大型复杂电力系统的建模与智能优化控制_图文

1、收稿日期 :2007 01 16基金项目 :国家高技术研究发展计划项目 (863计划 (8635119845002作者简介 :王耀南 (1957-, 男 , 教授 , 博士生导师 , 主要从事控制科学与 工程、 模式 识别与智 能系统、 图像 处理、 智能 机器人、 电 气控制工.第 22卷第 1期 2007年 3月电 力 科 学 与 技 术 学 报JOURNAL OF EI ECTR I C PO W ER SCI ENCE AND TECHNOLOGYVo. l 22N o . 1M ar .2007大型复杂电力系统的建模与智能优化控制王耀南 1, 宋 明2(1. 湖南大学 电气与信息工程

2、学院 , 湖南 长沙 410082; 2. 河南省计算中心 , 河南 郑州 450008摘 要 :研究复杂电力系统的现场数据检测与信息融合 、 建 模、 控 制、 管 理与决 策及运 行状态 等特征 , 提出 实现复杂电力系统的广义知识模型描述 和智能建模策略 , 并介绍智能技术在广义知识模型和 智能建模中的应用 .关 键 词 :复杂电力系统 ; 知识模型 ; 智能建模策略 ; 智能优化控制中图分类号 :TM 743 文献标识码 :A 文章编号 :1673 9140(2007 01 0013 07G eneralized know ledge model and i ntelligent op

3、ti m alcontrol for co mplex power syste m sWANG Yaon an 1, SONG M ing2(1. College ofE l ectrical and Infor m ati on E ng i neeri ng , H unan Un i versit y , Changsha 410082, C hina ;2. H enan Co m puter Cen ter , Zh engzhou 450008, Ch i naAbstract :Real ti m e data detecting , infor m a ti o n fusio

4、n , m ode li n g , contro, l m anage m en, t decisi o n , and operati n g process for co m p lex po w er syste m s are i n vesti g ated i n this paper . A genera lized kno w ledge rep resentation m ode l and intelligentmode li n g strategy are proposed . And the i n telli g en t techno l o g ies app

5、lica ti o n i n the m odeling o f co m plex po w er syste m s is a lso i n troduced .K ey w ords :co m plex power syste m ; know l e dge m ode; l intelligent m odeli n g strategy ; I n telli g ent Opti m a l Contro l复杂电力系统与传统系统具有本质的区别 , 具 体表现为111:复杂的信息模型及其引起的分布式传感器、 数据量、 计算量的增加 ; 信息处理方式复杂 性增加和描述模型的多

6、样性 ; 精确机理建模日益困 难 ; 大量不确定因素 , 如环境动态变化 , 输入信息中 的噪声、 干扰与误差 , 信息的未知性、 不完全性 ; 多层次、 多任务的控制要求 . 这些都使传统的控制理论与 方法难于直接运用 , 复杂电力系统的控制问题就是 构成智能建模与鲁棒控制等问题 .复杂电力系统的控制与决策、 故障诊断、 动态特 性和运行状态的评价 , 必须建立在好的模型化方法 的基础上 . 研究复杂电力系统模型化离不开信息 , 信 息反映系统的重要特征 , 也是系统与环境、 系统与子 系统之间联系不可缺少的重要因素 . 信息数据往往 呈现定量、 半定量、 定性语义的不同模式 , 不同深度

7、不同层次地反映真实系统 . 复杂电力系统信息量的 大小 , 反映了该系统组织和复杂程度的高低 . 建立多 层信息 完整 模型是复杂电力系统广义知识模型 化的必由之路 , 这也是综合智能控制的要求 .基于物质、 能量守恒的精确机理建模 , 已不能处 理复杂电力系统多模式信息和反映系统的真实运动 状态 . 传统的系统辨识理论基于解析数值计算和单 一形式的模型类 (参数化数学模型 , 使它在复杂环 境系统面前很难处理多种模式信息 , 很难从不同层 次、 不同角度全面地反映真 实复杂系统 . 而人工智 能、 神经网络、 模糊逻辑、 模式识别、 进化计算 (遗传 算法、 遗传规划、 进化策略 、 Rou

8、gh 粗集理论、 数据 挖掘与知识发现 (KDD 、 小波神经网络、 多智能体 M u lti Agent 等智能化技术和理论的迅速发展 2, 使 得控制界开始探索系统辨识的 智能化 , 但这只是 在辨识领域刚引入智能化技术和理论 , 研究对象也 停留在复杂系统的某一信息处理层 .本文研究复杂电力系统广义知识模型化设计原 则 , 以这种广义知识模型结构反映真实系统的行为 和状态 , 支持不同要求和不同层次控制目标 . 基于这 种广义知识模型结构 , 提出广义知识模型化的多层 智能辨识方法 , 它以信息数据、 信息模型类及信息融 合处理技术及其准则为三要素 , 把复杂电力系统的 本质信息不同层次

9、地浓缩成相应信息模型类的广义 知识描述形式 , 集成多层次多模式信息描述的综合 集成模型 . 多层智能建模途径一方面为了克服传统 辨识理论在复杂电力系统中遇到的困难 , 另一方面 是为复杂电力系统提供一套广义知识模型化方法 . 1 复杂电力系统的广义知识模型描述 复杂电力系统广 义知识模型化是 其控制与决 策、 故障诊断、 动态特性和运行状态评价的基础 . 广 理论上抽取表达 . 复杂工业过程一般表现为如下特 征 :1 系统规模大 . 系统包含 许多需要不同 描述 方式的单元和过程 , 过程传感信息多 , 常常难以用简 单的微分或差分方程进行精确描述 , 传统的辨识和 分析方法建模困难 .2

10、系统非同态 . 不同模态 的过程和单元 表现 为描述模型的模式和信息知 识处理方法的极 大不 同 , 过程传感信息呈现不同的模式 , 不同层次地反映 系统行为 .3 系统不确定因素复杂 . 如环境动态变化 , 输 入信息中噪声、 干扰与误差 , 信息的未知性、 不完全 性等 .这些特征使复杂工业系统的行为不可能由统一 的一组描述方程和建模方法来描述 . 复杂电力系统 的建模问题就构成了广义知识模型的描述和智能建 模 . 并有其自身的广义知识模型化结构和原则 . 1. 1 模型化结构复杂电力系统提供了大量的不同模式的传感信 息数据 (定量 , 半定量的 , 定性的 , 它们从不同角度 不同层次反

11、映系统行为 , 提供关于系统不同模式的 信息知识 , 越是高层的信息其数据量就越少 , 而它包 含的信息知识量越浓缩 , 其模式也越表现为基于定 量描述的数值形式 .模式的多样性要求信息知识模型组成这样一种 层次结构 :较低层的信息模型趋向于采用传统的基 于数值计算的微分或差分方程模式 , 而较高层的信 息模型趋向于采用定性的符号描述模型 . 不同层次 的信息模型模式对应地处理复杂系统相应模式的传 感信息数据 . 在这种组合式模型中 , 复杂电力系统行 为不同层次的信息知识抽取建模有利于保持不同模 型之间的一致性 .复杂电力系 统信息知识抽 取建模是分层 进行 的 , 上层知识抽取来源于该层信

12、息数据和下层行为 模型的浓缩特征信息 , 信息知识抽取建模有 4类形 式 :1 解析方程式表示的信息知 识模型 . 主 要处 理复杂电力系统最直接的输入、 输出 , 系统运行状态 等定量化可计算信息数据 , 建立起这些数据内在的 满足某种要求的映射关系式 , 采用解析形式或数值 计算得到 .14电 力 科 学 与 技 术 学 报 2007年 3月定量化的系统特征为信息 , 把它们在连续可观测范围 内进行分段量化成离散之间 , 得到不同的模式类 , 通 过学习获得相关特征行为之间的内在信息联系 . 采用 学习推理技术诸如模糊建模、 模式识别建模等 . 3 启发式规则信 息模型 . 处理启 发式规

13、则变 量 , 完全以规则形式推理给出相关特征行为间的内 在联系 , 其信息数据基础往往是定性的启发式数据 . 4 定性化信息模 型 . 基于定性的 信息数据由 定性推理获得 , 这种模型更接近于人的思维模型 . 建立复杂电力系统结构化、 层次化整体广义知 识模型 , 很重要的一点是保持各层信息知识模型间 的一致性 , 保持 整体 模型的一致性 , 是依靠不同 模型间的信息知识抽取和协调来实现的 .1. 2 广义知识模型化原则传统的基于单一模式化模型 (解析形式或符号 描述形式等 的系统建模不 适用于复杂工业系统 , 因为从纵向看 , 它忽略了复杂系统信息知识的层次 性 , 简单的统一形式描述只

14、会增加模型化处理上的 复杂性 , 并且把不同模式信息统一到一种信息层次 上进行处理 , 很难使系统模型与真实系统保持一致 性 , 相互信息沟通显得非常困难 , 模型修正也会遇到 极大的障碍 . 从横向看 , 复杂电力系统具有属于不同 模态的部分和单元 .基于对复杂电力系统特征和信息模型结构的认 识 , 其广义知识模型化应满足如下原则 :1 系统模型必须 体现系统信息层次 结构 , 系 统模型化的层次数和所用的模型模式由具体复杂电 力系统期望达到的目标来决定 .2 复杂系统对于不同模态部分有其自身相适 应的描述广义模型模式 , 且其基于的概念、 方法和形 式都不同且不可比 . 每一部分可有不同模

15、型形式 , 视 其满足的目标、 信息抽取层次和精度要求而决定 . 3 不同信息层次和不同模式的模型都有其自 身的信息融合机制 .2 多层智能建模方法复杂电力系统广义知识模式化实质上是对系统 行为不同层次信息知识本质规律的抽取 , 智能辨识 则是一种重要途径 .定义 1 智能建模是把复杂系统的本质信息不 同层次地浓缩成相应模型类的描述形式 . 型类及信息融合处理技术及准则 .人们逐渐把定性推理、 智能化的概念引入辨识 领域 , 最直接的是把人工知识能如专家系统加到传 统辨识系统的顶层 , 形成指导协调式的专家辨识或 称监督辨识 , 以及辅助执行式的基于知识的辨识 . 但 是系统辨识的 智能化 同

16、智能化控制一样 , 还仅仅 停留在初始阶段 , 因此需要针对复杂电力系统特征 极大地扩大系统辨识的内涵和外延 , 建立复杂电力 系统多层信息 完整 模型智能建模的概念、 要素、 结构化和形式化及其框架结构理论 .多层智能建模系统的引入是系统模型化结构的 要求 , 同时也是智能建模自身的要求 . 因为低层次不 能描述处理的问题或下层处理结果的浓缩特征量可 以提高到上层信息模式处理 , 高层次处理的结果可 以补偿、 辅助下层处理工作 , 降低低层数据处理的复 杂性 . 例如传统辨识技术很难或不可能处理在有色 噪声、 突变干扰等不确定因素影响下的算法一致性 和收敛性 , 因为不确定性因素与解析变量数

17、据原本 不属于同一层次信息知识 , 试图建立一种统一模式 处理这些信息就显得很难或不可能 . 假若从辨识过 程中抽取出特征参数 (如协方差阵迹的大小等 , 在 较高层次上建立这些特征量与不确定因素之间的信 息模型 , 而通过该层估计不确定因素对低层辨识结 果的影响 , 便可达到调整辨识机制、 补偿较低层辨识 的目的 .多层智能建模系统一方面指各种理论和技术的 集成和融合 , 如辨识估计理论、 通信理论、 人工智能、 运筹学、 神经网络、 模糊逻辑、 模式识别、 进化计算、 Rough 集理 论、 数 据 挖 掘 与 知 识 发 现、 多 智 能 体 M ulti Agen, t 不同模式信息模

18、型的融合处理技 术都 是智能化的 . 另一方面按数据包 含信息度 (定义为 单位数据量反映的知识量和信息量 划分模式信息 层 , 每一信息层的智能建模机制都有其特定的信息 数据集 :其一是低层信息处理结果的浓缩特征量数 据 ; 其二是实时系统在该信息层提供的传感信息数 据 ; 其三是上层作用于该层信息域的数据 . 该层数据 信息处理结果一方面可以辅助补偿下一层信息融合 处理 , 评估下一层信息状态 ; 另一方面提供上一层信 息融合处理的数据基础 .在复杂电力系统中的多层智能辨识系统中 2, 3, .15第 22卷第 1期 王耀南 , 等 :大型复杂电力系统的建模与智能优化控制图 1 分层智能建

19、模模型的结构图第 1层为监控层的数值建模 , 第 2层为协调层 的数值 ! 符号转换模型 , 第 3层为组织决策层的知 识 (符号 建模 . 其中 , 第 1层采用 GA DNN 遗传算 法的递归神经网络动态辨识完成复杂系统的辨识与 建模 ; 第 2层采 用 模 糊 集 合理 论 , 建 立 数 值 测 量 符号 数值 的转换模 型 ; 第 3层采用基 于知识规则的模糊专家系统 , 建立知识推理模型 , 完 成复杂系统的辅助决策、 辅助任务 .数值测量模型 符号模型的转换描述如下 . 2. 1 数值模型描述该系统完成将被测对象的有关物理参量向数值 域的转换 , 又称映射 . 这就是一个用符号表

20、示的传统 的测量系统 , 由传统传感器及其调理电路和相应的 预处理软件来 实现 . 该系统 Q 1的组成 用符号表示 为Q 1=#q , N, 1, R q , R N , F 1 . (1 式 (1 中各符号的含义如下 :1 q 被测 对象的集 合 , 又 称对象域 , 由多 个元素构成 , 记为q 1, q 2, %, q k &q,或 q =q 1, q 2, %, q k ,k 2.其中 q 1, q 2, %, q k 为对象域 q 的 k 2个元素 . 如 温度测量系统需测量 k 个不同温度状态 .2 N 数值 (实数 符号集合 , 又称数值域 , 由多个元素构成 , 记为

21、, x 2, %, x k &N, 或 N =x 1, x 2, %, x k ,k 2.其中 x 1, x 2, %, x k 为数值 N 的 k 2个元素 , 它们 是被测对象与有关物理参量相对应的数值 .3 1 映射关系 , 表示由对象域向数值域映 射或转换的某种关系 , 记为1:q ! N .使得有关系式 (2 成立 , 即x i = 1(q i . (2 1是传统数值测量系统转换性能的体现 , 各种环境 干扰因素会影响实际数值测量系统的转换性能 , 故 1也受环境干扰因素变化的影响 .4 Rq 实际被测对象集合中各元素 q 1, q 2 , %, q k 间的关系 .5 R

22、N 数值集合中各元素 x 1, x 2, %, x k 间 的关系 (所谓各元 素间的关系 , 是指它们 可以依次 递增或依次递减或线性相加等 .6 F 1 R q 到 R N 关系的映射 , 记为F 1:R q ! R N .使得有关系式 (3 成立 , 即R N =F 1(Rq . (3 F 1构成了数值模型描述的关系概念 .2. 2 符号 (语言 模型的描述该系统完成由数值域向伪语言符号域的转换 , 或称映射 . 因此该系统将数值域 N:x1, x 2, %, x k 与语言域 Y :a 1, a 2, %, a k 相对应 , 它是数值一 符号转换器 , 是由软件实现的 .该系统的 Q

23、 用符号表示为Q 1=#N, Y, , R N , R Y , F . (4 式中各符号的含义如下 :1 N 数值 符号集合 , 即数 值域 , N =x 1, x 2, %, x k .2 Y 语言符号集合 , 又称伪语言符号域 , 简称语言域 . 冠以 伪 字是为了表示与人类自然符 号域的区别 , 它由元素 a 1, a 2, %, a j 构成 , 记为 a 1, a 2, %, a j &Y,或 Y =a 1, a 2, %, a j ,j 2.3 映射关系 , 表示由数值域 N 向语言域 Y 映射或转换的关系 , 记为:N ! Y.使得有关系式 (5 成立 , 即j = (x

24、i , a 1= 116电 力 科 学 与 技 术 学 报 2007年 3月a 2= (x 2, %, a n = (xn . (5 就是数值 符号转换单元转换性能的体现 . 4 R N 数值集合中各元素 x 1, x 2, %, x k 间 的关系 .5 R Y 语言符号集合中各元素 a 1, a 2, %, a j 间的关系 .6 F R N 到 R Y 的映射关系 , 记为F:R N ! R Y .使得关系式 (6 成立 , 即R Y =F (RN . (6 F 构成了语言符号模型的关系概念 .2. 3 人类专家自然语言符号描述该系统直接将现实世界与自然语言符号域相对 应 . 这是人类本

25、身依靠感知 , 溶入知识与经验 , 进行 综合分析、 推理、 判断而实现的 .需要指出的是 , 不同的测量任务在各种 域 中 的有限个元素集合将构成各自的 论域 . 例如一个 温度测量系统 , 它的测温范围下限值为 0(, 上限值 为 160(, 就可以说该测温系统的论域为 N =(0, 160. 这里的论域是由有限个温度数值 (元素集合 组成的数值域 .3 智能技术在广义知识模型及智能建 模中的应用广义知识模型可以用一个六元组表示 :M =O,G, T, V , R, S .其中 O 为模型的对象集 ; G 为模型的目标集 , T 为 模型系统所处的环境及约束条件集 ; V 为模型的变 量集

26、合 , 包括内部变量、 外部变量及状态变量 ; R 为 模型变量之间的关系集 ; S 为模型的状态集 , 从初态 到终态 .从广义知识模型讲 , 模型可分为概念模型、 逻辑 模型和物理模型 (即物理模型、 结构模型、 仿真模型 和数学模型等 . 智能建模涉及经典控制理论、 现代 控制理论、 多变量过程辨识、 运筹学、 数学模型、 专家 经验模型、 神经网络模型、 模糊模型、 面向对象模型 和 Petri 模型等 . 广义知识模型描述与多层次智能建 模的本质是 :把现有几种智能技术 , 如人工智能、 神 经网络、 模糊系统、 专家系统、 基于规则的归纳推理、 论和多智能体 M u lti Age

27、nt 等技术 , 集成到知识模型 描述与智能建模过程中 , 形成具有一定智能的对象 描述结构 , 并将信息处理和数值计算归结为传统的 问题求解技术 , 符号推理和非符号推理可归结为智 能问题求解技术 .图 2所示了智能建模的系统问题求解和层次分 类方法 , 其中智能技术是支撑技术 , 可综合集成起来 应用 .图 2 复杂电力系统的多层广义知识描述与智能建模方法综合应用框图1 遗传算法可用来代替传统 的优化算法 , 并 用于建模和神经网络的权值修定 .2 通过用神经网络代替知识工程、 推理、 知识 描述 , 完成专家系统中符号规则的归纳 , 利用 NN 代 替符号规则加快问题求解 , 使基于 N

28、N 的模型同基 于规则的专家系统 (ES 有相同的功能 .3 用模糊系统或模糊神经网 络、 小波神 经网 络进行复杂工业过程的结构动态辨识和建模 , 用遗 传算法完成参数的优化 .17第 22卷第 1期 王耀南 , 等 :大型复杂电力系统的建模与智能优化控制18 电 力 科 学 与 技 术 学 报 2007 年 3月 和神经网络融合起来, 进行多传感器信息处理, 完成 工业现场的特征提取、 特征记忆、 模式识别与分类. 5 将遗传算法、 混沌优化方法与 启发式知识 直觉推理结合, 设计出性能良好、 收敛快、 实用的数 值智能建模算法. 6 运用知识工 程、 机器学 习、 时序 逻辑模型、 粗集

29、理论、 知识发现、 模糊 Petri网的原理和方法和 复杂工业过程的运行进行分析和综合, 可研究出适 合该过程的知识模型、 广义知识表示、 知识的获取方 法, 建立复杂工业系统的各个层次的知识模型描述. 7 采用 多智能体 M ulti Agent 和模糊 P etri网 络技术建立复杂工业过程的协调级 ( 中间层 知识 模型. 8 采用模糊近似推理神经网络模型来描述复 杂的工业过程模型. 由于复杂电力系统的综合集成智能控制系统通 常采用分层结构, 即随着智能程度从高到低, 知识表 示由浅入深, 控制过程的基本特征决定了被控过程 应由定量信息的定性化、 定性推理、 定性信息的定量 化等环节组成

30、. 定性与定量方法相结合的系统结构, 如图 3所示, 这种结构具有很大的优越性, 是综合集 成智能控 制 理论 与应 用的 发展 方向 之 一, 如图 4 所示. 图 3 复杂工业过程的智能协调控制系统结构 图 4 大型复杂电力综合自动化系统 为了实现复杂工业过程的各个层次, 广义知识 模型描述与系统的智能建模, 研究和提出了有效的 实用方法. 定性模型的定义及获取的方法; 第 22卷第 1 期 王耀南, 等: 大型复杂电力系统的建模与智能优化控制 计划项目验收技术报告 R . 长沙: 湖南大学, 2000 . 2 王耀南. 智能控制系统 M . 长沙: 湖南大学出版社, 2006 . 19

31、系统定性行为描述; + 介于深层和浅层之间的中层知识模型描述; , 定性控制与定量控制的协调方法; 解析方程式表示的信息知识模型、 特征行为 的量化模式信息模型、 启发式规则信息模型、 定性化 信息模型的描述; . 研究新的复杂系统的知识表达、 搜索、 推理 及学习算法; / 建立复杂电力系统结构化、 层次化整体模型 及其多层信息模型和智能建模与智能优化算法. 3 R ao M, W ang O. C ompu ter integrated process system in cont inuous m anufactu ring industries J . Com puter Integrated M anu facturing System, 1993 6 ( 4 : 260 270 , . 4 董嘉文. 复杂工业系统 模型化: 多 层智能识 别途径 J . 控制与 决策. 1996, 11( 增刊 1 : 20 123 . 5 刘君华. 智能 传感 器系 统 M . 西 安: 西 安电 子科技 大学 出版 社, 1999. 6 宋国宁. 大型过 程工业 自动化 全过 程体 系结构 J . 信息 与控 制, 1994, 23( 2 : 6