人工神經網絡在電力系統中的應用

利莎

摘要：本文介紹了人工神經網絡在電力系統的短期負荷預測、多狀態振蕩的阻擋、諧波源的檢測與辨識等方面的應用。

關鍵詞：電力系統；人工神經網絡；智能控制

1、負荷預報及網損計算的人工神經網絡方法

1.1 短期負荷預報的人工神經網絡方法

為了用戶安全、經濟地提供高質量的電能，電力部門必須解決運行、控制、規劃等方面的許多技術、經濟問題。為了實現對電力系統的最佳規劃與運行，獲得最好的經濟效益，系統工程理論與優化技術在電力系統中廣泛濫用。應用這些理論與技術的前提是預先知道系統的負荷大小。因此長期的和短期的負荷預報是一個很重要的課題。

短期負荷預報主要用于電力系統的控制與調度，作為潮流計算及偶發事故分析的輸入量。而傳統的方法幾乎毫無例外地屬于時間序列的范疇，近年也利用專家系統進行負荷預報。在已有的幾利負荷模型中，有的在時間序列中沒有考慮氣候的影響。而在計及氣候影響的模型中，要求寫出負荷與影響負荷的各個因素之間的解析表達式，這往往非常困難。人工神經網絡則無需寫出未來負荷與各個影響因素之間的解析表達式，通過樣本對神經網絡進行學習訓練即可。于是，人工神經網絡方法成為提高負荷預報精度、縮短預報的計算時間的有效途徑，負荷預報成為人工神經網絡方法最有前景的應用領域之一。

1.2 網損計算的人工神經元方法

理論上可以采用潮流計算方法求得任一時刻的有功功率損耗，對時問積分求出能量損耗。但由于電網特別是低壓電網元件眾多，接線復雜、測量數據不等原因，使得準確的潮流計算難以進行，無法得到準確的網損。不得不采用一些粗略的、近似的計算方法，如日均方根電流法、回歸分析法等。但即使采用這些近似方法亦存在許多困難，而且結果不盡人意。人工神經網絡無需寫出輸入與輸出之間的映射關系，經過學習訓練可以實現任意復雜的映射。因此人們自然想到人工神經網絡為基礎的網損計算方法。

計算實踐表明，人工神經網絡可以模擬網損與特征參數任意復雜的非線性關系，而且由于該方法是面向數據的，因而可以適用于一切網絡，即具有普適性。為了提高計算的精度，在對樣本進行訓練以前，可用Kohonen網絡對樣本按特征進行分類，得到用于同一類網損計算的專用的人工神經網絡模型，在專用網絡上對輸人數據用反傳（BP）算法進行訓練。

2 電力系統穩定分析的人工神經網絡方法

2.1 人工神經網絡技術為基礎的電力系統動態穩定分析

對動態穩定問題進行研究的要求是計算的有效性好，計算精度高。特征根法是通過計算線性微分方程的系數矩陣的特征根來估計系統的穩定性的，是研究動態穩定問題的傳統方法之一。該方法的優點在于計算的有效性好，具有較好的魯棒性；其缺點是隨著電力系統的擴大，計算時間會增長。為此，廣大電力工程師和數學工作者為改進特征根方法做了大量的工作。目前，主要應用由Kohonen提出的自組織特征映射網絡，即無指導的正傳網絡來對系統進行分類并解決動態穩定指標的問題。這一方法的基小思想在于求s矩陣的臨界特征根，求出動態穩定指標。傳統方法是通過識別穩定域來解決穩定問題，該方法則是求出穩定指標來解決穩定問題。

2.2 人工神經網絡為基礎的多機電力系統穩定器

電力系統穩定器（PSS）是抑制電力系統振蕩特別是電力系統低頻振蕩的有效措施。傳統的PSS是以電力系統某一給定運行點為基礎進行設計的，一旦電力系統接線發生變化或者運行點發生變化，PSS的運行特性往往變差。隨著電力系統的發展和對電能質量要求的提高，人們正在研究新的控制技術以提高電力系統穩定性，人工神經網絡的研究為改善電力系統的穩定性開辟了一條新的途徑。研究表明，其主要特點是：

（1）ANN是自適應的。可以在電機整個工作范同內對神經網絡進行訓練。即使電廠的運行條件變化，訓練好的

神經網絡也可以達到很好的控制效果。（2）南于ANN是并行結構，ANN控制器的計算時問遠比其他控制方案短。（3）

ANN是魯棒的，即使輸入數據不完整或者信號中含有噪聲，ANN也能得到正確的結果。

將發電廠的加速功率作為發電廠的輸出、延時的響應、延時的勵磁系統的附加信號一起作為ANN PSS的輸入信號。ANN PSS也采用多層系統和誤差反傳訓練方法。模擬試驗的結果表明，訓練合理的ANN PSS可以在很大的運行范圍內給電力系統提供很好的阻擋作用，顯著地改善電力系統的動態特性。

3、電力系統辨識與測量的人工神經網絡方法

3.1 無功測量的人工神經網絡方法

現代電力系統中的許多負荷是非線性的，會產牛大量諧波，對電能質量造成影響。這些負荷的快速變動是對供電網絡的擾動，通常會造成電網電壓的波動，造成對聯于同一網絡上其他負荷的閃變。為了對付這快速變化的無功功率通常需要裝設無功補償裝置。雖然現代的電力電子設備能提供快速的無功補償，但快速的無功補償需對各時刻的無功功率進行準確的測量和計算，以便實現對補償裝置有效地控制，采用誤差反傳神經網絡能計算無功功率的瞬時值，其精度與采用傳統方法用極高的采樣頻率得到的結果相當，因而是成功的，而且具有很好的應用前景。

3.2 電壓與電流波形實時識別的人工神經網絡方法

保護和控制均需對電流電壓波形進行實時的估計，因此提出了許多數值計算方法，如傅立葉級數、卡爾曼濾波技術等。但這些算法都不是并行的，計算速度上的局限性很大，很難用于實時的保護與控制計算中。Tank和Hopfield等人就說明過如何將簡單的模擬處理器緊密連接起來解決優化問題和信號處理問題。美國學者Kennedy和蔡少棠等人將該方法推廣到處理一般的非線性網絡問題。人工神經網絡方法為許多信號處理問題（如信號恢復問題），提供了一種全新的思路。其中一種用于正弦信號參數的在線估計的神經網絡方法，是最速下降連續時間優化算法，而優化算法的解答由人工神經網絡得到。

3.3 電力系統諧波源的監控與辨識

諧波源實際上是非線性負荷，可以使得電壓波形畸變到不可接受的程度。利用冗余的帶噪聲的測量信息，電力系統狀態估計理論可對基波電壓、潮流進行估計。該技術還可用于對諧波波形的估計。在電力系統諧波分析中，可用狀態估計方法對諧波源進行辨識。但這需要在電力系統中裝設大量諧波測量裝置，對電力系統諧波進行連續測量。因此人們希望裝盡可能少的檢測儀器，檢測盡量少的母線，利用狀態估計來預估。這對于設計補償器來改善諧波電流和改善功率因數都是有益的。做到這一點就需要用初始估計，或者說用偽測量來代替實際的諧波測量。一般而言，一個有n個復狀態的網絡至少要有n個復數測量來計算未知量，再用n+1個測量來改進未知狀態的估計值。在基波分析中，用偽測量得到必需數量的測量值或者增加數據的冗余度。而在諧波估計中，一般說來，偽測量很難奏效.原因是諧波源是變化的，而且直接測量很困難。人工神經網絡代替諧波狀態估計的偽測量，即是將人工神經網絡與狀態方法結合應用，可直接采用線性估計法。人工神經網絡用于電力系統非線性負荷的諧波源的初始估計值，可以在較少的點上對諧波電流進行連續的測試。再將這些估計值用于狀態估計器，則可發現其他的未知的諧波源。

總之。隨著人工智能技術的發展，人工神經網絡與專家系統及模糊控制的綜合對于電力系統這個復雜的動態大系統來說應用潛力巨大。人工神經網絡的形象思維能力、專家系統的邏輯思維能力和模糊邏輯這三者的結合，既可體現出各自的優勢，又可互相彌補。

參考文獻：

[1]楊啟平，藍之達，基于人工神經網絡的變壓器故障診斷[J]變壓器，2000，37（3）

[2] 楊勇，人工神經網絡在電力系統中的應用與展望[J]電力系統及其自動化學報，2001，01