(完整word版)人工智能(AI)在電力系統(tǒng)中的應(yīng)用解讀

1、學(xué)院專業(yè)研究方向?qū)W生姓名學(xué)號任課教師姓名任課教師職稱人工智能（Al）在電力系統(tǒng)中的應(yīng)用20132013 年 6 6 月 2222 日1人工智能(Al)在電力系統(tǒng)中的應(yīng)用摘要人工智能 (Artificial Intelligence,簡稱 AI) 已在電力系統(tǒng)的應(yīng)用中獲得了健康的發(fā)展, 在較為成熟的技術(shù)如專家系統(tǒng)實(shí)用化的同時 , 進(jìn)行多種智能技術(shù)的研究和探索。 隨著我國 電力建設(shè)和電力市場競爭機(jī)制的引入不確定性因素和運(yùn)行復(fù)雜性的增加, 人工智能在電力系統(tǒng)中的應(yīng)用前景將更加廣闊。 分析了適于人工智能應(yīng)用的電力系統(tǒng)問題、 概括介紹了其中幾 種應(yīng)用廣泛的人工智能技術(shù)以及電力系統(tǒng)中的智能故障診斷最后指出

2、人工智能在電力系統(tǒng) 中的應(yīng)用發(fā)展趨勢和應(yīng)用前景關(guān)鍵詞 ：人工智能 專家系統(tǒng) 電力系統(tǒng) 應(yīng) 用引言電力系統(tǒng)是由發(fā)電設(shè)備、 變壓器、 輸配電線路和用電設(shè)備等很多單元組成的復(fù)雜的非線 性動態(tài)系統(tǒng)。人工智能技術(shù)被廣泛地應(yīng)用于求解非線性問題 , 較之于傳統(tǒng)方法有著不可替代的優(yōu) 勢。 目前國內(nèi)外已開發(fā)了多種人工智能工具， 包括專家系統(tǒng) (ES) 、人工神經(jīng)網(wǎng)絡(luò) (ANN) 模糊集 (FS) 和啟發(fā)式搜索(HS) 等開拓了其在電力系統(tǒng)中各個領(lǐng)域的應(yīng)用 。1、人工智能在電力系統(tǒng)中的應(yīng)用領(lǐng)域1.1電力系統(tǒng)的運(yùn)行與控制電力系統(tǒng)中分布著大量的自動控制和手動控制裝置，如繼電器、斷路器、隔離開關(guān)等， 由這些相對簡單的局

3、部控制的協(xié)同作用構(gòu)成整個電力系統(tǒng)復(fù)雜的實(shí)時控制。保護(hù) 實(shí)時控制有兩種形式，即離散和連續(xù)控制，繼電保護(hù)是一種普遍的離散控制分布于系 統(tǒng)的各個環(huán)節(jié)中，對系統(tǒng)狀態(tài)、 正?；蚴鹿实呐袛?，即狀態(tài)評估是實(shí)現(xiàn)保護(hù)動作的關(guān)鍵。由 于 AI 具有邏輯思維和快速處理能力它已成為在線狀態(tài)評估的重要工具 文獻(xiàn) 3 提出一種 基于規(guī)則的拓?fù)湔`差檢測算法， 效地運(yùn)用了操作員的經(jīng)驗(yàn)知識， 傅立葉變換和卡爾曼濾波技 術(shù)相比，用神經(jīng)網(wǎng)絡(luò)進(jìn)行電流電壓波形的特2征參數(shù)分析具有更好的實(shí)時性正確的保護(hù)設(shè)置依 賴于設(shè)備運(yùn)行對系統(tǒng)影響的整體性分析， 不開人類的啟發(fā)和邏輯判斷， 繼電保護(hù)設(shè)計(jì)中存在 著大量的模糊知識與方法。切負(fù)荷 是另一種離

4、散控制統(tǒng)元件的突然丟失，發(fā)電機(jī)因故障突然停機(jī)會造成系統(tǒng)容量的急 劇變化，負(fù)荷超出系統(tǒng)供應(yīng)容量，必須降低負(fù)荷以避免范圍的供電中斷。這時，通過對負(fù)荷 需求和系統(tǒng)行為的分析和啟發(fā)式知識來控制繼電器及時動作， 如果將故障后系統(tǒng)的暫態(tài)穩(wěn)定 問題用故障后系統(tǒng)微分方程的解來描述，則故障與暫態(tài)穩(wěn)定之間存在著某種數(shù)學(xué)映射， ANN 具有對函數(shù)映射逼近功能和并行處理能力。因而用 ANN 進(jìn)行電力系統(tǒng)的切負(fù)荷控制有著良 好的適應(yīng)性和實(shí)用性， 對輸入特征量的選取和獲得足以描述函數(shù)映射的樣本， 是用神經(jīng)網(wǎng)絡(luò) 進(jìn)行切負(fù)荷控制的關(guān)鍵問題 。勵磁控制 是控制發(fā)電機(jī)端電壓和無功功率的重要組成部分，重要的實(shí)時連續(xù)控制系統(tǒng)，對 維

5、持電力系統(tǒng)穩(wěn)定性起主要作用，完成該功能的部分又稱為電力系統(tǒng)穩(wěn)定器 (PPS) 。于大 容量機(jī)組的投入和快速勵磁系統(tǒng)的應(yīng)用， 系統(tǒng)的動態(tài)穩(wěn)定性問題愈來愈突出， 如將模糊集理 論用于勵磁控制系統(tǒng) 較傳統(tǒng)基于線。1.2電力系統(tǒng)的管理和規(guī)劃能源管理系統(tǒng) (EMS) 在現(xiàn)代電力系統(tǒng)中的作用越來越突出， 全系統(tǒng)的數(shù)據(jù)通過 SCADA 傳給EMS 控制信號由 EMS 傳給各元件，整個過程要做到同步進(jìn)行，這要求EMS 具有對大量信息的實(shí)時處理能力， 并且能在正常和事故情況下及時、 正確地作出控制決策， 監(jiān)測與診斷是 EMS 的重要功能， AI 在狀態(tài)監(jiān)測與故障診斷領(lǐng)域發(fā)揮著重要的作用，國內(nèi)外已開發(fā)出多種 基于

6、專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的診斷策略 。自動發(fā)電控制 ( AGC) 是互聯(lián)電力系統(tǒng)運(yùn)行中的集中化實(shí)時計(jì)算機(jī)控制功能保持系統(tǒng)出力和系統(tǒng)負(fù)荷相匹配， 通過控制互聯(lián)系統(tǒng)之間的能源交換， 實(shí)現(xiàn)機(jī)組 電廠間的負(fù)荷經(jīng)濟(jì)分配。 由于工業(yè)負(fù)荷的高度變化性，采用常規(guī)的控制方法存在較大的局限，如采用Kohonen 自組織神經(jīng)網(wǎng)絡(luò)進(jìn)行可控信號的模式識別只對長期擾動響應(yīng)，有效地提高了AGC 控制質(zhì)量 。安全評價 電力系統(tǒng)中經(jīng)?？赡艹霈F(xiàn)的各種干擾和事故，如設(shè)備的損壞、自然現(xiàn)象的影響、 人為的失誤和破壞等， 其中很多原因是無法預(yù)測和控制的。 因此， 對電力系統(tǒng)在干擾或事故 下的承受能力的評判， 即安全評價是十分必要的。 神經(jīng)網(wǎng)絡(luò)

7、作為安全評估的重要手段獲得了3很大發(fā)展，應(yīng)用于系統(tǒng)的靜態(tài)穩(wěn)定性和動態(tài)穩(wěn)定性分析安全評價領(lǐng)域普遍采用的方法是仿 真，即模擬預(yù)想事故下系統(tǒng)的靜態(tài)和暫態(tài)響應(yīng)預(yù)想事故的篩選是個難點(diǎn)， 往往需依賴運(yùn)行人 員的經(jīng)驗(yàn)， AI 作為預(yù)想事故篩選工具具有廣闊的前景，如基于規(guī)則的專家系統(tǒng)和 Kohonen 自組織神經(jīng)網(wǎng)絡(luò)應(yīng)用于預(yù)想事故的篩選， 既可有效結(jié)合運(yùn)行人員的經(jīng)驗(yàn)， 又有篩選速度快的 優(yōu)點(diǎn)?；謴?fù) 故障后的系統(tǒng)恢復(fù)是個有次序的協(xié)調(diào)過程，即在最短時間內(nèi)將斷開的系統(tǒng)重新配置， 平穩(wěn)地恢復(fù)供電， 不恰當(dāng)?shù)幕謴?fù)順序可能會引起新的事故。 正確的恢復(fù)動作關(guān)鍵在于恢復(fù)次 序的選擇， 應(yīng)用啟發(fā)式搜索則可以有效地減少搜索空間，

8、 智能化的恢復(fù)技術(shù)是電力系統(tǒng)中的 重要研究方向之一， 如綜合智能式恢復(fù)專家系統(tǒng)結(jié)合了啟發(fā)式搜索、 遺傳算法和模糊集理論， 作了有益的探索。負(fù)荷預(yù)測 是電力規(guī)劃的重要內(nèi)容和基礎(chǔ)，由于包括天氣變量在內(nèi)的各種因素和實(shí)際負(fù)荷之 間存在非常復(fù)雜的非線性關(guān)系， 負(fù)荷預(yù)測具有很大的難度， 在傳統(tǒng)統(tǒng)計(jì)分析方法之外， 逐漸 興起了人工智能的預(yù)測技術(shù) 主要是專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò) 由于神經(jīng)網(wǎng)絡(luò)適合解決時間序列 預(yù)報， 尤其是平穩(wěn)過渡過程預(yù)報， 問題一經(jīng)引入電力系統(tǒng)， 負(fù)荷預(yù)測便成為其應(yīng)用的一個主 要領(lǐng)域 。2、電力系統(tǒng)中的智能故障診斷2.1專家系統(tǒng)診斷專家系統(tǒng)是應(yīng)用大量人類專家的知識和推理方法求解復(fù)雜實(shí)際問題的一種人

9、工智能計(jì) 算機(jī)程序。一般包括知識庫、數(shù)據(jù)庫、推理機(jī)、接口及知識庫管理系統(tǒng)、 解釋系統(tǒng)等。2.2人工神經(jīng)網(wǎng)絡(luò)診斷人工神經(jīng)網(wǎng)絡(luò)以其大規(guī)模并行處理能力， 適應(yīng)學(xué)習(xí)能力、 分布式信息存儲、 魯棒性、容 錯性和推廣能力等特點(diǎn)在故障檢測和診斷領(lǐng)域受到廣泛重視。2.3模式識別診斷模式識別診斷是將系統(tǒng)的工作流程經(jīng)過仿真和分析 ,加上人的經(jīng)驗(yàn) , 建成各種故障模式 , 并根據(jù)測量信息 , 確定系統(tǒng)屬于哪種模式 , 從而檢測和分離故障。2.4故障樹分析法故障樹分析法是一種自上而下逐層展開的演繹分析法。 他以系統(tǒng)或設(shè)備最不發(fā)生的故障 為頂層事件 , 向下逐層查出導(dǎo)致該事件發(fā)生的全部原因, 以一種特殊的倒立樹狀邏輯因

10、果關(guān)系圖即故障樹 ）, 表示事件的邏輯關(guān)系 , 并進(jìn)行定性、定量的安全性和可靠性分析。2.5模糊診斷4模糊概念是內(nèi)涵確定而外延不確定的概念 ,如 : / 電壓過大 0 , / 電機(jī)過熱 0 等。 正是由于這些模糊知識及故障診斷3 、主要的應(yīng)用方法3.1專家系統(tǒng) （ES） 的應(yīng)用專家系統(tǒng)是在某一領(lǐng)域內(nèi)具有專家經(jīng)驗(yàn)和知識的計(jì)算機(jī)程序 , 并能像人類專家那樣運(yùn)用 這些知識 ,通過推理作出決策。 一個典型的專家系統(tǒng)由 4 部分組成 : 知識庫、推理機(jī)、 知識 獲取機(jī)制和人機(jī)界面。專家系統(tǒng)已成為在電力系統(tǒng)中應(yīng)用最為成熟的人工智能技術(shù)。 國內(nèi) 外已發(fā)展了多種專家系統(tǒng) , 應(yīng)用于電力系統(tǒng)的不同領(lǐng)域 : 監(jiān)測

11、與診斷、 電網(wǎng)調(diào)度、 預(yù)想事 故篩選、 系統(tǒng)恢復(fù)。 尤其是監(jiān)測與故障診斷已成為 ES 在電力系統(tǒng)最重要的應(yīng)用領(lǐng)域。 根 據(jù)存儲知識的不同方式 , 可將專家系統(tǒng)分為不同形式 , 即基于淺知識 （ 經(jīng)驗(yàn)知識 ） 、 規(guī)則、 決策樹、 模型等專家系統(tǒng) , 以及面向?qū)ο蟮膶＜蚁到y(tǒng)。 基于模型的知識表示方式 適合于實(shí)時處理 , 與其他方法如基于規(guī)則 （ 假設(shè) ） 或啟發(fā)的推理方式相比更快速、簡單 和易于維護(hù)。專家系統(tǒng)在輸電網(wǎng) 絡(luò)故障診斷中的典型應(yīng)用 是基于產(chǎn)生式規(guī)則的系統(tǒng) , 即 把保護(hù)、斷路器的動作邏輯以及運(yùn)行人員的診斷經(jīng)驗(yàn)用規(guī)則表示出來 , 形成故障診斷專家 系統(tǒng)的知識庫 , 進(jìn)而根據(jù)報警信息對知識

12、庫進(jìn)行推理 , 獲得故障診斷的結(jié)論。 基于產(chǎn)生 式規(guī)則的故障診斷專家系統(tǒng)得以廣泛應(yīng)用主要是由故障診斷和基于產(chǎn)生式規(guī)則的專家系統(tǒng) 的特點(diǎn)所決定的。 輸電網(wǎng)絡(luò)中保護(hù)的動作邏輯一級保護(hù)與斷路器之間的關(guān)系易于用直觀的、 模塊化的規(guī)則表示出來 ; 基于產(chǎn)生式規(guī)則的專家系統(tǒng)允許增加、 刪除或修改一些規(guī)則 , 以 確保診斷系統(tǒng)的實(shí)時性和有效性 ; 能夠在一定程度上解決不確定性問題 ;能夠給出符合 人類語言習(xí)慣的結(jié)論并具有相應(yīng)的解釋能力等。 此外 , 框架法專家系統(tǒng)善于表達(dá)具有分類 結(jié)構(gòu)的知識 , 能夠比較清楚地表達(dá)事物之間的相關(guān)性 , 可以簡化繼承性知識的表述和存 儲 , 在輸電網(wǎng)絡(luò)報警信息處理和故障診斷中

13、也有少量應(yīng)用。雖然專家系統(tǒng)能夠有效地模擬 故障診斷專家完成故障診斷的過程 , 但是在實(shí)際應(yīng)用中仍存在一定缺陷 , 其主要問題是知識獲取的瓶頸問題、 知識難以維護(hù) , 以及不能有效地解決故障診斷中許多不確定因 這些問題大大影響了故障診斷的準(zhǔn)確性。3.2人工神經(jīng)網(wǎng)絡(luò) (ANN) 的應(yīng)用人工神經(jīng)網(wǎng)絡(luò) (ANN) 是模擬人腦組織結(jié)構(gòu)和人類認(rèn)知過程的信息處理系統(tǒng) , 自 1943 年首次提出以來 , 已迅速發(fā)展成為與專家系統(tǒng)并列的人工智能技術(shù)的另 一個重要分支。 他以其諸多優(yōu)點(diǎn) , 如并行分布處理、 自適應(yīng)、 聯(lián)想記憶等 , 在智能故障診斷中受到越來越 廣泛的重視 , 而且已顯示出巨大的潛5力 , 并為

14、智能故障診斷的研究開辟了 一條新途徑。 應(yīng)用 ANN 技術(shù)實(shí)現(xiàn)故障診斷不同于 ES 診斷方法。ANN 方法通過現(xiàn)場大量的標(biāo)準(zhǔn)樣本學(xué)習(xí) 與訓(xùn)練，不斷調(diào) ANN 中的連接權(quán)和閾值，使獲取的知識隱式分布在整個網(wǎng)絡(luò)上，并實(shí)ANN 的模式記憶。 因 此 ANN 具有強(qiáng)大的知識獲取能力 , 并能有效地處理含噪聲數(shù)據(jù) , 彌補(bǔ)了 ES 方法的不足。 采用多個人工神經(jīng)元網(wǎng)絡(luò)實(shí)現(xiàn)故障診斷，每個 ANN 負(fù)責(zé)系統(tǒng)中 一部分的診斷。 由 于神經(jīng)網(wǎng)絡(luò)的快速并行處理能力和良好的分類能力，被廣泛地應(yīng)用于 電力系統(tǒng)的實(shí)時控制、 監(jiān)測與診斷、 短期和長期負(fù)荷預(yù)測、 狀態(tài)評估等諸多領(lǐng)域，而基于 神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測技術(shù)已成為人工

15、智能在電力系統(tǒng)最為成功的應(yīng)用之一。3.3模糊集理論 (Fuzzy Sets Theory)在故障診斷中，故障與征兆之間 的關(guān)系往往是模糊的，這種模糊性即來自故障與征 兆之間 關(guān)系的不確定性，又來自故障與征兆在概念描述上的不精確性，因而診斷結(jié)果也 必然是模糊的，解決模糊診斷問題的傳統(tǒng)方法一般根據(jù)專家經(jīng)驗(yàn)在故障征兆空間與故障原因 空間之間建立模糊關(guān)系矩陣。 常用的方法是將各條模糊推理規(guī)則產(chǎn)生的3.4啟發(fā)式搜索遺傳算法 (GA) 和模擬退火 (SA) 算法是近年來逐漸興起的兩種啟發(fā)式搜索通過隨機(jī) 產(chǎn)生新的解并保留其中較好的結(jié)果 并避免陷入局部最小 以求得全局最優(yōu)解或近似最優(yōu)解 GA 是由數(shù)字串的集合

16、表示優(yōu)化問題的解 通過遺傳算子 即選擇 雜交和變異的操作對數(shù)字 串尋優(yōu) SA 在已知解的鄰近區(qū)域產(chǎn)生新的解并逐漸縮小鄰近區(qū)域的大小直到逼近全局的最優(yōu)解 兩種方法都可以用來求解任意目標(biāo)函數(shù)和約束的最優(yōu)化問題在能源工程 經(jīng)濟(jì)電力等領(lǐng)域都取得了令人滿意的結(jié)果遺傳算法是基于自然選擇和遺傳機(jī)制的搜索算法對優(yōu)化設(shè)計(jì)的要求較少 對目標(biāo)函數(shù)既不要求可微 又不要求連續(xù) 僅要求問題是可計(jì)算的 且其搜索始 終遍及整個解空間 可有效避免常規(guī)數(shù)學(xué)方法的組合 爆炸 問題和局部最小解 具有很強(qiáng)的 實(shí)用價值目前 應(yīng)用啟發(fā)式搜索仍有很多待解決的問題 如搜尋終止標(biāo)準(zhǔn)的選擇 終止過快易偏離最優(yōu)解 不及時停止則會導(dǎo)致過度計(jì)算而并不

17、能提高解的質(zhì)量 GA 中遺傳因子和 SA 中冷卻速率的選擇是影響算法性能的關(guān)鍵因素。 必須 適當(dāng)調(diào)整，否則可能得到局部最優(yōu)解64、 AI 在電力系統(tǒng)中的發(fā)展趨勢混合智能 目前 人工智能中的 4 種主要工具 專家系統(tǒng) ANN 模糊集理論和啟發(fā)式搜索 各有優(yōu)點(diǎn)和局限 缺少一種普遍有效的方法應(yīng)用于電力系統(tǒng)的各個領(lǐng)域 混合智能即綜合多 種智能技術(shù) 成為 AI 的重要發(fā)展方向之一 。分布式人工智能 DAI 技術(shù)是 80 年代發(fā)展起 來的人工智能研究的一個分支，是伴隨著并行分布式計(jì)算的發(fā)展而產(chǎn)生的包括分布式問題求解 (DPS) 并行人工智能 (PAI) 多代理 (Multi-agent) 等內(nèi)容 DAI

18、在電力系統(tǒng)中的應(yīng) 用目前主要集中于運(yùn)用多代理技術(shù)對神經(jīng)網(wǎng)絡(luò)本身結(jié)構(gòu)和算法的改進(jìn)也是A 在發(fā)展中的重要任務(wù) 近年來 橢球單元神經(jīng)網(wǎng)絡(luò)的提出為故障診斷領(lǐng)域開拓了新的方向與經(jīng)典 BP 網(wǎng)絡(luò) 相比 橢球單元網(wǎng)絡(luò)具有泛化有界 拒絕性能好等優(yōu)點(diǎn) 故障分類精度高尤其在多故障同時性 的診斷中 較 BP 網(wǎng)絡(luò)有更好的模式識別能力5、結(jié)語人工智能技術(shù)在電力系統(tǒng)的應(yīng)用中已經(jīng)獲得了良好的發(fā)展。 然而在我國 , 人工智能技 術(shù)在電力系統(tǒng)中的應(yīng)用研究才剛剛開始。 隨著我國電力系統(tǒng)的持續(xù)發(fā)展 , 電力系統(tǒng)數(shù)據(jù)總量 的不斷增加 , 管理上復(fù)雜程度的大幅度增長， 以及市場競爭的影響和加大 , 為人工智能技術(shù) 在電力系統(tǒng)的應(yīng)用提供了廣闊前景。 可以預(yù)見 , 加強(qiáng)智能科學(xué)在電網(wǎng)中的科研和應(yīng)用 , 將能 更好的保證電網(wǎng)安全穩(wěn)定經(jīng)濟(jì)運(yùn)行。7參考文獻(xiàn)1、張梓奇、蘇健祥，人工智能技術(shù)在電力系統(tǒng)中的應(yīng)用探討，科技資訊，20072、BRoberts on, G Romero, J Sin gh. Tods and Hearistic operatio n of n et