電力係統中的人工智能技術應用研究上海交通大學唐華錦陳漢平奪商要：分析了適於AI應用的電力係統問題，並概括介紹了其中4種應用廣泛的人工智能技術，最後指出AI在電力係統中的應用發展趨勢和應用前景。

　　電力係統是由發電設備、荔枝黄色网站、輸配電線路和用電設備等很多單元組成的複雜的非線性動態係統。人工智能技術被廣泛地應用於求解非線性問題，與傳統方法相比有不可替代的優勢。目前國內外己開發了多種人工智能工具，包括專家係統CES）、人工神經網絡（ANN）、模糊集（FS）和啟發式搜索（HS）等，開拓了其在電力係統中各個領域的應用。

　　1AI在電力係統中的應用領域1.1電力係統的運行與控製電力係統中分布著大量的自動控製和手動控製裝置，如繼電器、斷路器、隔離開關等。由這些相對簡單的局部控製的協同作用構成整個電力係統複雜的實時控製。

　　保護實時控製有兩種形式，即離散和連續控製。繼電保護是一種普遍的離散控製，分布於係統的各個環節中。對係統狀態（正常或事故）的判斷，即狀態評估是實現保護動作的關鍵。由於AI具有邏輯思維和快速處理能力，它己成為在線狀態評估的重要工具。提出一種基於規則的拓撲誤差檢測算法，有效地運用了操作員的經驗知識。與傅立葉變換和卡爾曼濾波技術相比，應用神經網絡進行電流電壓波形的特征參數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於設備運行對係統影響的整體性分析，離不開人類的啟發和邏輯判斷。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製。係統元件的突然丟失（如發電機因故障突然停機），會造成係統容量的急劇變化。當負荷超出係統供應容量，就必須降低負荷以避免大範圍的供電中斷。這時，需通過對負荷需求和係統行為的分析和啟發式知識來控製繼電器及時動作。如果將故障後係統的暫態穩定問題用故障後係統微分方程的解來描述，則故障與暫態穩定之間存在著某種數學映射。ANN具有對函數映射的逼近功能和並行處理能力，因而用ANN進行電力係統的切負荷控製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映射的樣本，是用神經網絡進行切負荷控製的關鍵問題。

　　勵磁控製是控製發電機端電壓和無功功率的重要組成部分，是重要的實時連續控製係統，對維持電力係統穩定性起主要作用，完成該功能的部分又稱為電力係統穩定器（PPS）。由於大容量機組的投入和快速勵磁係統的應用，係統的動態穩定性問題愈來愈突出，如將模糊集理論用於勵磁控製係統，較傳統基於線性係統理論的PPS有更好的控製效果。

　　1.2電力係統的管理和規劃能源管理係統（EMS）在現代電力係統中的作用越來越突出。全係統的數據通過SCADA傳給EMS，控製信號由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，並且能在正常和事故情況下及時、正確地作出控製決策。監測與診斷是EMS的重要功能。AI在狀態監測與故障診斷領域發揮著重要的作用，國內外己開發出多種基於專家係統和神經網絡的診斷策略。

　　自動發電控製（AGC）是互聯電力係統運行中的集中化實時計算機控製功能，保持係統出力和係統負荷相匹配。通過控製互聯係統之間的能源交換，實現機組（電廠）間的負荷經濟分配。由於工業負荷的高度變化性，采用常規的控製方法存在較大的局限，如米用Kohonen自組織神經網絡進行可控信號的模式識別隻對長期擾動響應，有效地提高了AGC控製質量。

　　安全評價電力係統中經常可能出現的各種幹擾和事故，如設備的損壞、自然現象的影響、人為的失誤和破壞等，其中很多原因是無法預測和控製的。因此，對電力係統在幹擾（或事故）下的承受能力的評判，即安全評價是十分必要的。神經網絡作為安全評估的重要手段獲得了很大發展，應用於係統的靜態穩定性和動態穩定性分析。

　　安全評價領域普遍采用的方法是仿真，即模擬預想事故下係統的靜態和暫態響應。預想事故的篩選是個難點，往往需依賴運行人員的經驗。AI作為預想事故篩選工具具有廣闊的前景，如基於規則的專家係統和Kohonen自組織神經網絡應用於預想事故的篩選，既可有效結合運行人員的經驗，又有篩選速度快的優點。

　　恢複故障後的係統恢複是個有次序的協調過程，即在最短時間內將斷開的係統重新配置，平穩地恢複供電，不恰當的恢複順序可能會引起新的事故。正確的恢複動作關鍵在於恢複次序的選擇，應用啟發式搜索則可以有效地減少搜索空間。智能化的恢複技術是電力係統中的重要研究方向之一，如綜合智能式恢複專家係統結合了啟發式搜索（遺傳算法）和模糊集理論，作了有益的探索。

　　負荷預測是電力規劃的重要內容和基礎。由於包括天氣變量在內的各種因素和實際負荷之間存在非常複雜的非線性關係，負荷預測具有很大的難度。在傳統統計分析方法之外，逐漸興起了人工智能的預測技術，主要是專家係統和神經網絡。由於神經網絡適合解決時間序列預報（尤其是平穩過渡過程預報）問題，一經引入電力係統，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專家係統（ES）專家係統是在某一領域內具有專家經驗和知識的計算機程序，並能像人類專家那樣運用這些知識，通過推理作出決策。一個典型的專家係統由知識庫、推理機、知識獲取機製和人機界麵4部分組成。專家係統己成為在電力係統中應用最為成熟的人工智能技術。國內外己發展多種專家係統用於電力係統的不同領域：監測與診斷、電網調度、預想事故篩選、係統恢複。尤其是監測與故障診斷己成為ES在電力係統最重要的應用領域。

　　根據存儲知識的不同方式，可將專家係統分為不同形式，即基於淺知識（經驗知識）、規則、決策樹、模型等專家係統以及麵向對象的專家係統。基於模型的知識表示方式適合於實時處理，比其它方法如基於規則（假設）或啟發的推理方式更快速、簡單和易於維護。

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

　　2.2人工神經網絡（ANN）人工神經網絡是模擬的生物激勵係統，將一係列輸入通過神經網絡產生輸出。這裏輸出、輸入都是標準化的量，輸出是輸入的非線性函數，其值可由連接各神經網元的權重改變，以獲得期望的輸出值，即所謂的訓練過程。

　　根據不同問題，多種結構和訓練算法的神經網絡在電力係統中得到了應用，如BP網絡、Kohonen自組織神經網絡等。

　　由於神經網絡具有快速並行處理能力和良好的分類能力，被廣泛用於電力係統的實時控製、監測與診斷、短期和長期負荷預測、狀態評估等諸多領域，而基於神經網絡的負荷預測技術已成為人工智能在電力係統最成功的應用之一。

　　BP網絡結構及其算法簡單，易於實現，是負荷預測中應用較成熟的方法。人們提出多種BP網絡的改進算法，如衝量係數自適應調整和誤差函數的改進，加速收斂；對初始隨機權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，以減少問題的複雜度。模糊邏輯可認為是多值邏輯的擴展，能夠完成傳統數學方法難以做到的近似推理。

　　近年來，模糊集理論在電力係統中的應用取得了飛速發展，包括潮流計算、係統規劃、模糊控製等領域。對於負荷變化和電力生產的不確定性，用一模糊值表示某不確定負荷在實際集合中的隸屬函數，建立電力係統最優潮流的模糊模型，即模糊最優潮流（FOPF）。

　　2.4啟發式搜索遺傳算法（GA）和模擬退火（SA）算法是近年來逐漸興起的兩種啟發式搜索，通過隨機產生新的解並保留其中較好的結果，並避免陷入局部最小，以求得全局最優解或近似最優解。GA是由數字串的集合表示優化問題的解，通過遺傳算子，即選擇、雜交和變異的操作對數字串尋優。SA在己知解的鄰近區域產生新的解，並逐漸縮小鄰近區域的大小，直到逼近全局的最優解。兩種方法都可以用來求解任意目標函數和約束的最優化問題，在能源工程、經濟、電力等領域都取得了令人滿意的結果。

　　遺傳算法是基於自然選擇和遺傳機製的搜索算法，對優化設計的要求較少，對目標函數既不要求可微，又不要求連續，僅要求問題是可計算的，且其搜索始終遍及整個解空間，可有效避免常規數學方法的組合“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解，不及時停止則會導致過度計算而並不能提高解的質量。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，必須適當調整，否則可能得到局部最優解。

　　3AI在電力係統中的發展趨勢混合智能目前，人工智能中的4種主要工具（專家係統、ANN、模糊集理論和啟發式搜索）各有優點和局限，缺少一種普遍有效的方法應用於電力係統的各個領域。混合智能，即綜合多種智能技術，成為AI的重要發展方向之一。