电力系统中的人工智能技术应用研究

产品简介

 电力系统中的人工智能技术应用研究上海交通大学唐华锦陈汉平夺商要：分析了适于AI应用的电力系统问题，并概括介绍了其中4种应用广泛的人工智能技术，最后指出AI在电力系统中的应用发展趋势和应用前景。

电力系统是由发电设备、变压器、输配电线路和用电设备等很多单元组成的复杂的非线性动态系统。人工智能技术被广泛地应用于求解非线性问题，与传统方法相比有不可替代的优势。目前国内外己开发了多种人工智能工具，包括专家系统CES）、人工神经网络（ANN）、模糊集（FS）和启发式搜索（HS）等，开拓了其在电力系统中各个领域的应用。

1AI在电力系统中的应用领域1.1电力系统的运行与控制电力系统中分布着大量的自动控制和手动控制装置，如继电器、断路器、隔离开关等。由这些相对简单的局部控制的协同作用构成整个电力系统复杂的实时控制。

保护实时控制有两种形式，即离散和连续控制。继电保护是一种普遍的离散控制，分布于系统的各个环节中。对系统状态（正常或事故）的判断，即状态评估是实现保护动作的关键。由于AI具有逻辑思维和快速处理能力，它己成为在线状态评估的重要工具。提出一种基于规则的拓扑误差检测算法，有效地运用了操作员的经验知识。与傅立叶变换和卡尔曼滤波技术相比，应用神经网络进行电流电压波形的特征参数分析具有更好的实时性。

唐华锦，男，硕士生。动力与能源工程学院，200030正确的保护设置依赖于设备运行对系统影响的整体性分析，离不开人类的启发和逻辑判断。在继电保护设计中存在着大量的模糊知识与方法。

切负荷是另一种离散控制。系统元件的突然丢失（如发电机因故障突然停机），会造成系统容量的急剧变化。当负荷超出系统供应容量，就必须降低负荷以避免大范围的供电中断。这时，需通过对负荷需求和系统行为的分析和启发式知识来控制继电器及时动作。如果将故障后系统的暂态稳定问题用故障后系统微分方程的解来描述，则故障与暂态稳定之间存在着某种数学映射。ANN具有对函数映射的逼近功能和并行处理能力，因而用ANN进行电力系统的切负荷控制有着良好的适应性和实用性。对输入特征量的选取和获得足以描述函数映射的样本，是用神经网络进行切负荷控制的关键问题。

励磁控制是控制发电机端电压和无功功率的重要组成部分，是重要的实时连续控制系统，对维持电力系统稳定性起主要作用，完成该功能的部分又称为电力系统稳定器（PPS）。由于大容量机组的投入和快速励磁系统的应用，系统的动态稳定性问题愈来愈突出，如将模糊集理论用于励磁控制系统，较传统基于线性系统理论的PPS有更好的控制效果。

1.2电力系统的管理和规划能源管理系统（EMS）在现代电力系统中的作用越来越突出。全系统的数据通过SCADA传给EMS，控制信号由EMS传给各元件，整个过程要做到同步进行，这要求EMS具有对大量信息的实时处理能力，并且能在正常和事故情况下及时、正确地作出控制决策。监测与诊断是EMS的重要功能。AI在状态监测与故障诊断领域发挥着重要的作用，国内外己开发出多种基于专家系统和神经网络的诊断策略。

自动发电控制（AGC）是互联电力系统运行中的集中化实时计算机控制功能，保持系统出力和系统负荷相匹配。通过控制互联系统之间的能源交换，实现机组（电厂）间的负荷经济分配。由于工业负荷的高度变化性，采用常规的控制方法存在较大的局限，如米用Kohonen自组织神经网络进行可控信号的模式识别只对长期扰动响应，有效地提高了AGC控制质量。

安全评价电力系统中经常可能出现的各种干扰和事故，如设备的损坏、自然现象的影响、人为的失误和破坏等，其中很多原因是无法预测和控制的。因此，对电力系统在干扰（或事故）下的承受能力的评判，即安全评价是十分必要的。神经网络作为安全评估的重要手段获得了很大发展，应用于系统的静态稳定性和动态稳定性分析。

安全评价领域普遍采用的方法是仿真，即模拟预想事故下系统的静态和暂态响应。预想事故的筛选是个难点，往往需依赖运行人员的经验。AI作为预想事故筛选工具具有广阔的前景，如基于规则的专家系统和Kohonen自组织神经网络应用于预想事故的筛选，既可有效结合运行人员的经验，又有筛选速度快的优点。

恢复故障后的系统恢复是个有次序的协调过程，即在最短时间内将断开的系统重新配置，平稳地恢复供电，不恰当的恢复顺序可能会引起新的事故。正确的恢复动作关键在于恢复次序的选择，应用启发式搜索则可以有效地减少搜索空间。智能化的恢复技术是电力系统中的重要研究方向之一，如综合智能式恢复专家系统结合了启发式搜索（遗传算法）和模糊集理论，作了有益的探索。

负荷预测是电力规划的重要内容和基础。由于包括天气变量在内的各种因素和实际负荷之间存在非常复杂的非线性关系，负荷预测具有很大的难度。在传统统计分析方法之外，逐渐兴起了人工智能的预测技术，主要是专家系统和神经网络。由于神经网络适合解决时间序列预报（尤其是平稳过渡过程预报）问题，一经引入电力系统，负荷预测便成为其应用的一个主要领域。

2应用方法概论2.1专家系统（ES）专家系统是在某一领域内具有专家经验和知识的计算机程序，并能像人类专家那样运用这些知识，通过推理作出决策。一个典型的专家系统由知识库、推理机、知识获取机制和人机界面4部分组成。专家系统己成为在电力系统中应用最为成熟的人工智能技术。国内外己发展多种专家系统用于电力系统的不同领域：监测与诊断、电网调度、预想事故筛选、系统恢复。尤其是监测与故障诊断己成为ES在电力系统最重要的应用领域。

根据存储知识的不同方式，可将专家系统分为不同形式，即基于浅知识（经验知识）、规则、决策树、模型等专家系统以及面向对象的专家系统。基于模型的知识表示方式适合于实时处理，比其它方法如基于规则（假设）或启发的推理方式更快速、简单和易于维护。

知识获取的瓶颈问题是建造和维护专家系统的主要难点。有人提出了一种新的知识自动获取方式，即机器学习，将其应用于电力系统开关序列专家系统。在知识库建造阶段，从运行人员的以往经验抽取知识，而不必直接向运行人员学习；每次人类专家与系统交互时，知识库可以自动更新和扩展。

2.2人工神经网络（ANN）人工神经网络是模拟的生物激励系统，将一系列输入通过神经网络产生输出。这里输出、输入都是标准化的量，输出是输入的非线性函数，其值可由连接各神经网元的权重改变，以获得期望的输出值，即所谓的训练过程。

根据不同问题，多种结构和训练算法的神经网络在电力系统中得到了应用，如BP网络、Kohonen自组织神经网络等。

由于神经网络具有快速并行处理能力和良好的分类能力，被广泛用于电力系统的实时控制、监测与诊断、短期和长期负荷预测、状态评估等诸多领域，而基于神经网络的负荷预测技术已成为人工智能在电力系统最成功的应用之一。

BP网络结构及其算法简单，易于实现，是负荷预测中应用较成熟的方法。人们提出多种BP网络的改进算法，如冲量系数自适应调整和误差函数的改进，加速收敛；对初始随机权值在量级上进行限定，克服局部最小问题。

2.3模糊集理论和启发式搜索人的认知世界包含了大量的不确定性知识，这就需要对所获信息进行一定的模糊化处理，以减少问题的复杂度。模糊逻辑可认为是多值逻辑的扩展，能够完成传统数学方法难以做到的近似推理。

近年来，模糊集理论在电力系统中的应用取得了飞速发展，包括潮流计算、系统规划、模糊控制等领域。对于负荷变化和电力生产的不确定性，用一模糊值表示某不确定负荷在实际集合中的隶属函数，建立电力系统最优潮流的模糊模型，即模糊最优潮流（FOPF）。

2.4启发式搜索遗传算法（GA）和模拟退火（SA）算法是近年来逐渐兴起的两种启发式搜索，通过随机产生新的解并保留其中较好的结果，并避免陷入局部最小，以求得全局最优解或近似最优解。GA是由数字串的集合表示优化问题的解，通过遗传算子，即选择、杂交和变异的操作对数字串寻优。SA在己知解的邻近区域产生新的解，并逐渐缩小邻近区域的大小，直到逼近全局的最优解。两种方法都可以用来求解任意目标函数和约束的最优化问题，在能源工程、经济、电力等领域都取得了令人满意的结果。

遗传算法是基于自然选择和遗传机制的搜索算法，对优化设计的要求较少，对目标函数既不要求可微，又不要求连续，仅要求问题是可计算的，且其搜索始终遍及整个解空间，可有效避免常规数学方法的组合“爆炸”问题和局部最小解，具有很强的实用价值。

目前，应用启发式搜索仍有很多待解决的问题，如搜寻终止标准的选择，终止过快易偏离最优解，不及时停止则会导致过度计算而并不能提高解的质量。GA中遗传因子和SA中冷却速率的选择是影响算法性能的关键因素，必须适当调整，否则可能得到局部最优解。

3AI在电力系统中的发展趋势混合智能目前，人工智能中的4种主要工具（专家系统、ANN、模糊集理论和启发式搜索）各有优点和局限，缺少一种普遍有效的方法应用于电力系统的各个领域。混合智能，即综合多种智能技术，成为AI的重要发展方向之一。

产品别称

产品特征