Identificación de los parámetros de un generador síncrono mediante mínimos cuadrados recursivos y filtro de Kalman

Identification of a synchronous generator parameters using recursive least squares and Kalman filter

Contenido principal del artículo

Diego Alberto Bravo Montenegro
Cristian Giron
Jhon Palechor

Resumen

En este articulo se presenta la comparación entre mínimos cuadrados recursivos (RLS) y filtro de Kalman (KF), ambos métodos fueron adecuados para estimar seis parámetros de una máquina síncrona. El trabajo se centró en encontrar las condiciones de funcionamiento en las que la calidad de la identificación lograda con el filtro de Kalman es mejor que los mínimos cuadrados recursivos. Se utiliza un modelo lineal de la máquina para considerar las corrientes y sus derivadas como entradas del sistema, mientras que las señales de tensión trifásica son las salidas. Además, se llevaron a cabo dos experimentos con datos simulados y medidos, se consideraron tres escenarios operativos y dos variaciones de los algoritmos respectivamente.
A pesar de la gran similitud y buen desempeño de ambos métodos, se encontró que el filtro de Kalman excedía levemente los mínimos cuadrados debido a que presentaba menores oscilaciones en el valor estimado de los parámetros para cualquier condición de operación.

Palabras clave:

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Biografía del autor/a (VER)

Diego Alberto Bravo Montenegro, Universidad del Cauca

Profesor Titular Departamento de Física (Universidad del Cauca). Ingeniero Físico (2003), Esp. en Automatización Industrial (2007), Magíster en Ingeniería Automática (2012). Dr en Ciencias de la Electrónica (2016).

Referencias (VER)

[1] “Recommended practice for excitation sys- tem models for power system stability studies,” 2005.

[2] “Guide for synchronous generator modeling practices and applications in power system stability analyses,” 2002.

[3] P. Kou, J. Zhou, C. Wang, H. Xiao, H. Zhang, and C. Li, “Parameters identification of nonlinear state space model of synchronous generator,” Engineering Applications of Artificial Intelligence, vol. 24, no. 7, p. 1227 – 1237, 2011.

[4] H. B. Karayaka, A. Keyhani, G. Thomas, B. Agrawal, and D. Selin, “Synchronous generator model identification and parameter estimation from operating data,” IEEE Transactions on energy conversion, vol. 18, 2003.

[5] E. Mouni, S. Tnani, and G. Champenois, “Synchronous generator modelling and parameters estimation using least squares method,” Simulation Modelling Practice and Theory, vol. 16, 2008.

[6] M. Arjona, C. Hernandez, M. Cisneros, and R. Escarela-Perez, “Estimation of synchronous generator parameters using the stands- till step-voltage test and a hybrid genetic algorithm,” International Journal of ElectricalPower & Energy Systems, vol. 35, 2011.

[7] M. Huang, W. Li, and W. Yan, “Estimating parameters of synchronous generators using square-root unscented kalman filter,” Elec- tric Power Systems Research, vol. 80, no. 9, p. 1137 – 1144, 2010.

[8] M. Dehghani, M. Karraria, W. Rosehartb, and O. Malikb, “Synchronous machine model pa- rameters estimation by a time-domain identifi- cation method,” International Journal of Electrical Power & Energy Systems, vol. 32, 2010.

[9] M. Hasni, S. Djema, O. Touhami, R. Ibtiouen, M. Fadel, and S. Caux, “Synchronous machine parameter identification in frequency and time domain,” Serbian Journal Of Electrical Engeneering, vol. 4, 2007.

[10] A. Saavedra, J. Ramirez, O. Malik, and C. Ra- mos, “Identification of excitation systems with the generator online,” Electric Power Systems Research, vol. 87, 2012.

[11] B. Mogharbel, L. Fan, and Z. Miao, “Least squares estimation-based synchronous generator parameter estimation using pmu data,” in IEEE Power & Energy Society General Meeting, 2015.

[12] L. Fan and Y. Wehbe, “Extended kalman fil- tering based real-time dynamic state and pa- rameter estimation using pmu data,” Electric Power Systems Research, vol. 103, p. 168 – 177, 2013.

[13] H. Aghamolki, Z. Miao, L. Fan, W. Jeing, and D. Manjure, “Identification of synchronous generator model with frequency control using unscented kalman filter,” Electric Power Systems Research, vol. 126, p. 11, 2015.

[14] A. Saavedra, J. Ramirez, and O. Malik, “Methodology to estimate parameters of an excitation system based on experimental conditions,” Electric Power Systems Research, vol. 81, 2011.

[15] H. Botero and J. Ramires, “Identification of excitacion systems: Detailed analysis of met- hodology and results,” DYNA, vol. 75, 2008.

[16] J. Niño, H. Díaz, and A. Olarte, “Estimación de parámetros de generadores sincronicos usan- do mediciones fasoriales y el filtro de kalman unsceted,” XVI Congreso Latinoamericano de Control Automático, CLCA 2014, 2014.

[17] K. EI Naggar, “Estimation of synchronous machine parameters using new discrete time- filtering algorithm,” Electric Power Systems Research, vol. 39, pp. 123–128, 1996.

[18] R. Bhaskar, M. Crow, E. Ludwig, K. T. Erick- son, and K. Shah, “Nonlinear parameter estimation of excitation systems,” IEEE Transactions on Power Systems, vol. 15, 2000.

[19] E. Da Costa and J. A. Jardim, “Synchronous machines parameters identification using load rejection test data,” IEEE Transactions on Energy Conversion, vol. 17, 2002.

[20] E. Ghahremani and I. Kamwa, “Dynamic state estimation in power system by applying the extended kalman filter with unknown inputs to phasor measurements,” IEEE Transactions Power Systems, vol. 26, pp. 2556–2566, 2011.

[21] A. Saavedra, C. Ramos, and J. Ramirez, “A systematic review on identification of excitation systems for synchronous generators,” EIA, pp. 33–48, 2012.

Citado por: