人工智能AI在電力系統(tǒng)中的應(yīng)用解讀

1、人工智能（Al）在電力系統(tǒng)中的應(yīng)用學(xué)院專業(yè)研究方向?qū)W生姓名學(xué)號(hào)任課教師姓名任課教師職稱2013年6月22日人工智能（Al）在電力系統(tǒng)中的應(yīng)用13摘要人工智能 (Artificial Intelligence,簡(jiǎn)稱 AI） 已在電力系統(tǒng)的應(yīng)用中獲得了健康的發(fā), 人工智能在電力系展, 在較為成熟的技術(shù)如專家系統(tǒng)實(shí)用化的同時(shí),進(jìn)行多種智能技術(shù)的研究和探索。 隨著我國(guó) 電力建設(shè)和電力市場(chǎng)競(jìng)爭(zhēng)機(jī)制的引入不確定性因素和運(yùn)行復(fù)雜性的增加 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人工智能在電力系統(tǒng)中的應(yīng)用

2、發(fā)展趨勢(shì)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(dòng)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(shì)。 目前國(guó)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(gè)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(dòng)控制和手動(dòng)控制裝置，如繼電器、斷路器、隔離開關(guān)等， 由這些相對(duì)簡(jiǎn)單的局部控制的協(xié)同作用構(gòu)成整個(gè)電力系統(tǒng)復(fù)雜

3、的實(shí)時(shí)控制。保護(hù) 實(shí)時(shí)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(gè)環(huán)節(jié)中，對(duì)系統(tǒng)狀態(tài)、 正?；蚴鹿实呐袛?，即狀態(tài)評(píng)估是實(shí)現(xiàn)保護(hù)動(dòng)作的關(guān)鍵。由文獻(xiàn) 3 提出一種于 AI 具有邏輯思維和快速處理能力它已成為在線狀態(tài)評(píng)估的重要工具 基于規(guī)則的拓?fù)湔`差檢測(cè)算法， 效地運(yùn)用了操作員的經(jīng)驗(yàn)知識(shí)， 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征參數(shù)分析具有更好的實(shí)時(shí)性正確的保護(hù)設(shè)置依賴于設(shè)備運(yùn)行對(duì)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(shí)與方法。切負(fù)荷 是另一種離散控制統(tǒng)元件的突然丟失，發(fā)電機(jī)因故障突然停機(jī)

4、會(huì)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(shí)，通過對(duì)負(fù)荷如果將故障后系統(tǒng)的暫態(tài)穩(wěn)定ANN需求和系統(tǒng)行為的分析和啟發(fā)式知識(shí)來控制繼電器及時(shí)動(dòng)作， 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，具有對(duì)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(duì)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(lì)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(shí)連續(xù)控制系統(tǒng)，對(duì)維持電力系統(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

5、器(PPS) 。于大容量機(jī)組的投入和快速勵(lì)磁系統(tǒng)的應(yīng)用， 系統(tǒng)的動(dòng)態(tài)穩(wěn)定性問題愈來愈突出，如將模糊集理論用于勵(lì)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(hào)由EMS傳給各元件，整個(gè)過程要做到同步進(jìn)行，這要求EMS 具有對(duì)大量信息的實(shí)時(shí)處理能力， 并且能在正常和事故情況下及時(shí)、 正確地作出控制決策， 監(jiān)測(cè)與診斷是EMS 的重要功能， AI 在狀態(tài)監(jiān)測(cè)與故障診斷領(lǐng)域發(fā)揮著重要的作用，國(guó)內(nèi)外已開發(fā)出多種基于專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的診斷策略 。自動(dòng)發(fā)電控制 ( AGC) 是互聯(lián)電力系統(tǒng)運(yùn)行

6、中的集中化實(shí)時(shí)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(hào)的模式識(shí)別只對(duì)長(zhǎng)期擾動(dòng)響應(yīng)，有效地提高了AGC 控制質(zhì)量 。安全評(píng)價(jià) 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(cè)和控制的。 因此， 對(duì)電力系統(tǒng)在干擾或事故下的承受能力的評(píng)判， 即安全評(píng)價(jià)是十分必要的。 神經(jīng)網(wǎng)絡(luò)作為安全評(píng)估的重要手段獲得了很大發(fā)展，應(yīng)用于系統(tǒng)的靜態(tài)穩(wěn)定性和動(dòng)態(tài)穩(wěn)定性分析安全評(píng)價(jià)

7、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(gè)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(gè)有次序的協(xié)調(diào)過程，即在最短時(shí)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(huì)引起新的事故。 正確的恢復(fù)動(dòng)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， 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

8、法和模糊集理論，作了有益的探索。負(fù)荷預(yù)測(cè) 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(cè)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(cè)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(shí)間序列預(yù)報(bào)， 尤其是平穩(wěn)過渡過程預(yù)報(bào)， 問題一經(jīng)引入電力系統(tǒng)，負(fù)荷預(yù)測(cè)便成為其應(yīng)用的一個(gè)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(shí)和推理方法求解復(fù)雜實(shí)際問題的一種人工智能計(jì)算機(jī)程序。 一般包括知識(shí)庫(kù)、數(shù)據(jù)庫(kù)、推理機(jī)、接口及知識(shí)庫(kù)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)

9、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(chǔ)、 魯棒性、容錯(cuò)性和推廣能力等特點(diǎn)在故障檢測(cè)和診斷領(lǐng)域受到廣泛重視。2.3 模式識(shí)別診斷模式識(shí)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(cè)量信息 , 確定系統(tǒng)屬于哪種模式 , 從而檢測(cè)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 模糊診斷模糊概念是內(nèi)涵確定

10、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(shí)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(shí)的計(jì)算機(jī)程序, 并能像人類專家那樣運(yùn)用這些知識(shí) ,通過推理作出決策。 一個(gè)典型的專家系統(tǒng)由 4 部分組成 : 知識(shí)庫(kù)、 推理機(jī)、 知識(shí)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(guó)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(cè)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(cè)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。據(jù)存儲(chǔ)知識(shí)的不同

11、方式 , 可將專家系統(tǒng)分為不同形式 , 即 基于淺知識(shí) （ 經(jīng)驗(yàn)知識(shí) ） 、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(shí)表示方式適合于實(shí)時(shí)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(jiǎn)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(dòng)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(shí)庫(kù) , 進(jìn)而根據(jù)報(bào)警信息對(duì)知識(shí)庫(kù)進(jìn)行推理 , 獲得故障診斷的結(jié)論?；诋a(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)

12、絡(luò)中保護(hù)的動(dòng)作邏輯一級(jí)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)則確保診斷系統(tǒng)的實(shí)時(shí)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(shí) , 能夠比較清楚地表達(dá)事物之間的相關(guān)性 , 可以簡(jiǎn)化繼承性知識(shí)的表述和存 儲(chǔ) , 在輸電網(wǎng)絡(luò)報(bào)警信息處理和故障診斷中也有少量應(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(shí)獲取的瓶頸問題、 知識(shí)難以維護(hù) , 以

13、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(gè)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力 ， 并為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(chǎng)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(shí)隱

14、式分布在整個(gè)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(shí)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(gè)人工神經(jīng)元網(wǎng)絡(luò)實(shí)現(xiàn)故障診斷 , 每個(gè) ANN 負(fù)責(zé)系統(tǒng)中部分的診斷。 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(shí)控制、 監(jiān)測(cè)與診斷、 短期和長(zhǎng)期負(fù)荷預(yù)測(cè)、 狀態(tài)評(píng)估等諸多領(lǐng)域而基于神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)技術(shù)已成為人工智能在電力系統(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 ,

15、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(duì)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

16、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(duì)優(yōu)化設(shè)計(jì)的要求較少 對(duì)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(gè)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(jià)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(shí)停止則會(huì)導(dǎo)致過度計(jì)算而并不能提高解的質(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4、 AI 在電力系統(tǒng)中的發(fā)展趨勢(shì)混合智能 目前 人工智能中的 4 種主要工具 專家

17、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(gè)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(gè)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 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(duì)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

18、好等優(yōu)點(diǎn) 故障分類精度高尤其在多故障同時(shí)性的診斷中 較 BP 網(wǎng)絡(luò)有更好的模式識(shí)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(guó) , 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(guó)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(zhǎng)， 以及市場(chǎng)競(jìng)爭(zhēng)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?？梢灶A(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。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、3、李若明、談綺倩、金廣厚，電力系統(tǒng)智能控制，農(nóng)網(wǎng)自動(dòng)化,20054、朱永利，專家系統(tǒng)在電力系統(tǒng)中的應(yīng)用現(xiàn)狀及潛在應(yīng)用領(lǐng)域分析,電力情報(bào)，19965、徐志國(guó)，人工智能(AI)在電力系統(tǒng)中的應(yīng)用，現(xiàn)代電子技術(shù),2006BRoberts on, G Romero, J Sin gh. Tods and Hearistic op eratio n of n etworksappi icati on M. 1993 IEEE PI CAC.讀書的好處1、行萬里路，讀萬卷書2、書山有路勤為徑，學(xué)海無涯苦作舟。3、讀書破萬卷，下筆如有神。4、我所學(xué)到的任何有價(jià)值的知識(shí)都是由自學(xué)中得來的達(dá)爾文5、少壯不努力，老大徒悲傷6、黑發(fā)不知勤學(xué)早，白首方悔讀