最新人工智能AI在电力系统中的应用解读.docx

最新人工智能AI在电力系统中的应用解读.docx

《最新人工智能AI在电力系统中的应用解读.docx》由会员分享，可在线阅读，更多相关《最新人工智能AI在电力系统中的应用解读.docx（7页珍藏版）》请在冰豆网上搜索。

最新人工智能AI在电力系统中的应用解读

人工智能（AI）在电力系统中的应用解读

人工智能（ＡＩ）在电力系统中的应用　　　　　　　

学　　　院　　　　　　　　　

专　　　业　　　　　　　

研究方向　　

学生　姓名　　　

学　号　　　　

任课教师姓名　　　　　

任课教师职称　　　　　

２０13年　６月22日

人工智能（AI）在电力系统中的应用

摘要

人工智能（ArｔｉficialIｎtｅｌlｉgence,简称AI）已在电力系统的应用中获得了健康的发展,在较为成熟的技术如专家系统实用化的同时,进行多种智能技术的研究和探索．随着我国电力建设和电力市场竞争机制的引入不确定性因素和运行复杂性的增加，人工智能在电力系统中的应用前景将更加广阔.分析了适于人工智能应用的电力系统问题、概括介绍了其中几种应用广泛的人工智能技术以及电力系统中的智能故障诊断最后指出人工智能在电力系统中的应用发展趋势和应用前景

关键词：

人工智能　专家系统　　电力系统应用

引言

电力系统是由发电设备、变压器、输配电线路和用电设备等很多单元组成的复杂的非线性动态系统。

人工智能技术被广泛地应用于求解非线性问题，较之于传统方法有着不可替代的优势。

目前国内外已开发了多种人工智能工具,包括专家系统　（ＥS）、人工神经网络（ＡNN）、模糊集（FＳ）和启发式搜索（HＳ）等开拓了其在电力系统中各个领域的应用．

1、人工智能在电力系统中的应用领域ﻫ1.1电力系统的运行与控制ﻫ电力系统中分布着大量的自动控制和手动控制装置，如继电器、断路器、隔离开关等，由这些相对简单的局部控制的协同作用构成整个电力系统复杂的实时控制.

保护实时控制有两种形式，即离散和连续控制,继电保护是一种普遍的离散控制分布于系统的各个环节中,对系统状态、正常或事故的判断,即状态评估是实现保护动作的关键.由于AI具有逻辑思维和快速处理能力它已成为在线状态评估的重要工具文献［3］　提出一种基于规则的拓扑误差检测算法,效地运用了操作员的经验知识,傅立叶变换和卡尔曼滤波技术相比，用神经网络进行电流电压波形的特征参数分析具有更好的实时性正确的保护设置依赖于设备运行对系统影响的整体性分析,不开人类的启发和逻辑判断,继电保护设计中存在着大量的模糊知识与方法。

切负荷是另一种离散控制统元件的突然丢失,发电机因故障突然停机会造成系统容量的急剧变化，负荷超出系统供应容量，必须降低负荷以避免范围的供电中断。

这时,通过对负荷需求和系统行为的分析和启发式知识来控制继电器及时动作,如果将故障后系统的暂态稳定问题用故障后系统微分方程的解来描述,则故障与暂态稳定之间存在着某种数学映射,ANN　具有对函数映射逼近功能和并行处理能力。

因而用　ANN进行电力系统的切负荷控制有着良好的适应性和实用性,对输入特征量的选取和获得足以描述函数映射的样本，是用神经网络进行切负荷控制的关键问题。

励磁控制　是控制发电机端电压和无功功率的重要组成部分，重要的实时连续控制系统，对维持电力系统稳定性起主要作用,完成该功能的部分又称为电力系统稳定器（PＰS）。

于大容量机组的投入和快速励磁系统的应用,系统的动态稳定性问题愈来愈突出,如将模糊集理论用于励磁控制系统较传统基于线。

1．２电力系统的管理和规划

能源管理系统（EMS）　在现代电力系统中的作用越来越突出,全系统的数据通过　SCＡDA传给EMS，控制信号由EMS传给各元件，整个过程要做到同步进行，这要求　ＥMS　具有对大量信息的实时处理能力,并且能在正常和事故情况下及时、正确地作出控制决策,监测与诊断是　EＭＳ的重要功能,AI　在状态监测与故障诊断领域发挥着重要的作用，国内外已开发出多种基于专家系统和神经网络的诊断策略．

自动发电控制（AGC）是互联电力系统运行中的集中化实时计算机控制功能　保持系统出力和系统负荷相匹配，通过控制互联系统之间的能源交换,实现机组电厂间的负荷经济分配．由于工业负荷的高度变化性,采用常规的控制方法存在较大的局限,如采用Kohｏnen自组织神经网络进行可控信号的模式识别只对长期扰动响应，有效地提高了　AGＣ控制质量．

安全评价电力系统中经常可能出现的各种干扰和事故,如设备的损坏、自然现象的影响、人为的失误和破坏等,其中很多原因是无法预测和控制的。

因此,对电力系统在干扰或事故下的承受能力的评判,即安全评价是十分必要的。

神经网络作为安全评估的重要手段获得了很大发展,应用于系统的静态稳定性和动态稳定性分析安全评价领域普遍采用的方法是仿真,即模拟预想事故下系统的静态和暂态响应预想事故的筛选是个难点,往往需依赖运行人员的经验,AＩ　作为预想事故筛选工具具有广阔的前景，如基于规则的专家系统和Ｋohoｎｅn自组织神经网络应用于预想事故的筛选，既可有效结合运行人员的经验,又有筛选速度快的优点.

恢复故障后的系统恢复是个有次序的协调过程,即在最短时间内将断开的系统重新配置，平稳地恢复供电,不恰当的恢复顺序可能会引起新的事故。

正确的恢复动作关键在于恢复次序的选择,应用启发式搜索则可以有效地减少搜索空间,智能化的恢复技术是电力系统中的重要研究方向之一，如综合智能式恢复专家系统结合了启发式搜索、遗传算法和模糊集理论,作了有益的探索。

负荷预测是电力规划的重要内容和基础,由于包括天气变量在内的各种因素和实际负荷之间存在非常复杂的非线性关系，负荷预测具有很大的难度,在传统统计分析方法之外，逐渐兴起了人工智能的预测技术主要是专家系统和神经网络　由于神经网络适合解决时间序列预报，尤其是平稳过渡过程预报，问题一经引入电力系统,负荷预测便成为其应用的一个主要领域。

２、电力系统中的智能故障诊断

２.１专家系统诊断

专家系统是应用大量人类专家的知识和推理方法求解复杂实际问题的一种人工智能计算机程序。

一般包括知识库、数据库、推理机、接口及知识库管理系统、解释系统等。

2。

2人工神经网络诊断　　　

人工神经网络以其大规模并行处理能力，适应学习能力、分布式信息存储、鲁棒性、容错性和推广能力等特点在故障检测和诊断领域受到广泛重视。

ﻫ2。

3模式识别诊断

模式识别诊断是将系统的工作流程经过仿真和分析，加上人的经验,建成各种故障模式，并根据测量信息,确定系统属于哪种模式,从而检测和分离故障。

２。

4故障树分析法　

故障树分析法是一种自上而下逐层展开的演绎分析法。

他以系统或设备最不发生的故障为顶层事件,向下逐层查出导致该事件发生的全部原因，以一种特殊的倒立树状逻辑因果关系图即故障树）,表示事件的逻辑关系,并进行定性、定量的安全性和可靠性分析。

2。

5　模糊诊断　

模糊概念是内涵确定而外延不确定的概念,如:

／电压过大０,　/电机过热0　等。

正是由于这些模糊知识及故障诊断

3、主要的应用方法　

３.1　专家系统（EＳ）　的应用　　

专家系统是在某一领域内具有专家经验和知识的计算机程序,并能像人类专家那样运用这些知识,通过推理作出决策。

一个典型的专家系统由４部分组成　:

知识库、推理机、知识获取机制和人机界面．　专家系统已成为在电力系统中应用最为成熟的人工智能技术.国内　外已发展了多种专家系统　，应用于电力系统的不同领域:

监测与诊断、电网调度、预想事故筛选、系统恢复。

　尤其是监测与故障诊断已成为ＥＳ　在电力系统最重要的应用领域。

根据存储知识的不同方式　,　可将专家系统分为不同形式,即基于浅知识　（　经验知识）、规则、　决策树、模型等专家系统　,以及面向对象的专家系统。

基于模型的知识表示方式适合于实时处理,　与其他方法如基于规则（假设　）或启发的推理方式相比更快速、简单和易于维护。

专家系统在输电网　络故障诊断中的典型应用　是基于产生式规则的系统，　即把保护、断路器的动作逻辑以及运行人员的诊断经验用规则表示出来,形成故障诊断专家系统的知识库，进而根据报警信息对知识库进行推理,获得故障诊断的结论。

基于产生式规则的故障诊断专家系统得以广泛应用主要是由故障诊断和基于产生式规则的专家系统的特点所决定的。

输电网络中保护的动作逻辑一级保护与断路器之间的关系易于用直观的、模块化的规则表示出来　;基于产生式规则的专家系统允许增加、删除或修改一些规则　,以确保诊断系统的实时性和有效性;能够在一定程度上解决不确定性问题;　能够给出符合人类语言习惯的结论并具有相应的解释能力等。

此外,框架法专家系统善于表达具有分类结构的知识,　能够比较清楚地表达事物之间的相关性,可以简化继承性知识的表述和存储,在输电网络报警信息处理和故障诊断中也有少量应用。

虽然专家系统能够有效地模拟故障诊断专家完成故障诊断的过程，但是在实际应用中仍存在一定缺陷，其主要问题是知识获取的瓶颈问题、知识难以维护，以及不能有效地解决故障诊断中许多不确定因素，这些问题大大影响了故障诊断的准确性。

3.2人工神经网络（ANN）　的应用　

人工神经网络（ＡNN）　是模拟人脑组织结构和人类认知过程的信息处理系统,自　１９４3　年首次提出以来，已迅速发展成为与专家系统并列的人工智能技术的另一个重要分支。

　他以其诸多优点,如并行分布处理、自适应、联想记忆等,在智能故障诊断中受到越来越广泛的重视，而且已显示出巨大的潜力，并为智能故障诊断的研究开辟了　一条新途径。

应用ANN技术实现故障诊断不同于ES诊断方法.ＡＮN　方法通过现场大量的标准样本学习与训练,不断调ＡNN中的连接权和阈值　,使获取的知识隐式分布在整个网络上,并实ANN的模式记忆。

　因此AＮN具有强大的知识获取能力，　并能有效地处理含噪声数据　,弥补了ＥＳ方法的不足。

　采用多个人工神经元网络实现故障诊断　，每个ANＮ负责系统中一部分的诊断。

由于神经网络的快速并行处理能力和良好的分类能力，被广泛地应用于电力系统的实时控制、监测与诊断、短期和长期负荷预测、状态评估等诸多领域,而基于神经网络的负荷预测技术已成为人工智能在电力系统最为成功的应用之一。

3.３　模糊集理论（FuzzyＳｅｔｓＴｈeｏｒｙ）

在故障诊断中　，故障与征兆之间的关系往往是模糊的,这种模糊性即来自故障与征兆之间关系的不确定性，又来自故障与征兆在概念描述上的不精确性,因而诊断结果也必然是模糊的，解决模糊诊断问题的传统方法一般根据专家经验在故障征兆空间与故障原因空间之间建立模糊关系矩阵。

常用的方法是将各条模糊推理规则产生的

3.4启发式搜索

遗传算法（GA）　和模拟退火（SA）　算法是近年来逐渐兴起的两种启发式搜索通过随机产生新的解并保留其中较好的结果　并避免陷入局部最小　以求得全局最优解或近似最优解GＡ是由数字串的集合表示优化问题的解通过遗传算子即选择杂交和变异的操作对数字串寻优SＡ在已知解的邻近区域产生新的解并逐渐缩小邻近区域的大小直到逼近全局的最优解两种方法都可以用来求解任意目标函数和约束的最优化问题在能源工程经济电力等领域都取得了令人满意的结果遗传算法是基于自然选择和遗传机制的搜索算法对优化设计的要求较少对目标函数既不要求可微又不要求连续　仅要求问题是可计算的且其搜索始终遍及整个解空间　可有效避免常规数学方法的组合爆炸问题和局部最小解具有很强的实用价值目前应用启发式搜索仍有很多待解决的ﻫ问题　如搜寻终止标准的选择　终止过快易偏离最优解不及时停止则会导致过度计算而并不能提高解的质量　ＧＡ中遗传因子和　ＳA