基于不確定非線性智能電網感知網絡控制系統方法研究

康科飛

摘 要： 針對傳統的不確定時滯的魯棒控制系統不能滿足現代電力系統發展的需求，提出一種基于不確定非線性智能電網感知云網絡化控制識別方法。使用傳統的數據值和基于電力網絡到網絡系統模型作為電力感知網絡到網絡模型的電力云網絡，控制數據優化使用電源感知網絡，而不是利用控制節點的預測值，突破了魯棒控制的不確定時滯系統的控制效果。運用感知模型中的正向云算法修正加權系數，仿真實驗證明，該識別方法能夠很好地優化傳統的不確定時滯魯棒控制電力系統，具有良好的適應性和魯棒控制性，進一步提高了智能電網傳感云網絡控制的各項性能指標。

關鍵詞： 模糊電力感知網絡； 感知智能電網感知控制； 電力云網絡化控制； 適應性

中圖分類號： TN92?34 文獻標識碼： A 文章編號： 1004?373X（2014）21?0139?03

Smart power grid sensing network control system

based on uncertain nonlinear perception

KANG Ke?fei

（Chongqing Urban Power Supply Company of National Power Grid， Chongqing 400000， China）

Abstract： Since the traditional uncertain time delay robust control system can not meet the needs of the development of mordern electric power system， a new intelligent power sensing cloud network control recognition method based on uncertain nonlinear perception is put forward. The traditional data values and network system model based on power is taken as power cloud network control data optimization， which uses power supply sensing network model rather than the predictive value for the node control. It broke through the robust control which can not timely feedback control effect of the uncertain time delay system， but the weighted coefficient is corrected by the Xiang Yun algorithm in perception model of the performance indicator. The simulation results show that the recognition method has good adaptability， robustness and control for optimization of traditional uncertain time delay robust control system， and can further improve the smart power grid sensing cloud network control performance.

Keywords： fuzzy power sensing network； sensing control of perception smart power grid； power cloud network control； adaptability

1 相關研究工作

1.1 系統描述

基于電力感知網絡建模的一般運行模型為 [ψ0]為初始智能城市電力系統非負數據序列為[ξ0ψ（0）=（ξ1ψ（0）（1），ξ2ψ（0）（2），…，ξmψ（0）（m）），]對[ψ0] 進行一次電力感知網絡系統模型累加生成操作（CCGO），同時利用電力感知網絡模型得到[ψ0]的1?CCGO序列[ψ1=（ψ（1）（1），ψ（1）（2），…，ψ（1）（m）），]其中：[ψ1κ+1=j=1κ-nj+1，κ=1，2，…，m] （1）

對序列[ψ1]進行緊鄰均值生成操作，得到[ψ1]的緊鄰均值生成序列[?1，]其中：

[?1ξκ=j=1m12ψ1ξ1κ+ψ1ξmκ-1，κ=1，2，…，m] （2）

可得電力感知網絡的模糊微分方程：

[α=j=1mψ0mκξ+β?1κ?+1] （3）

利用云網絡相應的白化方程為：

[α=j=1mdξψmτdτ+βξψmτ] （4）

式中：[β]為發展系數；[α]為模糊作用量。[α]和[β]可用最小二乘法求得：

[α1β1=αταξ-1ατψm+1] （5）

[β=-?1α21-?1α131??-?1αm-1m1]

[ψm=ξψ02，ψ03，ψ04，…，ψ0mτ]

方程（4）的解為：

[ψ1τ=ψ11-βαe-argcosατ+βα] （6）

相應地，方程（3）的時間響應序列為：

[?（1）（κ+1）=ψξ（0）（1）-βαe-argcosακ+ξ?βα，κ=1，2，…，m] （7）

對序列[?（1）]進行累減生成操作，即電力感知網絡系統模型累加生成的逆運算，記為ICCGO，可得電力感知網絡序列[?（1），]其中：

[?（0）ξ（κ+1）=?（1）ξ1（κ+1）-ψ（1）（κξ2+1）=（1-eα）ψξ（0）（1）-βαe-argcosακ，κ=1，2，…，n] （8）

由方程（7）可知，功率傳感器網絡的傳感器網絡模型精度的功率取決于：

（1） [α]和[β]的值，而[α]和[β]的值依賴于初始序列和傳統數據值[?（1）]的構造形式；

（2） 模糊微分方程模型電力云網絡化控制數據的選取，原電力感知網絡模型以[?（1）（1）=ψ（1）（1）]為電力云網絡化控制數據。

參考文獻[2]根據電力感知網絡模糊模型的指數特性，利用在區間內[[κ，κ+1]]積分的方法，令：

[?（1）（κ）=j=1mψ（1）（κ）-ψ（1）m（κ-1）lnψ（1）（κ）-lnψ（1）m（κ-1），κ=2，3，…，m] （9）

優化了傳統數據值。參考文獻[2]根據新信息優先原理提出了以[ψ（1）（m）]為電力云網絡化控制數據的電力感知網絡模型為：

[?（1）（κ+1）=ψ（1）ξm（m）-βαe-argcosα（κ-m+1）+βαdτ] （10）

根據式（10），若進行[κ+d]時刻的電力感知網絡，然后對電力感知網絡系統模型累加后的數據進行還原得到還原數據對[κ+d]時刻的電力感知網絡為：

[?（κ+d）=ψ（1）ξm（m）-βαe-argcosα（κ+d-m+1）（1-eα）] （11）

以上這兩種方法可以單獨運用電力云網絡進行數據仿真，以提高準確性電源數據結構，并完全獨立于結構到電力云網絡控制模型中，同時提出優化傳統數據值和電力云網絡化控制數據的一種基于電力感知網絡模型，提高了電力感知網絡模型的仿真精度。

1.2 不確定非線性智能電網感知網絡化控制模型

電力云網絡化離散控制系統為：

[δ（κ）=κξe（κ+d）+κξτij=1κ+dτγe（j）+κξτde（κ+d）-e（κ+d-1）τγ] （12）

式中：[τγ]為采樣周期；[κ]為采樣序號；[κξ]為比例系數；[τi]為積分時間；[τd]為微分時間；[e（κ+d）]為設定值與預測值之間的偏差：

[e（κ+d）=rξ（κ+d）-?（κ+d）] （13）

由：

[δ（κ）=δ（κ-1）ξm+Δδ（κ）] （14）

易得其增量算式為：

[Δδ（κ）=j=1mξjκξe（κ+d）-e（κ+d-1）+κξτγτie（κ+d）+κxτdτγe（κ+d）-2e（κ+d-1）+e（κ+d-2）=j=1mξjκξ（e（κ+d）-e（κ+d-1））+κie（κ+d）+κde（κ+d）-2e（κ+d-1）+e（κ+d-2）] （15）

為得到感知智能電網感知云網絡的形成，將式（15）寫成：

[Δδ（κ）=j=1ni=1mμi（κ）ξj（κ+1）] （16）

式中：

[m=5，μi（κ+1）=i=1mμi（κ）+Δμi（κ+1）] （17）

[ξ1（κ）=e（κ+d），ξ2（κ）=e（κ+d）-e（κ+d-1）ξ3（κ）=e（κ+d）-2e（κ+d-1）+e（κ+d-2）] （18）

基于梯度優化的智能電網感知云網絡化電力感知網絡模型控制計算法，設系統的性能指標為：

[ζ（κ）=12[r（κ+d）-?（κ+d）]2=12e2（κ+d）] （19）

式中：[d]為電力感知網絡步數。令加權系數[μi]的調整沿著[ζ（κ）]對[μi]的感知模型調整云算法進行搜索，即有：

[Δμi（κ+1）=-ψi?J（κ）?μi（κ）] （20）

根據式（16），式（19），式（20）有：

[Δμi（κ）=ψieξ（κ+d）??（κ+d）?δ（κ）×?δ（κ）?μi（κ）] （21）

相應地，對[μ1，][μ2，][μ3]分別有：

[Δμ1（κ）=ψ1eξ（κ+d）??（κ+d）?δ（κ）×ξ1（k）]

[Δμ2（κ）=ψ2eξ（κ+d）??（κ+d）?δ（κ）×ξ2（k）Δμ3（κ）=ψ3eξ（κ+d）??（κ+d）?δ（κ）×ξ3（k）] （22）

式中：[ψ1，][ψ2，][ψ3]分別表示電源整體的感知、感知功率比和學習的感知力差速。[14??（κ+d）?δ（κ）]通常未知，利用符號信息[sign][14??（κ+d）?δ（κ）]近似代替，即：

[argsin（ψ）=1，ψ≥0-1，ψ<0] （23）

上述代替后所帶來的影響可通過調整學習速度來補償。

1.3 仿真數據分析

本課題運用該方法的實質性，同時利用參考文獻[2?4]中的一個不確定時滯魯棒控制系統模型如式（24）作為仿真研究節點，[τγ+1=1，][γ∈R+∞，]給定輸入[r（τ）=m（τ），]給定輸入模糊電力感知網絡計算器的建模維數[m=10 000，]電力感知網絡步數[d=1 000。]

[η（γ）=e-10γ1.5γ+1] （24）

基于電力云網絡控制，模糊的云網絡控制和常規電源感知網絡的力量以及本課題提出的一種基于不確定非線性感知智能電網感知云網絡化控制的控制干擾，用Matlab 7.0仿真得到如圖1所示的仿真結果。

從圖1可以看出，模糊感知的智能電網到電力云網絡控制可以有效地減少超調量，縮短調整時間。本課題提出的一種基于不確定非線性智能電網感知網絡化控制，結合電力云網絡化控制和模糊電力感知網絡控制的特點，系統具有良好的動態性能，與電力云網絡控制系統比較，大大減少了過沖及振蕩，使系統收斂速度更快。

2 結 語

本文提出了一種基于不確定非線性智能電網感知云網絡控制系統方法研究，將模糊電力感知網絡系統模型與智能電網感知云網絡化控制系統相結合，利用同時優化傳統數據值和電力云網絡化控制數據的一種基于電力感知網絡模型作為電力感知網絡系統模型，提高功率傳感器網絡的模糊模型精度，打破時滯延遲，傳感智能電網感知網絡控制梯度，優化網絡控制計算，實現智能電網的網絡感知最優控制。仿真實驗證明，該識別方法可優化傳統的不確定時滯魯棒控制系統，具有良好的適應性和魯棒控制性，進一步完善了智能電網感知網絡控制系統的各項性能指標。下一步工作將進行不確定非線性智能電網感知結構網絡容錯控制研究。

圖1 模糊感知的智能電網感知云網絡控制仿真

參考文獻

[1] JARUPAN B， EKICI E. PROMPT： A cross layer position?based communication protocol for delay?aware vehicular access networks [J]. Ad Hoc Neworks （Elsevier） Journal Special Issue on Vehicular Networks， 2010， 8： 489?505.

[2] MAJEED A， RAZAK S， ABU?GHAZALEH N， et al. TCP over multi?hop wireless networks： the impact of MAC level interactions [J]. Ad?Hoc， Mobile and Wireless Networks， 2009， 20： 1?15.

[3] 高存臣，劉振，任啟峰.時滯離散系統的非線性準滑模魯棒控制[J].控制理論與應用，2013，30（1）：123?130.

[4] 逄海萍，王璐萍.含狀態時滯不確定性系統的全滑模控制[J].計算機仿真，2010（11）：159?161.

[5] 唐功友，逄海萍，孫慧影.不確定時滯系統的全局魯棒最優滑模控制[J].控制理論與應用，2009，26（8）：850?854.

[6] 沈啟坤，張天平，錢厚斌.一類非仿射非線性系統的自適應模糊控制[J].電機與控制學報，2006，10（6）：592?596.

[7] 文杰，姜長生，錢承山.非仿射非線性系統的自適應模糊輸出反饋控制[J].系統工程與電子技術，2009，31（7）：1694?1698.

[8] 李春茂.網絡化控制系統自適應預測控制方法研究[D].成都：西南交通大學，2007.

[9] 付偉，楊先一，馮偉，等.網絡控制系統時延的預測控制補償方法[J].系統工程與電子技術，2011，33（9）：2066?2071.

2 結 語

本文提出了一種基于不確定非線性智能電網感知云網絡控制系統方法研究，將模糊電力感知網絡系統模型與智能電網感知云網絡化控制系統相結合，利用同時優化傳統數據值和電力云網絡化控制數據的一種基于電力感知網絡模型作為電力感知網絡系統模型，提高功率傳感器網絡的模糊模型精度，打破時滯延遲，傳感智能電網感知網絡控制梯度，優化網絡控制計算，實現智能電網的網絡感知最優控制。仿真實驗證明，該識別方法可優化傳統的不確定時滯魯棒控制系統，具有良好的適應性和魯棒控制性，進一步完善了智能電網感知網絡控制系統的各項性能指標。下一步工作將進行不確定非線性智能電網感知結構網絡容錯控制研究。

圖1 模糊感知的智能電網感知云網絡控制仿真

參考文獻

[1] JARUPAN B， EKICI E. PROMPT： A cross layer position?based communication protocol for delay?aware vehicular access networks [J]. Ad Hoc Neworks （Elsevier） Journal Special Issue on Vehicular Networks， 2010， 8： 489?505.

[2] MAJEED A， RAZAK S， ABU?GHAZALEH N， et al. TCP over multi?hop wireless networks： the impact of MAC level interactions [J]. Ad?Hoc， Mobile and Wireless Networks， 2009， 20： 1?15.

[3] 高存臣，劉振，任啟峰.時滯離散系統的非線性準滑模魯棒控制[J].控制理論與應用，2013，30（1）：123?130.

[4] 逄海萍，王璐萍.含狀態時滯不確定性系統的全滑模控制[J].計算機仿真，2010（11）：159?161.

[5] 唐功友，逄海萍，孫慧影.不確定時滯系統的全局魯棒最優滑模控制[J].控制理論與應用，2009，26（8）：850?854.

[6] 沈啟坤，張天平，錢厚斌.一類非仿射非線性系統的自適應模糊控制[J].電機與控制學報，2006，10（6）：592?596.

[7] 文杰，姜長生，錢承山.非仿射非線性系統的自適應模糊輸出反饋控制[J].系統工程與電子技術，2009，31（7）：1694?1698.

[8] 李春茂.網絡化控制系統自適應預測控制方法研究[D].成都：西南交通大學，2007.

[9] 付偉，楊先一，馮偉，等.網絡控制系統時延的預測控制補償方法[J].系統工程與電子技術，2011，33（9）：2066?2071.

2 結 語

本文提出了一種基于不確定非線性智能電網感知云網絡控制系統方法研究，將模糊電力感知網絡系統模型與智能電網感知云網絡化控制系統相結合，利用同時優化傳統數據值和電力云網絡化控制數據的一種基于電力感知網絡模型作為電力感知網絡系統模型，提高功率傳感器網絡的模糊模型精度，打破時滯延遲，傳感智能電網感知網絡控制梯度，優化網絡控制計算，實現智能電網的網絡感知最優控制。仿真實驗證明，該識別方法可優化傳統的不確定時滯魯棒控制系統，具有良好的適應性和魯棒控制性，進一步完善了智能電網感知網絡控制系統的各項性能指標。下一步工作將進行不確定非線性智能電網感知結構網絡容錯控制研究。

圖1 模糊感知的智能電網感知云網絡控制仿真

參考文獻

[1] JARUPAN B， EKICI E. PROMPT： A cross layer position?based communication protocol for delay?aware vehicular access networks [J]. Ad Hoc Neworks （Elsevier） Journal Special Issue on Vehicular Networks， 2010， 8： 489?505.

[2] MAJEED A， RAZAK S， ABU?GHAZALEH N， et al. TCP over multi?hop wireless networks： the impact of MAC level interactions [J]. Ad?Hoc， Mobile and Wireless Networks， 2009， 20： 1?15.

[3] 高存臣，劉振，任啟峰.時滯離散系統的非線性準滑模魯棒控制[J].控制理論與應用，2013，30（1）：123?130.

[4] 逄海萍，王璐萍.含狀態時滯不確定性系統的全滑模控制[J].計算機仿真，2010（11）：159?161.

[5] 唐功友，逄海萍，孫慧影.不確定時滯系統的全局魯棒最優滑模控制[J].控制理論與應用，2009，26（8）：850?854.

[6] 沈啟坤，張天平，錢厚斌.一類非仿射非線性系統的自適應模糊控制[J].電機與控制學報，2006，10（6）：592?596.

[7] 文杰，姜長生，錢承山.非仿射非線性系統的自適應模糊輸出反饋控制[J].系統工程與電子技術，2009，31（7）：1694?1698.

[8] 李春茂.網絡化控制系統自適應預測控制方法研究[D].成都：西南交通大學，2007.

[9] 付偉，楊先一，馮偉，等.網絡控制系統時延的預測控制補償方法[J].系統工程與電子技術，2011，33（9）：2066?2071.