（宁夏京能宁东发电有限责任公司宁夏银川750000）
摘要：励磁参数辨识是保障电力系统能够计算稳定的重要基础，WAMS数据在线辨识励磁系统参数的方法能够实现数据的准确输送，优化励磁系统的在线参数辨识能力。输出PMU数据的PMU出口电压能够对励磁电流和励磁电压进行输出。模型的输出和实际测量输出的差异数值组成目标函数，在实际应用过程中，也可以利用数据点的差异和平方作为目标函数。基于此，本文主要针对在线数据的发电机励磁系统参数的辨识新方法进行研究，希望能够为相关从业者提供参考意见。
关键词：在线数据；发电机；励磁系统；参数辨识方法
1引言
励磁模型作为电力系统分析、控制以及决策中的一项重要的组成部分，励磁模型参数设置的正确与否将会直接影响到电力系统稳定计算的可信度以及准确性，更会对电力系统的正常运行以及控制措施产生重要影响。因此，为保障电力系统运行正常稳定，应进一步的研究励磁系统参数测量的方法，提升励磁参数测量数值的精确性。当前，我国大部分的励磁控制器参数大都利用发电机空载实测曲线辨识计算进行参数测量。在实际应用过程中，通常采用频域参数辨识法以及时域参数辨识法两种。这些方法在应用过程中具有简便易行，原理清晰的优势，但却有一定的局限性，只能够对线性系统进行励磁系统参数辨识工作，对于非线性动态特性则无法反映。而且这两种方法空载曲线进行辨识，在实际应用过程中常会存在参数计算困难的问题。传统的频域参数辨识法以及时域参数辨识法已经无法满足现阶段的励磁系统参数辨识需求，而且基于空载曲线的励磁参数辨识，运行数据获取的准确性有待考证，因为空载曲线需根据发电机停运后重启进行参数辨识，若发电机再次投入运行，那么就很难取得辨识数据。
2励磁参数辨识的概述
2.1励磁辨识的整体描述
在数学上，电力闭环系统内部含有励磁，则可以描述为XIE=F1（XIE，XIEA，Y，A）。在此项公式中，可将A理解为待辨识参数；将IEA理解为功角以及角速度等其他状态变量；将Y理解为代数变量。通常情况下，励磁参数辨识会根据发电机的运行状态发生一定变化，因此在测量过程中会存在一定差异[1]。根据基本公式能够看出发电机励磁系统参数的辨识情况。一般来说，励磁参数辨识的解耦数学描述对于励磁参数辨识整体模型维数具有很高的差异性。采取励磁参数直接辨识的方式，计算所耗用的时间较长，因此无法完成在线辨识。因此，本文主要针对解耦方法进行发电机励磁系统参数辨识研究。首先，应通过PMU测量的机端电压和电流的能够发现，大系统的解耦同发电机整体模型相比，整体模型可以不考虑电力系统内与其他的发电机之间的动态联系，只需要通过将励磁系统参数进行相关联状态的测量，进而替代其他发电机的动态。对于任意励磁系统，不需要繁琐的步骤，只利用对发电机出口的电流以及电压进行测量，便能够实现励磁和系统解耦。当系统解耦完成后，应考虑到模型的四个阶段，将计算的数值尽量简化，并综合考虑发电机的内部结构，将励磁系统看做成一个电力的输出输入系统，其输入是机端电压，输出是励磁电流和电压。
2.2解耦方法基本概述
解耦励磁参数辨识采用励磁电压作为参考标准量。解耦励磁参数辨识的基本方法是将发电机端口电压以及励磁电流进行输入，同时，将励磁电压进行输出。此时，应综合考虑电站的采样间隔，并对其进行优化处理。通过对输入口待辨识参数、采样点总数、采样时刻等数值的实测，得到最终的PMU励磁电压。当励磁系统参数值达到一定数额时，依照实测发电机电压运行情况，应积极响应励磁模型输出虚拟励磁电压。针对发电机的目标函数，解耦励磁参数辨识能够响应不同参数下系统误差，解耦励磁参数辨识的最优值与极小化实际数据和辨识数据差别参数存在对应的关系。
3在线数据发电机励磁系统参数辨识方法研究
3.1励磁系统遗传算法研究
励磁系统的遗传算法，即GA算法在实际应用过程中较为广泛。遗传算法的原理是基于遗传学机理的随机优化搜索算法[2]。一般来说，励磁系统遗传算法通常较为适用于一些类似于梯度方法的传统搜索方法处理中，采用遗传算法能够良好的解决一些情况较为复杂的问题或者一些非线性问题。遗传算法在实际应用过程中利用群体搜索的方式进行个体信息的交流互换，通过模拟的方式，能够达到从单个的个体朝着整个群体的整体学习目的。遗传算法应用时首先由任意一个初始化的群体角度出发，期间经过一系列的反应，包括交叉、选择以及变异等遗传操作，最终达到将整个群体进行一代又一代的系统优化，进而收敛到“最适应生存环境”的个体。
3.2混合算法中励磁参数辨识的研究
将混合算法以及遗传算法相互结合应用的方式是将混合算法作为基础，进而采取的一种全局搜索方法，在实际应用过程中，这种全局搜索的全新方法很可能无法取得各个系统局部的精细解。但与此同时，采用全局搜索方法在进行灵敏度的梯度搜索过程中，能够取得局部的最优解。所以，利用这种将遗传算法以及梯度方法相互联系、紧密结合的混算方式，能够使获得励磁参数更加直观，同时采用此项方法所获得的解更加精确。采用全局搜索的混合方式在实际应用过程中应注意一下几点应用要素：首先，遗传算法在实际应用过程中，由于自身采用带经验性数值方法进行测算，在进行交叉方法选择时，应优选GAHeuristic。此外，在进行变异方法选择的同时，也应优选Adaptivefeasible。注意遗传算法的个体数为120，遗传算法的代数为25。并且在遗传算法结束之后，测算出来的最终结果应直接作为梯度搜索方法的初始数值，并直接将这一数值应用到梯度搜索流程当中。采用该混合方法能够全面的保留遗传算法在应用过程中的全局搜索GA优势，同时，还能够有效的防止因梯度搜索初值存在一定误差，致使最终无法对其进行计算的问题。同时利用梯度搜索方式，还能够有效的避免出现因GA获得离局部解比较大造成的参数辨识误差的情况发生。
3.3在线数据发电机励磁系统参数辨识优势
通过上述对发电机励磁系统参数辨识方法进行的粗略探究。利用励磁系统针对外部系统扰动的响应产生的励磁系统参数辨识[3]。在整个扰动过程中，能够使系统参考电压保持原状。利用PMU实测数据，使励磁控制器以及发电机进行相互解耦，从而能够更加高效的得到辨识励磁控制器参数。
4结论
综上所述，本文提出了利用PMU测量的方式，对发电机的励磁电压、出口电压以及励磁电流数据进行在线辨识励磁系统参数的新方法。利用PMU测量方法进行发电机励磁系统参数辨识不同于传统的方法，它的应用原理是利用励磁系统针对外部系统的扰动响应进行参数的辨识工作。也就是说，将整个励磁系统看成是一个能够实现输出和输入的系统，利用该系统的输入响应，能够达到辨识励磁系统的最终目的。利用PMU测量方法进行发电机励磁系统参数辨识在扰动过程中能够保证励磁系统参考电压数值不变。此外，利用GA方法和最优梯度搜索相结合的方法求解，能够验证最终获得辨识参数的准确性以及有效性。
参考文献
[1]金冬鸣,苑开波.基于在线数据的发电机励磁系统参数辨识新方法[J].上海电气技术,2018,11(03):29-36.
[2]曾鹏飞.同步发电机励磁系统的参数辨识研究[D].郑州大学,2016.
[3]张辉.机组参数辨识及低频减载研究[D].天津大学,2014.