刘亨铭, 曹路

(国家电网公司华东分部，上海 200120)

0 引 言

发电机励磁系统数学模型参数设置正确与否直接决定电力系统机电暂态过程模拟计算与仿真的正确性和可信度[1]。正确测定实际励磁系统数学模型的参数对研究电网稳定性以及制订电网运行策略具有重要意义。

采用人工智能算法[2-5]较传统辨识法，可良好地实现对非线性系统参数的辨识。灰狼优化(grey wolf optimization，GWO)算法原理简单、易于实现，需调整的参数少且不需要问题的梯度信息，已被证明在求解精度和稳定性上优于PSO、DE和GSA算法。

本文将灰狼优化算法应用于发电机励磁系统参数辨识，并提出收敛因子非线性递减策略与灰狼分群轮换追赶策略，对标准灰狼算法进行改进，有效提高了算法的准确度与稳定性。

1 改进的灰狼算法原理

1.1 灰狼算法基本原理

灰狼算法原理如图1所示，整个狼群被分为α、β、δ和ω四组。定义α、β、δ为最接近猎物的个体，ω为剩余狼群。狼群不断更新α、β、δ和ω的位置，最终确定最优个体。

图1 灰狼算法原理

(1)

X(t+1)=(X1+X2+X3)/3

(2)

式中:Ai与Ci(i=1,2,3)为随机向量，由式(3)～式(5)决定；t为当前迭代次数；X(t)为ω狼群的当前位置；X1、X2、X3分别为ω狼群向α、β、δ狼群方向的前进距离。式(2)定义了ω狼群的最终位置。

Ai=2a·randAi-a

(3)

Ci=2·randCi

(4)

(5)

式中:tmax为最大迭代次数；a为收敛因子；randAi与randCi为[0,1]间的随机数。

1.2 灰狼算法改进策略

1.2.1 灰狼分群狩猎改进

标准灰狼算法中，所有个体在计算过程中全部参与寻优过程，整个种群会向α狼群的方向前进。但当α的位置为局部最优时，会使算法陷入局部最优。此时应考虑增加种群的多样性。……