何斌

【摘要】随着科技进步，各种智能控制技术（专家系统、神经网络、模糊控制、模

糊神经网络、遗传算法等）在变电站电压无功综合控制中得到了应用，这些方法多有着自我优势，这便是本文的研究重点。

【关键词】智能控制技术；VQC

由于近几十年来智能控制学科（包括专家系统、人工神经网络、模糊控制、学习控制如遗传算法等）的迅速发展，各方面电力工作者也开始尝试研究将智能控制技术应用到变电站VQC之中。

一，基于专家系统的变电站VQC

专家系统是人工智能领域应用最多的一个分支，它是由许多收集的规则组成，规则采用IF—THEN结构，清楚的表达了知识和结果。一般专家系统由三部分组成：控制机制、推理机制和知识库，控制机制决定控制过程的策略，推理机制实现知识之间的逻辑推理以及与知识库的匹配，知识库包括事实、判断、规则、经验和数学模型。知识库主要由规则库和数据库组成，规则库存放从本领域专家那里

提取的知识和经验，而数据库存放原始数据和程序运行中重要的中间结果。规则库的内容在程序运行中是不变的，而数据库的内容随着推理的进行而改变。由于在变电站电压无功综合控制领域中，运行人员长期在实践操作中积累起来的经验知识相当重要，因此有人将专家系统应用在变电站VQC装置中。

例如以3台主变压器、主接线为双母线带旁路的变电站为模型，提取了180多条知识，以产生式规则表示并建立了运行方式识别、运行状态识别和控制措施3个子知识库，为便于管理还设计了一个知识库管理系统，实现对知识的增加、删减、修改和显示等操作。推理机采用正向分层推理策略，将事实与知识库的每条规则的前提逐条匹配，一旦匹配成功则将该规则的结论记下，再判别结论是否属于数据库中新的事实，如果是的话则将新的事实加入数据库并记下该规则，作为后续规则推理的条件之一。该电压无功控制专家系统采用C语言设计，并建立了成套软件。使用专家系统的方法，当系统运行状况、网络结构发生变化时，只需要修改部分知识库便可完成。但专家系统也存在明显的缺点，如推理速度慢、知识获取困难等。单一专家系统控制已无法满足实时性、灵活性、自适应性的要求，因此专家系统的混合控制技术也受到了国内外专家的关注，例如模糊专家系统、神经网络专家系统等。

二，基于神经网络的变电站VQC

人工神经网络控制是模拟人脑神经中枢系统智能活动的一种控制方式，具有自适应能力和学习能力。神经网络是一种不依赖模型的自适应函数估计器，当给定的输入并非原来训练的样本时，神经网络也能给出合适的输出，具有泛化功能。神经网络具有极强的非线性映射能力、并行计算能力、自学习能力以及强鲁棒性和很好的容错能力等优点，因此被广泛地应用于控制领域。

神经网络目前在电力系统中应用最多的课题是负荷预测。针对变电站VQC装置控制策略中缺少负荷波动的信息（常规vQC装置通常采用定延时15min的方法以躲过负荷波动的干扰，减少控制设备的动作次数）。有的学者提出了一种有效的动态无功综合优化方法来实现变电站的电压无功控制。该方法基于径向基函数网络（RBF）的负荷预测、灵敏度分析的分段等效处理，考虑了实际系统的各种约束和要求，以动态无功优化模型和无功优化修正模型来确定预测范围内外的变电站电压无功综合优化控制决策。还有有的研究针对在变电站实际运行中电压无功控制器会动作频繁、波动大，严重时会导致事故的发生，最后不得不改自动控制为手动控制的问题，提出了运用海明网络来对变电站九区图的运行区间进行分区判断，根据分区判别的结果来调动相应的控制策略，经过计算机仿真获得了较满意的效果。

三，基于模糊逻辑控制的变电站VQC

模糊逻辑控制（FLC）或称模糊控制（FC）是模仿人的控制经验而不依赖控制对象模型的一种控制方式，适用于处理不确定的、有不同量纲、相互冲突的多目标优化问题，利用专家经验建立模糊集、隶属度函数和模糊推理规则等来实现对复杂系统的控制。

有的研究提出了一种用于综合控制电容器组投切和有载调压变压器分接开关调节的模糊控制算法，但模糊规则的组织相对较简单（这是由于采用的模糊控制原则过于简单所致）。后来研究者提出了一种双输入双输出一阶结构的电压无功控制器的设计方法，但模糊规则的提取受主观因素的影响较大。在电压偏差很小、无功偏差很大时，会出现动态控制性能不佳的情况，该文献作者后来在原设计的模糊控制器的基础上引入了可变规则处理功能，建立了可变规则的模糊控制器（仍是双输入双输出一阶结构模型）以解决此问题，却增加了算法的复杂性。

四，基于模糊神经网络的变电站VQC

智能控制技术所控制的对象一般都是采用常规控制手段所无法控制的，具有相当程度的复杂性。有时单独依靠某一种智能控制方式可能无法满足控制要求，因此智能控制专家们将兴趣转向了混合（集成）智能控制技术的研究。由于变电站电压无功综合控制的复杂性，将混合智能控制系统应用到其中是一个非常好的思路。

模糊控制具备处理模糊语言信息的能力，能够充分利用本领域专家的知识和现场操作人员的经验和知识，以较少的规则数来表达知识，擅长技能处理，但不具备自学习和自适应能力，模糊控制规则和隶属度函数的获取是其“瓶颈”问题。而神经网络具有自学习和大规模并行处理的能力，比较擅长认知处理。模糊控制和神经网络各有所长，存在着一定的互补性。在神经网络中融入模糊控制的目的便是使用神经网络通过学习从给定的经验训练中来获取并修正模糊控制的控制规则和隶属度函数，即将学习机制引入到模糊控制之中，将模糊控制器的模糊化处理、模糊推理、清晰化计算通过分布式的神经网络来表示，从而实现模糊控制系统的自学习和自适应。模糊神经网络控制器不需要建立被控对象的数学模型，对被控对象的参数变化也不敏感，具有极强的魯棒性：结合了模糊控制和神经网络的优点，可实现神经网络“硬件”拓扑结构+信息模糊处理“软件”思维功能，是一种性能极佳的控制器。

此外，还有基于遗传算法的变电站VQC。遗传算法（GA）是一种建立在自然选择原理和自然遗传机制上的迭代式自适应概率性搜索方法，它模拟自然界中生物进化的发展规律，在人工系统中实现特定目标的优化。目前遗传算法被广泛地应用在电力系统的优化求解中，如输电网络规划、无功优化以及电力市场竞价机制等。

【参考文献】

【1】廉小亲，模糊控制技术【M】，中国电力出版社，2003

【2】康明才，基于遗传算法的变电站电压一无功综合控制【J】，南京理工大学学报，2002，26