（松花江水力发电有限公司吉林丰满发电厂 吉林吉林 132108）
摘要：由于电力行业智能化和产业化深入的发展，电力系统的规模也日益壮大，为了保证人民的生活质量水平和工业正常的运作，保证电力网络能够安全、稳定运行是至关重要的。据统计，我国电力系统总装机容量约有30%为水力发电机组，励磁控制系统作为水轮发电机一个关键环节，励磁系统参数作为电力系统计算和分析四大参数之一，它直接影响电力网络的电压与功角稳定性。鉴于此，笔者简要分析了水轮发电机励磁控制系统的参数辨识及控制策略。
关键词：水轮发电机；励磁控制系统；参数辨识；控制策略
1基于IGSA的励磁控制系统参数辨识
1.1数学模型
参数辨识的数学模型按照对控制系统所提供的实验信息可分为三类，即：白箱：对系统的运动机理结构十分清楚，能够通过分析与推导建立系统相应的数学模型，适用于系统结构较简单的系统；黑箱：对系统的运动机理结果尚不明确，只能根据系统的输入信号和输出信号通过辨识方法得到相应的参数，从而建立起系统的模型，适用于系统结构十分复杂或者结构不明确的系统；灰箱：对系统的运动机理有一部分能够分析和推导出相应的数学模型，而另一部结构并不明确，无法直接获得系统数学模型，即该方法适用于白箱和黑箱之间的系统。本文研究系统的模型属于白箱，即能够通过分析与推导建立系统相应的数学模型，但是，为了使得建立好的系统数学模型能够非常逼近实际系统，其中模型中设计的参数值是十分关键的，而参数辨识能够根据实际系统的输入和输出数据辨识出所建立数学模型的参数的具体值，因此本文深入展开了系统的参数辨识研究是非常有必要的。
1.2基于GSA和IGSA励磁控制系统的参数辨识
由于缺乏励磁控制系统现场运行的实际数据，在建立的励磁控制系统的模型基础上，只能根据厂家提供的一些典型参数值带入模型中，通过仿真实验平台产生辨识系统所需要的输入和输出数据。本文采用一个8位线性反馈移位寄存器产生的M序列作为被辨识系统的输入信号，其M序列的具体参数设置为：幅值a=±1，移位脉冲周期 0.001s、循环周期TM 255 。由MATLAB编写m文件产生的M序列的波形如图1所示。图1中，横坐标表示仿真的时间t，由图可以看出，仿真时间为1s，而移位脉冲周期为0.001s，故M序列共有1000个数据点输出。纵坐标表示8位线性反馈移位寄存器输出的幅值，当移位寄存器输出为1时，令其输出的幅值a=-1，当移位寄存器输出为0时，令其输出的幅值a=1。根据厂家提供的参数值，可化简出励磁控制系统的闭环传递函数 s)，将产生的M序列作为 s)的输入信号，用MATLAB自带的lsim函数算出 s)的输出信号，其输出信号波形如图2所示。由此，便得知辨识系统的输入和输出数据。通过IGSA与GSA参数辨识结果和收敛速度特性可以看出，一方面，IGSA具有更好的辨识精度；另一方面，IGSA的全局寻优能力强，且收敛速度快。因此，从整体看IGSA比GSA有着明显的优越性，从而也证实了IGSA的有效性。
2基于IQGA的BP神经网络励磁控制系统PI自适应控制
神经网络（NN）算法基于模拟人脑神经网络的结构和行为提出来的，其具有学习、记忆、信息处理等能力。神经网络在解决研究对象模型不确定或者研究系统具有非线性、复杂结构等问题上潜力非常强。1986年，D.E.Rumelhart和J.L.McClelland等人提出一种新型神经网络—多层前馈网络的误差反向传播算法（简称BP算法）。由BP算法构成的神经网络称为BP神经网络。BP神经网络属于全局逼近网络，只要BP网络的隐含层足够多，就能逼近任意复杂的函数曲线，且BP神经网络兼具有自学习、自适应等能力。因此本文先用IQGA对励磁控制系统预处理，得到PI参数的初始值，然后在结合BP神经网络在线整定励磁控制系统的PI参数，使得励磁控制系统PI参数能够根据系统的输入变化而实时调整，以保证励磁控制系统稳定的运行。
2.1 BP神经网络PI自适应控制结构
传统PID控制算法其Kp、Ki、Kd三个参数在控制过程中都是固定不变的，对于复杂信号的输入，难以使得系统保持良好的稳定性，甚至系统出现发散的状况。因此有必要设计一种根据输入信号实时调整Kp、Ki、Kd三个参数的自适应控制系统，使得系统保持稳定良好的运行。本文结合BP神经网络具有自学习和自适应能力等优点，将IQGA智能算法优化的PI参数与BP神经网络相互融合，从而有效的构造出一种PI自适应的励磁控制系统。本文基于IQGA的BP神经网络励磁控制系统的PI自适应控制系统控制结构如图3。
IQGA是改进的量子遗传算法，本文先用IQGA对励磁控制系统做预处理，得到系统的控制器参数Kp'、Ki'，然后用BP神经网络输出控制参数的变化量Kp、Ki，最终励磁控制系统的
PI参数可以表达如下：
2.2实验对比分析
为了说明基于BP神经网络的励磁控制系统PI自适应控制有效性，将与传统PI的控制、优化PI控制进行对比分析。传统PI控制参数选用工程整定法得到参数，优化PI控制参数选用IQGA得到参数的平均值。这两种控制方式的PI控制器均采用增量式PI，采样时间均为T=0.1ms。对于这三种控制算法，本文均采用MATLAB中编写M文件的形式实现。下面将给予几种典型信号输入励磁控制系统来对比两种控制方式的跟踪能力。
（1）单位阶跃信号输入。当励磁控制系统输入单位阶跃信号时，结合励磁控制系统单位阶跃响应图可以看出，传统PI控制其阶跃响应的超调量超过100%，且其在0.6s后系统输出仍是有较小的波动，系统并没有稳定，而BP神经网络PI控制和优化PI控制其超调量均为0，且其均在0.12s左右就已经进入稳定状态。从0.6s到0.8s局部放大可以看出，优化PI控制精度比BP神经网络PI控制更高，但总体而言，两者控制性能相差不多。
（2）方波信号输入。当励磁控制系统输入为方波时，基于BP神经网络控制的励磁控制系统完美跟踪参考输入信号，而基于传统PI控制的励磁控制系统在方波的直角处跟踪误差比较大，基于优化PI控制的励磁控制系统其跟踪能力最差。
（3）锯齿波信号输入。当输入信号为锯齿波时，励磁控制系统输出信号，其中，红色表示励磁控制系统的参考输入信号，蓝色点化线表示基于BP神经网络控制的励磁控制系统输出波形，黑色虚线表示基于传统PI控制的励磁控制系统输出波形，粉色线表示优化PI控制效果。从锯齿波跟踪信号图可以看出，基于工程整定PI控制的励磁控制系统输出波形在锯齿角处有较大偏差现象，而基于BP神经网络孔子的励磁控制系统手粗波形几乎与参考输入波形相重合，基于优化PI控制的其跟踪效果最差。从BP神经网络控制的PI参数变化图看出，基于BP神经网络控制的励磁控制系统其控制参数Kp、Ki是在线动态调整的，即根据输入信号，调整到合适的控制参数，以达到励磁控制系统最佳的控制的效果。这也正是基于BP神经网络控制的励磁控制系统具有自适应控制效果的实际表现。
综上所示，从输入信号为单位阶跃信号、方波信号、锯齿波信号看励磁控制系统的输出，均能明显看出基于IQGA的BP神经网络控制的励磁控制系统性能明显优于传统PI控制和优化PI控制。
参考文献
[1]朱能飞,王翠,崔晓斌,徐键.基于改进量子遗传算法的励磁控制系统PI参数优化[J].南昌工程学院学报,2019,3801:91-97.
[2]余秀月.核电机组励磁控制系统异常及仿真分析[J].能源工程,2019,01:32-38+46.
[3]石发太,檀晓龙,邓兆鹏,薛万军.大型水电站励磁控制系统PSS参数试验与优化[J].水电与新能源,2018,3212:26-30.
论文作者:刘泽宇
论文发表刊物:《电力设备》2019年第7期
论文发表时间:2019/8/26
标签：控制系统论文; 神经网络论文; 励磁论文; 参数论文; 系统论文; 信号论文; 波形论文; 《电力设备》2019年第7期论文;