｓｅ ｉ ｓｒ ｃ ： ｎ ｗ ｔ ｄ ｂ ｓ ｄ ｏ ｍｐ ｏ ｅ ｅ ｅ ｉ ａｇ ｒ ｈ ｆ ｒ ｉ ｅ ｔ ｉ ｇ ｐ ｍｅｅ ｏ ｅ ｅ ａ ｏ ｘ ｉ ｉ ｙ ｔｍ ｓ ｈ ｃ ｉ ｆ ｒ ｓ ａ ｏ ｉ ｔ ｄ ｃ ｄ ｉ ｈ ｓｐ ｐ ｒ Ｔｈ ｓｍｅ ｏ Ｓｕ ｅ ｏ ｃ ｎ ｅ ｔ ｅ ｏ ｇ ｎ ｌ ｎ ｒ ｕ ｅ ｎ ｔ ｉ ａ ｅ ． ｉ ｔ ｄ ｉ ｓ ｄ ｔ ｏ ｖ ｒ ｔ ｒ ｉ ａ ｄ ｌ ｆｇ ｎ ｒ ｔ ｒｅ ｃ ｔｔ ｎ ｓ ｓｅ ｔ ｅ ｓａ ｄ ｄ ｍｏ ｅ ｆ ｏ ｈ ｈ ｉ ｍｏ ｅ ｅ ｅ ａｏ ｘ ｉ ｉ ｙ ｔ ｍ ｔ ｔ ｎ ａ ｄ ｌ ｏ ａｏ ｏｈ ｒ ｏ
Ｗ ＡＮＧ ａ ． ｉ Ｊ ＡＮＧ ｉ ｇ ， Ｘｉｏ ｗｅ Ｉ ， Ｐ ｎ ＣＡＯ ． ｎ ＸＵ Ｙａ １ ｇ ， ｏ Ｋｅ
ｒ ． ｃ ｏ ｌ ｆ ｌ ｔｃｌ ｎ ｉｅｒ ｇ Ｓ ｕｈ ａｔ ｎｖ ｒｉ ， ａｊ ｇ２ ９ ， ｈｎ ； Ｓ ｈ ｏ ｅ ｒ ａ Ｅ ｇｎｅ ｎ ， ｏｔｅ ｓＵ ｉｅｓｙ Ｎ ｎｉ １０ ６ Ｃ ｉａ １ ｏ Ｅ ｃｉ ｉ ｔ ｎ ０ ２ Ｊ ｎ ｓ ｌ ｔｃ ｏ ｅ ｅｔ ｎ ｅｅｒｈ ｎｔｕｅＮａｊ ｇ２ ０ ３ ， ｈｎ ） ．ｉ ｇｕＥｅ ｒ ｗ ｒ ｓａｄＲ ｓａｃ ｓｔｔ， ｎｉ ０ ６ Ｃ ｉａ ａ ｃ Ｐ ｉ Ｔ Ｉ ｉ ｎ １
改进的自适应遗传算法及其在系统参数辨识中的应用
仅影 响交 叉算 子 、变 异算 子等 的运算 方法 ，而 且与 遗 传 算法 收敛性 及算 法精度 有 密切 的关系 。二进 制
编 码 方式 的编码 、解码 简单 ，交 叉 、变 异等 遗传 操
遗传 算法 ，在解 决一 些复杂 问题 时它还 存在着 “ 早
熟 ”和 局 部收 敛 的缺 陷 。虽然 参 考 文献 ［ ３ 对遗 卜 ］ 传算法都加 以改进 ， 大多局 限于Ｇ 的某一环节 ，而 但 Ａ 没有 从遗 传 算 法 的 全 局 角度 进 行 分析 。本 文 针 对
作 也 易于实现 。但 是 ，算法运 行 时需要 进行 编码和
解 码操 作 ，使得算 法 效率下 降 ；求解连 续参 数 问题
时，二进 制编 码方 式会 产生编 码和 解码 误差 ，从而
传 统 的 Βιβλιοθήκη 适应 遗 传算 法 （Ｇ ） Ａ Ａ 存在 的不足 ，在 引入 了实 数 编 码 策 略 和精 英 保 留策 略 的基 础 上 ，提 出
ｇ ｒｈ （ ｏｉｍ Ｉ ｔ ＡＧＡ） ｓｐ ｅ ｅ ｔｄ ｏ ｅｂ ｓｓｏ ｔ ｄ ｃｉ ｎｔ ｈ ｅ ｌ ｏ ｉｇ ｓｒ ｔｇ ｎ ｈ ｌ ｉ ｓｒ ｔｇ ． ｈ ｒ ｓ ｏ ｅ ｒ ｂ ｗａ ｒ ｓ ｎ ｅ ｎ ｔ ａ ｉ ｆ ｎｒ ｕ ｔｏ ｏ ｔｅ ｒａ — ｄ ｎ ｔａｅ ｙ ａ ｄｔ ｅｅ ｉ ｓ ｔａｅ ｙ Ｔ ｅｃ ｏ ｓ ｖ ｒ ｏ — ｈ ｉ ｏ ｃ ｔ ｍ ｐ
摘 要： 为解 决传统 自适应遗传 算法存在 的不足 ，在 实数编码 策略和精 英保 留策略的基础 上，提
出 了一种 改进 的 自适应遗 传算法 ，对遗传 操作 的交 叉概 率和变 异概 率进行 了改进 。将其应 用于系统 参
数辨识 ，结果证 明该算 法具有更 高的辨识精度 和更 强的抗噪声 能力 。 关键 词： 自适应遗传算法 ；实数编码 ；精英保 留；参数辨识
基于改进遗传算法的电阻炉模型参数辨识
作者简介 ： 张
强（９２一）男 ， １８ ， 湖南益阳人 ， 士生 ， 硕 研究方 向： 智能控制 。
５ ３
准 ， 文 中 的适 用度 函数 采用 目标评 价 函数 ‘ 本 ， 。 遗传 算子 ［ ： ］
选择 ： 采用轮盘赌方法 ， 每个个体被选中的概率和它的适用度成正比， 适用度值越高 ， 中的概率越 被选 大， 也就是 保 留下来 的概率越 大 。 交叉 ： 交叉算子的作用是使两个染色体以某种方式交换某个位 ， 形成两个新个体。 变异 ： 变异算子用来产生新个体 ， 能够避免因选择和交叉而造成的信息丢失， 改进算法 的局部搜索能 力， 保证算法的有效性。 精英保 留策略 ： 本文中对遗传算法采用了精英保留策略 ， 保证每一代的优 良个体不被破坏 。 遗传算法是一种并行处理算法 ， 由于它是基于模式处理的方法， 因此能够对数据空间进行全局搜索， 以较大概率收敛到全局最优点。 但由于遗传算法中处理的个体数 目以及代数都有限， 所以有可能陷入过早 收敛的情况。 因此 ， 我们在这里对遗传算法进行改进 ， 进行大变异操作来解决这个问题 ， 其基本原理 ： 当位 于某一区间的个体数 目大于规定数 目， 也就是出现早熟时 ， 以完全变异概率进行一次变异操作， 就 也就是 说这个时候 ， 随机选取一个个体， 发生一次变异操作 ， 从而跳出局部最优 ， 避免早熟［ 。 引 大变异操作分为两个步骤［ 当一代中适用度位于某一区间的个体数 目满足式（） 。 ５ 的条件 ， 就认为搜 索到局部最优空间， 把这一步称之为集中。
１ 电阻 炉模 型
对于电阻炉数学模型的研究 ， 许多学者 已经做了大量的工作 ， 建立了多种模￣［ ６ ５ ］ － 。由于电阻炉存在 非线性 ， 大滞后 ， 时变性等特点， 其精确的数学模型难 以构建 ， 在这里我们用一阶时滞系统来近似描述为 ： Ｇ（ ）＝ Ｓ 一 ／ １＋ （ ） （） １ 其温度时间函数关系式为： ． ｔ ）＝ Ｋ｛ １一ｅｐ 一（ ｘ ｌ ｔ—ｒ ／ ｝ ） ｊ （） ２ 本文 中 的测量 数据 我们采 用 ｔ）而模 型计 算得 到 的理 想 数据 则 采用 厂ｔ 表示 ， １， （） 所以 ， 我们可以得 到 目标评 价 函数 为 ：
系统辨识
1
目录
1 2 3 4
• 系统辨识存在问题及方法分类
• 现代系统辨识简介 • 总结 • 参考文献
2
选择合理的辨识方案
各种辨识方法都有一定的适用范围和不同的计算工 作量。
辨识 目的
合理的 辨识 方案
3
先验 知识
系统辨识
未知的 数学模 型
先验知 识少
非线性
内部关 联错综
15
小波网络的系统辨识中的特点
1. 可构成函数基 小波变换类似于Fourier变换,可将信号按函数基的 形式展开。 2.在时域和频域内具有局域化的能力 小波分析理论即是Fourier分析理论的一大突破， 小波变换由于采用了自适应窗口,可以在低频部分具有 较高的频率分辨率和较低的时间分辨率,在高频部分具 有较高的时间分辨率和较低的频率分辨率,因而在时频 两域上可同时进行局部分析。 3. 可以进行多尺度分析 信号在不同尺度下的小波变换反映了信号在不同 尺度空间中的信息，描述了小波的分频性能。
5
基于神经网络的系统辨识
神经网络特点 1.能够充分逼近任意复杂的非线性系统; 2.能够学习适应不确定性系统的动态特性； 3.所有定量或定性的信息都分布储存于网络内的各 个神经元,所以有很强的鲁棒性和容错性； 4.采用并行分布处理方法,使得快速进行大量运算成 为可能。 这些特点显示了神经网络在求解非线性和不确定性 系统控制方面的巨大潜力,将神经网络引入控制系统是 控制学科发展的必然趋势。
时变性
辨识模型常见的分类: 非参数的一参数的 连续的一离散的 时域的一频域的 单变量的一多变量的 静态的一动态的 线性的一非线性的 时变的一非时变的 确定的一随机的 集中参数的一分布参数的
电动汽车用异步电机参数辨识及优化
电动汽车用异步电机参数辨识及优化李强【摘要】The vector control system for induction motor used in electric vehicle was analyzed. A parameter identification and optimization algorithm for induction motor was proposed. Two different kinds of frequency sine signals generated by sinusoidal pulse width modulation were injected into the motor respectively, to identify the rotor resistance, mutual inductance and leakage inductance. On the d-axis, a sinusoidal current with DC bias was applied while the q-axis current was controlled to be zero, to optimize the rotor resistance. A step signal was injected into the induction motor to optimize the rotor time constant . The experiments of parameter identification and optimization using the algorithm were carried out on the 7. 5 kW induction motor. All conclusions indicate that the identification and optimization results are correct.%对电动汽车用异步电机矢量控制系统进行了分析，提出一种电动汽车用异步电机参数辨识及优化算法。
基于改进遗传算法的系统参数辨识
２ 模型参数估计
２ １ 改进 的遗传 算法 ．
本 文 的遗 传算 法 是基 于 频 率 响应 数 据 的 ， 这里 我们采 用谱估 计方 法进行 拟合 。
改进 的算 法采 用 自适 应 的适 应 度 函数 ， 以单个 个体 的适 应度 在总 适应 度 中所 占 比例 为 判 别标 准 ， 在 比值过 大时 ， 按适 应 度 由小 到 大 排列 的序 号 的 比 例可 直 接作 为 复 制 概 率 ， 比值 适 中时 ， 在 直接 以适 应度 的 比例 作 为 复 制 概 率 ， 比值 过 小 时 ， 序 号 ቤተ መጻሕፍቲ ባይዱ 按 指 数 的 比例 作 为 复 制 概 率 。避 免 早 期 个 体 适 应 值 差别 过 大导致 解 的趋 向性 ， 和后 期 适 应 值接 近 而 导 致 收敛 速度 过慢 。适 应 度 函数 的 自适 应 ， 保证 了种 群 的多样性 ， 以免 在搜 索 缓 慢 时不 得 不 几 十倍 的加 大变 异概 率 ， 其变为 随机搜 索 。 使
局最 优 。
由于遗传算 法是利用遗 传信息 和适 者生存 的
策略 来指 导搜 索方 向 ， 因此 它 不 需 要 求 梯 度 和假 定
搜索空间是连续的、 可微的。遗传算法是同时估计
参 数 空间 中 的许 多 点 ， 以它 具 有 高 效 的 全局 优 化 所
能力 。
遗传算法的搜索过程是从初始解群开始， 以模
＠
２ １ ＳｉＴ ｃ． ｎｒ． ０ １ ｃ． ｅｈ Ｅ ｇｇ
基于改进 遗传 算法 的系统参数辨识
孙 磊 陈绍 炜 吴金 鹿
（ 西北 工业大学 电子信 息学院 ， 西安 ７ ０ ２ ） １ １９
基于改进RLS算法的永磁同步电机参数辨识
基于改进RLS算法的永磁同步电机参数辨识林巨广;陈桐【摘要】永磁同步电机(permanent magnet synchronous motor,PMSM)参数的在线准确辨识是实现电机高性能控制的基础,也为系统故障诊断提供了依据.传统递推最小二乘(recursive least square,RLS)法在辨识PMSM的d轴、q轴电感参数时对系统噪声、状态变化较为敏感,动态辨识稳定性不佳.文章在建立离散化辨识模型的基础上,提出了一种改进递推RLS算法,用于d轴、q轴电感参数的在线辨识.该算法在动态辨识过程中引入电流变化率,同时改进算法中的增益矩阵K,减小d轴、q轴辨识误差对电感修正产生的耦合影响.通过一台20 kW的PMSM仿真及实验,验证了改进的辨识算法能够有效提高参数的动态辨识效果.【期刊名称】《合肥工业大学学报（自然科学版）》【年(卷),期】2019(042)007【总页数】6页(P876-880,934)【关键词】永磁同步电机(PMSM);参数在线辨识;递推最小二乘法;离散系统;电感辨识【作者】林巨广;陈桐【作者单位】合肥工业大学机械工程学院,安徽合肥 230009;合肥工业大学汽车工程技术研究院,安徽合肥 230009【正文语种】中文【中图分类】TM341永磁同步电机(permanent magnet synchronous motor, PMSM)因具有控制性能好、能量密度大等优点,被广泛用于高性能伺服控制、新能源汽车驱动等各个领域。
而作为机电能量转换系统,PMSM电气参数与转矩输出性能密切相关。
因此,准确地在线辨识d轴、q轴电感参数具有重大意义,例如用于优化转矩输出性能、进行部分电机故障问题的诊断等。
常用的PMSM电磁参数辨识方法可分为离线法和在线法两大类。
离线法主要包括有限元法[1]、实验标定法等,这类方法将仿真或实验得到的参数以表格的形式存储到控制系统中,通过查表、插值等方法获取某工况下的电磁参数,其优点为辨识精度稳定、易于实现,但会占据较多的存储空间,且无法准确反应电机受环境因素影响所发生的实时变化。
基于遗传算法的电机参数优化控制方法
基于遗传算法的电机参数优化控制方法电机参数优化控制方法是电机控制领域中的重要研究方向之一。
基于遗传算法的电机参数优化控制方法能够通过模拟生物进化过程，获取最佳的电机参数配置方案。
本文将从遗传算法的原理入手，介绍基于遗传算法的电机参数优化控制方法的实现步骤和应用场景。
一、遗传算法原理概述遗传算法（Genetic Algorithm，简称GA）是一种模拟生物进化过程的优化方法，通过模拟自然选择、交叉、变异等操作，从种群中搜索出全局最优解。
1.1 遗传算法的基本过程遗传算法的基本过程包括初始化种群、选择、交叉、变异和评估等步骤。
具体步骤如下：（1）初始化种群：随机生成初始的电机参数个体，形成一个种群。
（2）选择：根据每个电机参数个体的适应度评估，选择适应度高的个体作为父代。
（3）交叉：从父代个体中选择一对，交叉产生新的个体。
交叉点可以选择某一位或某一段。
（4）变异：对新个体中的某个或某几个电机参数进行变异操作，引入新的基因。
（5）评估：对新个体的适应度进行评估，得到适应度值。
（6）判断是否满足终止条件：如果满足则结束优化，输出最佳个体参数，否则返回步骤（2）继续迭代。
1.2 遗传算法的优势和局限性遗传算法具有以下优势：（1）全局优化能力强：通过从一个初始种群中搜索全局最优解，避免了陷入局部最优解的问题。
（2）适应度函数灵活：可以根据具体问题设计适应度函数，方便处理复杂的优化问题。
（3）易于并行计算：遗传算法的每一代都可以独立计算，易于并行处理。
遗传算法也存在一些局限性：（1）对问题的建模要求高：需要将问题转化为适应度函数的形式，有时需要对问题进行抽象和简化。
（2）参数选择困难：遗传算法的效果和参数设置密切相关，不同问题可能需要不同的参数设置。
（3）收敛速度慢：由于随机性和全局搜索的特性，收敛速度相对较慢。
二、基于遗传算法的电机参数优化控制方法2.1 问题建模电机参数优化控制是一个复杂的优化问题，需要将其转化为适应度函数的形式。
基于实测数据的发电机调速系统参数辨识方法
基于实测数据的发电机调速系统参数辨识方法孙闻;孔祥玉;张科;张芳;杨群【摘要】结合当前电力企业广泛开展的发电机组参数实测工作,提出一种参数解耦辨识和整体辨识相结合的发电机调速系统启发式参数辨识方法.首先对能够解耦且具有输入输出量测数据的环节进行单独辨识;然后对其他难以解耦和获得输入输出数据的环节,与已辨识参数环节组成一个整体进行整体辨识;最后基于粒子群算法来寻找最优拟合值,即认为是辨识参数的估计值.通过初步应用证明,该方法能够应用于参数实测和模型验证,有助于提高发电机参数辨识效率.【期刊名称】《电力系统及其自动化学报》【年(卷),期】2014(026)003【总页数】5页(P26-30)【关键词】发电机;调速系统;参数辨识方法;粒子群算法;电力系统【作者】孙闻;孔祥玉;张科;张芳;杨群【作者单位】广东电网公司电力科学研究院,广州510080;天津大学智能电网教育部重点实验室,天津300072;广东电网公司佛山供电局,佛山528000;天津大学智能电网教育部重点实验室,天津300072;天津大学智能电网教育部重点实验室,天津300072【正文语种】中文【中图分类】TM712发电机调速系统的仿真模型和参数的准确程度直接关系到系统的安全稳定运行水平[1]。
常规的同步发电机参数测试中，由于缺乏实际数据，仿真数据常采取“典型”模型和“保守”的参数，致使仿真结果与实际过程存在差异，难以正确反映电力系统动态安全特性，也难以为电网运行方式、电力生产提供正确指导。
调速器和原动机结合在一起的简化模型可以称为调速系统模型，IEEE早在1968年和1981年就提出了20余种励磁系统和调速系统模型[2]。
中国电力科学研究院对于再开发的BPA、PSASP等电力系统仿真分析程序，也给出了典型原动机及调速系统动态模型[3]。
因此在当前发电机实测过程中，研究重点是模型的确认，即动态仿真的模型以及参数对实际系统的描述是否足够准确[4]，其中基于实测的发电机组参数辨识则成为参数实测工作的重要内容。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于改进遗传算法的非线性发电机励磁系统参数辨识丁富春1,张明龙2,李晋1,宋福海2(1.江门恩平供电分公司,广东江门529400;2.福建省电力试验研究院,福建福州350003)摘要:为了确保电力系统建模的精确性和安全稳定分析的可靠性,进行发电机励磁系统参数辨识测试是一项重要的工作。
提出采用改进的GA遗传算法应用于发电机励磁系统的非线性参数辨识,利用GA较强的全局寻优能力和BP梯度法较强的局部搜索能力,较快同时又较好地辨识出发电机励磁系统参数估计值。
实际发电机励磁系统参数测试试验结果表明,基于改进遗传算法的励磁系统参数辨识方法计算速度快,精度高,鲁棒性强,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:发电机励磁系统;非线性参数辨识;遗传算法;梯度法中图分类号:TM762文献标识码:A文章编号:1003-4897(2005)09-0027-040引言开展励磁系统建模和参数测试工作对电网安全稳定运行和各发电企业安全经济发供电具有重要意义,也是全国联网后,进行联合电网运行管理的一项重要工作。
随着超高压电网的建成及大容量发电机组在电网中不断的投运,发电机励磁系统及其电力系统稳定器(PSS)对电力系统的电压控制和稳定控制具有十分重要的作用,影响系统动态过程,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[1]。
同时,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,发电机励磁系统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精确性。
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。
线性励磁系统参数的测定和试验通常可以通过频域分析法[2]和时域最小二乘分析法[3]来实现。
但实际发电机励磁系统中一般都存在限幅环节等因素影响,不再是一个简单的线性模型,扰动稍大就可能使得励磁系统中某些环节进入非线性区,同时频域辨识测试中的伪随机码选择受辨识系统各个环节时间常数的影响,特别是当系统中各个环节时间常数相差很大时,频域法辨识结果精度很难保证,因此传统的辨识方法不能很好地解决非线性发电机励磁系统参数辨识问题。
但遗传算法所具有的学习能力及非线性特性能有效地解决复杂非线性系统的辨识问题。
本文将遗传算法和基于梯度下降算法BP的静态前馈神经网络结合起来,应用于发电机励磁系统的参数辨识,给出了改进遗传算法参数辨识的基本原理和实测辨识结果比较。
现场试验测试辨识结果表明,基于改进遗传算法的励磁系统参数辨识方法能有效减少收敛到全局最优的时间,同时精度高,鲁棒性强,具有一定的工程使用价值。
1改进遗传算法基本原理遗传算法(G enetic A l g orit h m)是基于自然遗传学机理的随机优化概率搜索算法[4]。
其主要特点是群体搜索策略和群体中个体之间的信息交换,搜索不依赖于梯度信息,具有全局性、并行性、快速性、较好的适应性和鲁棒性[5]。
尤其适用于处理传统搜索方法难以解决的复杂和非线性问题,已被广泛应用于自适应控制、规划设计等领域。
遗传算法通过群体搜索策略和群体中个体之间的信息相互交换,模拟由个体组成的群体的整体学习,从任一初始化的群体出发,通过随机选择、交叉和变异等遗传操作,使群体一代代地优化,直至抵达最优解点。
GA算法的一般运算过程如图1所示。
1)编码策略:对所需优化的参数进行染色体位串编码;2)初始种群:产生初始种群;3)适合度的评价:对群体进行评价,求出每个个体的适应度值;4)遗传操作:根据个体适应度对群体中的个体进行选择、交叉、变异遗传操作;5)进化:生成新一代的群体。
27第33卷第9期2005年5月1日继电器REL AYV o.l33N o.9M ay1,2005图1标准遗传算法框图F i g.1Block d i agra m o f standard GA遗传算法是一种并行算法,由于它是基于模式处理的方法,因此能够对数据空间进行全局搜索,以较大的概率收敛到全局次优点。
但由于遗传算法不能有效地利用局部信息,因此收敛到最优点需要较长时间。
而梯度法是基于梯度这个局部信息来搜索的方法,搜索速度较快,但单独使用梯度法很容易陷入局部最优点。
把二者结合起来,先利用遗传算法搜索到全局次优点,再利用基于梯度下降算法BP 神经网络对全局次优点进行进一步搜索,可以较快地搜索到全局最优点。
在系统辨识中可以较快地得到较好的参数估计值。
采用基于梯度下降算法的前向三层BP网络来对全局次优点进行寻优,快速求解全局最优点。
输入层神经元个数为m,隐含层神经元个数为n,则三层BP网络输出可以表示为:Y i=W2f(W1X i+b1)+b2(1)其中:X i=[x0,,,x m-1]T为BP网络输入全局次优向量;W1是连接输入层和隐含层的n@m维系数矩阵;W2是连接隐含层和输出层的n@1维系数矩阵; b1是隐含层神经元的偏差;b2是输出神经元的偏差;f(#)为变换函数取为S i g m o id函数,即f(x)=1 1+e-x训练网络权值的性能指数函数定义为:J(N i)=E|N i|2=E|(S^i-Y i)|2(2)其中:S^i为理想输出;N i=S^i-Y i为误差函数。
因此,性能指数函数的梯度为:9J(N i)9X=N i(9Y*i9X)(3)其中:X代表BP网络的各系数W1、W2、b1;9Y i9X可以通过标准的BP算法求解得到。
调整BP网络系数的递推算法为[6]:X n+1=X n+L#9J(N i)9X(4)式中:L为学习因子。
利用遗传算法计算出全局次优点后,将全局次优点作为梯度法计算的输入值,通过BP神经网络运算后可得到全局最优值。
2基于改进遗传算法的系统参数辨识系统参数辨识就是按规定准则在一类模型中选择一个与数据拟合得最好的模型,要求由物理定律确定数学模型中的未知参数,使该数学模型等价于真实系统。
它的基本过程是:首先规定一代价函数,它是量测误差的函数。
通过系统仿真,求出与实际系统在相同的激励信号作用下的模型输出Y^,然后比较模型输出Y^与系统的实际输出Y这两者的差异,构成误差函数,利用误差函数来不断修正数学模型中的未知参数[7]。
当误差函数取极小值时,就认为此时数学模型的参数即是待辨识系统的参数。
发电机励磁系统参数辨识问题实际上就是通过适当选取数学模型中未知参数使误差函数值达到极小值的问题。
如果将发电机励磁系统数学模型中未知参数的可能取值范围按照一定的精度进行细化,那么可行解集合就是未知参数的所有可能取值的组合。
利用遗传算法的空间快速并行搜索能力,就可以在庞大的可行解集合中找到问题的最优解。
这就是遗传算法应用于电力系统参数辨识的基本思想。
但直接应用遗传算法进行参数辨识需要全局寻优时间很长,而梯度下降法的计算速度比遗传算法快得多,将标准遗传算法和基于梯度下降算法BP神经网络结合,采用改进遗传算法在寻优上比单纯遗传算法快得多[8]。
基于改进遗传算法的系统参数辨识原理如图2所示:图2改进遗传算法的系统辩识原理框图F i g.2Block d i agra m o f para m eter identifi cationbased on i m proved GA改进遗传算法用于非线性发电机励磁系统参数辨识的基本步骤如下:1)编码:采用二进制编码方案,采用16位二进制串表示一个参数,四个参数则采用64位。
设辨识参数范围为[A m i n,A m ax],则表现型参数X c与基因型参数Y对应的映射关系为:28继电器X c =A m in +Y #A m ax -A m i n216-1(5)2)种群初始化。
设定种群规模为50,根据厂家提供参数选择初始值及其对应范围。
交叉概率设为0.8,变异概率设为0.05。
3)适应度评价。
采用误差平方测度为评价函数进行适应度评价。
E =6Ni=1[Y i -Y ^i ]2,其中N 为采样次数。
适应度函数取为:f =C max -E其中C max 为适应度设定值。
误差函数值越小,该个体的适应度越大,当误差函数值大于适应度设定值时,该个体的适应度为零,将被淘汰。
4)遗传算子。
本系统采用比例选择算子、单点交叉算子、基本位变异算子。
交叉和变异采用改进的自适应交叉率和变异率,交叉率和变异率基于个体的适应度值来改变。
5)生成新群体。
适应度最大的个体取代新群体中适应度最小的个体。
6)反复进行适应度评价、遗传操作、生成新群体操作,判断群体代数是否达到设定值。
7)选择遗传算法得到的可能全局次优解,分别以这些进化解为初始解,用基于梯度法BP 网络求解;比较求得的最优解,获得全局最优解。
3 发电机励磁系统参数GA 辨识结果某模拟励磁调节器(AVR)的传递函数框图如图3所示(原模型描述),90R 设定值为10,PSS 不投入运行,发电机空载运行。
在信号综合端口加一阶跃扰动信号,分别录波VED 、S MX 、T HY 、GEN 环节的输出,利用阶跃扰动信号和各个环节录波波形数据,采用改进遗传算法实现发电机励磁系统参数辨识。
图3 发电机励磁系统传递函数框图F i g .3 T ransfer f unc tion o f generator exc itati on syste m仿真模型采用M a tlab 的SI M ULI N K 模块来建立,设置全局变量。
模型中的扰动信号从实际的阶跃信号录波数据读入,系统在扰动作用下的响应通过运行SI M ULI N K 模块实现。
系统采样率与实际录波采样率一致,进化代数为100,群体规模为50。
利用遗传算法进行辨识得到的各个环节的结果如图4所示,其适应度的变化曲线如图5所示。
辨识得到的各个环节参数如表1所示。
表1 基于基本GA 算法和改进GA 算法的辨识结果T ab .1 R esults of param eters based on standa rdGA and i m proved GA参数K 1T 1K 3T 2T 3T 4GA(20)4.670.0064125 1.060.8417.2GA(100)4.830.0085148 1.270.9277.9GA(20)+BP 梯度4.920.0091161 1.360.9658.2GA (100)+BP 梯度4.960.0098169 1.41 1.0028.5最佳拟合参数5.000.01001681.40 1.0008.4从图4系统输出比较可见,经过100代进化代数后辨识系统输出和实际系统输出一致,相同的扰动信号下两个系统响应相同表明辨识得到的系统可以表征实际物理系统,因此辨识得到系统参数也是准确的,确定辨识系统的可靠性。