1 引言
智能控制是控制理论的发展方向。近年来，作为一类复杂非线性系统，电力系统的智能控制也得到了广泛的关注［1～3］。在各类智能技术的应用中，融模糊控制和神经元网络二者之长处的模糊神经元网络控制系统日益成为研究的热点[1]，它以网络的形式记忆模糊规则，同时具有学习推理能力和可读性，简便实用。但是，基于反向传播（BP）学习方式的模糊神经元网络对初始条件及样本数据等仍然具有很强的依赖性，它们制约着控制器性能的提高。
本文以进一步提高控制器的智能化水平为最终目标，提出一种综合智能化的控制系统设计思想。首先，针对控制系统设计问题的特点，对遗传算法［2］（GA）进行了改进并将其引入模糊神经元网络控制器的学习过程中，提出了一种新型的混合遗传算法，使控制器的离线训练过程更加客观有效；同时，针对控制器的在线应用问题，采用一种模糊再励学习算法跟踪系统状态及环境条件的变化，以获得更好的控制性能并最终使所得到的控制器更加接近综合智能化的水平。
发电机的励磁控制是提高电力系统小干扰稳定性的有效手段，同时它还应该具有维持机端电压的能力。本文将综合智能化的设计思想用于励磁控制。仿真结果表明，所设计的综合智能控制器具有较好的控制效果和更高的智能化水平，同时具有维持功角稳定和机端电压两方面的能力，并且设计过程简便合理，具有应用潜力。
2 模糊神经元网络控制器的结构
模糊逻辑系统的结构形式有很多种，在控制领域中采用最多的是如式（1）所示的一种简化的控制器结构。它是一个采用高斯隶属函数、乘积推理规则、中心平均模糊消除器构成的模糊逻辑系统。
糊控制器的前馈神经元网络型表示。该模糊神经元网络结构是本文所设计的综合智能控制器的主体，它的结构及相应的BP学习算法的详细分析可以参看文献［4］。
文献［4］中比较详细地论述了在这类模糊神经元网络控制器的训练中引入遗传算法，并使它与原有的BP学习有机结合的目的、优势及工作方式等。在此基础上，本文又针对控制系统设计问题的特殊性，对传统的简单遗传算法（SGA）进行了改进；同时为适应控制器在线应用的需要，提出了一种模糊再励学习算法，它们共同作用的结果使所得到的控制器更加接近于综合智能化的水平。
3 改进的遗传算法
控制系统的设计问题有着区别于各类优化问题的特殊性。在控制系统的设计中，算法往往没有确定的目标（最优解不确知，甚至根本不存在），而更值得关注的是系统性能的逐步改善，在SGA中由于存在较大的概率性和随机性，其大范围的盲目搜索将导致训练时间的延长。本文由此出发进行了对SGA的改进，新算法的进行过程如图2所示，它具有如下的主要特征：
（1）新的选择操作
以个体适应值为标准的选择过程是决定GA收敛方向的一个主要因素。本文采用了一种人工选择法。从图2的进行过程可以看出，这种选择方式不仅能够使群体中的最优个体得以保存，并且引入了更多优良个体的信息，从而为算法的收敛方向提供了更为有效的保证，而且还有利于种群的进化，能够更好地适应控制系统设计问题的特点。
（2）自适应变异操作
在保证算法渐进收敛性的前提下，新算法的另一个特点是特别强调了变异操作所起的“进化”作用。研究表明，交叉操作对遗传算法性能的影响与种群的初始分布即个体间的差异程度有关，在此由于选择力度的强化使个体之间更为接近，特别是在算法进行的后期，交叉操作的作用已不明显，可以将其忽略。而通过采用针对每一个体的适当的变异操作来促进个体的进化，对群体性能的改善将更为有效。
式中 f为个体的适应函数值；fmax为群体的最大适应值；favg为群体的平均适应值；nt为进行代数；km（nt）相当于nt代中适应值为favg的个体的变异概率值，它随nt的增大呈略增的趋势，但由于在此变异的作用更侧重于进化而不是破坏，因而应对其加以上限（如取其上限值为0．4）；pδ为一个较小的常数（如取为0．02），目的是保证具有最大适应值的个体的进化能力（实际上它更容易进化得到更优的个体）。
可以看到，改进后的遗传算法在适应控制系统设计问题的同时，对控制参数的依赖性很小，具有很强的自适应性，这也是它的主要优点之一。它减少了遗传算法的盲目性，使它的应用更为简便和有效。
4 模糊再励学习算法的采用
再励学习算法（Reinforcement Learning，RL）［5］是一种很好的适合于在线应用的学习算法。所谓再励，是指如果施加于系统的某种行为有助于得到满意的结果，那么产生这种行为的趋势将被加强。由于目的是在线地对原有网络做进一步的细化调整，而非在线地构造网络，因此本文对RL做了简化，引入模糊规则来规划算法的学习进程，构成一种模糊再励学习算法（FRL）。它简便易行，能够更方便地跟踪环境条件的变化，满足控制器在线应用的要求。
设系统所给出的再励信号r是一个关于系统状态变化量的非线性函数r（t）＝r［e（t），c（t）］，其中e（t）为时刻t系统的输出误差，c（t）为e（t）的变化率。FRL通过对e、c与r之间关系的分析，制定模糊规则，决定增强因子的大小及方向，并给出相应参数的修正值，实现对输出控制量的在线调整。在所设计的控制系统中，控制器的结构如式（1）所示，对它的调整主要针对决定控制输出f大小的参量，即模糊规则的后件（对应于结果部分的网络权值）进行，而对输入变量的隶属函数则不再调整
由于本文中决定再励信号的状态量取为两个，所制定的模糊规则采用表1所示的规则表的形式给出，表中r0～r4代表r（t）在不同情况下的取值。
5 综合智能型电力系统稳定器的设计
系统结构如图3所示，它的详细模型和参数参见文献［6］。依据上述原理设计综合智能型电力系统稳定器。
控制器主体为形如式（1）的模糊神经元网络控制器（FNNC）。选取发电机的转速偏差Δω及其变化率Δω作为FNNC的输入，输出为附加励磁控制量ue。遗传算法中的个体由FNNC的参数编码而成，采用二进制编码方式。
遗传算法中的每一个个体都对应于一个FNNC的设计方案，将与此方案相对应的控制器用于受控发电机，进行数值仿真可得到系统响应，然后依据给定的评估函数对个体进行评估；在此过程中，记录其中的优良个体所获得的样本数据，将它们作为不同的训练集和检验集用于随后进行的BP训练中，进一步细化系统结构并提高它的泛化能力；最后，将训练好的系统投入在线应用，并根据所制定的模糊规则对其结构进行进一步的再励学习，调整其跟踪特性，完善控制器的控制效果。
为兼顾机端电压的调节特性和功角稳定的双重目标，选取GA的评估函数为机端电压及转子角频率与额定值的相对误差之和的ITAE值
式中 α和β为权重因子，可根据需要进行调整。
由于在模糊系统中引入了神经元网络的优势和学习能力，以模糊神经元网络为主体的控制器结构较文献［2］［3］中所述的基于规则表的离散型模糊控制器在性能和设计方法上更进一步，其输出特性更平滑并且易于调整，具有更为简便合理的设计过程，同时，对遗传算法的改进及模糊再励学习算法的采用，使控制器的控制效果得到了进一步的完善。
6 仿真结果
设原动机出力Pm有5％的阶跃扰动，测试控制器维持系统小干扰稳定性的能力。
图4为扰动发生在线性最优控制的设计运行点δ＝70°（Pe0＝0．5）的情况下，综合智能控制（粗线）与线性最优控制（细线）及常规比例控制（虚线）的对比结果。可以看到，综合智能控制器有着接近于最优控制的效果，并且它对机端电压和功角给予了更强的约束，在维持系统小干扰稳定性方面效果更好。
综合智能控制器适应于运行点变化情况的控制效果见图5，其中曲线1、2、3分别对应于扰动发生在δ＝45°、70°和85°的情况。可以看到，所设计的综合控制器能够很好地适应运行点的变化，具有较好的鲁棒性。
从以上的仿真结果可以看出，所设计的综合智能型电力系统稳定器能够兼顾发电机端电压的动态调节特性和功角稳定两方面的目标，在维持系统小干扰稳定性方面具有很好的控制效果，而更为智能化的简便合理的设计过程更是它的主要优势所在。
7 结论
与以往所有基于数学模型的控制方法不同，智发电机励磁控制上的仿真结果表明，所设计的综合智能型电力系统稳定器具有良好的控制效果和更高的智能化水平，并且其设计过程更加合理，应用简便，在理论和实践两方面都更具潜力。
参考文献
[1] 景雷，叶鲁卿，周泰经.基于在线学习的水轮发电机组智能控制系统研究[J].电力系统自动化,1997,21(4).
[2] 文劲宇,程时杰.基于遗传算法的发电机模糊式综合励磁控制器的研究[J].中国电机工程学报,1998,18(2).
[3] 陈志刚,曹一家,陈德树,等.模糊式电力系统稳定器的研究[J].中国电机工程学报,1994,14(6).
[4] 于霞,宋凌锋,陈学允.改善模糊神经网络控制器性能的新方法——混合遗传算法[J].电机与控制学报,1999,3(2).
[5] Berenji H R,Khedkar P.Learning and tuning fuzzy logic controllers through reinforcements[J].IEEE Trans on Neural Networks,1992,3(5).
[6] 卢强,王仲鸿,韩英铎.输电系统最优控制[M].北京:科学出版社,1982.
|
网友评论：（只显示最新10条。评论内容只代表网友观点，与本站立场无关！）
