智能控制在电力系统中应用.docVIP

东 北 石 油 大 学 电气工程新技术文献综述 2014年 11月6 日 文献综述 前言 由于电力系统的特点,除了线性最优控制、自适应控制,变结构控制,鲁棒控制、微分几何控制等控制手外,智能控制技术中的各种控制手段也因具有一定的“智能”特性,如可以引入专家的经验知识、能够处理不确定性问题、具有自学习的能力、适于处理非线性问题等,在电力系统中也得到了广泛的关注,获得了大量的研究成果,成为电力系统研究中一个重要的研究领域。21世纪以来，大量应用实例及工程实际研究进一步表明应用控制理论于电力系统的安全稳定控制的巨大效益以及现实可用性和广阔前景。碧口水电站100MW机组上最优励磁控制的实现揭开了现代控制理论在中国电力系统应用的序幕。如今，现代控制理论在电力系统中的应用已发展成电力系统学科中一个引人注目的活跃的分支。近年来，模糊技术、神经网络、专家系统等技术的发展又开拓了智能控制技术的新道路。 人工神经网络在电力系统中的发展及应用 人工神经网络(ANN)是模拟人类传递和处理信息的基本特性，由人工仿制大量简单的神经元以一定的方式连接而成。单个人工神经元实现输入到输出的非线性关系，它们之间的连接组合使得ANN具有了复杂的非线性特性[]。1与ES相比，ANN的特点是用神经元和它们之间的有向权重来隐含处理问题的知识并具有以下的优点：信息分布存储，有较强的容错能力；学习能力强，可以实现知识的自我组织，适应不同信息处理的要求；神经元之间的计算具有相对独立性，便于并行处理，执行速度较快。正是由于ANN有极强的非线性拟合能力和自学习能力，且具有联想记忆、鲁棒性强等性能，使ANN对于电力系统这个存在着大量非线性的复杂大系统来说有很大的应用潜力[]。 目前神经网络主要用于电力系统的故障诊断，主要集中在对电网的故障处理。用人工神经网络进行故障诊断的基本原理是：将故障警报信息进行数字量化作为神经网络的输入量。神经网络的输出量代表故障诊断的结果。首先对神经网络进行训练学习，即将特定故障对应的警报模式作为样本，建立较全的样本库，然后用所有的样本对神经网络进行训练，这样就可以将样本库的知识以网络的形式存储在神经网络的连接权中，最后通过神经网络输入量计算就可以完成故障诊断。故障诊断中神经网络所采用的模型大多为反向传播算法（BP）模型[]。该方法将警报信息作为神经网络的输入量，故障作为神经网络的输出量。用于识别电网发生的故障。这种方法的缺点是不能用于大规模系统。 总之，ANN在电力系统自动化控制领域的应用研究还处于初步阶段，有很多具有特色的人工神经网络模型与算法还没有得到很好的利用。随着对ANN理论研究的进一步深入，其在电力系统自动化控制领域将会有更为广阔的应用前景。 模糊方法在电力系统中的发展及应用 模糊理论(FT)是将经典集合理论模糊化，并引入语言变量和近似推理的模糊逻辑，具有完整推理体系的智能技术。模糊控制是模拟人的模糊推理和决策过程的一种实用控制方法，它根据已知的控制规则和数据，由模糊输入量推导出模糊控制输出主要包括模糊化、模糊推理与模糊判决三部分。随着模糊理论的发展和完善，模糊控制的一些优点得到了广泛的肯定，如：适于处理不确定性、不精确性以及噪声带来的问题；模糊知识使用语言变量来表述专家的经验，更接近人的表达方式，易于实现知识的抽取和表达；具有较强的鲁棒性，被控对象参数的变化对模糊控制的影响不明显等[]。近年来，模糊理论在电力系统应用的研究不断增加，并取得了令人鼓舞的研究成果，显示了模糊理论在解决电力系统问题上的潜力。 爱尔兰的国家调度中心，研究用模糊方法描述调度员的负荷预测方法，取得了满意的效果。国家调度中心位于首都都柏林市内，最高负荷为230万kW。他们过去编过许多短期负荷预测的计算机程序，都不如调度员的估计好。调度员对于估计这种一日以内的短期预测负荷，关键技术是选取一个“参考日”的负荷，其条件和待测日很相近[]。例如本日是星期四，则上星期四应是一个可取的“参考日”。然后在负荷曲线的几个关键点上作出负荷估计，接着按照参考日的曲线把这几个估计值连接起来，就建立了本日的负荷模型。模糊方法即按照这个经验，编出一套“参考日”数据库，供调度员选用(该环节还得让调度员参加)。然后制定若干影响负荷因素的模糊集(温度模糊集，风力模糊集，日照模糊集等)，以供用模糊推理来估计关键点的负荷。建立了负荷模型，即可按模型准备发电容量，实际负荷与模型之间的差额就比较小，按实际差额进行控制，效果则大大提高。用这种模糊估计法的主要优点是直观、易懂，而且准确度和调度员及其它“黑匣子”式程序包差不多。? 依据模型来进行控制，已被实践所广泛接受。一般线性模型较为简便，但实际应用中，多为非线性系统，即使用多段线性来模拟，每段中的控制，仍只能是