现代控制理论在电力系统及其自动化中的应用

现代控制理论在电力系统自动化中的应用

摘要：本文综述了近年来模糊逻辑控制、神经网络控制、线性最优控制、自适应控制在电力系统稳定，自动发电控制，静止无功补偿及串联补偿控制，燃气轮机控制等方面应用研究的主要成果与方法，并提出若干需要解决的问题。

关键词：电力系统模糊控制神经网络最优控制自适应控制

1 前言

电力系统能否安全稳定运行关系到国计民生，因此电力系统稳定性控制技术的选择变得尤为重要。电力系统是一个越来越大，越来越复杂的动态网络，它具有很强的非线性、时变性且参数不确切可知，并含有大量未建模动态部分。电力系统地域分布广泛，大部分原件具有延迟、磁滞、饱和等等复杂的物理特性，对这样的系统实现有效的控制是极为困难的，国内外因电压不稳导致的停电事故时有发生。这些都使电力系统的稳定性控制问题变得越来越复杂，也正是因为问题的复杂性而使得现代控制理论得以在这一领域充分发挥其巨大的优势。随着越来越先进的电力电子器件的出现和计算机技术的发展，先进的现代控制方法在电力系统领域的应用变的越来越广泛。本文主要介绍了模糊逻辑控制、神经网络控制、最优控制和自适应控制在电力系统中的应用，并提出相关问题的相应解决方法。

2 电力系统的模糊逻辑控制

电力系统的模糊逻辑控制就是利用模糊经验知识来解决电力系统中的一类模型问题，弥补了数值方法的不足。从Zaden L.A.1965年发表了Fuzzy Sets[1]一文以来，模糊控制理论作为一门崭新的学科发展非常迅速，应用非常广泛。目前国内外对电力系统模糊控制的研究成果越来越多，这显示了模糊理论在解决电力系统问题上的潜力。

模糊逻辑控制是从行为上模拟人的模糊推理和决策过程的一种实用的控制方法，它适于解决因过程本身不确定性、不精确性以及噪声而带来的困难。模糊控制常用来描述专家系统，专家系统作为一种人工智能方法，其在电力系统中得到应用，弥补了数值方法的诸多不足。专家系统利用专家知识进行推理，由于系统参数的不确定性，专家知识经常采用模糊描述。

模糊逻辑控制器（FLC）属于知识库系统，它由专家管理控制系统和专家直接控制系统所构成。专家管理控制系统使用模糊逻辑在主循环中调整控制器，例如调整电压控制器的参数。

∆、f∆和任意连续非线性函数可以由一系列模糊变量、数值和规则来模拟，这里P

a ∆分别代表输出功率、频率和控制参数的微变量，同时分别代表功率、频率与控制参数的非线性偏离程度在专家管理控制系统中经常采用的规则是：如果P ∆为正，f ∆为负，则a ∆为负。基于FLC 实现的专家直接控制系统的规则是：如果P ∆为正，f ∆为负，则u 为零，这里u 为电力系统稳定器（PSS ）信号。加入自适应特点后，FLC 的功能就会有明显的改善，如采用自适应模糊逻辑控制器（AFLC ）的PSS 性能明显优于常规PSS 。

模糊知识库控制（FKBC ）：为了说明FKBC 的功能，假定FKBC 由两个输人变量、一个输出变量和规则组成。两个输入变量为频率偏移f ∆和输出功率偏移P ∆，一个输出变量为稳态信号u ，规则是和前置单元进行的“与”操作是最小操作或积操作以及多种非模糊化操作。以下使用高度法来说明FKBC 方法。

每一个小输入1P ∆和1f ∆都是()()2,1=•i i μ的成员变量。每个规则的门槛是()1P i ∆μ和()1f i ∆μ的积操作，得到的结果就是第i 条规则的门槛。当使用相应的成员函数时，可以由规则的门槛推导出一个相应的输出i θ，FKBC 的总输出是：

)1(212

211ζζθζθζ++=u 其中，()11)(f P i i i ∆⨯∆=μμζ。

可以很容易从式（1）推出m 条规则。FLC 有两个输入变量f ∆和P ∆，以及一个输出变量u 。控制器的初始化参数m θθ,,1 由专家知识决定，否则将设定为任意值，为了适应不同的运行环境，控制器参数将依据工程运算法则来在线计算。

3 电力系统的神经网络控制

人工神经网络从1943年出现，经历了六、七十年代的研究低潮发展到现在，在模型结构、学习算法等方面取得了大量的研究成果。提出了误差反向传播（BP ）模型，Hopfield 离散和连续模型，小脑模型连续控制器(CMAC)模型 径向基函数网络(RBF)模型，Kohonen 自组织特征映射模型，自适应谐振理论(ART)模型，Boltzmann 机，递归神经网络(RNN)模型等很多各具特色的神经网络模型及其计算结果。其中研究得最为成熟，运用得也最为广泛的是误差反传模型，它的网络结构及算法直观、简单，在电力系统中的应用也较多。神经网络之所以受到人们的普遍关注，是由于它具有本质的非线性特性、并行处理能力、强鲁捧性以及自组织自学习的能力。因此，对于电力系统这个存在着大量非线性的复杂大系统来讲，神经网络理论在电力系统中的应用具有很大的潜力。目前神经网络在电力系统中的研究领域已涉

及到了很多方面，如暂态、动态稳定性分析，负荷预测，机组最优组合，警报处理与故障诊断，配电网线损计算，发电规划，经济运行及电力系统控制等

[2-3]。

在涉及电力系统稳定性时，人工神经网络（ANN ）或被用于调整已有的PSS ，或替换常规PSS 。这种方法需要在不同运行环境中的电力系统数学模型，但这在大规模系统中很难确定。资料表明，安装在输电线上以提高输电容量的电容器组所产生的振动模式会和电机的转矩振动产生次同步振荡。因此可以用ANN 来调节静态自适应PID 无功控制器，从而阻尼次同步振荡。对于用ANN 替换传统控制器的研究也有很多，如将ANN 作为PSS 用来适应电力系统反动态模型。神经网络控制器的输入是一个包含所有测量状态的向量，但这个向量不是实际的参数。自适应神经PSS 由两个子网组成：一个用来输人输出映射，即系统认证;另一个用于控制。有用于多电机电力系统的ANN PSS ，也有使用改进的反传运算法来设计基于ANN 的PSS 。

3.1 智能升级电力系统稳定器

根据已有的文献可以证实同步机和与它相连的电力系统存在反动态模型。基于该结论，经过修止的参考结构模型被用来实现在线智能升级PSS （SLPSS ）。所推荐的结构有两个并行的ANN ：一个被用来进行在线实时控制，另一个被用来在线智能升级。在每一个成功升级后，两个分系统的任务将相互转换。ANN 的输人集合是：

()()(){}2,1),2(),1(),(,1----+=Ωt u t u t t t t d ωωωω

SLPSS 的输出是控制信号以)(t u 。对理想速度)1(+t d ω的预测，可以通过一个有良好响应的动态模型来计算，或使用有详细输出说明的方法来计算。

3.2 基于神经反控制器和降差网络的PSS

该PSS 是为配合多电机系统而设计的。每台机组反动态被确定是离线的，由此得到的ANN 被称为反动态神经网络（IDNN ），可以充当本地的反控制器。由发电机相互影响而导致的控制误差可以预计，并利用降差网络（ERN ）来补偿。ERN 一般是几个IDNN 的线性组合。

4 电力系统的最优控制

最优控制是现代控制理论的一个重要组成部分，也是将最优化理论用于控制问题的一种体现。线性最优控制是目前诸多现代控制理论中应用最多，最成熟的一个分支。早在七十年代初便被引入到电力系中。在远距离输电系统的发电机励磁控制、发电机组快速汽门控制、发电机组的综合控制、发电机制动电阻的最优时间控制等方面取得了一系列的研究成果和一