大型復(fù)雜電力系統(tǒng)的建模與智能優(yōu)化控制_圖文

1、收稿日期 :2007 01 16基金項(xiàng)目 :國家高技術(shù)研究發(fā)展計(jì)劃項(xiàng)目 (863計(jì)劃 (8635119845002作者簡介 :王耀南 (1957-, 男 , 教授 , 博士生導(dǎo)師 , 主要從事控制科學(xué)與 工程、 模式 識(shí)別與智 能系統(tǒng)、 圖像 處理、 智能 機(jī)器人、 電 氣控制工.第 22卷第 1期 2007年 3月電 力 科 學(xué) 與 技 術(shù) 學(xué) 報(bào)JOURNAL OF EI ECTR I C PO W ER SCI ENCE AND TECHNOLOGYVo. l 22N o . 1M ar .2007大型復(fù)雜電力系統(tǒng)的建模與智能優(yōu)化控制王耀南 1, 宋 明2(1. 湖南大學(xué) 電氣與信息工程

2、學(xué)院 , 湖南 長沙 410082; 2. 河南省計(jì)算中心 , 河南 鄭州 450008摘 要 :研究復(fù)雜電力系統(tǒng)的現(xiàn)場數(shù)據(jù)檢測與信息融合 、 建 模、 控 制、 管 理與決 策及運(yùn) 行狀態(tài) 等特征 , 提出 實(shí)現(xiàn)復(fù)雜電力系統(tǒng)的廣義知識(shí)模型描述 和智能建模策略 , 并介紹智能技術(shù)在廣義知識(shí)模型和 智能建模中的應(yīng)用 .關(guān) 鍵 詞 :復(fù)雜電力系統(tǒng) ; 知識(shí)模型 ; 智能建模策略 ; 智能優(yōu)化控制中圖分類號(hào) :TM 743 文獻(xiàn)標(biāo)識(shí)碼 :A 文章編號(hào) :1673 9140(2007 01 0013 07G eneralized know ledge model and i ntelligent op

3、ti m alcontrol for co mplex power syste m sWANG Yaon an 1, SONG M ing2(1. College ofE l ectrical and Infor m ati on E ng i neeri ng , H unan Un i versit y , Changsha 410082, C hina ;2. H enan Co m puter Cen ter , Zh engzhou 450008, Ch i naAbstract :Real ti m e data detecting , infor m a ti o n fusio

4、n , m ode li n g , contro, l m anage m en, t decisi o n , and operati n g process for co m p lex po w er syste m s are i n vesti g ated i n this paper . A genera lized kno w ledge rep resentation m ode l and intelligentmode li n g strategy are proposed . And the i n telli g en t techno l o g ies app

5、lica ti o n i n the m odeling o f co m plex po w er syste m s is a lso i n troduced .K ey w ords :co m plex power syste m ; know l e dge m ode; l intelligent m odeli n g strategy ; I n telli g ent Opti m a l Contro l復(fù)雜電力系統(tǒng)與傳統(tǒng)系統(tǒng)具有本質(zhì)的區(qū)別 , 具 體表現(xiàn)為111:復(fù)雜的信息模型及其引起的分布式傳感器、 數(shù)據(jù)量、 計(jì)算量的增加 ; 信息處理方式復(fù)雜 性增加和描述模型的多

6、樣性 ; 精確機(jī)理建模日益困 難 ; 大量不確定因素 , 如環(huán)境動(dòng)態(tài)變化 , 輸入信息中 的噪聲、 干擾與誤差 , 信息的未知性、 不完全性 ; 多層次、 多任務(wù)的控制要求 . 這些都使傳統(tǒng)的控制理論與 方法難于直接運(yùn)用 , 復(fù)雜電力系統(tǒng)的控制問題就是 構(gòu)成智能建模與魯棒控制等問題 .復(fù)雜電力系統(tǒng)的控制與決策、 故障診斷、 動(dòng)態(tài)特 性和運(yùn)行狀態(tài)的評(píng)價(jià) , 必須建立在好的模型化方法 的基礎(chǔ)上 . 研究復(fù)雜電力系統(tǒng)模型化離不開信息 , 信 息反映系統(tǒng)的重要特征 , 也是系統(tǒng)與環(huán)境、 系統(tǒng)與子 系統(tǒng)之間聯(lián)系不可缺少的重要因素 . 信息數(shù)據(jù)往往 呈現(xiàn)定量、 半定量、 定性語義的不同模式 , 不同深度

7、不同層次地反映真實(shí)系統(tǒng) . 復(fù)雜電力系統(tǒng)信息量的 大小 , 反映了該系統(tǒng)組織和復(fù)雜程度的高低 . 建立多 層信息 完整 模型是復(fù)雜電力系統(tǒng)廣義知識(shí)模型 化的必由之路 , 這也是綜合智能控制的要求 .基于物質(zhì)、 能量守恒的精確機(jī)理建模 , 已不能處 理復(fù)雜電力系統(tǒng)多模式信息和反映系統(tǒng)的真實(shí)運(yùn)動(dòng) 狀態(tài) . 傳統(tǒng)的系統(tǒng)辨識(shí)理論基于解析數(shù)值計(jì)算和單 一形式的模型類 (參數(shù)化數(shù)學(xué)模型 , 使它在復(fù)雜環(huán) 境系統(tǒng)面前很難處理多種模式信息 , 很難從不同層 次、 不同角度全面地反映真 實(shí)復(fù)雜系統(tǒng) . 而人工智 能、 神經(jīng)網(wǎng)絡(luò)、 模糊邏輯、 模式識(shí)別、 進(jìn)化計(jì)算 (遺傳 算法、 遺傳規(guī)劃、 進(jìn)化策略 、 Rou

8、gh 粗集理論、 數(shù)據(jù) 挖掘與知識(shí)發(fā)現(xiàn) (KDD 、 小波神經(jīng)網(wǎng)絡(luò)、 多智能體 M u lti Agent 等智能化技術(shù)和理論的迅速發(fā)展 2, 使 得控制界開始探索系統(tǒng)辨識(shí)的 智能化 , 但這只是 在辨識(shí)領(lǐng)域剛引入智能化技術(shù)和理論 , 研究對(duì)象也 停留在復(fù)雜系統(tǒng)的某一信息處理層 .本文研究復(fù)雜電力系統(tǒng)廣義知識(shí)模型化設(shè)計(jì)原 則 , 以這種廣義知識(shí)模型結(jié)構(gòu)反映真實(shí)系統(tǒng)的行為 和狀態(tài) , 支持不同要求和不同層次控制目標(biāo) . 基于這 種廣義知識(shí)模型結(jié)構(gòu) , 提出廣義知識(shí)模型化的多層 智能辨識(shí)方法 , 它以信息數(shù)據(jù)、 信息模型類及信息融 合處理技術(shù)及其準(zhǔn)則為三要素 , 把復(fù)雜電力系統(tǒng)的 本質(zhì)信息不同層次

9、地濃縮成相應(yīng)信息模型類的廣義 知識(shí)描述形式 , 集成多層次多模式信息描述的綜合 集成模型 . 多層智能建模途徑一方面為了克服傳統(tǒng) 辨識(shí)理論在復(fù)雜電力系統(tǒng)中遇到的困難 , 另一方面 是為復(fù)雜電力系統(tǒng)提供一套廣義知識(shí)模型化方法 . 1 復(fù)雜電力系統(tǒng)的廣義知識(shí)模型描述 復(fù)雜電力系統(tǒng)廣 義知識(shí)模型化是 其控制與決 策、 故障診斷、 動(dòng)態(tài)特性和運(yùn)行狀態(tài)評(píng)價(jià)的基礎(chǔ) . 廣 理論上抽取表達(dá) . 復(fù)雜工業(yè)過程一般表現(xiàn)為如下特 征 :1 系統(tǒng)規(guī)模大 . 系統(tǒng)包含 許多需要不同 描述 方式的單元和過程 , 過程傳感信息多 , 常常難以用簡 單的微分或差分方程進(jìn)行精確描述 , 傳統(tǒng)的辨識(shí)和 分析方法建模困難 .2

10、系統(tǒng)非同態(tài) . 不同模態(tài) 的過程和單元 表現(xiàn) 為描述模型的模式和信息知 識(shí)處理方法的極 大不 同 , 過程傳感信息呈現(xiàn)不同的模式 , 不同層次地反映 系統(tǒng)行為 .3 系統(tǒng)不確定因素復(fù)雜 . 如環(huán)境動(dòng)態(tài)變化 , 輸 入信息中噪聲、 干擾與誤差 , 信息的未知性、 不完全 性等 .這些特征使復(fù)雜工業(yè)系統(tǒng)的行為不可能由統(tǒng)一 的一組描述方程和建模方法來描述 . 復(fù)雜電力系統(tǒng) 的建模問題就構(gòu)成了廣義知識(shí)模型的描述和智能建 模 . 并有其自身的廣義知識(shí)模型化結(jié)構(gòu)和原則 . 1. 1 模型化結(jié)構(gòu)復(fù)雜電力系統(tǒng)提供了大量的不同模式的傳感信 息數(shù)據(jù) (定量 , 半定量的 , 定性的 , 它們從不同角度 不同層次反

11、映系統(tǒng)行為 , 提供關(guān)于系統(tǒng)不同模式的 信息知識(shí) , 越是高層的信息其數(shù)據(jù)量就越少 , 而它包 含的信息知識(shí)量越濃縮 , 其模式也越表現(xiàn)為基于定 量描述的數(shù)值形式 .模式的多樣性要求信息知識(shí)模型組成這樣一種 層次結(jié)構(gòu) :較低層的信息模型趨向于采用傳統(tǒng)的基 于數(shù)值計(jì)算的微分或差分方程模式 , 而較高層的信 息模型趨向于采用定性的符號(hào)描述模型 . 不同層次 的信息模型模式對(duì)應(yīng)地處理復(fù)雜系統(tǒng)相應(yīng)模式的傳 感信息數(shù)據(jù) . 在這種組合式模型中 , 復(fù)雜電力系統(tǒng)行 為不同層次的信息知識(shí)抽取建模有利于保持不同模 型之間的一致性 .復(fù)雜電力系 統(tǒng)信息知識(shí)抽 取建模是分層 進(jìn)行 的 , 上層知識(shí)抽取來源于該層信

12、息數(shù)據(jù)和下層行為 模型的濃縮特征信息 , 信息知識(shí)抽取建模有 4類形 式 :1 解析方程式表示的信息知 識(shí)模型 . 主 要處 理復(fù)雜電力系統(tǒng)最直接的輸入、 輸出 , 系統(tǒng)運(yùn)行狀態(tài) 等定量化可計(jì)算信息數(shù)據(jù) , 建立起這些數(shù)據(jù)內(nèi)在的 滿足某種要求的映射關(guān)系式 , 采用解析形式或數(shù)值 計(jì)算得到 .14電 力 科 學(xué) 與 技 術(shù) 學(xué) 報(bào) 2007年 3月定量化的系統(tǒng)特征為信息 , 把它們?cè)谶B續(xù)可觀測范圍 內(nèi)進(jìn)行分段量化成離散之間 , 得到不同的模式類 , 通 過學(xué)習(xí)獲得相關(guān)特征行為之間的內(nèi)在信息聯(lián)系 . 采用 學(xué)習(xí)推理技術(shù)諸如模糊建模、 模式識(shí)別建模等 . 3 啟發(fā)式規(guī)則信 息模型 . 處理啟 發(fā)式規(guī)

13、則變 量 , 完全以規(guī)則形式推理給出相關(guān)特征行為間的內(nèi) 在聯(lián)系 , 其信息數(shù)據(jù)基礎(chǔ)往往是定性的啟發(fā)式數(shù)據(jù) . 4 定性化信息模 型 . 基于定性的 信息數(shù)據(jù)由 定性推理獲得 , 這種模型更接近于人的思維模型 . 建立復(fù)雜電力系統(tǒng)結(jié)構(gòu)化、 層次化整體廣義知 識(shí)模型 , 很重要的一點(diǎn)是保持各層信息知識(shí)模型間 的一致性 , 保持 整體 模型的一致性 , 是依靠不同 模型間的信息知識(shí)抽取和協(xié)調(diào)來實(shí)現(xiàn)的 .1. 2 廣義知識(shí)模型化原則傳統(tǒng)的基于單一模式化模型 (解析形式或符號(hào) 描述形式等 的系統(tǒng)建模不 適用于復(fù)雜工業(yè)系統(tǒng) , 因?yàn)閺目v向看 , 它忽略了復(fù)雜系統(tǒng)信息知識(shí)的層次 性 , 簡單的統(tǒng)一形式描述只

14、會(huì)增加模型化處理上的 復(fù)雜性 , 并且把不同模式信息統(tǒng)一到一種信息層次 上進(jìn)行處理 , 很難使系統(tǒng)模型與真實(shí)系統(tǒng)保持一致 性 , 相互信息溝通顯得非常困難 , 模型修正也會(huì)遇到 極大的障礙 . 從橫向看 , 復(fù)雜電力系統(tǒng)具有屬于不同 模態(tài)的部分和單元 .基于對(duì)復(fù)雜電力系統(tǒng)特征和信息模型結(jié)構(gòu)的認(rèn) 識(shí) , 其廣義知識(shí)模型化應(yīng)滿足如下原則 :1 系統(tǒng)模型必須 體現(xiàn)系統(tǒng)信息層次 結(jié)構(gòu) , 系 統(tǒng)模型化的層次數(shù)和所用的模型模式由具體復(fù)雜電 力系統(tǒng)期望達(dá)到的目標(biāo)來決定 .2 復(fù)雜系統(tǒng)對(duì)于不同模態(tài)部分有其自身相適 應(yīng)的描述廣義模型模式 , 且其基于的概念、 方法和形 式都不同且不可比 . 每一部分可有不同模

15、型形式 , 視 其滿足的目標(biāo)、 信息抽取層次和精度要求而決定 . 3 不同信息層次和不同模式的模型都有其自 身的信息融合機(jī)制 .2 多層智能建模方法復(fù)雜電力系統(tǒng)廣義知識(shí)模式化實(shí)質(zhì)上是對(duì)系統(tǒng) 行為不同層次信息知識(shí)本質(zhì)規(guī)律的抽取 , 智能辨識(shí) 則是一種重要途徑 .定義 1 智能建模是把復(fù)雜系統(tǒng)的本質(zhì)信息不 同層次地濃縮成相應(yīng)模型類的描述形式 . 型類及信息融合處理技術(shù)及準(zhǔn)則 .人們逐漸把定性推理、 智能化的概念引入辨識(shí) 領(lǐng)域 , 最直接的是把人工知識(shí)能如專家系統(tǒng)加到傳 統(tǒng)辨識(shí)系統(tǒng)的頂層 , 形成指導(dǎo)協(xié)調(diào)式的專家辨識(shí)或 稱監(jiān)督辨識(shí) , 以及輔助執(zhí)行式的基于知識(shí)的辨識(shí) . 但 是系統(tǒng)辨識(shí)的 智能化 同

16、智能化控制一樣 , 還僅僅 停留在初始階段 , 因此需要針對(duì)復(fù)雜電力系統(tǒng)特征 極大地?cái)U(kuò)大系統(tǒng)辨識(shí)的內(nèi)涵和外延 , 建立復(fù)雜電力 系統(tǒng)多層信息 完整 模型智能建模的概念、 要素、 結(jié)構(gòu)化和形式化及其框架結(jié)構(gòu)理論 .多層智能建模系統(tǒng)的引入是系統(tǒng)模型化結(jié)構(gòu)的 要求 , 同時(shí)也是智能建模自身的要求 . 因?yàn)榈蛯哟尾?能描述處理的問題或下層處理結(jié)果的濃縮特征量可 以提高到上層信息模式處理 , 高層次處理的結(jié)果可 以補(bǔ)償、 輔助下層處理工作 , 降低低層數(shù)據(jù)處理的復(fù) 雜性 . 例如傳統(tǒng)辨識(shí)技術(shù)很難或不可能處理在有色 噪聲、 突變干擾等不確定因素影響下的算法一致性 和收斂性 , 因?yàn)椴淮_定性因素與解析變量數(shù)

17、據(jù)原本 不屬于同一層次信息知識(shí) , 試圖建立一種統(tǒng)一模式 處理這些信息就顯得很難或不可能 . 假若從辨識(shí)過 程中抽取出特征參數(shù) (如協(xié)方差陣跡的大小等 , 在 較高層次上建立這些特征量與不確定因素之間的信 息模型 , 而通過該層估計(jì)不確定因素對(duì)低層辨識(shí)結(jié) 果的影響 , 便可達(dá)到調(diào)整辨識(shí)機(jī)制、 補(bǔ)償較低層辨識(shí) 的目的 .多層智能建模系統(tǒng)一方面指各種理論和技術(shù)的 集成和融合 , 如辨識(shí)估計(jì)理論、 通信理論、 人工智能、 運(yùn)籌學(xué)、 神經(jīng)網(wǎng)絡(luò)、 模糊邏輯、 模式識(shí)別、 進(jìn)化計(jì)算、 Rough 集理 論、 數(shù) 據(jù) 挖 掘 與 知 識(shí) 發(fā) 現(xiàn)、 多 智 能 體 M ulti Agen, t 不同模式信息模

18、型的融合處理技 術(shù)都 是智能化的 . 另一方面按數(shù)據(jù)包 含信息度 (定義為 單位數(shù)據(jù)量反映的知識(shí)量和信息量 劃分模式信息 層 , 每一信息層的智能建模機(jī)制都有其特定的信息 數(shù)據(jù)集 :其一是低層信息處理結(jié)果的濃縮特征量數(shù) 據(jù) ; 其二是實(shí)時(shí)系統(tǒng)在該信息層提供的傳感信息數(shù) 據(jù) ; 其三是上層作用于該層信息域的數(shù)據(jù) . 該層數(shù)據(jù) 信息處理結(jié)果一方面可以輔助補(bǔ)償下一層信息融合 處理 , 評(píng)估下一層信息狀態(tài) ; 另一方面提供上一層信 息融合處理的數(shù)據(jù)基礎(chǔ) .在復(fù)雜電力系統(tǒng)中的多層智能辨識(shí)系統(tǒng)中 2, 3, .15第 22卷第 1期 王耀南 , 等 :大型復(fù)雜電力系統(tǒng)的建模與智能優(yōu)化控制圖 1 分層智能建

19、模模型的結(jié)構(gòu)圖第 1層為監(jiān)控層的數(shù)值建模 , 第 2層為協(xié)調(diào)層 的數(shù)值 ! 符號(hào)轉(zhuǎn)換模型 , 第 3層為組織決策層的知 識(shí) (符號(hào) 建模 . 其中 , 第 1層采用 GA DNN 遺傳算 法的遞歸神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)辨識(shí)完成復(fù)雜系統(tǒng)的辨識(shí)與 建模 ; 第 2層采 用 模 糊 集 合理 論 , 建 立 數(shù) 值 測 量 符號(hào) 數(shù)值 的轉(zhuǎn)換模 型 ; 第 3層采用基 于知識(shí)規(guī)則的模糊專家系統(tǒng) , 建立知識(shí)推理模型 , 完 成復(fù)雜系統(tǒng)的輔助決策、 輔助任務(wù) .數(shù)值測量模型 符號(hào)模型的轉(zhuǎn)換描述如下 . 2. 1 數(shù)值模型描述該系統(tǒng)完成將被測對(duì)象的有關(guān)物理參量向數(shù)值 域的轉(zhuǎn)換 , 又稱映射 . 這就是一個(gè)用符號(hào)表

20、示的傳統(tǒng) 的測量系統(tǒng) , 由傳統(tǒng)傳感器及其調(diào)理電路和相應(yīng)的 預(yù)處理軟件來 實(shí)現(xiàn) . 該系統(tǒng) Q 1的組成 用符號(hào)表示 為Q 1=#q , N, 1, R q , R N , F 1 . (1 式 (1 中各符號(hào)的含義如下 :1 q 被測 對(duì)象的集 合 , 又 稱對(duì)象域 , 由多 個(gè)元素構(gòu)成 , 記為q 1, q 2, %, q k &q,或 q =q 1, q 2, %, q k ,k 2.其中 q 1, q 2, %, q k 為對(duì)象域 q 的 k 2個(gè)元素 . 如 溫度測量系統(tǒng)需測量 k 個(gè)不同溫度狀態(tài) .2 N 數(shù)值 (實(shí)數(shù) 符號(hào)集合 , 又稱數(shù)值域 , 由多個(gè)元素構(gòu)成 , 記為

21、, x 2, %, x k &N, 或 N =x 1, x 2, %, x k ,k 2.其中 x 1, x 2, %, x k 為數(shù)值 N 的 k 2個(gè)元素 , 它們 是被測對(duì)象與有關(guān)物理參量相對(duì)應(yīng)的數(shù)值 .3 1 映射關(guān)系 , 表示由對(duì)象域向數(shù)值域映 射或轉(zhuǎn)換的某種關(guān)系 , 記為1:q ! N .使得有關(guān)系式 (2 成立 , 即x i = 1(q i . (2 1是傳統(tǒng)數(shù)值測量系統(tǒng)轉(zhuǎn)換性能的體現(xiàn) , 各種環(huán)境 干擾因素會(huì)影響實(shí)際數(shù)值測量系統(tǒng)的轉(zhuǎn)換性能 , 故 1也受環(huán)境干擾因素變化的影響 .4 Rq 實(shí)際被測對(duì)象集合中各元素 q 1, q 2 , %, q k 間的關(guān)系 .5 R

22、N 數(shù)值集合中各元素 x 1, x 2, %, x k 間 的關(guān)系 (所謂各元 素間的關(guān)系 , 是指它們 可以依次 遞增或依次遞減或線性相加等 .6 F 1 R q 到 R N 關(guān)系的映射 , 記為F 1:R q ! R N .使得有關(guān)系式 (3 成立 , 即R N =F 1(Rq . (3 F 1構(gòu)成了數(shù)值模型描述的關(guān)系概念 .2. 2 符號(hào) (語言 模型的描述該系統(tǒng)完成由數(shù)值域向偽語言符號(hào)域的轉(zhuǎn)換 , 或稱映射 . 因此該系統(tǒng)將數(shù)值域 N:x1, x 2, %, x k 與語言域 Y :a 1, a 2, %, a k 相對(duì)應(yīng) , 它是數(shù)值一 符號(hào)轉(zhuǎn)換器 , 是由軟件實(shí)現(xiàn)的 .該系統(tǒng)的 Q

23、 用符號(hào)表示為Q 1=#N, Y, , R N , R Y , F . (4 式中各符號(hào)的含義如下 :1 N 數(shù)值 符號(hào)集合 , 即數(shù) 值域 , N =x 1, x 2, %, x k .2 Y 語言符號(hào)集合 , 又稱偽語言符號(hào)域 , 簡稱語言域 . 冠以 偽 字是為了表示與人類自然符 號(hào)域的區(qū)別 , 它由元素 a 1, a 2, %, a j 構(gòu)成 , 記為 a 1, a 2, %, a j &Y,或 Y =a 1, a 2, %, a j ,j 2.3 映射關(guān)系 , 表示由數(shù)值域 N 向語言域 Y 映射或轉(zhuǎn)換的關(guān)系 , 記為:N ! Y.使得有關(guān)系式 (5 成立 , 即j = (x

24、i , a 1= 116電 力 科 學(xué) 與 技 術(shù) 學(xué) 報(bào) 2007年 3月a 2= (x 2, %, a n = (xn . (5 就是數(shù)值 符號(hào)轉(zhuǎn)換單元轉(zhuǎn)換性能的體現(xiàn) . 4 R N 數(shù)值集合中各元素 x 1, x 2, %, x k 間 的關(guān)系 .5 R Y 語言符號(hào)集合中各元素 a 1, a 2, %, a j 間的關(guān)系 .6 F R N 到 R Y 的映射關(guān)系 , 記為F:R N ! R Y .使得關(guān)系式 (6 成立 , 即R Y =F (RN . (6 F 構(gòu)成了語言符號(hào)模型的關(guān)系概念 .2. 3 人類專家自然語言符號(hào)描述該系統(tǒng)直接將現(xiàn)實(shí)世界與自然語言符號(hào)域相對(duì) 應(yīng) . 這是人類本

25、身依靠感知 , 溶入知識(shí)與經(jīng)驗(yàn) , 進(jìn)行 綜合分析、 推理、 判斷而實(shí)現(xiàn)的 .需要指出的是 , 不同的測量任務(wù)在各種 域 中 的有限個(gè)元素集合將構(gòu)成各自的 論域 . 例如一個(gè) 溫度測量系統(tǒng) , 它的測溫范圍下限值為 0(, 上限值 為 160(, 就可以說該測溫系統(tǒng)的論域?yàn)?N =(0, 160. 這里的論域是由有限個(gè)溫度數(shù)值 (元素集合 組成的數(shù)值域 .3 智能技術(shù)在廣義知識(shí)模型及智能建 模中的應(yīng)用廣義知識(shí)模型可以用一個(gè)六元組表示 :M =O,G, T, V , R, S .其中 O 為模型的對(duì)象集 ; G 為模型的目標(biāo)集 , T 為 模型系統(tǒng)所處的環(huán)境及約束條件集 ; V 為模型的變 量集

26、合 , 包括內(nèi)部變量、 外部變量及狀態(tài)變量 ; R 為 模型變量之間的關(guān)系集 ; S 為模型的狀態(tài)集 , 從初態(tài) 到終態(tài) .從廣義知識(shí)模型講 , 模型可分為概念模型、 邏輯 模型和物理模型 (即物理模型、 結(jié)構(gòu)模型、 仿真模型 和數(shù)學(xué)模型等 . 智能建模涉及經(jīng)典控制理論、 現(xiàn)代 控制理論、 多變量過程辨識(shí)、 運(yùn)籌學(xué)、 數(shù)學(xué)模型、 專家 經(jīng)驗(yàn)?zāi)Ｐ汀?神經(jīng)網(wǎng)絡(luò)模型、 模糊模型、 面向?qū)ο竽Ｐ?和 Petri 模型等 . 廣義知識(shí)模型描述與多層次智能建 模的本質(zhì)是 :把現(xiàn)有幾種智能技術(shù) , 如人工智能、 神 經(jīng)網(wǎng)絡(luò)、 模糊系統(tǒng)、 專家系統(tǒng)、 基于規(guī)則的歸納推理、 論和多智能體 M u lti Age

27、nt 等技術(shù) , 集成到知識(shí)模型 描述與智能建模過程中 , 形成具有一定智能的對(duì)象 描述結(jié)構(gòu) , 并將信息處理和數(shù)值計(jì)算歸結(jié)為傳統(tǒng)的 問題求解技術(shù) , 符號(hào)推理和非符號(hào)推理可歸結(jié)為智 能問題求解技術(shù) .圖 2所示了智能建模的系統(tǒng)問題求解和層次分 類方法 , 其中智能技術(shù)是支撐技術(shù) , 可綜合集成起來 應(yīng)用 .圖 2 復(fù)雜電力系統(tǒng)的多層廣義知識(shí)描述與智能建模方法綜合應(yīng)用框圖1 遺傳算法可用來代替?zhèn)鹘y(tǒng) 的優(yōu)化算法 , 并 用于建模和神經(jīng)網(wǎng)絡(luò)的權(quán)值修定 .2 通過用神經(jīng)網(wǎng)絡(luò)代替知識(shí)工程、 推理、 知識(shí) 描述 , 完成專家系統(tǒng)中符號(hào)規(guī)則的歸納 , 利用 NN 代 替符號(hào)規(guī)則加快問題求解 , 使基于 N

28、N 的模型同基 于規(guī)則的專家系統(tǒng) (ES 有相同的功能 .3 用模糊系統(tǒng)或模糊神經(jīng)網(wǎng) 絡(luò)、 小波神 經(jīng)網(wǎng) 絡(luò)進(jìn)行復(fù)雜工業(yè)過程的結(jié)構(gòu)動(dòng)態(tài)辨識(shí)和建模 , 用遺 傳算法完成參數(shù)的優(yōu)化 .17第 22卷第 1期 王耀南 , 等 :大型復(fù)雜電力系統(tǒng)的建模與智能優(yōu)化控制18 電 力 科 學(xué) 與 技 術(shù) 學(xué) 報(bào) 2007 年 3月 和神經(jīng)網(wǎng)絡(luò)融合起來, 進(jìn)行多傳感器信息處理, 完成 工業(yè)現(xiàn)場的特征提取、 特征記憶、 模式識(shí)別與分類. 5 將遺傳算法、 混沌優(yōu)化方法與 啟發(fā)式知識(shí) 直覺推理結(jié)合, 設(shè)計(jì)出性能良好、 收斂快、 實(shí)用的數(shù) 值智能建模算法. 6 運(yùn)用知識(shí)工 程、 機(jī)器學(xué) 習(xí)、 時(shí)序 邏輯模型、 粗集

29、理論、 知識(shí)發(fā)現(xiàn)、 模糊 Petri網(wǎng)的原理和方法和 復(fù)雜工業(yè)過程的運(yùn)行進(jìn)行分析和綜合, 可研究出適 合該過程的知識(shí)模型、 廣義知識(shí)表示、 知識(shí)的獲取方 法, 建立復(fù)雜工業(yè)系統(tǒng)的各個(gè)層次的知識(shí)模型描述. 7 采用 多智能體 M ulti Agent 和模糊 P etri網(wǎng) 絡(luò)技術(shù)建立復(fù)雜工業(yè)過程的協(xié)調(diào)級(jí) ( 中間層 知識(shí) 模型. 8 采用模糊近似推理神經(jīng)網(wǎng)絡(luò)模型來描述復(fù) 雜的工業(yè)過程模型. 由于復(fù)雜電力系統(tǒng)的綜合集成智能控制系統(tǒng)通 常采用分層結(jié)構(gòu), 即隨著智能程度從高到低, 知識(shí)表 示由淺入深, 控制過程的基本特征決定了被控過程 應(yīng)由定量信息的定性化、 定性推理、 定性信息的定量 化等環(huán)節(jié)組成

30、. 定性與定量方法相結(jié)合的系統(tǒng)結(jié)構(gòu), 如圖 3所示, 這種結(jié)構(gòu)具有很大的優(yōu)越性, 是綜合集 成智能控 制 理論 與應(yīng) 用的 發(fā)展 方向 之 一, 如圖 4 所示. 圖 3 復(fù)雜工業(yè)過程的智能協(xié)調(diào)控制系統(tǒng)結(jié)構(gòu) 圖 4 大型復(fù)雜電力綜合自動(dòng)化系統(tǒng) 為了實(shí)現(xiàn)復(fù)雜工業(yè)過程的各個(gè)層次, 廣義知識(shí) 模型描述與系統(tǒng)的智能建模, 研究和提出了有效的 實(shí)用方法. 定性模型的定義及獲取的方法; 第 22卷第 1 期 王耀南, 等: 大型復(fù)雜電力系統(tǒng)的建模與智能優(yōu)化控制 計(jì)劃項(xiàng)目驗(yàn)收技術(shù)報(bào)告 R . 長沙: 湖南大學(xué), 2000 . 2 王耀南. 智能控制系統(tǒng) M . 長沙: 湖南大學(xué)出版社, 2006 . 19

31、系統(tǒng)定性行為描述; + 介于深層和淺層之間的中層知識(shí)模型描述; , 定性控制與定量控制的協(xié)調(diào)方法; 解析方程式表示的信息知識(shí)模型、 特征行為 的量化模式信息模型、 啟發(fā)式規(guī)則信息模型、 定性化 信息模型的描述; . 研究新的復(fù)雜系統(tǒng)的知識(shí)表達(dá)、 搜索、 推理 及學(xué)習(xí)算法; / 建立復(fù)雜電力系統(tǒng)結(jié)構(gòu)化、 層次化整體模型 及其多層信息模型和智能建模與智能優(yōu)化算法. 3 R ao M, W ang O. C ompu ter integrated process system in cont inuous m anufactu ring industries J . Com puter Integrated M anu facturing System, 1993 6 ( 4 : 260 270 , . 4 董嘉文. 復(fù)雜工業(yè)系統(tǒng) 模型化: 多 層智能識(shí) 別途徑 J . 控制與 決策. 1996, 11( 增刊 1 : 20 123 . 5 劉君華. 智能 傳感 器系 統(tǒng) M . 西 安: 西 安電 子科技 大學(xué) 出版 社, 1999. 6 宋國寧. 大型過 程工業(yè) 自動(dòng)化 全過 程體 系結(jié)構(gòu) J . 信息 與控 制, 1994, 23( 2 : 6