提　要　本文综述了近年来神经网络、模糊理论、专家系统及综合智能技术在电力系统稳定、励磁及调速系统控制、静止无功补偿、发电机的稳定控制、安全性评估、多机系统暂态稳定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　　自动控制　　智能控制

1　引言
　　由于电力系统的特点，除了线性最优控制、自适应控制，变结构控制，H\-∞鲁棒控制、微分几何控制等控制手外，智能控制技术中的各种控制手段也因具有一定的“智能”特性，如可以引入专家的经验知识、能够处理不确定性问题、具有自学习的能力、适于处理非线性问题等，在电力系统中也得到了广泛的关注，获得了大量的研究成果，成为电力系统研究中一个重要的研究领域。本文介绍了神经网络理论、模糊集理论、专家系统及综合智能控制的基本方法及在电力系统中的应用，并提出了若干需要解决的问题。

2　人工神经网络在电力系统中的应用
　　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、强鲁棒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，负荷预报，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[1～2]。
　　神经网络是由大量简单的神经元以一定的方式连接而成的。单个神经元的作用是实现输入到输出的一个非线性函数关系，它们之间广泛的连接组合就使得整个神经网络具有了复杂的非线性特性。神经网络将大量的信息隐含在其连接权值上，根据一定的学习算法调节权值，使神经网络实现从m维空间到n维空间复杂的非线性映射。目前神经网络理论研究主要集中在以下几个方面：1)神经网络模型及结构的研究。即研究新的神经元模型与网络结构以实现更为贴近人脑及更完善的智能功能，以及对现有模型进行进一步的理论分析。2)神经网络学习算法的研究。这主要解决某些神经网络训练过程中学习算法速度太慢，而且可能陷入局部极小的问题。3)神经网络的硬件实现问题。因为只有通过硬件实现才能体现出神经网络并行处理的特点，并最终应用于实际系统当中，因此研究神经网络的硬件实现也是一个十分重要的研究方向。目前的研究主要集中在神经网络的微电子或光学实现上。
　　电力负荷预报是神经网络应用于电力系统最早也是研究得最多的一个重要课题，有的研究成果已达到了实用阶段。文献[3]将负荷与天气变量的关系特性分成周、日、时三个模型，每一个部分都进一步地分解为更为基本的部分并用神经网络来建模。也就是说，整个神经网络短期负荷预报器包括三部分，每个部分独立地产生自己的预报，最后再通过自适应滤波器将它们结合起来产生最终的预报。这里采用的是三层BP网络，并在预测过程中自适应地调节权值，以使预测基于最新的负荷信息，得到更精确的结果。目前这个系统已在美国的20多家电力公司得到了应用。此外，系统负荷过重导致的电压稳定问题一直是电力公司关心的主要问题。文献[4]报道了用人工神经网络在电压稳定评估中应用的研究，建议在电压稳定裕度计算中采用带误差反向传播学习功能的多层人工神经网络。通过ANN在能量法的基础上直接给出系统负载状态与电压稳定裕度之间的关系，用灵敏度分析开发一种选择ANN输入变量的系统方法。根据灵敏度分析系统运行状态分成几个负荷等级以研究ANN训练模式灵敏度问题。这种ANN方法的全面试验表明其用在电力系统电压稳定评估中的能力，文中报道了在五个试验系统上的仿真结果。电力系统负荷的动态特性是获得运行点预测和较好的稳定性计算结果的关键。但负荷母线上的各分量的构成使其总体特性十分复杂，难以用简单的形式表示。文献[5]利用神经网络的拟合理论设计了描述负荷复杂动态特性的负荷模型，用实际的现场数据训练并验证了模型的有效性。结果表明，该模型可准确仿真负荷动态特性，因此可在稳定性分析中用以显示负荷。对于电力系统的非线性控制，采用一般的基于某一工作点线性化的方法往往难以满足较高的控制要求。由于神经网络易于描述传统法难以建模的系统或过程，并在构成一定的系统结构后对其实施控制，因此利用神经网络可能是一条解决复杂非线性系统控制问题的有效途径。文献[6]用BP网络以及模型理论根据系统运行状态的变化调整最优控制的增益，进而修改模型规则，并最终实现发电机的稳定控制。仿真结果表明其在系统运行点发生变化时鲁棒性要优于最优控制方法。文献[7]构造了含有两个ANN的汽轮发电机的自适应控制器，其中一个用于在线辨识，另一个用来实时控制，但不足之处是ANN需要离线地进行训练。由于神经网络具有并行处理的特点，因而它较之大规模电力系统中一些计算量较大，用于实时经济调度还有困难的基于数学规划技术的优化理论具有一定的优越性。但目前在实施中仍主要通过串行的模拟来进行，其优势的体现尚需依赖神经网络硬件的进一步发展。文献[8]用Hopfield连续ANN模型进行最优潮流计算，它首先将最优潮流问题表示为顺序的二次规划问题，然后用ANN求解。文章还探讨了解的可行性与Hopfield连续ANN模型的能量函数中的参数取值之间的关系。文献[9]介绍了一种用Hopfield网络解决具有分段二次成本函数的经济电力调度问题的新方法。传统上每一个发电机假设为一个成本凸面函数，然而将成本函数表示为分段二次函数比凸面函数更为实际，因此在该项研究中每台机组都采用了多交叉成本函数。实例研究表明了Hopfield神经网络用于解决具有通用成本非凸面函数经济负荷调度问题的可能性。文中所提的方法相当简单，其结果非常接近应用数字方法所得的结果。
　　目前在神经网络训练算法上已有一些能克服局部极小以及使收敛速度加快的算法，如模拟退火算法，遗传算法，同伦算法以及扩展卡尔曼滤波算法，EM算法，高斯-牛顿算法等。但这些方法仍未达到最优、快速、通用与简洁的统一。另外，神经网络的并行处理和信息分布存储的机制还不十分清楚，如何选择合理的网络结构还没有充分的理论依据。所有这些都有待于对神经网络基本理论进行深入的研究，以形成完善的理论体系创造出更适合于实际应用的新型神经网络及学习算法。
　　总的来讲，神经网络在电力系统中的应用还是十分初步的，有很多具有特色的神经网络模型结构与算法在电力系统中还没有得到应用，随着对ANN理论的进一步研究，今后其在电力系统中的应用前景是十分广阔的。

3　模型集理论在电力系统中的应用
　　电力系统的模型集方法就是利用模糊经验知识来解决电力系统的一类模型问题。从Zaden L.A.1965年发表Fuzzy Sets[10]后，模糊集理论作为一门崭新的学科发展非常迅速，应用非常广泛，尤其在需要描绘人类的经验进行判断决策等领域，其应用甚至已超过了理论的发展。国外学者对电力系统模型问题的研究起步较早，我国王平洋教授于1985年发表了《概说模糊集及模糊系统在电力工业中的应用》[11]，从此国内学者也开始将模糊集理论应用于电力系统[12,13]。近年来，模糊集理论在电力系统中应用的论文不断增加，并已取得了令人鼓舞的研究成果，这显示了模糊集理论在解决电力系统问题上的潜力，因此在这个领域做更多的研究工作是十分有必要的。
　　电力系统涉及的模糊集理论主要包括模糊模式识别，模糊规则以及模糊控制等。其中模糊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控制方法，它适于解决因过程本身的不确定性、不精确性以及噪声而带来的困难。它的控制形式简单，易于实现，其控制效果取决于能否将控制经验归纳为一系列的语言控制规则。目前设计模糊控制器应用得最广泛的方法是基于模糊控制表的设计方法，这种方法把人们的控制经验归纳为用定性描述的一组条件语句，用模糊集理论将其定量化，使控制器能够模仿人的操作策略。系统的状态反馈和控制输出量被离散化成几个区段，应用控制规则，通过模糊推理，采用离线计算的方法形成控制表，在线工作时进行查表操作。
　　模糊控制主要包括模糊化、模糊推理与模糊判决三部分。其中模糊化将精确测量值转换为模糊语言，用模糊集表示实测的输入集。模糊推理根据已知的控制规则和数据，由已知的模糊输入量推导出相应的模糊控制输出，它是模糊控制器的核心。模糊判决实现由控制输出模糊量到精确量的转换，以得出用于控制的精确输出值。通常的模糊判决所采用的方法有最大隶属度方法，中位数判决方法和加权平均法等。其中用到的知识库由数据库和规则库两部分组成，数据库包括了用于设计模糊控制器所需的各种原始数据，规则库综合了实际工作中的运行操作经验。
　　由于电力系统十分庞大复杂，因而模糊集理论在电力系统中有着广泛的应用背景，在规则、运行、控制及诊断等领域都取得了十分丰富的研究成果。为了提高电力系统的动态稳定性，避开传统方法依赖电力系统详细的数学模型、鲁棒性较差以及自适应控制中计算时间较长实现相对困难等不足，在电力系统稳定控制中引入了模糊控制。文献[14]介绍了采用模糊逻辑制动电阻器的新式投切控制系统，以保证系统的全面稳定。此外，为了达到更宽的稳定域，该文也顾及到同静止无功补偿器(SVC)的配合问题。其中的制动电阻器装在发电机的一条母线上，在这里测量发电机的有效功率输出，以确定晶闸管开关的触发角。它的投切控制系统很简单，不要求象微机投切控制器那样有大量计算。另外它在输电系统的一条母线上安装有SVC，SVC的切换由一个与制动电阻器类似的模糊逻辑控制电路完成。仿真结果表明了该模糊逻辑投切控制系统的有效性。文献[15]提出一种串联电抗器投切的模糊逻辑控制器以抑制电力系统机电振荡。该文建立了一组控制规则，并由模糊逻辑推理提供了结果。该控制器根据一个简单电力系统实测的动态特性和关于系统动态特性的一般工程知识建立了控制器的知识库。系统的性能是鲁棒的且可与最小时间优化控制器相比。文献[16]提出一种用于电力系统安全性评估的既简单快速又有效可靠的方法。这种方法基于模式识别和模糊估算技术，以所存储的类似运行工况的知识为依据来识别电力系统运行工况的安全状态。这种方法能把系统运行工况分为安全和非安全两种状态。在不安全状态下，它提供可能引起非安全状态相关事件的信息。把这些有关电力系统运行工况模式的知识按相似模式分组并用层树形结构排列，存入一个结构存储器，这就能对邻近的输入模式在两种水平上，进行快速查寻。应用模糊估算技术确定输入模式的安全状态，不仅可提供一个非常可靠的安全分类，而且还可根据这种模糊集的关系，定量分析安全分类的可信度。文章给出了表示这一方法特征的数值结果。此外，模糊集理论在变压器、电网及发电机状态的监测及诊断、电力系统的负荷预报、状态估计、决策支持以及多目标决策、VAR控制、负荷管理等方面也有一些研究报告。
　　模糊技术适于处理一些不确定性问题，宜于实现知识的抽取和表达，但它也存在着自学习能力差，模糊建模困难等不足。其中较有前途的解决办法是将模糊控制与其它控制手段结合起来。随着对模糊集理论研究的进一步深入，相信一些不成熟的方面会得到完善，一些研究成果会逐步实用化。有关自组织模糊控制与模糊神经网络方面的研究工作将在本文的第10部分作简单论述。

4　专家系统在电力系统中的应用
　　电力系统的规划、运行和控制目前主要是由有经验的规划人员和调度人员籍助于自动化技术完成的。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。另一方面由于电力系统自身的复杂性，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，因此引入电力专家的经验知识是十分必要的。虽然专家系统的研究与应用已有相当长的历史，但迄今为止对专家系统仍没有严格的定义。一般认为专家系统是一个具有大量专门知识的智能程序，它应用人工智能技术，根据一个或多个人类专家提供的特殊领域知识进行推理，模拟人类专家作出决定的过程，它解决那些需要专家解决的复杂问题，提供专家水平的解答。
　　国际大电网会议(CIGRE)组织过四次调查工作，以调查专家系统技术在电力系统中的应用现状、发展潜力及有关经验与教训。调查结果一方面反映出专家系统技术已应用于电力系统中的各个方面，有些已投入实际运行，另一方面也反映出专家系统在电力系统中的应用还没有进入成熟阶段，还有很多问题需要解决[17～19]。94年召开的国际大电网会议认为专家系统的应用是一个应当肯定的趋势[20]，具有很大的潜力，特别是在有很多不确定因素和要求快速决策的场合。因此，有必要对专家系统在电力系统中的应用进行进一步的研究。
　　专家系统的工作方式是运用专家知识进行推理。它由知识获取、知识库、推理机、解释部分等部分组成。其中知识库用来存贮专家的经验、知识以及现有该领域的知识，其是否完善决定了该专家系统性能。知识库中知识的更新与完善通过知识获取部分完成，这是专家系统的瓶颈，这主要是由于完全理解专家的决策过程并以合理的方式描述出来是十分困难的。目前在这个方面做了大量工作，但仍未很好地解决这一问题。推理机用来控制、协调整个专家系统的工作。它根据当前的输入信息，利用知识库中的知识进行推理，以得到一个合理的输出，并最终通过解释部分来解释推理结果，回答用户的问题。
　　专家系统在电力系统中的应用范围很广，包括对电力系统处于警告状态或紧急状态的辨识，提供紧急处理，系统恢复控制，非常慢的状态转换分析，切负荷，系统规划，电压无功控制，故障点的隔离，配电系统自动化，调度员培训，电力系统的短期负荷预报，静态与动态安全分析，以及先进的人机接口等方面[21]。
　　文献[22]介绍了一种辅助运行人员无功调度以改善电压特性并使功率损耗最小的综合方法。该方法利用数值法(常规法)和启发式方法(专家系统)的优势，求取实际的控制变量(平滑的及离散的)，从而有效地用于解决电压偏移或减小功率损失。根据电压对控制变量、电流电压曲线和备用边际的灵敏度可测定该方法的有效性。文中还示出并讨论了最新控制中心综合系统的详细情况以及某些实际结果。文献[23]开发出用于电力系统网络电压控制的专家决策支持系统。采用集中控制策略，通过适当调节P-V母线电压、变压器抽头和并联电容器及电抗器修正电网中任一恶化的电压状况。根据这些控制措施对受影响母线的灵敏度及其可得的控制裕度选择正确的控制步骤。文中将该方法与Wagner分散控制法进行了比较。试验结果表明，该方法比分散控制法更准确，所需要的控制步骤更少。文献[24]用灵敏度分析法开发了一种电力系统恢复方法。在停电地区恢复计划中采用启发式规则，上述规则可分为潮流控制规则、充电规则和线路切合操作规则。这些网络的切合操作不仅改变网络拓扑，同时也改变电力系统的状态。通过分析线路功率变化对线路切合操作和甩负荷的灵敏度来确定减轻过负荷的切合操作。该文将变电站中的每一条馈电线路的功率作为一组功率处理，因此用该项研究中提出的方法可减少甩负荷的总量。文献[25]介绍专家系统在架空导线短时耐热等级和温升评估中的应用。该专家系统的开发基于一个数据库和Leonardo专家系统框架，用新开发的专家系统所得结果与现场试验结果十分吻合。
　　虽然专家系统在电力系统中得到了广泛的应用，但仍存在一定的局限性，如难以模仿电力专家的创造性；只采用了浅层知识而缺乏功能理解的深层适应；缺乏有效的学习机构，对付新情况的能力有限；知识库的验证困难；对复杂的问题缺少好的分析和组织工具等。因此，在开发专家系统方面应注意专家系统的代价/效益分析方法问题，专家系统软件的有效性和试验问题，知识获取问题，专家系统与其他常规计算工具相结合等问题。　　

5　综合智能控制在电力系统中的应用
　　前面介绍的各种控制手段并非都十分完善，而有着各自的长处与不足。每种控制方法虽然能在某些方面某种程度上提高控制系统的性能，但往往会在控制设计或控制过程中有一些难以解决的问题。如何将这些控制方法结合起来形成一种综合的智能控制，使综合的智能控制系统能够体现出各种控制方法的优势而尽量避免各自的不足，目前已成为研究人员所关注的问题。综合智能控制一方面包含了智能控制与现代控制方法的结合，如模糊变结构控制，自适应或自组织模糊
控制，自适应神经网络控制，神经网络变结构控制等。另一方面包含了各种智能控制方法之间的交叉结合，如专家模糊控制，模糊神经网络控制，专家神经网络控制等。对电力系统这样一个复杂的大系统来讲，综合智能控制更有巨大的应用潜力。现在在电力系统中研究得较多的有神经网络与专家系统的结合，专家系统与模糊控制的结合，神经网络与模糊控制的结合，神经网络、模糊控制与自适应控制的结合等方面。
　　模糊控制与神经网络控制都是典型的智能控制方法，虽然二者在概念、内涵上有着明显的不同，但由于二者之间的互补性，因而将二者结合起来成为目前综合智能控制的一个研究热点。它们的相似之处在于都侧重于处理实际中由不确定性、不精确性引起的系统控制问题，而差别在于神经网络对于知识的抽取和表达比较困难，而模糊信息处理方法却擅于模仿人的经验处理一些不确定信息；另一方面，模糊系统很难从样本中直接学习规则，且在模糊推理中会增加模糊性，神经网络却有较强的学习能力，而可以利用联想记忆而降低模糊性。神经网络适合于处理非结构化信息，而模糊系统对处理结构化的知识更有效。因此，模糊逻辑和人工神经网络的结合有良好的技术基础。这两种技术从不同角度服务于智能系统，人工神经网络主要应用在低层的计算方法上，模糊逻辑则用以处理非统计性的不确定性问题，是高层次(语义层或语言层)的推理，这两种技术正好起互补作用。神经网络把感知器送来的大量数据进行安排和解释，而模糊逻辑则提供应用和挖掘潜力的框架。因此将二者结合起来的研究成果较多。
　　文献[26]提出了一种基于神经网络自组织模糊控制器的多机系统暂态稳定控制。这种控制方法将模糊控制的隶属函数及控制规则隐含在多层神经网络中，并且在控制训练中进行动态调整，这样就使得传统的模糊控制具有了一定的自组织的特性，从而提高了系统的适应性、鲁棒性，同时节省了大量的规则匹配时间，具有更好的控制效果。文献[27]介绍混合式模糊神经技术的实现及用于负荷预测的结果。这种技术由神经网络模拟和用于电负荷预测的模糊逻辑及模糊集理论构成。其突出特点是能够准确预测工作日以及周末、公共假日和假日前后的负荷。此外，用模糊逻辑能够有效处理特殊事件所引起的负荷变化。该模糊神经网已根据实际数据做了广泛的预测结果。工作日平均误差为0.62%，周六为0.83%，周日和公共假日为1.17%。该方法可避免复杂的数学计算及根据多年的数据进行培训，因此易于在个人计算机上实现。知识获取是发展专家系统最困难的一步，目前的研究动向是利用人工神经网络的学习功能来获取知识[28～29]，构成专家系统与人工神经网络的一体化系统。但目前的研究还只是初步的，提出的一些方法大都是针对具体问题，通用、系统的方法还不没有形成。文献[30]提出了联合采用专家系统和人工神经网络求解短期机组最优组合问题的方法。它首先用神经网络建立起负荷与机组组合状态的映射，即进行负荷匹配，然后用

[1] [2] 下一页