基于EM-KF的同步發(fā)電機參數(shù)辨識方法

環(huán)加飛,羅亞洲,邱 健（國家電網(wǎng)公司華北分部，北京西城區(qū),100052）

?

基于EM-KF的同步發(fā)電機參數(shù)辨識方法

環(huán)加飛,羅亞洲,邱 健
（國家電網(wǎng)公司華北分部，北京西城區(qū),100052）

摘要：同步發(fā)電機的參數(shù)的準確性直接影響電力系統(tǒng)仿真結(jié)果。本文首先利用電網(wǎng)擾動下的PMU數(shù)據(jù)，將同步發(fā)電機與外部電網(wǎng)解耦；然后利用卡爾曼濾波和期望最大化算法相結(jié)合的算法對同步發(fā)電機的參數(shù)進行辨識，最后利用仿真結(jié)果驗證方法的有效性。

關(guān)鍵詞：同步發(fā)電機;參數(shù)辨識;卡爾曼濾波;期望最大化算法

0引言

時域仿真是電力系統(tǒng)規(guī)劃、運行和控制依賴的主要技術(shù)手段之一，時域仿真精度直接影響現(xiàn)代電網(wǎng)的運行安全和使用效率。同步發(fā)電機參數(shù)對于電力系統(tǒng)仿真結(jié)果有重要的影響。目前進行電力系統(tǒng)仿真分析的參數(shù)大多是廠家提供的設計值或理論值，所得的仿真結(jié)果常常與實際不符。

同步發(fā)電機的參數(shù)的辨識方法主要有兩種方法：頻域辨識方法和時域辨識方法。頻域法只適用于線性系統(tǒng)，因此無法反映發(fā)電機動態(tài)過程中參數(shù)非線性變化的特點，而時域法可用于非線性系統(tǒng)，能夠?qū)Πl(fā)電機的非線性問題能夠進行較好的進行描述，并且能計及發(fā)電機運行過程中的實際工況的影響。

近年來，廣域測量系統(tǒng)（Wide-Area-Measurement System,WAMS）作為一個有效的新技術(shù)已應用在電力系統(tǒng)量測、監(jiān)控及智能電網(wǎng)的研究中。WAMS應用提供了電網(wǎng)的實時數(shù)據(jù)，將電力系統(tǒng)輸出電磁功率進行同步測量，可以實現(xiàn)發(fā)電機與電網(wǎng)同步解耦，為發(fā)電機的參數(shù)識別和校驗提供了條件。

目前基于PMU的發(fā)電機動態(tài)參數(shù)辨識有許多算法，如最小二乘法、粒子群優(yōu)化算法、進化規(guī)劃算法和卡爾曼濾波法等。其中，最小二乘法的目標函數(shù)是測量結(jié)果與辨識結(jié)果的偏差二次方和，經(jīng)過估算可以得到一個在最小方差意義上和試驗數(shù)據(jù)擬合最好的數(shù)學模型，但是該方法采用的局部搜索法在梯度方向上進行尋優(yōu)，很容易陷入局部最優(yōu)。粒子群本質(zhì)上是一種多代理算法,它研究由簡單個體組成的群落與環(huán)境以及個體之間的互動行為，但搜索過程中算法容易過早地陷人局部最優(yōu)解；進化規(guī)劃算法的不足主要表現(xiàn)在收斂性差，而且施加大干擾的情況下辨識的有效性難以滿足要求；卡爾曼濾波法適合應用于有噪聲干擾的系統(tǒng)中，卡爾曼濾波法算法基于非線性系統(tǒng)模型的局部線性化，對于弱非線性系統(tǒng)能夠得到理想的濾波結(jié)果，但對于強非線性系統(tǒng)，使得系統(tǒng)真實的非線性特性得不到充分的體現(xiàn)，極端情況下會導致系統(tǒng)發(fā)散。

本文針對發(fā)電機參數(shù)辨識的問題提出卡爾曼濾波(Kalman filter,KF)和期望最大化（Expectation Maximization,EM）相結(jié)合的發(fā)電機參數(shù)識別算法。即采用PMU實測數(shù)進行參數(shù)辨識，將發(fā)電機與外部系統(tǒng)進行解耦，利用EM-KF算法進行發(fā)電機參數(shù)辨識。

1 同步發(fā)電機的辨識模型

同步發(fā)電機的狀態(tài)方程和量測方程為：

為便于數(shù)值計算，需要將（1）式中連續(xù)模型轉(zhuǎn)化為離線形式，采用歐拉方法進行迭代:

式中：

系統(tǒng)發(fā)生故障時，全網(wǎng)的拓撲結(jié)構(gòu)和狀態(tài)變量難以實時獲取，進行全網(wǎng)參數(shù)辨識比較困難，文獻[16]提出利用PMU對發(fā)電機輸出電磁功率進行測量,可以實現(xiàn)發(fā)電機和外部網(wǎng)絡解耦。PMU 能夠測量同步發(fā)電機母線的電壓幅值、相角、有功P和無功上述4個量，還能測量發(fā)電機的勵磁電壓和功角，將注入發(fā)電機模型可隔離勵磁模型，可隔離調(diào)速器和發(fā)電機轉(zhuǎn)子運動方程

表1　同步發(fā)電機參數(shù)辨識結(jié)果Tab.1 Parameter Identification result of generator

2 KF模型與EM-KF算法

在實際應用中，可將式（1）的狀態(tài)方程簡化為下面的線性形式：

。

2.1 KF模型

第1步，預測狀態(tài)空間模型的參數(shù)均值和方差

第2步，獲取新的量測值，更新時刻狀態(tài)均值和方差

其中

2.2 基于KF的EM算法

EM算法分為兩步，第一步是計算期望（E），計算最大似然估計值；第二步是最大化（M）,最大化在E步上求得的最大似然值求計算參數(shù)的值。

1）E步

假設服從高斯分布，并忽略常數(shù)項，則完全數(shù)據(jù)的對數(shù)似然函數(shù)滿足：

2）M步

圖1　發(fā)電機有功曲線Fig.1 Active power curve

對似然函數(shù)含有待評估的參數(shù)部分求導，得到參數(shù)的計算公式:

其中：

3 同步發(fā)電機參數(shù)辨識算法

同步發(fā)電機的主導參數(shù)辨識算法如下：

1）選取故障時間點PMU曲線及相對應的仿真數(shù)據(jù)。

2）根據(jù)2.1節(jié)運用KF算法計算狀態(tài)估計xk|k和協(xié)方差估計P。

3）根據(jù)2.2節(jié)計算似然函數(shù)期望E,得到使條件期望最大化的參數(shù)。

4 算例分析

在EPRI36節(jié)點發(fā)電機系統(tǒng)中，發(fā)電機采用PSASP6階系統(tǒng)，系統(tǒng)擾動為B11-B25線路發(fā)生三相短路故障，0.1s后開關(guān)跳開。算法在matlab環(huán)境下實現(xiàn)對2號發(fā)電機進行辨識。

由表可看出，通過EM-KF辨識參數(shù)準確度較高，但暫態(tài)和次暫態(tài)的參數(shù)偏差較大，主要是由于發(fā)電機實用模型是在一定的假設簡化下得到。

由圖1可以看出，經(jīng)過辨識后的發(fā)電機實用模型與實際曲線擬合較好，因此，本文提出的基于EM-KF的發(fā)電機辨識方法是可行的。

5 結(jié)論

本文基于PSASP同步發(fā)電機6階模型，利用PMU的實測數(shù)據(jù)對同步發(fā)電機參數(shù)進行在線辨識，同時將EM-KF算法引入到同步及參數(shù)辨識中。仿真結(jié)果表明，利用PMU的實測數(shù)據(jù)對發(fā)電機進行解耦辨識，同時采用EM-KF算法能夠提高辨識的準確度。

參考文獻

[1]周孝信，魯宗相，劉應梅，等．中國未來電網(wǎng)的發(fā)展模式和關(guān)鍵技術(shù)[J]．中國電機工程學報，2014，34(29)：4999-5007．

[2]P.Kundur, Power System Stability and Control[M] ．New York：McGraw-Hill, In., 1994.

[3]D.N. Kosterev, C.W. Taylor, W.A. Mittelstadt, Model validation for the August10, 1996 WSCC system outage, IEEE Trans on Power Systems，1999，8(3)：967-979．

[4]印永華，郭劍波，趙建軍，等．美加“814”大停電事故初步分析以及應吸取的教訓[J]．電網(wǎng)技術(shù)，2003，27(10)：8-16．

[5]Huang C T，Chen Y T，Chang C L，et al．On-line measurement-based model parameter estimation for synchronous generators ： model development & identification schemes[J] ． IEEE Transactions on Energy Conversion．1994，9(2)：330-336．

[6]金宇清，岳陳熙，甄威，等．基于功角測量的同步發(fā)電機參數(shù)辨識頻域法[J]．電力系統(tǒng)自動化，2007，31(4)：7-11．

[7]李偉，楊紅霞，熊佩華，等．基于 PMU 實測數(shù)據(jù)調(diào)整發(fā)電機模型參數(shù)的方法[J]．電網(wǎng)技術(shù)，2009，33(2)：89-93．

[8]Pourbeik P，Modau F．Model Development and field testing of a heavy-duty gas-turbine generator[J]．IEEE Transactions on Power Systems．2008，23(2)：664-672．

[9]Thorp J S，Phadke A G，Horowitz S H，et al．Some applications of phasor measurements to adaptive protection [J]．IEEE Transactions on Power Systems，1988，3(2)：791-798．

[10]Chih-Wen Liu，James S. Trorp．New methods for computing power system dynamic response for Real-Time transient stability prediction [J]．Transactions on circuits and system，2000，47（3）：324-337．

[11]王茂海，鮑捷，齊霞，等．基于PMU實測數(shù)據(jù)的輸電線路參數(shù)在線估計方法[J]．電力系統(tǒng)自動化，2010，34（1）：25-27．

[12] Ma J T,Hong B W et al. Determination of Synchronous Generator Parameters by System Identification[C]. Proceedings of International Conference on Electrical Machines ,Vol 1.1992:54-58.

[13]Eberhart R,Kennedy J.A New Optimizer Using Particle Swarm Theory[C].Proceeding of the Sixth International Symposium on Mciro Machine and Human Science. NewYork:IEEE,1995,39-43.

[14]黃其新，孫黎霞，甄威，等．同步發(fā)電機參數(shù)辨識的蟻群算法及擾動分析[J]．電力自動化設備，2009，29（11）：50-53．

[15]沈善德．電力系統(tǒng)辨識[M]．北京：清華大學出版社，1988 ．

[16]伍雙喜，張伯明，吳文傳，孫宏斌.基于實測系統(tǒng)擾動的同步發(fā)電機參數(shù)辨識與驗證[J]．電網(wǎng)技術(shù)，2012，36（11）：87-93．

環(huán)加飛（1982），男，博士研究生。主要從事電力系統(tǒng)調(diào)度運行及在線分析研究。

Generator Parameter Identification Based On EM-KF

Huan Jiafei，Luo Yazhou,Qiu Jian
(North China Grid Company Limited,Xicheng District,Beijing 100052,China)

Abstract：The accuracy of the parameters of generator directly affects the simulation of power system. Based on the PMU data of the power grid, the synchronous generator is decoupled from the external network, and the parameters of the generator are identified by the combination of Kalman filter and the EM algorithm. The simulation results verify the validity of the method.

Keywords：Synchronous generator;parameter identification;Kalman filter;EM algorithm

作者簡介