李彥紅 楊秀菊

1.日照供電公司 山東 日照 276826

2.平原供電公司 山東 平原 253100

0 引言

近年來，隨著人工智能控制理論的不斷發(fā)展，以模糊技術(shù)、人工神經(jīng)網(wǎng)絡(luò)和遺傳算法為代表的智能控制方法在電力系統(tǒng)領(lǐng)域得到了廣泛的應(yīng)用。

電力系統(tǒng)是由各類發(fā)電單元、輸電及配電線路、及用戶的負(fù)荷等一系列單元組合而成的大規(guī)模非線性動態(tài)系統(tǒng)，其中存在著許多十分復(fù)雜的工程計(jì)算和非線性優(yōu)化問題。長期以來，電力系統(tǒng)自動化的研究人員一直在尋找高效可靠的方法來解決這些問題。然而仍然有許多電力系統(tǒng)中存在的問題無法得到快速且精確的結(jié)果。其主要原因在于:1）電力系統(tǒng)中的有些問題無法用精確的數(shù)學(xué)模型描述，包括不能完全用數(shù)學(xué)模型來表示反映問題實(shí)質(zhì)的約束條件；2）隨著問題規(guī)模和復(fù)雜程度的增加，利用現(xiàn)有算法和計(jì)算機(jī)條件，無法在短時(shí)間內(nèi)獲得滿意的計(jì)算結(jié)果；3）面臨的許多問題的條件具有模糊性，對于系統(tǒng)的了解還不夠精確，此外在問題的求解過程中需要專家的知識經(jīng)驗(yàn)，這些知識經(jīng)驗(yàn)無法用精確的數(shù)學(xué)形式表示出來。與傳統(tǒng)的計(jì)算方法相比，人工智能控制的方法用于求解復(fù)雜的非線性系統(tǒng)問題有著極大的優(yōu)勢。它彌補(bǔ)了傳統(tǒng)方法單純依靠數(shù)學(xué)求解的不足，解決了部分傳統(tǒng)計(jì)算方法難于求解或不能解決的問題。下面就人工智能控制在電力系統(tǒng)中的應(yīng)用進(jìn)行闡述。

1 應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行短期負(fù)荷預(yù)測

本文中負(fù)荷預(yù)測模型采用人工神經(jīng)網(wǎng)絡(luò)的方法，學(xué)習(xí)樣本選用每周中同類型日的負(fù)荷曲線。在確定樣本之前，先對原始數(shù)據(jù)進(jìn)行偽數(shù)據(jù)清除處理（包括大負(fù)荷投切，遠(yuǎn)動信息中的不良數(shù)據(jù)等），并在預(yù)測出結(jié)果后，對于事先知道的較大的負(fù)荷投切等，利用專家系統(tǒng)的原理進(jìn)行相應(yīng)的修改，以便得到較精確的預(yù)測結(jié)果。

下面，對此模型的幾個環(huán)節(jié)作出說明。

1）負(fù)荷模式的分類

考慮到要預(yù)測n個節(jié)點(diǎn)的負(fù)荷，而由于各負(fù)荷節(jié)點(diǎn)的休假模式各不相同，為了減小誤差，本文中負(fù)荷采用七種模式，即周一到周日每日一個模式。

并將節(jié)假日處理為周日模式，節(jié)假日前一天歸并為周六模式，節(jié)假日后一天歸并為周一模式。

2）原始負(fù)荷記錄中偽數(shù)據(jù)的清除

清除偽數(shù)據(jù)的方法，使用時(shí)間序列濾波法。

3）人工神經(jīng)網(wǎng)絡(luò)的模型

人工神經(jīng)網(wǎng)絡(luò)選用前向網(wǎng)絡(luò)，并使用梯度法進(jìn)行BP學(xué)習(xí)。

4）學(xué)習(xí)算法的流程如圖。

（1）學(xué)習(xí)樣本的選擇

用i表示預(yù)測日所屬的類型（即周i）。從歷史數(shù)據(jù)庫中取出本周及前四周的日負(fù)荷數(shù)據(jù)，先進(jìn)行數(shù)據(jù)處理，然后用該類型日及該類型日前二天的負(fù)荷數(shù)據(jù)（共三天），作為一個學(xué)習(xí)樣本。學(xué)習(xí)樣本的個數(shù)需要根據(jù)節(jié)點(diǎn)負(fù)荷值的大小和原始數(shù)據(jù)的多少來決定。

學(xué)習(xí)和預(yù)測均按小時(shí)進(jìn)行。假定現(xiàn)在要預(yù)測t時(shí)的負(fù)荷，學(xué)習(xí)樣本為 4 個，分別用 j（j=1，2，3，4）表示，則每個樣本的輸入8個數(shù)據(jù)值，分別為：

輸出為一個數(shù)，即 y（j，i，t）。

（2）預(yù)測

通過樣本學(xué)習(xí)確定權(quán)值后，即可進(jìn)行預(yù)測。預(yù)測時(shí)輸入層神經(jīng)元的輸入取用本周對應(yīng)小時(shí)的8個數(shù)據(jù)值，其取法同學(xué)習(xí)樣本，不同的是負(fù)荷數(shù)據(jù)為本周數(shù)據(jù)。此時(shí)，輸出即為要預(yù)測的周i第t小時(shí)的負(fù)荷，用公式表示為：

需要說明的是在學(xué)習(xí)樣本和預(yù)測公式中，當(dāng)預(yù)測日i為周一，預(yù)測小時(shí)t為第一小時(shí)時(shí)，i-1即為前一周的周日，i-2位前一周的周六，t-1為前一天的第24小時(shí)，t-2位前一天的23小時(shí)。預(yù)測出24小時(shí)結(jié)果后，根據(jù)事先輸入的該天負(fù)荷增減信息，對負(fù)荷進(jìn)行修正。

整個計(jì)算過程如圖1所示。

2 基于遺傳算法的無功優(yōu)化

2.1 遺傳算法的多途徑搜索

圖1 負(fù)荷模型計(jì)算過程

遺傳算法是一種多途徑搜索的方法。為了進(jìn)行多途徑搜索，在每次迭代中有各種各樣的條件和變量。在遺傳算法中，迭代次數(shù)稱為遺傳代數(shù)，變量的數(shù)目被稱為染色體域。在同一代中，每個中間點(diǎn)能相互交換信息。染色體域越大，收斂于全局最優(yōu)解的可能性越大。到目前為止，雖然這種方法尚無法保證100%收斂于全局最優(yōu)解，但一般情況下會收斂于全局最優(yōu)解，至少其結(jié)果會比局部最優(yōu)解理想。

2.2 基于遺傳算法的無功優(yōu)化

常規(guī)電力系統(tǒng)無功優(yōu)化的數(shù)學(xué)模型為數(shù)學(xué)規(guī)劃模型以網(wǎng)損最小為目標(biāo)函數(shù)，以補(bǔ)償電容器和變壓器分接頭為控制變量，以節(jié)點(diǎn)電壓和線路潮流為安全約束。

本文中關(guān)于變壓器分接頭的規(guī)則采用

圖2與表1為變壓器分接頭的操作規(guī)則。根據(jù)變壓器分接頭兩端的電壓是否滿足無功優(yōu)化的約束條件，可從表變壓器分接頭的操作規(guī)則表中對應(yīng)的位置選出一個mk值來修改圖中變壓器分接頭的相應(yīng)值。表中uT和uF的相應(yīng)位置取決于對應(yīng)k節(jié)點(diǎn)的電壓和允許電壓的上、下限。如用ukmax，ukmin代表k節(jié)點(diǎn)允許電壓的上、下限，則當(dāng)uk＜ukmin時(shí)，相應(yīng)于low位置；當(dāng)ukmin≤uk≤ukmax時(shí)，相應(yīng)于ok位置；當(dāng) uk＞ukmax時(shí)，相應(yīng)于 high位置。

圖2 變壓器分接頭的相應(yīng)位置

表1 mk的操作規(guī)則

關(guān)于補(bǔ)償電容器的規(guī)則采用:如果uk＜ukmin時(shí)，則將SC的值加1；如果uk＞ukmax，則將SC的值減1；如果ukmin≤uk≤ukmax時(shí)，則SC的值不變。

2.3 基于遺傳算法的無功優(yōu)化流程

1）輸入待求解網(wǎng)絡(luò)的原始數(shù)據(jù)、網(wǎng)絡(luò)的等式約束和不等式約束。

2）將待求解變量寫成碼的形式，編碼產(chǎn)生初始染色體域，其中第一代染色體的產(chǎn)生采用：Xi=INT［RND·（Xmaxi-Xmini+1）］+Xmini，其中，RND 為產(chǎn)生的唯一隨機(jī)數(shù)，其范圍為0≤RND≤1；INT為取整函數(shù)。

3）計(jì)算每個染色體的適應(yīng)函數(shù)值。

4）用繁殖、交叉、變異三種遺傳操作來完成在前代染色體域基礎(chǔ)上產(chǎn)生新一代染色體域的工作。

5）對遺傳操作產(chǎn)生的第i代染色體解碼后計(jì)算其適應(yīng)函數(shù)值。

6）如果遺傳代數(shù)大于最先設(shè)定的最大遺傳代數(shù)，結(jié)束循環(huán)；反之，返回 4）。

7）求解過程中的安全約束校驗(yàn)包括狀態(tài)變量的等式和不等式約束，及控制變量的范圍約束。如果控變量和狀態(tài)變量中有違反約束的，仍需返回4）。

8）基于遺傳算法的電力系統(tǒng)無功優(yōu)化問題收斂，獲得無功優(yōu)化方案；方案中，染色體中適應(yīng)度最好的為最優(yōu)解，其次為次優(yōu)，以此類推。

3 發(fā)電機(jī)電壓的模糊控制

3.1 模糊變量的取得

以某電廠為例，根據(jù)現(xiàn)場運(yùn)行人員的經(jīng)驗(yàn)及有關(guān)專家的意見，對采樣得到精確量進(jìn)行模糊化，得到表2，表3和表4。

電壓偏差量論域E可分為12個論域元素和8個模糊子集：

電壓偏差率論域EC可分為11個論域元素和7個模糊子集：

勵磁控制論域F可分為15個論域和9個模糊子集：

式中模糊子集的含義是：PL正大，比如電壓偏差量為正切大；PM：正中；PS：正??；PO：正零；O：零；NO：負(fù)零；NS：負(fù)?。籒M：負(fù)中；NL：負(fù)大。 以上各模糊子集對其論域元素的隸屬度分別列于表2，表3和表4中。

表2 電壓變化量的模糊子集賦值

表3 電壓變化率的模糊子集賦值

表4 勵磁調(diào)節(jié)模糊子集賦值

3.2 控制規(guī)則的取得

根據(jù)實(shí)際經(jīng)驗(yàn)，得如下推理語言規(guī)律：

“若電壓誤差為正中，誤差變化率為正小，則勵磁調(diào)節(jié)應(yīng)為負(fù)中”。即對應(yīng)著：

“若電壓誤差為正大，誤差變化率為正小，則勵磁調(diào)節(jié)應(yīng)為負(fù)大”。即對應(yīng)著：

將上述語言規(guī)則總結(jié)為控制規(guī)則表，見表5。

表5 控制規(guī)則

3.3 模糊關(guān)系得求算

根據(jù)模糊數(shù)學(xué)的運(yùn)算方法，用矩陣表示if…and…then語句所包含的關(guān)系：

3.4 對輸出信息的判決

清晰化計(jì)算時(shí)采用最大隸屬度法，-7級隸屬度最大，故勵磁控制量應(yīng)為-7級。此時(shí)-7級不再是模糊量，而是由輸入的電壓變化量與電壓變化率經(jīng)過模糊控制器得到的對勵磁調(diào)節(jié)的一個判決。經(jīng)計(jì)算可得控制表，如表6。

表6 勵磁調(diào)節(jié)控制表

圖3給出了發(fā)電機(jī)輸出電壓模糊控制框圖。

圖3 發(fā)電機(jī)輸出電壓模糊控制框圖

4 結(jié)論

神經(jīng)網(wǎng)絡(luò)控制、遺傳算法和模糊邏輯控制在電力系統(tǒng)中已經(jīng)獲得了良好的應(yīng)用，并日益顯現(xiàn)出其優(yōu)越性和重要性。隨著我國經(jīng)濟(jì)的持續(xù)發(fā)展，電力系統(tǒng)節(jié)點(diǎn)數(shù)目的不斷增加，數(shù)據(jù)信息量成幾何倍數(shù)增長，管理上的復(fù)雜程度也在大幅度增長，以及市場競爭影響因素的加大，為智能控制在電力系統(tǒng)的應(yīng)用提供了廣闊的空間。

［1］常輝.基于遺傳BP網(wǎng)絡(luò)的智能型電力負(fù)荷預(yù)測技術(shù)[J］.電腦知識與技術(shù)，2009，（08）：1962-1964.

［2］周曉娟.電力系統(tǒng)無功優(yōu)化方法分析［J］，中原工學(xué)院學(xué)報(bào)，2009，（01）：55-59.

［3］倪方云.采用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測短期電力負(fù)荷［J］.供用電，2008，（02）:16-20.

［4］張捷，王仁明，周建華.電站機(jī)組負(fù)荷分配的模糊建模及優(yōu)化算法［J］.三峽大學(xué)學(xué)報(bào)（自然科學(xué)版），2009，（01）：48-51.

［5］李林川，呂東，武文杰.一種簡化的電力系統(tǒng)負(fù)荷線性組合預(yù)測法［J］.電網(wǎng)技術(shù)，2002，26（10）:10-13.

［6］梁海峰，涂光瑜，唐紅衛(wèi).遺傳神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)短期負(fù)荷預(yù)測中的應(yīng)用［J］.電網(wǎng)技術(shù)，2001，25（01）:50-53.

［7］Hagan M T，Demuth H B，Beale M H.Neural network design［M］.Beijing:China Machine Press，2002.