《智能控制技术及其在智能电网上的应用》由会员分享,可在线阅读,更多相关《智能控制技术及其在智能电网上的应用(6页珍藏版)》请在金锄头文库上搜索。
1、智能控制技术及其在电力系统自动化的应用自从1932年奈魁斯特提出反馈放大器稳定性理论以来,控制理论 和技术已经历了单输入单输出系统的经典控制论和多输入多输出系统 的现代控制论两个阶段。随着被控制对象越来越复杂化,其非线性、 不确定性因素的影响也不断增强。借助于数学模型描述和分析的传统 控制理论难以解决此类复杂系统的控制问题。因此,世界各国控制理 论界的学者都在探索建立新一代的控制理论,以解决复杂系统的控制 问题。近30年以来人工智能、知识工程、模糊逻辑、神经网络、遗传 学习等学科的发展为利用人类的智能行为对复杂系统进行控制创造了 有利的条件,并逐步形成和完善了智能控制的相关理论。同时,微电子
2、技术、集成电路技术、计算机机技术的快速进展,尤其是微处理器的 计算能力、实时性等方面的明显突破,为这些新理论的应用提供技术 保证。可以预言,借助于数字控制技术的智能控制器已经或正在越来 越多的领域替代传统模拟控制器。同时我们必须注意到,智能控制器 是通过模拟人的控制行为,如自适应、学习、在确定环境下的规划、逻 辑推理和判断等,来达到对复杂系统的有效控制。因此,它所涉及的 领域相当广泛,如人工智能、生物科学、脑神经科学、专家系统、知 识工程、控制论、模糊集理论、神经网络理论、运筹学等。目前还无 法正确完整地对智能控制下定义。但是智能控制系统必须具有模拟人 类学习和自适应能力的观点已经普遍接受。智
3、能控制成为自动控制学 科的前沿学科已是不争的事实。本文将对智能控制技术的发展现状、 智能控制新技术给我们带来的启示进行讨论。智能控制是常规控制的一个延伸和发展。在过去的几十年中, 常规控制特别是基于状态空间方法的现代控制理论,在理论上取得 了辉煌的进展,并且已经在航空控制等领域得到了成功的应用。但 是,由于严重依赖于控制对象模型的精确性,使得现代控制理论在 处理难以建立精确数学模型的一些复杂工业过程和系统时,显示出 了严重的不适应性和局限性。为了解决这类实际控制问题,一方面 需要不断地完善现代控制理论,推动鲁棒控制、变结构控制和自适 应控制等理论和方法的研究,另一方面需要开辟新的控制思路和控
4、制途径,促使智能控制作为控制领域的一个新的分支不断发展。现 在,随着智能控制在众多工程领域里的成功应用,它已经成为控制 理论和技术领域中最富于魅力和最具应用性的分支之一,受到了控 制工程师们的广泛关注。一般认为,智能控制是指那些具有某些智 能性拟人的非常规控制。这些拟人功能包括知识与经验的表示功 能、学习功能、推理功能、适应功能、组织功能、容错功能等。智 能控制的控制对象通常是具有多方面复杂特性的系统或过程,这类 系统或过程的主要特征表现为高度的不确定性、高度的非线性以及 高度复杂的任务要求,而采用常规的控制方法和手段难以取得满意 的控制性能,或者根本无法实现有效的控制。智能控制技术发展方 向
5、主要有基于人工智能技术的智能控制方向、智能控制的模糊控制方 向和智能控制的人工神经网络控制方向,在智能控制的人工神经网络 控制方向上,基于人工神经网络和模糊逻辑有机结合的神经模糊技 术,已成为近年来的一个热门课题。随着信息技术的发展,许多新方法和技术进入工程化、产品化阶 段,这对自动控制技术提出犷新的挑战,促进了智能理论在控制技术 中的应用,以解决用传统的方法难以解决的复杂系统的控制问题。智能控制技术的主要方法有模糊控制、基于知识的专家控制、神 经网络控制和集成智能控制等,以及常用优化算法有:遗传算法、蚁群 算法、免疫算法等。模糊控制:模糊控制以模糊集合、模糊语言变量、模糊推理为其 理论基础,
6、以先验知识和专家经验作为控制规则。其基本思想是用机 器模拟人对系统的控制,就是在被控对象的模糊模型的基础上运用模 糊控制器近似推理等手段,实现系统控制。在实现模糊控制时主要考 虑模糊变量的隶属度函数的确定,以及控制规则的制定二者缺一不 可。专家控制:专家控制是将专家系统的理论技术与控制理论技术相 结合,仿效专家的经验,实现对系统控制的一种智能控制。主体由知识 库和推理机构组成,通过对知识的获取与组织,按某种策略适时选用 恰当的规则进行推理,以实现对控制对象的控制。专家控制可以灵活 地选取控制率,灵活性高;可通过调整控制器的参数,适应对象特性及 环境的变化,适应性好;通过专家规则,系统可以在非线
7、性、大偏差的 情况下可靠地工作,鲁棒性强。神经网络控制:神经网络模拟人脑神经元的活动,利用神经元之 间的联结与权值的分布来表示特定的信息,通过不断修正连接的权值 进行自我学习,以逼近理论为依据进行神经网络建模,并以直接自校 正控制、间接自校正控制、神经网络预测控制等方式实现智能控制。学习控制:学习控制包括遗传算法学习控制和迭代学习控制。(1) 遗传算法学习控制 智能控制是通过计算机实现对系统的控制, 因此控制技术离不开优化技术。快速、高效、全局化的优化算法是实 现智能控制的重要手段。遗传算法是模拟自然选择和遗传机制的一种 搜索和优化算法,它模拟生物界/生存竞争,优胜劣汰,适者生存的机 制,利用
8、复制、交叉、变异等遗传操作来完成寻优。遗传算法作为优 化搜索算法,一方面希望在宽广的空间内进行搜索,从而提高求得最 优解的概率;另一方面又希望向着解的方向尽快缩小搜索范围,从而 提高搜索效率。如何同时提高搜索最优解的概率和效率,是遗传算法 的一个主要研究方向。(2) 迭代学习控制 迭代学习控制模仿人类学习的方法、即通过多次 的训练,从经验中学会某种技能,来达到有效控制的目的。迭代学习控 制能够通过一系列迭代过程实现对二阶非线性动力学系统的跟踪控 制。整个控制结构由线性反馈控制器和前馈学习补偿控制器组成,其 中线性反馈控制器保证了非线性系统的稳定运行、前馈补偿控制器保 证了系统的跟踪控制精度。它
9、在执行重复运动的非线性机器人系统的 控制中是相当成功的。自动化是电力系统发展方向,智能控制技术是自动化的基础保 障。在电力系统自动化建设过程中,主要是利用相关设备构建可靠地 装置。例如监测、决策等等,构建自动化的系统,保障数据传输以及 设备工作处于自动化的状态,一方面对电力系统自动化提出运行自动 化的环境,另一方面通过自动化实现电力系统的监测。智能控制技术是电力系统在不断发展、进步过程中,逐渐衍生的 技术,其为电网自动化中不可缺少的部分。智能控制技术对电力系统 自动化主要服务方式是位采集、监测,通过对电网运行环境的感知, 实现对电力系统中影响运行因素的智能控制,智能控制技术的应用是 在我国传统
10、控制模型的基础上发展而来,结合电力系统的实际情况, 对智能控制进行一系列改进,提高了其对电力系统的控制能力,不仅 可以有效、准确的发现系统的不稳定因素,而且可以及时对其采取有 效的控制方式,着实有效提高了电力系统智能化的控制能力。1. 模糊方法在电力系统自动化控制中的应用模糊理论(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
11、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
12、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”
13、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“次最佳”的。用模糊关系模型(FRM)来模拟 非线性过程,是一种简便而有效的方法。模糊关系模型简单而直接地 描述输入量与输出量之间的关系,这对单输出系统比较易于实现,但 对多输出系统仍较困难。为了克服这些不足,目前有许多研究将模糊 理论与其它人工智能技术结合起来,取得了较好的效果。2. 专家系统在电力系统自动化控制中的应用专家系统(ES)是发展较早、也是比较成熟的一类人工智能技术。专家系统主要由知识库和推理机构成,它根据某个领域的专家提供的
14、 特殊领域知识进行推理,模拟人类专家作出决策的过程,提供具有专 家水平的解答。目前,电力系统运行和控制由有经验的调度人员借助 自动化技术完成。这是由于一方面传统数值分析方法缺乏启发性推理 的能力,同时也无法进行知识积累,另一方面电力系统自身的复杂性 使一些必要的数学模型及状态量难以获取,单纯的数值方法难以满足 电力系统的要求。因此,在电力自动化系统中引入电力专家的经验知 识是十分必要的。近年来,在国外和国内都有不少与电力系统控制相关的专家系统 投入试运行或进入实用化推广阶段,并取得了不错的效果,但是仍然 存在着一些问题值得研究和探索:当系统规模较大、规则较多时, 完成推理的速度受到限制,因此目
15、前已有的专家系统大多是用于离 线,或者在线解决属于系统分析方面的问题,而在实时控制方面的应 用还刚刚起步,有待进一步的研究;现有的专家系统缺乏有效的学 习机制,对付新情况的能力有限,而且容错能力较差,当系统发生故 障或网络结构、系统参数、设备控制器配置等发生变化的情况下,将 有可能得不到结果或给出错误的结果。如何与ANN、模糊推理等其它 人工智能方法结合以提高专家系统的自学习能力和容错能力是值得 研究的课题;大型专家系统的建造周期长,知识的获取和校核比较 困难,要建立完备的知识库,维护难度比较大,在建造专家系统之前 必须充分考虑这些问题。3. 人工神经网络在电力系统自动化控制中的应用人工神经网
16、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。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,ANN的应用仍然存在着一些问题,如学习算法速度一般比 较慢,训练时间较长,而且不易收敛或可能收敛到局部极小点等。一 些研究人员致力于改进学习算法,使其收敛性能大为改善。但是,ANN 的一些固有缺陷仍没有完全弥补,例如,ANN模型的建立缺乏充分的 理论指导,当系统结构发生变化时需要增加新的