CN105808833A - 一种基于多数据集合的并行同步发电机在线参数辨识方法 - Google Patents

Abstract

本发明公开了一种基于多数据集合的并行同步发电机在线参数辨识方法。本发明通过构建多数据集合的离散动态方程来表征发电机的动态过程并确定离散参数辨识目标，通过计算各个数据集合的离散动态方程和离散辨识目标对参数的雅克比矩阵和海森矩阵进行发电机参数在线辨识，该方法无需额外现场试验，保护发电机设备，并具有较高的参数辨识精度，克服了传统发电机参数在线辨识不准的缺点。本发明挖掘多数据集合参数辨识中的松耦合关系，将不同数据集的计算能有效地部署在不同计算单元上，实现多数据集合的并计算，极大的提高计算效率，可以用于电力***动态建模等领域。

Description

一种基于多数据集合的并行同步发电机在线参数辨识方法

技术领域

本发明属于电力***的动态参数辨识领域，尤其是一种基于多数据集合的并行同步发电机在线参数辨识方法。

背景技术

电力***动态仿真是一种用于电网运行和电网规划的最重要工具。电力***调度部门根据仿真的结果来决定调度策略、电网规划以及机组组合。因此动态仿真的准确性直接影响这个电网运行的经济性和安全性。而一个精确的发电机模型就是一个准确的仿真结果基础，并且随着向量测量单元PMU等测量单元的广泛应用，同步发电机的动态信号能够准确采集并发送给电网调度部门，使得同步发电机的在线参数辨识越来越得到广泛的研究。但是无论是使用现场测试的方式，还是使用电力***扰动数据的方式来实现发电机在线参数辨识，它们都不可避免的遇到一个问题：电力***采集到发电机相关数据往往并不是很充足，导致发电机所有参数的辨识结果并不能很好的辨识。

针对上述技术困难，文献《OnlineEstimationofSynchronousGeneratorParametersUsingPRBSPerturbations》提出向自动电压控制装置施加伪随机二进制信号来进行发电机的在线参数辨识，但是这种方法所施加的信号的大小需要人为经验来确定，信号太小参数不容易辨识，信号太大则会导致同步发电机永久性损坏。文献《PMUBasedGeneratorParameterIdentificationtoImprovetheSystemPlanningandOperation》提出了使用参数的轨迹灵敏度分析参数变化对输出的影响，将辨识性差的参数固定为标称值，从而提高参数的辨识效果，但是这个方法不能辨识这些设定为标称值的参数，更不能反映参数实际的情况。

尽管已有诸多研究成果，但在同步发电机在线辨识领域中尚无即便捷、又能准确辨识发电机参数的在线辨识计算方法。

发明内容

本发明所要解决的技术问题是克服上述现有技术存在的缺陷，提供一种基于多数据集合的并行同步发电机在线参数辨识方法，其根据同步发电机在线监测***采集的多个数据集合，能够高效、便捷地辨识同步发电机所有参数，可直接应用于同步发电机在线参数辨识分析。

为此，本发明采用如下的技术方案：一种基于多数据集合的同步发电机在线参数辨识方法，其包括如下步骤：

第一步：当电网发生扰动时，利用发电厂的同步发电机在线监测***对电网扰动前后发电机机端电压、机端电流、机端有功功率、无功功率和励磁电压信号进行采集，并作为扰动信号存入数据库；

第二步：将当前采集的扰动信号数据集合和历史电网发生的多次扰动信号数据集合中的机端电压信号和励磁电压信号划分为输入信号u_i，其他的信号则划分为输出信号y_mi，其中下标i表示第i个数据集合，i＝1,2,...n_c，n_c表示数据集合的总数；

第三步：根据第i个数据集合的输入信号u_i和同步发电机参数变量θ，构建第i个数据集合下的微分代数方程组D_i(u_i,θ)来表征相应扰动下发电机动态过程和输出状态；根据第i个数据集合的输出信号y_mi构建参数辨识目标

第四步：利用梯形公式对微分代数方程组D_i(u_i,θ)和辨识目标进行离散化处理，离散化后的非线性方程组用和Ψ_i描述，其中i＝1,2,...n_c，表示离散化后的输入信号，同时初始化数据集变量s_i和参数变量θ使非线性方程组成立；

第五步：计算不同数据集合下的数据集变量s_i和参数变量θ对目标函数Ψ_i和非线性方程组的雅克比矩阵L_i和J_i，以及扩展海森矩阵i＝1,2,...n_c，不同数据集合的数据计算在独立的计算处理单元上进行；

第六步：将不同数据集合下的雅克比矩阵L_i和J_i，以及扩展海森矩阵汇总，并通过计算过程P1计算参数变量的更新量Δθ以及计算过程P2计算数据集变量的更新量Δs_i；

第七步：如果参数变量的更新量Δθ小于容许范围，则算法收敛，输出辨识结果；否则算法不收敛，对数据集变量s_i和参数变量θ更新，即分别加上数据集变量的更新量Δs_i和参数变量的更新量Δθ，然后返回第五步。

本发明使用历史多次扰动数据，实现多数据集合的同步发电机在线参数辨识，扩展了已有的同步发电机参数辨识方法。

进一步，所述的第三步中，第i个数据集合下的微分代数方程组D_i(u_i,θ)具有如下形式：

$D_i(u_i,\mathrm{\θ}):\left\{\begin{array}{c}0=F_i({\stackrel{\·}{z}}_i,z_i,u_i,\mathrm{\θ})\\ 0=G_i(y_i,z_i,u_i,\mathrm{\θ})\\ z_i\left(t_0\right)=z_{i0}\end{array}\right.,$

其中，下标i表示第i个数据集合，z和表示发电机动态过程中的状态变量和状态变量的导数，y为发电机的输出状态，F表征同步发电机的动态过程的非线性函数，G则是定义同步发电机的输出的非线性函数，t₀为仿真时段的初始时刻，z_i0为状态变量的初值。

进一步，所述的第三步中，第i个数据集合下的参数辨识目标具有如下形式：

其中，下标i表示第i个数据集合，y表示发电机的输出状态，y_mi表示测量的输出信号，W表示发电厂的同步发电机在线检测***采样设备相应的采样误差，T_f表示参数辨识的终止时刻，T表示矩阵转置。

进一步，所述的第四步中，非线性方程组具有如下形式：

$E_i({\hat{u}}_i,s_i,\mathrm{\θ}):\left\{\begin{array}{c}0=C_{i,t}(s_{i,t},s_{i,t-1},{\hat{u}}_{i,t},{\hat{u}}_{i,t-1}\mathrm{\θ})\\ =\left[\begin{array}{c}{\hat{F}}_{i,t}({\hat{z}}_{i,t},{\hat{z}}_{i,t-1},{\hat{u}}_{i,t},{\hat{u}}_{i,t-1}\mathrm{\θ})\\ {\hat{G}}_{i,t}({\hat{y}}_{i,t},{\hat{z}}_{i,t},{\hat{u}}_{i,t},\mathrm{\θ})\end{array}\right]\\ {\hat{z}}_{i,0}=z_{i0}\\ t=1,\mathrm{2...}{n}_t\end{array}\right.,$

其中，下标i表示第i个数据集合，下标t表示第t个时刻，和分别表示离散化的状态变量、输入信号以及输出状态，z_i0为状态变量的初值，n_t表示所有离散化后的时刻总数，表示离散化后的表征同步发电机的动态过程的非线性函数，表示离散化后的定义同步发电机的输出的非线性函数，C表示由和构成的离散化非线性函数，s_i表示第i个数据集变量，其形式如下：

$s_i={\left[\begin{array}{ccccc}{{\hat{z}}_{i,1}}^T& {{\hat{y}}_{i,1}}^T& \mathrm{...}& {{\hat{z}}_{i,n_t}}^T& {{\hat{y}}_{i,n_t}}^T\end{array}\right]}^T.$

进一步，所述的第四步中，非线性方程组Ψ_i具有如下形式：

${\mathrm{\Ψ}}_i=\underset{t=1}{\overset{n_t}{\Σ}}{(y_{i,t}-y_{mi,t})}^T{W}^{-1}(y_{i,t}-y_{mi,t}),$

其中，下标i表示第i个数据集合，下标t表示第t个时刻，y表示发电机的输出状态，y_m表示测量的输出信号，W表示发电厂的同步发电机在线检测***采样设备相应的采样误差，n_t表示所有离散化后的时刻总数。

进一步，所述的第五步中，雅克比矩阵L_i和J_i具有如下形式：

$L_i=\left[\begin{array}{c}\frac{\∂{\mathrm{\Ψ}}_i}{\∂\mathrm{\θ}}=0\\ \frac{\∂{\mathrm{\Ψ}}_i}{\∂s_i}\end{array}\right],J_i=\left[\begin{array}{cc}\frac{\∂C_i}{\∂\mathrm{\θ}}& \frac{\∂C_i}{\∂s_i}\end{array}\right],C_i=\left[\begin{array}{c}{C}_{i,1}\\ .\\ .\\ .\\ C_{i,t}\\ .\\ .\\ .\\ C_{i,n_t}\end{array}\right],$

其中，下标i表示第i个数据集合，下标t表示第t个时刻，表示偏导数算子，s表示数据集变量，θ表示参数变量，Ψ表示离散化目标函数，C表示表征发电机动态特性和输出特性的离散化非线性函数。

进一步，所述的第五步中，扩展海森矩阵具有如下形式：

${\hat{H}}_i=\left[\begin{array}{cc}{H}_{\mathrm{\θ}\mathrm{\θ},i}& H_{\mathrm{\θ}i}\\ {H_{\mathrm{\θ}i}}^T& H_i\end{array}\right],$

其中，下标i表示第i个数据集合，H_θθ表示离散化非线性函数C只对参数变量的海森矩阵，H_θi表示离散化非线性函数C对参数变量和数据集变量的海森矩阵，H表示离散化非线性函数C只对数据集变量的海森矩阵与离散化目标函数Ψ只对数据集变量的海森矩阵加和，T表示矩阵转置。

进一步，所述的第五步中，独立计算处理单元是指CPU核心、计算服务器节点或其他具有完整的浮点计算与逻辑处理能力的计算设备。

进一步，所述的第六步中，计算过程P1具有如下形式：

Δθ＝A^-1b

$A=\underset{i=1}{\overset{n_c}{\Σ}}(H_{\mathrm{\θ}\mathrm{\θ},i}+{\left(\frac{\∂{C_i}^{-1}}{\∂s_i}\frac{\∂C_i}{\∂\mathrm{\θ}}\right)}^T{H}_i{\frac{\∂C_i}{\∂s_i}}^{-1}\frac{\∂C_i}{\∂\mathrm{\θ}}-{\left({\frac{\∂C_i}{\∂s_i}}^{-1}\frac{\∂C_i}{\∂\mathrm{\θ}}\right)}^T{H}_{\mathrm{\θ}i}^T-H_{\mathrm{\θ}i}{\frac{\∂C_i}{\∂s_i}}^{-1}\frac{\∂C_i}{\∂\mathrm{\θ}})$

$b=\underset{i=1}{\overset{n_c}{\Σ}}({\frac{\∂C_i}{\∂\mathrm{\θ}}}^T{\mathrm{\λ}}_i+H_{\mathrm{\θ}i}^T{\frac{\∂C_i}{\∂s_i}}^{-1}{C}_i-{\left({\frac{\∂C_i}{\∂s_i}}^{-1}\frac{\∂C_i}{\∂\mathrm{\θ}}\right)}^T(\frac{\∂{\mathrm{\Ψ}}_i}{\∂s_i}-{\frac{\∂C_i}{\∂s_i}}^T{\mathrm{\λ}}_i+H_i{\frac{\∂C_i}{\∂s_i}}^{-1}{C}_i\left)\right)$

其中，下标i表示第i个数据集合，i＝1,2,...n_c，n_c表示数据集合的总数，C表示离散化非线性函数表征发电机动态特性和输出特性的离散化非线性函数，Ψ表示离散化目标函数，s表示数据集变量，θ表示参数变量，H_θθ表示离散化非线性函数C只对参数变量的海森矩阵，H_θi表示离散化非线性函数C对参数变量和数据集变量的海森矩阵，H表示离散化非线性函数C只对数据集变量的海森矩阵与离散化目标函数Ψ只对数据集变量的海森矩阵加和，λ_i表示C_i对应的拉格朗日乘子，-1表示矩阵求逆，表示偏导数算子，T表示矩阵转置。

进一步，所述的第六步中，计算过程P2具有如下形式：

${\mathrm{\Δs}}_i=-{\frac{\∂C_i}{\∂s_i}}^{-1}{C}_i-{\frac{\∂C_i}{\∂s_i}}^{-1}\frac{\∂C_i}{\∂\mathrm{\θ}}\mathrm{\Δ}\mathrm{\θ}.$

其中，下标i表示第i个数据集合，i＝1,2,...n_c，C表示离散化非线性函数表征发电机动态特性和输出特性的离散化非线性函数，s表示数据集变量，θ表示参数变量，Δθ表示参数变量的更新量，-1表示矩阵求逆，表示偏导数算子。

与已有的技术相比，本发明主要有以下改进：

1.本发明使用多数据集合进行发电机参数在线辨识，无需额外现场试验，保护了发电机设备。

2.本发明能应用于同步发电机在线参数辨识领域，能辨识所有参数，并具有较高的参数辨识精度。

3.本发明所提出基于多数据集的并行计算方式，具有加速比高、并行效率高的技术优势。

附图说明

图1是本发明的流程图。

图2是单一数据集合和多数据集合辨识误差分布图。

图3是本发明测试算例并行加速比曲线。

具体实施方式

以下结合说明书附图和具体实施方式对本发明作详细说明。

如图1所示的基于多数据集合的同步发电机在线参数辨识方法，其步骤如下：

第一步：当电网发生扰动时，利用发电厂的同步发电机在线监测***对电网扰动前后发电机机端电压、机端电流、机端有功功率、无功功率和励磁电压信号进行采集，并存入数据库；

第二步：将当前采集的数据集合和历史电网发生的多次扰动数据集合中的机端电压信号和励磁电压信号划分为输入信号u_i，其他的信号则划分为输出信号y_mi，其中下标i表示第i个数据集合，i＝1,2,...n_c，n_c表示数据集合的总数，下标m表示测量到的输出信号；

第三步：根据第i个数据集合的输入信号u_i和同步发电机参数变量θ，构建第i个数据集合下的微分代数方程组D_i(u_i,θ)来表征相应扰动下发电机动态过程和输出状态；根据第i个数据集合的输出信号y_mi构造参数辨识目标

第四步：利用梯形公式对微分代数方程组D_i(u_i,θ)和辨识目标进行离散化处理，离散化后的非线性方程组用和Ψ_i描述，其中i＝1,2,...n_c，表示离散化后的输入信号，同时初始化数据集变量s_i和参数变量θ使非线性方程组成立；

第五步：计算不同数据集合下的数据集变量s_i和参数变量θ对目标函数Ψ_i和非线性方程组的雅克比矩阵L_i和J_i，以及扩展海森矩阵i＝1,2,...n_c，不同数据集合的数据计算在独立的计算处理单元上进行；

第六步：将不同数据集合下的雅克比矩阵L_i和J_i，以及扩展海森矩阵汇总，并通过计算过程P1计算参数的更新量Δθ以及计算过程P2计算数据集变量的更新量Δs_i；

第七步：如果参数变量的更新量Δθ小于容许范围，则算法收敛，输出辨识结果；否则算法不收敛，对数据集变量s_i和参数变量θ更新，即分别加上数据集变量的更新量Δs_i和参数变量更新量Δθ，然后返回第五步。

应用例

使用Matlab编程语言开发实现了基于多数据集合的同步发电机在线参数辨识方法(即本发明)的计算程序，并使用一台装配有X56502.67HzCPU和24GB内存的PC机完成本发明的测试和验证。

在实施方法过程中，将发电厂的同步发电机在线检测***采集的机端电压信号和励磁电压信号作为发电机的输入数据，其他采集信号，如机端电流，有功功率，无功功率作为发电机的输出数据。测试使用的同步发电机配有相应的励磁装置和调速装置，在同步发电机建模过程使用4轴6阶的复杂同步发电机模型用于描述发电机的动态过程的输出过程，表1表示的测试所用的同步发电机的信息。

表1：测试使用的同步发电机参数标称值

发电机参数	参数说明	参数标称值
			Xd	直轴电抗	1.80005 -->
Xq	交轴电抗	1.7500
			X’d	直轴暂态电抗	0.3000
X’q	交轴暂态电抗	0.4700
			X”	次暂态电抗	0.2300
T’d0	直轴暂态时间常数	4.8000
			T”d0	直轴次暂态时间常数	0.0350
T’q0	交轴暂态时间常数	1.5000
			T”q0	交轴次暂态时间常数	0.0700
Tj	转动惯量	6.4000

针对测试的同步发电机，采取当前单一扰动数据集合辨识方法和结合历史发生的23次扰动数据集合的多数据集合方法分别进行了同步发电机参数辨识。表2表示了在单一数据集合辨识方法和多数据集合辨识方法的结果。

表2：同步发电机参数辨识结果

从上述结果初步可以看出，单一数据集合辨识中的暂态和次暂态时间常数的辨识效果比多数据集合辨识的效果差，但是其他参数辨识差别不明显。为了统一分析辨识误差结果，图2展示了两种方法的相对误差分布。从中可以直观的看出无论是发电机电抗参数还是发电机暂态和次暂态时间参数，多集合辨识的效果优于单一集合的辨识效果。

进一步地，不同数量的数据集合的算例以用于测试本发明的计算效率和并行加速比。表3给出了12个数据集合和24个数据集合在不同CPU核心数量下的计算时间。表中可以观察到一方面随着数据集合使用的增加，计算时间是增加的，另一方面CPU计算核心的增加，参数辨识的用时是呈减少趋势。

表3：同步发电机参数辨识的并行计算时间

将表3中的计算性能数据进一步进行可视化处理，得到并行加速比曲线，如图3所示。图3展示了不同数量数据集合的测试效果，从中可以看出随着CPU数目使用的增加，并行加速比的增加幅度由于CPU核之间的通信而变慢，但是随着数据集合的增加，并行加速比效果增加明显，说明本发明具有良好的并行可扩展性。

Claims (10)

1.一种基于多数据集合的并行同步发电机在线参数辨识方法，其包括如下步骤：

第一步：当电网发生扰动时，利用发电厂的同步发电机在线监测***对电网扰动前后发电机机端电压、机端电流、机端有功功率、无功功率和励磁电压信号进行采集，并作为扰动信号存入数据库；

第二步：将当前采集的扰动信号数据集合和历史电网发生的多次扰动信号数据集合中的机端电压信号和励磁电压信号划分为输入信号u_i，其他的信号则划分为输出信号y_mi，其中下标i表示第i个数据集合，i＝1,2,...n_c，n_c表示数据集合的总数；

第三步：根据第i个数据集合的输入信号u_i和同步发电机参数变量θ，构建第i个数据集合下的微分代数方程组D_i(u_i,θ)来表征相应扰动下发电机动态过程和输出状态；根据第i个数据集合的输出信号y_mi构建参数辨识目标

第四步：利用梯形公式对微分代数方程组D_i(u_i,θ)和辨识目标进行离散化处理，离散化后的非线性方程组用和Ψ_i描述，其中i＝1,2,...n_c，表示离散化后的输入信号，同时初始化数据集变量s_i和参数变量θ使非线性方程组成立；

第五步：计算不同数据集合下的数据集变量s_i和参数变量θ对目标函数Ψ_i和非线性方程组的雅克比矩阵L_i和J_i，以及扩展海森矩阵i＝1,2,...n_c，不同数据集合的数据计算在独立的计算处理单元上进行；

第六步：将不同数据集合下的雅克比矩阵L_i和J_i，以及扩展海森矩阵汇总，并通过计算过程P1计算参数变量的更新量Δθ以及计算过程P2计算数据集变量的更新量Δs_i；

第七步：如果参数变量的更新量Δθ小于容许范围，则算法收敛，输出辨识结果；否则算法不收敛，对数据集变量s_i和参数变量θ更新，即分别加上数据集变量的更新量Δs_i和参数变量的更新量Δθ，然后返回第五步。

2.根据权利要求1所述的同步发电机在线参数辨识方法，其特征在于：所述的第三步中，第i个数据集合下的微分代数方程组D_i(u_i,θ)具有如下形式：

$D_i(u_i,\mathrm{\θ}):\left\{\begin{array}{c}0=F_i({\stackrel{\·}{z}}_i,z_i,u_i,\mathrm{\θ})\\ 0=G_i(y_i,z_i,u_i,\mathrm{\θ})\\ z_i\left(t_0\right)=z_{i0}\end{array}\right.,$

其中，下标i表示第i个数据集合，z和表示发电机动态过程中的状态变量和状态变量的导数，y为发电机的输出状态，F表征同步发电机的动态过程的非线性函数，G则是定义同步发电机的输出的非线性函数，t₀为仿真时段的初始时刻，z_i0为状态变量的初值。

3.根据权利要求1所述的同步发电机在线参数辨识方法，其特征在于：所述的第三步中，第i个数据集合下的参数辨识目标具有如下形式：

其中，下标i表示第i个数据集合，y表示发电机的输出状态，y_mi表示测量的输出信号，W表示发电厂的同步发电机在线检测***采样设备相应的采样误差，T_f表示参数辨识的终止时刻，T表示矩阵转置。

4.根据权利要求1所述的同步发电机在线参数辨识方法，其特征在于：所述的第四步中，非线性方程组具有如下形式：

$E_i({\hat{u}}_i,s_i,\mathrm{\θ}):\left\{\begin{array}{c}0=C_{i,t}(s_{i,t},s_{i,t-1},{\hat{u}}_{i,t},{\hat{u}}_{i,t-1}\mathrm{\θ})\\ =\left[\begin{array}{c}{\hat{F}}_{i,t}({\hat{z}}_{i,t},{\hat{z}}_{i,t-1},{\hat{u}}_{i,t},{\hat{u}}_{i,t-1}\mathrm{\θ})\\ {\hat{G}}_{i,t}({\hat{y}}_{i,t},{\hat{z}}_{i,t},{\hat{u}}_{i,t},\mathrm{\θ})\end{array}\right]\\ {\hat{z}}_{i,0}=z_{i0}\\ t=1,2...n_t\end{array}\right.,$

其中，下标i表示第i个数据集合，下标t表示第t个时刻，和分别表示离散化的状态变量，输入信号以及输出状态，z_i0为状态变量的初值，n_t表示所有离散化后的时刻总数，表示离散化后的表征同步发电机的动态过程的非线性函数，表示离散化后的定义同步发电机的输出的非线性函数，C表示由和构成的离散化非线性函数，s_i表示第i个数据集变量，其形式如下：

$s_i={\left[\begin{array}{ccccc}{{\hat{z}}_{i,1}}^T& {{\hat{y}}_{i,1}}^T& ...& {{\hat{z}}_{i,n_t}}^T& {{\hat{y}}_{i,n_t}}^T\end{array}\right]}^T.$

5.根据权利要求1所述的同步发电机在线参数辨识方法，其特征在于：所述的第四步中，非线性方程组Ψ_i具有如下形式：

${\mathrm{\Ψ}}_i=\underset{t=1}{\overset{n_t}{\Σ}}{(y_{i,t}-y_{mi,t})}^T{W}^{-1}(y_{i,t}-y_{mi,t}),$

其中，下标i表示第i个数据集合，下标t表示第t个时刻，y表示发电机的输出状态，y_m表示测量的输出信号，W表示发电厂的同步发电机在线检测***采样设备相应的采样误差，n_t表示所有离散化后的时刻总数。

6.根据权利要求1所述的同步发电机在线参数辨识方法，其特征在于：所述的第五步中，雅克比矩阵L_i和J_i具有如下形式：

$L_i=\left[\begin{array}{c}\frac{\∂{\mathrm{\Ψ}}_i}{\∂\mathrm{\θ}}\mathrm{=0}\\ \frac{\∂{\mathrm{\Ψ}}_i}{\∂s_i}\end{array}\right],J_i=\left[\begin{array}{cc}\frac{\∂C_i}{\∂\mathrm{\θ}}& \frac{\∂C_i}{\∂s_i}\end{array}\right],C_i=\left[\begin{array}{c}{C}_{i,1}\\ \·\\ \·\\ \·\\ C_{i,t}\\ \·\\ \·\\ \·\\ C_{i,n_t}\end{array}\right],$

其中，下标i表示第i个数据集合，下标t表示第t个时刻，表示偏导数算子，s表示数据集变量，θ表示参数变量，Ψ表示离散化目标函数，C表示表征发电机动态特性和输出特性的离散化非线性函数。

7.根据权利要求1所述的同步发电机在线参数辨识方法，其特征在于：所述的第五步中，扩展海森矩阵具有如下形式：

${\hat{H}}_i=\left[\begin{array}{cc}{H}_{\mathrm{\θ}\mathrm{\θ},i}& H_{\mathrm{\θ}i}\\ {H_{\mathrm{\θ}i}}^T& H_i\end{array}\right],$

其中，下标i表示第i个数据集合，H_θθ表示离散化非线性函数C只对参数变量的海森矩阵，H_θi表示离散化非线性函数C对参数变量和数据集变量的海森矩阵，H表示离散化非线性函数C只对数据集变量的海森矩阵与离散化目标函数Ψ只对数据集变量的海森矩阵加和，T表示矩阵转置。

8.根据权利要求1所述的同步发电机在线参数辨识方法，其特征在于：所述的第五步中，独立计算处理单元是指CPU核心、计算服务器节点或其他具有完整的浮点计算与逻辑处理能力的计算设备。

9.根据权利要求1所述的同步发电机在线参数辨识方法，其特征在于：所述的第六步中，计算过程P1具有如下形式：

Δθ＝A^-1b

$A=\underset{i=1}{\overset{n_c}{\mathrm{\Σ}}}(H_{\mathrm{\θ}\mathrm{\θ},i}+{\left({\frac{\∂C_i}{\∂s_i}}^{-1}\frac{\∂C_i}{\∂\mathrm{\θ}}\right)}^T{H}_i{\frac{\∂C_i}{\∂s_i}}^{-1}\frac{\∂C_i}{\∂\mathrm{\θ}}-{\left({\frac{\∂C_i}{\∂s_i}}^{-1}\frac{\∂C_i}{\∂\mathrm{\θ}}\right)}^T{H}_{\mathrm{\θ}i}^T-H_{\mathrm{\θ}i}{\frac{\∂C_i}{\∂s_i}}^{-1}\frac{\∂C_i}{\∂\mathrm{\θ}})$

$b=\underset{i=1}{\overset{n_c}{\mathrm{\Σ}}}({\frac{\∂C_i}{\∂\mathrm{\θ}}}^T{\mathrm{\λ}}_i+H_{\mathrm{\θ}i}^T{\frac{\∂C_i}{\∂s_i}}^{-1}{C}_i-{\left({\frac{\∂C_i}{\∂s_i}}^{-1}\frac{\∂C_i}{\∂\mathrm{\θ}}\right)}^T(\frac{\∂{\mathrm{\Ψ}}_i}{\∂s_i}-{\frac{\∂C_i}{\∂s_i}}^T{\mathrm{\λ}}_i+H_i{\frac{\∂C_i}{\∂s_i}}^{-1}{C}_i\left)\right)$

其中，下标i表示第i个数据集合，i＝1,2,...n_c，n_c表示数据集合的总数，C表示离散化非线性函数表征发电机动态特性和输出特性的离散化非线性函数，Ψ离散化目标函数，s表示数据集变量，θ表示参数变量，H_θθ表示离散化非线性函数C只对参数变量的海森矩阵，H_θi表示离散化非线性函数C对参数变量和数据集变量的海森矩阵，H表示离散化非线性函数C只对数据集变量的海森矩阵与离散化目标函数Ψ只对数据集变量的海森矩阵加和，λ_i表示C_i对应的拉格朗日乘子，-1表示矩阵求逆，表示偏导数算子，T表示矩阵转置。

10.根据权利要求1所述的同步发电机在线参数辨识方法，其特征在于：所述的第六步中，计算过程P2具有如下形式：

${\mathrm{\Δs}}_i=-{\frac{\∂C_i}{\∂s_i}}^{-1}{C}_i-{\frac{\∂C_i}{\∂s_i}}^{-1}\frac{\∂C_i}{\∂\mathrm{\θ}}\mathrm{\Δ}\mathrm{\θ},$

其中，下标i表示第i个数据集合，i＝1,2,...n_c，C表示离散化非线性函数表征发电机动态特性和输出特性的离散化非线性函数，s表示数据集变量，θ表示参数变量，Δθ表示参数变量的更新量，-1表示矩阵求逆，表示偏导数算子。