電力系統(tǒng)中的人工智能技術(shù)應用研究上海交通大學唐華錦陳漢平奪商要：分析了適于AI應用的電力系統(tǒng)問題，并概括介紹了其中4種應用廣泛的人工智能技術(shù)，最后指出AI在電力系統(tǒng)中的應用發(fā)展趨勢和應用前景。

　　電力系統(tǒng)是由發(fā)電設備、變壓器、輸配電線路和用電設備等很多單元組成的復雜的非線性動態(tài)系統(tǒng)。人工智能技術(shù)被廣泛地應用于求解非線性問題，與傳統(tǒng)方法相比有不可替代的優(yōu)勢。目前國內(nèi)外己開發(fā)了多種人工智能工具，包括專家系統(tǒng)CES）、人工神經(jīng)網(wǎng)絡（ANN）、模糊集（FS）和啟發(fā)式搜索（HS）等，開拓了其在電力系統(tǒng)中各個領域的應用。

　　1AI在電力系統(tǒng)中的應用領域1.1電力系統(tǒng)的運行與控制電力系統(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、隔離開關等。由這些相對簡單的局部控制的協(xié)同作用構(gòu)成整個電力系統(tǒng)復雜的實時控制。

　　保護實時控制有兩種形式，即離散和連續(xù)控制。繼電保護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?；蚴鹿剩┑呐袛?，即狀態(tài)評估是實現(xiàn)保護動作的關鍵。由于AI具有邏輯思維和快速處理能力，它己成為在線狀態(tài)評估的重要工具。提出一種基于規(guī)則的拓撲誤差檢測算法，有效地運用了操作員的經(jīng)驗知識。與傅立葉變換和卡爾曼濾波技術(shù)相比，應用神經(jīng)網(wǎng)絡進行電流電壓波形的特征參數(shù)分析具有更好的實時性。

　　唐華錦，男，碩士生。動力與能源工程學院，200030正確的保護設置依賴于設備運行對系統(tǒng)影響的整體性分析，離不開人類的啟發(fā)和邏輯判斷。在繼電保護設計中存在著大量的模糊知識與方法。

　　切負荷是另一種離散控制。系統(tǒng)元件的突然丟失（如發(fā)電機因故障突然停機），會造成系統(tǒng)容量的急劇變化。當負荷超出系統(tǒng)供應容量，就必須降低負荷以避免大范圍的供電中斷。這時，需通過對負荷需求和系統(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)學映射。ANN具有對函數(shù)映射的逼近功能和并行處理能力，因而用ANN進行電力系統(tǒng)的切負荷控制有著良好的適應性和實用性。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)絡進行切負荷控制的關鍵問題。

　　勵磁控制是控制發(fā)電機端電壓和無功功率的重要組成部分，是重要的實時連續(xù)控制系統(tǒng)，對維持電力系統(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)定器（PPS）。由于大容量機組的投入和快速勵磁系統(tǒng)的應用，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)基于線性系統(tǒng)理論的PPS有更好的控制效果。

　　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行，這要求EMS具有對大量信息的實時處理能力，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)測與故障診斷領域發(fā)揮著重要的作用，國內(nèi)外己開發(fā)出多種基于專家系統(tǒng)和神經(jīng)網(wǎng)絡的診斷策略。

　　自動發(fā)電控制（AGC）是互聯(lián)電力系統(tǒng)運行中的集中化實時計算機控制功能，保持系統(tǒng)出力和系統(tǒng)負荷相匹配。通過控制互聯(lián)系統(tǒng)之間的能源交換，實現(xiàn)機組（電廠）間的負荷經(jīng)濟分配。由于工業(yè)負荷的高度變化性，采用常規(guī)的控制方法存在較大的局限，如米用Kohonen自組織神經(jīng)網(wǎng)絡進行可控信號的模式識別只對長期擾動響應，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)絡作為安全評估的重要手段獲得了很大發(fā)展，應用于系統(tǒng)的靜態(tài)穩(wěn)定性和動態(tài)穩(wěn)定性分析。

　　安全評價領域普遍采用的方法是仿真，即模擬預想事故下系統(tǒng)的靜態(tài)和暫態(tài)響應。預想事故的篩選是個難點，往往需依賴運行人員的經(jīng)驗。AI作為預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)絡應用于預想事故的篩選，既可有效結(jié)合運行人員的經(jīng)驗，又有篩選速度快的優(yōu)點。

　　恢復故障后的系統(tǒng)恢復是個有次序的協(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)地恢復供電，不恰當?shù)幕謴晚樞蚩赡軙鹦碌氖鹿?。正確的恢復動作關鍵在于恢復次序的選擇，應用啟發(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。

　　負荷預測是電力規(guī)劃的重要內(nèi)容和基礎。由于包括天氣變量在內(nèi)的各種因素和實際負荷之間存在非常復雜的非線性關系，負荷預測具有很大的難度。在傳統(tǒng)統(tǒng)計分析方法之外，逐漸興起了人工智能的預測技術(shù)，主要是專家系統(tǒng)和神經(jīng)網(wǎng)絡。由于神經(jīng)網(wǎng)絡適合解決時間序列預報（尤其是平穩(wěn)過渡過程預報）問題，一經(jīng)引入電力系統(tǒng)，負荷預測便成為其應用的一個主要領域。

　　2應用方法概論2.1專家系統(tǒng)（ES）專家系統(tǒng)是在某一領域內(nèi)具有專家經(jīng)驗和知識的計算機程序，并能像人類專家那樣運用這些知識，通過推理作出決策。一個典型的專家系統(tǒng)由知識庫、推理機、知識獲取機制和人機界面4部分組成。專家系統(tǒng)己成為在電力系統(tǒng)中應用最為成熟的人工智能技術(shù)。國內(nèi)外己發(fā)展多種專家系統(tǒng)用于電力系統(tǒng)的不同領域：監(jiān)測與診斷、電網(wǎng)調(diào)度、預想事故篩選、系統(tǒng)恢復。尤其是監(jiān)測與故障診斷己成為ES在電力系統(tǒng)最重要的應用領域。

　　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)?；谀Ｐ偷闹R表示方式適合于實時處理，比其它方法如基于規(guī)則（假設）或啟發(fā)的推理方式更快速、簡單和易于維護。

　　知識獲取的瓶頸問題是建造和維護專家系統(tǒng)的主要難點。有人提出了一種新的知識自動獲取方式，即機器學習，將其應用于電力系統(tǒng)開關序列專家系統(tǒng)。在知識庫建造階段，從運行人員的以往經(jīng)驗抽取知識，而不必直接向運行人員學習；每次人類專家與系統(tǒng)交互時，知識庫可以自動更新和擴展。

　　2.2人工神經(jīng)網(wǎng)絡（ANN）人工神經(jīng)網(wǎng)絡是模擬的生物激勵系統(tǒng)，將一系列輸入通過神經(jīng)網(wǎng)絡產(chǎn)生輸出。這里輸出、輸入都是標準化的量，輸出是輸入的非線性函數(shù)，其值可由連接各神經(jīng)網(wǎng)元的權(quán)重改變，以獲得期望的輸出值，即所謂的訓練過程。

　　根據(jù)不同問題，多種結(jié)構(gòu)和訓練算法的神經(jīng)網(wǎng)絡在電力系統(tǒng)中得到了應用，如BP網(wǎng)絡、Kohonen自組織神經(jīng)網(wǎng)絡等。

　　由于神經(jīng)網(wǎng)絡具有快速并行處理能力和良好的分類能力，被廣泛用于電力系統(tǒng)的實時控制、監(jiān)測與診斷、短期和長期負荷預測、狀態(tài)評估等諸多領域，而基于神經(jīng)網(wǎng)絡的負荷預測技術(shù)已成為人工智能在電力系統(tǒng)最成功的應用之一。

　　BP網(wǎng)絡結(jié)構(gòu)及其算法簡單，易于實現(xiàn)，是負荷預測中應用較成熟的方法。人們提出多種BP網(wǎng)絡的改進算法，如沖量系數(shù)自適應調(diào)整和誤差函數(shù)的改進，加速收斂；對初始隨機權(quán)值在量級上進行限定，克服局部最小問題。

　　2.3模糊集理論和啟發(fā)式搜索人的認知世界包含了大量的不確定性知識，這就需要對所獲信息進行一定的模糊化處理，以減少問題的復雜度。模糊邏輯可認為是多值邏輯的擴展，能夠完成傳統(tǒng)數(shù)學方法難以做到的近似推理。

　　近年來，模糊集理論在電力系統(tǒng)中的應用取得了飛速發(fā)展，包括潮流計算、系統(tǒng)規(guī)劃、模糊控制等領域。對于負荷變化和電力生產(chǎn)的不確定性，用一模糊值表示某不確定負荷在實際集合中的隸屬函數(shù)，建立電力系統(tǒng)最優(yōu)潮流的模糊模型，即模糊最優(yōu)潮流（FOPF）。

　　2.4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數(shù)字串尋優(yōu)。SA在己知解的鄰近區(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函數(shù)和約束的最優(yōu)化問題，在能源工程、經(jīng)濟、電力等領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制的搜索算法，對優(yōu)化設計的要求較少，對目標函數(shù)既不要求可微，又不要求連續(xù)，僅要求問題是可計算的，且其搜索始終遍及整個解空間，可有效避免常規(guī)數(shù)學方法的組合“爆炸”問題和局部最小解，具有很強的實用價值。

　　目前，應用啟發(fā)式搜索仍有很多待解決的問題，如搜尋終止標準的選擇，終止過快易偏離最優(yōu)解，不及時停止則會導致過度計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鍵因素，必須適當調(diào)整，否則可能得到局部最優(yōu)解。

　　3AI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)點和局限，缺少一種普遍有效的方法應用于電力系統(tǒng)的各個領域。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。