陈柳

摘 要：提出一种基于遗传算法优化的改进UKF参数辨识方法。利用遗传算法较好的全局寻优能力，可以获得比较准确的噪声模型即期望噪声模型。为了解决滤波精度与初始动态特性之间的矛盾，将传统无迹卡尔曼滤波过程分为启动阶段和平稳阶段两部分，在启动阶段引入使系统动态特性较好的噪声模型，而在平稳阶段引入所获得的期望噪声模型。该方法在一定程度上既可解决噪声模型难以准确获得的实际问题，提高辨识精度，同时又能有效避免因追求高精度造成UKF在启动阶段出现较大超调而导致滤波失败。最后，将此方法应用于对双馈感应风力发电机的参数辨识中，仿真结果验证了该方法的有效性。

关键词：无迹卡尔曼滤波；遗传算法；模型优化；参数辨识；双馈风力发电机

中图分类号：TB

文献标识码：A

doi：10.19311/j.cnki.1672-3198.2017.16.095

1 基于遗传算法优化的改进UKF算法

由UKF递推公式可知，噪声模型Q和R对算法的收敛性和精度影响很大，不同的值会引起不同的动态变化。若系统噪声增强，则Q值增大，加大了系统的不确定性。若测量噪声增强，则R值增大，会使状态量的修正缓慢；相反，R值将减小，当R值过小时会使滤波过程不稳定或发散。因此确定准确的噪声模型是能否获得卡尔曼最优估计的重要环节。

基于GA优化噪声模型，实质上是求解含变量上、下限约束的最优化问题，它只需要目标函数的值，不依赖问题具体的领域，具有很强的鲁棒性。根据遗传算法的特点，将UKF滤波参数作为遗传算法的基因型，性能指标构成相应的适应度值。

（1）确定编码方式和设置初始参数。因浮点数编码不需要编码和解码的过程，能大大提高算法的收敛速度和解的精度，便于进行大范围搜索，所以本文选择浮点数编码方式。

（2）确定目标函数，并进行适应度计算。目标函数是确定适应度函数的标准，目标函数选择的好坏将直接影响遗传算法优化的效果。针对本文情况，把新息协方差的理论值Pykyk与实际值的绝对差值作为目标函数，能够很好的反映噪声模型的准确度，目标函数越小表示噪声模型的准确度越高即适应度越好。目标函数为：

式中：trace（ ）是矩阵求迹函数。

（3）由第g代得到的参数向量b及所有个体的适应度值，应用GA进行选择、交叉和变异产生新的g+1代参数向量。

（4）把g+1代重插到g代即用子代代替父代。

（5）终止条件判断。若当前遗传代数小于最大遗传代数，转到步骤（2）；否则就以进化过程中所得到的具有最大适应度的个体作为最优解输出，并终止运算。

2 基于GA-IUKF算法的DFIG参数辨识

2.1 问题描述

对DFIG的参数进行辨识，需要对电机模型做离散化处理。

2.2 仿真及结果分析

该文采用MATLAB/Simulink中提供的1.5MW DFIG模型，并搭建风机并网的仿真模型如图（2）所示。利用搭建的仿真模型可以得到参数辨识所需的输入和测量数据。其中，发电机待辨识参数先验标幺值如表1所示；滤波器有关参数如下所示：

为了检验GA-IUKF算法在参数辨识中对突变参数的跟踪能力，在采样点数为7001时设置Lm由2.9突变到3.5。

下图中，从图2-3可以看出，目标函数和目标函数的最优解经过大约30次迭代后都趋于恒定值，表明此时得到的解为限定范围内的全局最优解。

3 结论

该文提出一种基于遗传算法对噪声模型进行优化的改进UKF算法。该算法首先利用遗传算法较好的全局寻优能力，依据该文给出的目标函数，求解出较为准确的噪声模型即期望噪声模型。

参考文献

[1]潘学萍，鞠平，徐倩，等.双馈风力发电机参数分布辨识及观测量的选择[J].中国电机工程學报，2013，33（13）：116-126.

[2]韩睿，郑竞宏，朱守真，等.基于灵敏度分析的同步发电机参数分布辨识策略[J].电力自动化设备，2012，32（5）：74-80.

[3]雷亚洲，Gordon Lightbody.国外风力发电导则及动态模型简介[J].电网技术，2005，25（12）：27-32.