参数辨识

柔性直流电网故障电流上升速度快与电力电子器件过流能力弱形成突出矛盾，线路保护需要在数毫秒级完成故障判别，输电线路精确参数的获取对于提升继电保护的性能至关重要。然而直流系统中缺乏稳定基频，导致输电线路相关参数难以获取、保护实现较为困难。针对柔性直流线路频变参数难以获取的问题，提出基于半桥模块化多电平换流器(half bridge modular multilevel converter, HB-MMC)特征信号注入的柔性直流线路频变参数辨识方法。首先通过换流器控制在线路中注入特定频率信号，然后利用快速傅里叶分解提取不同频率的信号并计算指定频率下的线路参数，最后依据不同线路参数的频变特性拟合出对应的幅频特性曲线。仿真表明，所提参数辨识方法可以准确拟合保护所需直流线路频变参数，参数辨识频段内相对误差小于1.5%。

同步调相机及其励磁系统间由于电气耦合而导致参数辨识困难，但目前缺少对待辨识参数量与观察量间耦合特性的分析。对此，提出一种基于灵敏度分析的同步调相机及其励磁系统参数分类辨识方法。分析同步调相机在不同时间尺度下的关键参数，基于轨迹灵敏度信息划分待辨识参数的类型，构建关联参数集合。考虑稳态、次暂态和暂态下同步调相机及其励磁系统响应特性的差异，在不同时间尺度上分别建立参数分类辨识模型。依据关联参数集合进行参数分类辨识，采用基于Tent混沌映射的改进蛇优化算法求解。通过算例分析验证了所提方法的有效性和适应性。

准确的荷电状态(state of charge, SOC)估计对新能源汽车电池管理系统的安全运行具有重要意义，而可靠的参数辨识是SOC估计的关键。考虑锂电池多时间尺度效应，提出了自适应遗忘因子递推最小二乘法(adaptive forgetting factor recursive least squares, AFFRLS)与自适应扩展卡尔曼滤波(adaptive extended Kalman filtering, AEKF)联合的参数辨识算法。首先，根据多时间尺度效应将锂电池双极化模型(dual-polarization model, DP)划分为快动态与慢动态。其次，设计AFFRLS与AEKF联合的参数辨识算法，分别辨识快、慢动态参数。最后，结合参数辨识数据利用H无穷算法估计SOC。结果表明，所提算法在不同工况与温度下具备良好的精度与鲁棒性。模型最大端电压均方根误差仅为3.329 mV，SOC均方根误差低于1%。

近年来随着综合能源系统研究的深入，对能源设备建模的完整性和准确性提出了更高要求。针对传统研究中尚未考虑设备碳排放参数以及现有参数辨识方法的不足，文章提出一种考虑碳排放的综合能源系统抗差参数辨识方法。首先，建立了考虑碳排放强度的常见能源设备模型；其次，针对获取的系统历史运行数据，利用BP神经网络对其中的缺失值进行拟合填充，获取高可信的有效数据；最后，采用基于投票法的参数辨识方法对设备进行参数辨识，并通过旧数据遗忘与更新对设备参数进行动态辨识，通过算例对比分析了所提方法相较于现有方法的优势，说明了所提方法的必要性和有效性。

高准确度仿真模型是进行大规模风电并网暂态稳定分析的基础，然而双馈风电机组（DFIG）控制策略与参数属于技术秘密难以获取，模型仿真准确性难以保证。针对DFIG故障暂态精确建模难题，提出了基于实测数据的DFIG建模及参数辨识方法。首先，基于电力系统综合稳定程序（PSASP）中DFIG模型及控制结构，建立低电压穿越（LVRT）控制数学模型并分析故障暂态过程，明确LVRT暂态控制核心参数。其次，基于DFIG的LVRT部分现场实测工况数据，利用混沌粒子群算法实现了DFIG故障暂态控制参数辨识。最后，基于剩余实测工况数据进行辨识参数准确性分析与校验，仿真验证了所提参数辨识方法的有效性及准确性。所提方法辨识结果泛化能力强、准确度高，具有较高的工程应用价值。

本文介绍了新型电力系统研究背景、多维时频故障特征以及故障辨识技术特点。

发展高比例可再生能源接入的微电网是构建新型电力系统，实现中国能源安全和低碳发展的重要手段。在分析微电网所接入系统的动态特征时，现有等值模型存在鲁棒性不强的问题，即等值模型虽然可以很好地复现真实系统在训练故障下的动态特征，但却无法准确反映系统在未知故障（非训练故障）下的真实响应。为此，首先采用k-means++对微电网的典型运行方式进行有效区分，以表征系统的随机性和时变性特征；其次，采用基于关键参数筛选的参数辨识方法，避免了参数辨识过程中的多解问题；然后，针对系统不同典型运行方式，利用卷积神经网络对等值模型参数进行泛化；最后，基于Fisher判别准则实现了等值模型参数的在线匹配，并在某实际微电网模型中验证了所提方法的有效性。

在电力工程的实践中，同步发电机电气参数获取一般采用抛载法、频域响应法、时域辨识法。针对某一频率下的同步发电机电气参数测量比较成熟的试验方法为频域响应法，其他两种方法主要针对是同步发电机的同步运行状态下的电气参数辨识。频域响应法测量电气参数时，对一定状态下的电机施加不同频率的激励信号，由这些激励信号及其相应的响应，先求出电机的频率特性，再求出其基本电气参数。普遍的频域辨识法有静态频率响应法(SSFR)和在线频率响应法(OLFR)。SSFR 的重要不足在于其试验电源较难得到；另外，SSFR 方法的试验电压一般较低，发电机电流小，此时电机铁心处在不饱和区，这与所需要研究的运行状态是有区别的；对于大型多极同步发电机 d、q 轴的准确定位非常困难，微小的机械位移都会带来很大的电角度差，所以该方法在大型同步发电机电气参数测试中很少应用，目前还是停留在实验室的小型机组上。OLFR 方法是将不同频率的正弦信号加在励磁绕组上，通过分析试验时定子电压、定子电流、励磁电压、励磁电流及转子位置角的变化量来求取所需频率特性。但此方法可以测量需要频率的参数，但最大的问题是信号小，实施困难。为了克服现有技术的上述缺陷，本专利创造性的确定了一种新的基于异步电机模型的同步发电机异步运行参数的辨识原理，基于这种辨识原理构建了一个切实可行的试验方法和试验流程，发电机试验时的工况与实际工况一致，最终通过试验采集的同步发电机异步运行数据，即电机定子电压和定子电流，使用辨识算法准确计算出了同步发电机的异步运行参数。本专利的方法解决了现有同步发电机的异步运行电气参数准确测量辨识的问题，本专利的基于异步电机模型的同步发电机异步运行参数的辨识原理、试验方法、试验流程这三个创新点均是现有技术所不具备的，是本专利的重要创新点。

近年来风电并网比例大幅提高，由此引发的次/超同步振荡的发生概率也大大提高，严重威胁系统的安全稳定性。准确辨识次/超同步振荡参数是抑制振荡的基础，提出基于注意力机制的残差卷积神经网络的辨识方法。卷积神经网络的局部相关性和权值共享决定了其具有更强的特征学习和表达能力，通过结合注意力机制可以更准确地辨识振荡参数。同时，引入残差连接，用以解决深层卷积神经网络存在的梯度消失和网络退化问题。仿真结果表明：相较于传统方法，该方法不仅能在较短时间窗数据上完整地辨识次/超同步振荡的参数，且能规避传统方法因主观因素带来的辨识误差，降低振荡参数辨识的复杂度。

叶型参数的准确测量是实现叶片性能诊断和逆向建模的关键步骤。为了提高叶型参数的测量效率，提出了一种基于图像的参数提取方法。首先，采用骨架提取算法对叶片中弧线进行定位；然后，通过拟合计算获得中弧线函数及叶型厚度分布；最后，采用优化算法提高叶型参数辨识精度。实验结果表明，所提出的基于图像的叶型测量方法具有较高的准确性，测量相对误差小于1.5%，且应用方便、灵活，为叶片几何参数的快速、准确测量提供了新的解决方法。