一种基于wams的同步发电机参数辨识及控制方法
【专利摘要】本发明公开了一种基于WAMS的同步发电机参数辨识及控制方法，WAMS系统的通信网络架构采用改进饱和割集算法，同步发电机的参数辨识采用基于时域变换的方法，同步发电机的控制采用基于神经网络的励磁反步控制。本发明将WAMS的通信网络架构的改进饱和割集算法、基于时域变换的方法的同步发电机参数辨识、基于神经网络的同步发电机励磁反步控制方法结合在一起，从而使这种系统具有广域性、智能型和可靠性。
【专利说明】-种基于WAMS的同步发电机参数辨识及控制方法
【技术领域】
[0001] 本发明涉及一种基于WAMS的同步发电机参数辨识及控制方法，对地域广阔电力 系统中的同步发电机进行参数辨识和励磁控制，属于电工【技术领域】。
【背景技术】
[0002] WAMS系统（广域测量系统）是在同步相量测量技术基础上发展起来的，是对地域 广阔的电力系统进行动态监测和分析的系统。WAMS系统为智能电网提供了动态信息平台， 将推动智能电网运行规划、控制技术的发展。它能够实时监测电力系统的状态量，对电力系 统的扰动进行辨识，提前预测系统的问题，有着极其广泛的应用。
[0003] 当前，对通信网络可靠性的分析主要采用各项可靠性指标来衡量，其中抗毁性指 标的研究受到了越来越多的关注，但未见将抗毁性应用到WAMS通信网络结构上的文献或 报道；发电机的暂态参数还是影响功率振荡和系统稳定性的重要因素，然而，目前对同步发 电机参数尤其是暂态电抗及次暂态时间常数的准确辨识仍未得到很好的解决；以往的线性 励磁控制方法都是基于已有的相对精确的非线性系统数学模型进行设计的，这对于包含众 多不确定因素而不能明确知道其精确数学模型的电力系统来说，都存在着实际应用上的问 题。
[0004] 现在的广域测量系统还在初步发展中，在网络结构、同步发电机参数辨识和励磁 控制方面的技术还不够先进。因此，发明一种基于WAMS的同步发电机参数辨识及控制方法 成为亟需解决的课题。
【发明内容】
[0005] 发明目的：为了克服现有技术中存在的不足，本发明提供一种基于WAMS的同步 发电机参数辨识及控制方法，WAMS系统通信网络架构采用改进饱和割集算法，同步发电机 的参数辨识采用基于时域变换的方法，同步发电机的控制采用基于神经网络的励磁反步控 制。通过本发明中的方法，可使WAMS系统具有广域性、智能型和可靠性。
[0006] 技术方案：为实现上述目的，本发明采用的技术方案为：
[0007] -种基于WAMS的同步发电机参数辨识及控制方法，WAMS系统的通信网络架构采 用改进饱和割集算法，同步发电机的参数辨识采用基于时域变换的方法，同步发电机的控 制采用基于神经网络的励磁反步控制；具体包括如下步骤：
[0008] (1)WAMS系统的通信网络架构采用改进饱和割集算法：由人造卫星为主站和各测 试点的PMU (相量测量装置）提供时钟同步信号，各测试点的PMU进行同步发电机的参数辨 识，再由主站根据整个电网的情况来对同步发电机进行控制；对于WAMS系统的通信网络架 构，首先建立满足性能指标要求下的成本最小化通信网络模型，结合通信网络的流量状况， 采用改进的饱和割集算法（ICSA)对通信网络模型进行求解，在保证WAMS系统性能要求的 前提下，获得优化的通信网络拓扑结构；
[0009] (2)同步发电机的参数辨识采用基于时域变换的方法：首先将发电机时域内的微 分方程组变换为频域内的代数方程，消去中间变量并经适当变形后再将原方程变换为时域 内的积分方程；之后利用最小二乘法辨识出积分方程系数，进而根据积分方程系数与发电 机参数之间的关系求解出发电机参数；
[0010] (3)同步发电机的控制采用基于神经网络的励磁反步控制：基于神经网络的反步 控制方法，实现多目标量的励磁控制。系统设计采用了特殊的在线权值修正算法，不需要离 线学习阶段。
[0011] 所述步骤（1)具体包括如下过程：
[0012] (11)初始的通信网络拓扑结构采用最短路径Dijkstra算法获得满足跳数不大于 K的最小费用的最小生成树（MST);若K为偶数，最小生成树的深度D = K/2 ;若K为奇数， 最小生成树的深度D = (K-l)/2 ;这使得初始的通信网络拓扑结构中任何两节点之间的跳 数都不大于K，符合通信网络拓扑结构设计的跳数限制；
[0013] (12)选取不同点作为最小生成树顶点时会导致不同的代价，通过计算选择其中最 小代价对应的点作为最小生成树顶点；
[0014] (13)基于步骤（11)和步骤（12)，由当前的通信网络拓扑结构和通信网络业务流 量分布矩阵B确定饱和割集，其中通信网络业务流量分布矩阵B由通信网络的路由算法和 通信网络的流量请求矩阵决定；在确定饱和割集前，由于当前的通信网络拓扑结构中的叶 子节点均只有一条边与之相连，还不能满足通信网络模型的可靠性要求，因此，首先必须对 每个叶子节点进行优化，具体为：每个叶子节点都增加一条以上的链路，保证满足通信网络 模型的N-1要求；同样，在确定饱和割集前，由于当前的通信网络拓扑结构中的其他节点也 均只有一条边与之相连，还不能满足通信网络模型的可靠性要求，因此，也必须对其他节点 的优化方法与叶子节点的优化方法相同或相类似；在对当前的通信网络拓扑结构中的叶子 节点和其他节点进行优化后，计算当前的通信网络拓扑结构的所有割集，从中寻找饱和割 集，并在饱和割集两端增加代价尽量小的链路；
[0015] (14)搜索高代价链路，即搜索利用率低且费用高的链路，在保证WAMS系统性能要 求的前提下，对该链路进行删除或减少该链路的容量，最终获得优化的通信网络拓扑结构。
[0016] 将各区域通信网络中的同步发电机抽象成点集V，通信链路抽象成边集E，两者共 同组成的无向图G= (V，E)代表WAMS系统的通信网络拓扑结构。网络拓扑结构的优化设 计首先要确定各通信终端的地理位置（影响终端间的建设成本）以及各终端之间的业务流 量矩阵（即各节点问的业务量需求），然后建立满足网络抗毁性和延时要求并尽量保持流 量均衡的情况下获得成本最小化的网络优化模型，来实现链路的选择。针对电力系统WAMS 通信网络的自身特殊性，模型的建立需要满足以下条件。
[0017] 1)系统的建立必须满足N-1原则，即单条链路故障后，网络仍是连通的，因此，要 求网络的连通度至少为2。
[0018] 2)满足延时的要求。如果网络中两节点之间跳数太多，就会增加通信设备的中 转及路由开销，尤其是路由经过较拥塞链路的情况下，更会延长信息传输时间，降低传输质 量。所以在网络设计时对任意2个节点间的跳数也要加以考虑。将通信网络的延时转化为 对节点之间跳数的限制。
[0019] 根据前述内容，建立WAMS通信网络的数学模型如下。
[0020] 目标函数为：
【权利要求】
1. 一种基于WAMS的同步发电机参数辨识及控制方法，其特征在于：WAMS系统的通信网 络架构采用改进饱和割集算法，同步发电机的参数辨识采用基于时域变换的方法，同步发 电机的控制采用基于神经网络的励磁反步控制；具体包括如下步骤： (1)MMS系统的通信网络架构采用改进饱和害Ij集算法：由人造卫星为主站和各测试点 的PMU提供时钟同步信号，各测试点的PMU进行同步发电机的参数辨识，再由主站根据整个 电网的情况来对同步发电机进行控制；对于WAMS系统的通信网络架构，首先建立满足性能 指标要求下的成本最小化通信网络模型，结合通信网络的流量状况，采用改进的饱和割集 算法对通信网络模型进行求解，在保证WAMS系统性能要求的前提下，获得优化的通信网络 拓扑结构； (2) 同步发电机的参数辨识采用基于时域变换的方法：首先将发电机时域内的微分方 程组变换为频域内的代数方程，消去中间变量并经适当变形后再将原方程变换为时域内的 积分方程；之后利用最小二乘法辨识出积分方程系数，进而根据积分方程系数与发电机参 数之间的关系求解出发电机参数； (3) 同步发电机的控制采用基于神经网络的励磁反步控制：基于神经网络的反步控制 方法，实现多目标量的励磁控制。
2. 根据权利要求1所述的基于WAMS的同步发电机参数辨识及控制方法，其特征在于： 所述步骤（1)具体包括如下过程： (11) 初始的通信网络拓扑结构采用最短路径Dijkstra算法获得满足跳数不大于K的 最小费用的最小生成树；若K为偶数，最小生成树的深度D=K/2 ;若K为奇数，最小生成树 的深度D= (K-l)/2 ;这使得初始的通信网络拓扑结构中任何两节点之间的跳数都不大于 K，符合通信网络拓扑结构设计的跳数限制； (12) 选取不同点作为最小生成树顶点时会导致不同的代价，通过计算选择其中最小代 价对应的点作为最小生成树顶点； (13) 基于步骤（11)和步骤（12)，由当前的通信网络拓扑结构和通信网络业务流量分 布矩阵B确定饱和割集，其中通信网络业务流量分布矩阵B由通信网络的路由算法和通信 网络的流量请求矩阵决定；在确定饱和割集前，由于当前的通信网络拓扑结构中的叶子节 点均只有一条边与之相连，还不能满足通信网络模型的可靠性要求，因此，首先必须对每个 叶子节点进行优化，具体为：每个叶子节点都增加一条以上的链路，保证满足通信网络模型 的N-I要求；同样，在确定饱和割集前，由于当前的通信网络拓扑结构中的其他节点也均只 有一条边与之相连，还不能满足通信网络模型的可靠性要求，因此，也必须对其他节点进行 优化，对其他节点的优化方法与叶子节点的优化方法相同；在对当前的通信网络拓扑结构 中的叶子节点和其他节点进行优化后，计算当前的通信网络拓扑结构的所有割集，从中寻 找饱和割集，并在饱和割集两端增加代价尽量小的链路； (14) 搜索高代价链路，即搜索利用率低且费用高的链路，在保证WAMS系统性能要求的 前提下，对该链路进行删除或减少该链路的容量，最终获得优化的通信网络拓扑结构。
3. 根据权利要求1所述的基于WAMS的同步发电机参数辨识及控制方法，其特征在于： 所述步骤（2)具体包括如下过程： (21) 计算同步发电机的机端电压、电流的有效值UMS、Ims及甩负荷前的功率因数角P; (22) 根据测得的功角和式（1)、⑵得到同步发电机d轴电压ud、q轴电压ivd轴电流 id、q轴电流i<i和励磁电动势ef;
式中为功率因数角；δ为同步发电机的功角；UMS为发电机端电压有效值；I"s为发 电机端电流有效值；efS励磁电动势；ef#为当前励磁电流下的感应电动势；uf为当前的励 磁电压；IfΣ为励磁电流和电枢电流的合成值；Rf为励磁绕组电阻； (23)将步骤（2)计算得到的数据代入辨识方程式（3)并选择合适的权函数矩阵可得到 积分系数X，求解式（4)得到所有发电机参数；
式中：U为NX5的可测矩阵；Y为NXl的可测列相量；X为5X1的待辨识列向量；N为试验数据的样点数；Uq为发电机q轴电压，UqtlS发电机q轴电压初始值，id为发电机d 轴电流，id〇为发电机d轴电流初始值，T'd(l，T"d(l为电机的时间常数，k= (Xd-X" d)/ (X'd-x"d)，Xd为直轴同步电抗，td为直轴暂态电抗，X"d为直轴次暂态电抗。
4.根据权利要求1所述的基于WAMS的同步发电机参数辨识及控制方法，其特征在于： 所述步骤（3)具体包括如下过程： 令X1代表发电机的功角S，X2代表发电机的转子角速度ω，以X龙X2为神经网络的 输入，而P1(Z1)和為(X2)为神经网络的输出量，用两层神经网络来逼近F1 (X1)和F2 (X2):
式中为理想的逼近加权系数，ki，k2为控制增益，ΦJXDUX2)为基函数，Ui 为逼近误差；μiN为最佳逼近误差，而且： IhII=VA2+mi卜u F^F2的估计值为：
取<的调整规则为：
式中：r>rt>o,r2=r【>o,rjpr2为调整系数，kw>o为常数；? = [/ν#,滤波 误差跟踪r=e2+Xe1,λ为大于〇的常数A=X1-Xld,G2=X2-X2t^x1=δ,叉1(1为发电机 的功角δ的给定值，χ2= ω，X2^发电机的转子角速度ω的给定值，η = x3-x3d，X3 = E，q，E，轴暂态电抗的电动势，X3d=勾[-A(X1)-V],A(Z1) =AV1(^hVkrX) 均为控制增益。
【文档编号】H02P21/14GK104467601SQ201410796504
【公开日】2015年3月25日 申请日期:2014年12月19日 优先权日:2014年12月19日
【发明者】胡敏强, 徐鸣飞, 余海涛, 黄磊, 王亚鲁, 沈蛟骁, 陈辉 申请人:东南大学