本文關(guān)鍵詞：人工智能技術(shù)在電能質(zhì)量分析中的應(yīng)用，，由筆耕文化傳播整理發(fā)布。

?電工技術(shù)雜志# 2004 年第 12 期

? 電力電氣 ?

人工智能技術(shù)在電能質(zhì)量分析中的應(yīng)用
劉曉芳 劉會(huì)金 陳允平
430072) ( 武漢大學(xué)電氣工程學(xué)院 摘 要

電能質(zhì)量和人工智能技術(shù)都是目前國際電工領(lǐng)域研究的熱點(diǎn), 如何將人工智能技術(shù)

應(yīng)用于電能質(zhì)量問題的分析和

診斷更是電能質(zhì)量研究中的重點(diǎn)問題。本文初步介紹了人工智能的 主要分支: 專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、模糊邏輯和遺傳算法的基本概念及其在電能質(zhì)量中的獨(dú)特應(yīng) 用, 并對(duì)未來的發(fā)展趨勢(shì)做出了展望。 關(guān)鍵詞 電能質(zhì)量 人工智能 專家系統(tǒng) 神經(jīng)網(wǎng)絡(luò) 模糊邏輯 遺傳算法

1

引言

和決策、智能的電能質(zhì)量訓(xùn)練和教育體系的開發(fā)等。

20 世紀(jì) 80 年代末以來, 隨著微電子技術(shù)和電 力電子技術(shù)的發(fā)展, 基于電力電子技術(shù)的裝置和設(shè) 備在現(xiàn)代工業(yè)中得 到了廣泛的應(yīng) 用, 同時(shí)直 流輸 電、電氣化鐵路、沖擊性負(fù)荷的不斷增多還有各種 大型用電設(shè)備的起停, 都對(duì)電能質(zhì)量產(chǎn)生嚴(yán)重的污 染; 但另一方面, 現(xiàn)代新型的負(fù)荷設(shè)備, 多是基于 微處理器的控制設(shè)備, 它們對(duì)電能質(zhì)量的變化越來 越敏感, 對(duì)電能質(zhì)量的要求越來越高, 使得電能質(zhì) 量成為人們?nèi)找骊P(guān)注的問題。 為采取合理措施提高電能質(zhì)量, 建立電能質(zhì)量 檢測(cè)和分析識(shí)別系統(tǒng), 對(duì)其進(jìn)行正確的檢測(cè)、評(píng)估 和分類就顯得十分必要。但是電能質(zhì)量問題診斷依 靠的不僅僅是某一領(lǐng)域的專門知識(shí), 而是涉及到測(cè) 量技術(shù)、信號(hào)分析和處理、電力系統(tǒng)、電力電子和 控制技術(shù)等諸多方面的內(nèi)容�，F(xiàn)有的電能質(zhì)量分析 診斷方法多是基于對(duì)電能監(jiān)測(cè)設(shè)備記錄的擾動(dòng)波形 的觀察, 因此, 需要觀察記錄大量的數(shù)據(jù), 加上數(shù) 據(jù)的模糊性和電力系統(tǒng)結(jié)構(gòu)的多樣性, 使得分析工 作更加復(fù)雜和困難。如何實(shí)現(xiàn)電能質(zhì)量的自動(dòng)診斷 和決策成為電力工作者研究的難題。 人工智能作為一門發(fā)展迅速的交叉學(xué)科, 受到 了電力行業(yè)科研工作者和工程技術(shù)人員的關(guān)注, 已 經(jīng)廣泛地應(yīng)用于電力電子、電力系統(tǒng)規(guī)劃、系統(tǒng)安 全穩(wěn)定性分析、繼電保護(hù)、故障診斷和定位、負(fù)荷 預(yù)報(bào)、運(yùn)行與控制以及教育仿真等。與此同時(shí), 將 人工智能應(yīng)用于電能質(zhì)量問題的研究也是當(dāng)前電工 領(lǐng)域的熱點(diǎn) [ 1] , 主要集中在電能質(zhì)量監(jiān)測(cè)和評(píng)估、 電能質(zhì)量問題的診斷和分類、諧波分析、系統(tǒng)恢復(fù) ! 66 !

2

人工智能 ( artificial intelligence 簡稱 AI)
AI 技術(shù)是計(jì)算機(jī)研究和應(yīng)用發(fā)展到一定階段

的產(chǎn)物, 它研究的是怎 樣用機(jī)器模仿 人腦從事推 理、規(guī)劃、設(shè)計(jì)、思考和學(xué)習(xí)等思維活動(dòng), 解決迄 今為止仍需由專家才能處理好的復(fù)雜問題。AI 在 電能質(zhì)量研究中的應(yīng)用焦點(diǎn)主要集中在專家系統(tǒng)、 神經(jīng)網(wǎng)絡(luò)、模糊邏輯和遺傳算法。 2 1 專家系統(tǒng) ( Ex pert syst em, ES) ES 是人工智能研究領(lǐng)域中最活躍的一個(gè)分支。 它是在某一特定領(lǐng)域內(nèi)利用知識(shí)和推理來解決人類 專家不能解決的重要問題。傳統(tǒng)程序必需固定程序 步驟, 借以復(fù)雜的算法, 只要輸入數(shù)據(jù), 就能得出 結(jié)果。相比而下, ES 則集中大量的符號(hào)處理, 采 用啟發(fā)式方法模擬專家的推理過程, 通過推理, 利 用知識(shí)解決問題。由于 ES 具有較強(qiáng)的邏輯思維和 符號(hào)處理 能力, 并能方 便的修改原知 識(shí), 靈活性 好, 適合于電能質(zhì)量問題的分析。 ES 已成為在電能質(zhì)量研究中應(yīng)用最為成熟的 人工智能技術(shù)。在一個(gè)電能質(zhì)量專家系統(tǒng)中, 知識(shí) 庫包括了電能質(zhì)量問題的特征、類型、解決問題的 方案、影響方案選擇的特定因素等內(nèi)容。知識(shí)庫由 一系 列 的 if than 或 if t han else 規(guī) 則 組 成, 其中 if 子句表示某類 PQ 問題的特征, 由敏感 設(shè) 備 表 現(xiàn) 出 來 的 特 征 和在 線 監(jiān) 測(cè) 的 數(shù) 據(jù) 得 到; t han 和 else 子句包括電能質(zhì)量問題產(chǎn)生的原 因及相應(yīng)的對(duì)策。國內(nèi)外已發(fā)展了多種專家系統(tǒng), 應(yīng)用于電能質(zhì)量的不同領(lǐng)域。 2 2 人 工神 經(jīng)網(wǎng) 絡(luò) ( Art if icial Neural Net works,

人工智能技術(shù)在電能質(zhì)量分析中的應(yīng)用

? 電工技術(shù)雜志# 2004 年第 12 期

ANN) ANN 的研究已經(jīng)有 30 多年的歷史了, 它是一 門涉及生物、電子、計(jì)算機(jī)、數(shù)學(xué)和物理學(xué)的交叉 學(xué)科, 有著廣泛的應(yīng)用背景。ANN 是由大量的處 理單元廣泛互聯(lián)而成的網(wǎng)絡(luò), 是一種從不同角度、 不同功能來模擬動(dòng)物神經(jīng)系統(tǒng)的技術(shù)。傳統(tǒng)的專家 系統(tǒng) 可 執(zhí) 行 診 斷、 規(guī) 劃、 設(shè) 計(jì) 等 各 種 任 務(wù), 而 ANN 分支, 則力圖模擬人類處理方式去理解信息 傳播和利用信息。 由于神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自學(xué)習(xí)、容錯(cuò)能力 強(qiáng)和并行分布信息處理的特點(diǎn), 因此在模式識(shí)別、 信號(hào)處理、自動(dòng)控制及最優(yōu)化等方面得到了廣泛的 應(yīng)用。ANN 也同時(shí) 應(yīng)用到電 力系統(tǒng)的 諸多領(lǐng)域, 包括系統(tǒng)的實(shí)時(shí) 控制、系統(tǒng)規(guī) 劃、故障監(jiān)測(cè) 與診 斷、狀態(tài)評(píng)估、負(fù)荷預(yù)報(bào)等。近 10 年將 ANN 技術(shù) 引用到電能質(zhì)量的研究中也已取得了滿意的成果。 2 3 模糊邏輯 ( Fuzzy Logic, F L) F L 是 20 世紀(jì) 60 年代中期發(fā)展起來的一種強(qiáng) 有力的智能工具。人的思維與計(jì)算機(jī)使用的二值邏 輯不同, 對(duì)事物判斷的邏輯一般是模糊的, 這就需 要對(duì)所獲信息進(jìn)行一定的模糊化處理, 尤以在一個(gè) 或多個(gè)的輸入是不易離散的連續(xù)變量, 數(shù)學(xué)模型不 存在、難以建立或數(shù)學(xué)表達(dá)式復(fù)雜計(jì)算難度大, 輸 入信號(hào)中需要含有噪聲等情況下, 模糊邏輯有其不 可取代的作用。 當(dāng)今在潮流計(jì)算、系統(tǒng)規(guī)劃、模糊控制、故障 診斷等電力系統(tǒng)領(lǐng)域, 都成功地應(yīng)用 了模糊理論。 考慮到不僅是電能質(zhì)量監(jiān)測(cè)數(shù)據(jù)具有模糊性, 而且用 以區(qū)分不同擾動(dòng)的波形幅度邊界和擾動(dòng)持續(xù)時(shí)間都有 其難確定性, 所以 FL 非常適用于電能質(zhì)量的分析。 2 4 遺傳算法 ( Genetic Algorit hms, GA) 遺傳算法是一種進(jìn)化論的數(shù)學(xué)模型, 是在思想 方法上標(biāo)新立異的優(yōu)化方法, 近年來在組合優(yōu)化、 信號(hào)處理、系統(tǒng)辨識(shí)等領(lǐng)域獲得了廣泛的應(yīng)用。它借 鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)化搜索算 法, 其主要特征是群體搜索策略和群體中個(gè)體之間的 信息交換, 搜索不依賴于梯度信息。它尤其適用于處 理傳統(tǒng)搜索方法難以解決的復(fù)雜的和非線性的問題。 GA 將 自然選擇 原則引入優(yōu)化過程中, 通 過遺傳算子, 即選擇、交叉、變異的操作, 對(duì)所有 可行解尋優(yōu)。遺傳算法在搜索過程中不易陷入局部 最優(yōu), 即使在所定義的適應(yīng)度函數(shù)是非連續(xù)、不規(guī)

則和有噪聲的情況下, 也能以最大的概率找到全局 最優(yōu)解, 較好地克服了尋優(yōu)過程中易陷入局部極小 的困境。在電能質(zhì)量的應(yīng)用中, 遺傳算法通常與模 糊邏輯、神經(jīng)網(wǎng)絡(luò)結(jié)合測(cè)量電能質(zhì)量數(shù)據(jù), 減少諧 波畸變和優(yōu)化電容器組的分布等 [ 2, 3] 。 2 5 人工智能混合技術(shù)的研究 每種智能控制方法都有其內(nèi)在的局限性, 難以 滿足處理電力系統(tǒng)實(shí)際復(fù)雜問題的需要。如何將這 些控制方法結(jié)合起來形成一種綜合的智能控制, 是 目前研究工作的重點(diǎn)。 ( 1) 模 糊 專 家 系 統(tǒng) ( Fuzzy Expert Syst ems) Fuzzy Expert Syst ems 是通過模糊推理解決問題 的專家系統(tǒng)。這種系統(tǒng)善于解決那些含有模糊性數(shù) 據(jù), 信息或知識(shí)的復(fù)雜問題。模糊專家系統(tǒng)現(xiàn)已發(fā) 展成為智能控制的一個(gè)分支領(lǐng)域, 也是電能質(zhì)量分 析不可多得的實(shí)用技術(shù)。為處理從分布的監(jiān)測(cè)系統(tǒng) 上得到的龐大數(shù)據(jù), 引入模糊理論來解決數(shù)據(jù)的不 精確性問題, 模糊邏輯的思想通過模糊規(guī)則嵌入到 專家系統(tǒng)的知識(shí)庫中。 ( 2) 神 經(jīng)網(wǎng) 絡(luò) 模 糊 系統(tǒng) ( Neuro fuzzy tools) Neuro fuzzy t ools 是一種結(jié)合 ANN 強(qiáng)大的學(xué)習(xí)能 力和 F L 優(yōu)良的知識(shí)表述和推理能力的新興 AI 工 具。將二者結(jié)合, 神經(jīng)網(wǎng)絡(luò)可以彌補(bǔ)模糊理論本身 難以解決的自學(xué)習(xí)、自適應(yīng)的問題, 而模糊邏輯具 有較強(qiáng)的邏輯推理能力和知識(shí)表達(dá)能力, 可以改善 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的性能, 加快收斂速度, 避免陷 入局部極小值點(diǎn)的缺陷。 ( 3) 神經(jīng) 網(wǎng) 絡(luò) 專 家系 統(tǒng) ( Neuro Ex pert Sys tems) Neuro Ex pert Systems 充分利用 ES 的推理 判斷能力和 AN 的學(xué)習(xí)容錯(cuò)能力。它把知識(shí)庫融入 到 ANN 之 中, 推理 過程 即是沿 著網(wǎng)絡(luò) 的計(jì) 算過 程。這種基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)利用了 ANN 的 自學(xué)習(xí)功能、聯(lián)思記憶功能和分布式并行信息處理 功能來解決傳統(tǒng)的 ES 知識(shí)表述、知識(shí)獲取和匹配 沖突的問題。二者的集成可以發(fā)揮各自的優(yōu)勢(shì), 適 合于表示電能質(zhì)量問題的類型及處理系統(tǒng)的知識(shí)。

3

人工智能技術(shù)在電能質(zhì)量分析中的應(yīng)用

3 1 電能質(zhì)量的監(jiān)測(cè)和評(píng)估 電能質(zhì)量的監(jiān)測(cè)和評(píng)估是電網(wǎng)電能質(zhì)量治理的 前提, 目前的電能質(zhì)量檢測(cè)手段主要是以人工方式 和便攜式電能質(zhì)量測(cè)量儀器為主, 對(duì)線路和變電站 ! 67 !

?電工技術(shù)雜志# 2004 年第 12 期

人工智能技術(shù)在電能質(zhì)量分析中的應(yīng)用

進(jìn)行現(xiàn)場(chǎng)數(shù)據(jù)采集, 工作量大, 采集的數(shù)據(jù)不系統(tǒng) 也不全面, 時(shí)間延續(xù)性短, 誤差較大, 效率低。這 種傳統(tǒng)的監(jiān)測(cè)和分析方法已難以適用于現(xiàn)代電能質(zhì) 量的評(píng)估。采用人工智能技術(shù)對(duì)電網(wǎng)諧波、電壓波 動(dòng)和閃變、電壓不平衡、頻率和電壓偏差等電能質(zhì) 量參數(shù)進(jìn)行實(shí)時(shí)在線監(jiān)測(cè)、分析和處理是未來監(jiān)測(cè) 技術(shù)發(fā)展的趨勢(shì)。 文獻(xiàn) [ 4] 采用線性自適應(yīng) Adaline 神經(jīng)網(wǎng)絡(luò), 在隨機(jī)噪聲和衰減的直流分量影響下對(duì)系統(tǒng)諧波進(jìn) 行跟蹤監(jiān)測(cè)評(píng)估�？紤]了諧波總畸變率和負(fù)荷功率 因數(shù)兩個(gè)指標(biāo)。模糊理論適于處理監(jiān)測(cè)網(wǎng)上大量的 不精確、不完整的數(shù)據(jù), 對(duì)提取用電部門和用戶關(guān) 心的信息、提供決策依據(jù)是非常有幫助的 3 2
[ 5]

最后, 通 過 ANN 輸入 量的 計(jì)算 完成 分類。文獻(xiàn) [ 9] 最早將多層前饋神經(jīng)網(wǎng)絡(luò)和時(shí)延神經(jīng)網(wǎng)絡(luò)用于 電能質(zhì)量擾動(dòng)分類, 正確率為 72% ~ 93% 。 尤其是借助小波變換優(yōu)良的時(shí)頻分析特性和神 經(jīng)網(wǎng)絡(luò)良好的分類能力, 采用小波變換和人工神經(jīng) 網(wǎng)絡(luò)結(jié)合的方法, 分類正確率明顯提高[ 10, 11] 。一 般先進(jìn)行小波變換判別擾動(dòng)是否發(fā)生, 然后提取小 波變換各個(gè)尺度得到的擾動(dòng)信息作為相應(yīng) ANN 的 輸入信號(hào), 供 ANN 辨識(shí)擾動(dòng)類型。這樣結(jié)合之后 可以使神經(jīng)網(wǎng)絡(luò)具有迅速收斂、抗干擾性等優(yōu)點(diǎn)。 或者構(gòu)造基于小波函數(shù)的神經(jīng)網(wǎng)絡(luò), 從而提高網(wǎng)絡(luò) 的穩(wěn)定性和收斂性。 基于遺傳算法的 人工神經(jīng)網(wǎng)絡(luò)能夠更好的收 斂, 并能有效地避免局部極小。文獻(xiàn) [ 12] 采用基 于遺傳算法的神經(jīng)網(wǎng)絡(luò)分類器, 分類性能較傳統(tǒng)的 基于 BP 算法的神經(jīng)網(wǎng)絡(luò)分類器明顯提高。 ( 2) 專家系統(tǒng) ( ES) 技術(shù)
[ 13]

。

電力系統(tǒng)諧波分析 電力系統(tǒng)中諧波診斷的任務(wù)是對(duì)一組電流或電

壓的采樣信號(hào)確定出各次諧波的含量或感興趣的諧 波成分含量。人工神經(jīng)網(wǎng)絡(luò)可以在避免噪聲和間諧 波的情況下分析諧波問題。國外較早地將神經(jīng)網(wǎng)絡(luò) 用于諧波研究, 國內(nèi)尚處于起步階段, 主要有以下 三個(gè)方面的應(yīng)用: % 用于諧波源的辨識(shí), 文獻(xiàn) [ 6] 采用多層前饋神經(jīng)網(wǎng)絡(luò)識(shí)別配電系統(tǒng)中遠(yuǎn)距離和短 距離的諧波源。 & 用于諧波測(cè)量 [ 7] , 將 ANN 應(yīng)用 于諧波測(cè)量能有效地解決測(cè)量 的精度和實(shí)時(shí) 性問 題。文獻(xiàn) [ 8] 首先探討用 ANN 替代模擬并 行式 諧波測(cè)量裝置中的帶通濾波器, 然后構(gòu)造特殊的多 層前饋神經(jīng)網(wǎng)絡(luò)來實(shí)時(shí)測(cè)量諧波。 ? 用于電力系統(tǒng) 中諧波的預(yù)測(cè)。 3 3 電能質(zhì)量擾動(dòng)分析 電能質(zhì)量擾動(dòng)波形的識(shí)別實(shí)質(zhì)上是一個(gè)模式識(shí)

ES 用于電能質(zhì)量

擾動(dòng)分類 , 最大的特點(diǎn)是知識(shí)庫可以隨著經(jīng)驗(yàn) 的積累、擾動(dòng)類型的變化而隨時(shí)擴(kuò)充、修改, 方便 用戶掌握。知識(shí)庫以規(guī)則的形式反映了電能質(zhì)量擾 動(dòng) IEEE 標(biāo)準(zhǔn)中的內(nèi)容, 還綜合了本領(lǐng)域內(nèi)專家的 經(jīng)驗(yàn)。只要輸入擾動(dòng)波形, 知識(shí)庫就搜索已在庫中 存儲(chǔ)的有關(guān)擾動(dòng)類型的知識(shí); 當(dāng)給定的擾動(dòng)特征與 存儲(chǔ)的知識(shí)相匹配, 則擾動(dòng)被找到, 輸出即是擾動(dòng) 類型, 結(jié)果還顯示到用戶界面。 ( 3) 模糊理論與專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)結(jié)合 模

糊邏輯由于在分析問題時(shí)考慮到其中的不確定性, 所以大 大 增 加了 分 析 的全 面 性和 靈 活 性。文 獻(xiàn) [ 14] 就是先用傅里葉和小波變換提取擾動(dòng)特征量, 之后用模糊專家系統(tǒng)進(jìn)行檢測(cè)和識(shí)別, 正確率高達(dá) 99% 。文獻(xiàn) [ 15] 研究了模糊神經(jīng)網(wǎng)絡(luò)在電能質(zhì)量 擾動(dòng)分類中的應(yīng)用。 3 4 電壓/ 無功控制 電力系統(tǒng)電源側(cè)電壓及負(fù)荷變化將引起用戶側(cè) 電壓波動(dòng), 長時(shí)間的電壓偏移使得供電電壓質(zhì)量得 不到保證, 保持電壓偏移在允許范圍內(nèi)是衡量電能 質(zhì)量標(biāo)準(zhǔn)的一項(xiàng)重要內(nèi)容。而電壓控制不僅取決于 潮流計(jì)算結(jié)果, 還必須考慮對(duì)未來負(fù)荷的預(yù)測(cè)和前 面的控制過程。這樣一個(gè)綜合決策任務(wù)只能由智能 決策軟件才能較好地完成。在變電站電壓無功控制 領(lǐng)域中, 運(yùn)行人員的經(jīng)驗(yàn)至關(guān)重要, 所以專家系統(tǒng) 技術(shù)在變電站無功控制中有著非常好的應(yīng)用前景。

別的問題。由于電能質(zhì)量擾動(dòng)識(shí)別包含了很多的擾 動(dòng)類型, 它們的特征邊緣可能重疊, 使識(shí)別工作非 常困難。傳統(tǒng)的電能質(zhì)量檢測(cè)多是基于對(duì)擾動(dòng)波形 的記錄, 通過對(duì)相鄰 2 個(gè)周期的波形進(jìn)行點(diǎn)對(duì)點(diǎn)的 比較直接判斷和檢測(cè)。但它無法檢測(cè)到周期的暫態(tài) 現(xiàn)象, 且需要觀察大量的數(shù)據(jù), 工作量大, 易受噪 聲影響, 難以實(shí)現(xiàn)自動(dòng)分析。 ( 1) 人工神經(jīng)網(wǎng)絡(luò) ( ANN) 方法 將 ANN 用 于檢測(cè)和識(shí)別電能質(zhì)量擾動(dòng), 能夠較好的克服傳統(tǒng) 方法的缺陷。用 ANN 進(jìn)行電能質(zhì)量擾動(dòng)分類的基 本原理是: 首 先將特定擾動(dòng)對(duì) 應(yīng)的信息量作 為樣 本, 建立樣本庫; 然后對(duì) ANN 進(jìn)行訓(xùn)練, 將樣本 庫的知識(shí)以網(wǎng) 絡(luò)的形式存儲(chǔ)在 ANN 的連接權(quán)中, ! 68 !

人工智能技術(shù)在電能質(zhì)量分析中的應(yīng)用

? 電工技術(shù)雜志# 2004 年第 12 期

基于專家系統(tǒng)而設(shè)計(jì)的變電站無功控制裝置將 已有的無功電壓控制經(jīng)驗(yàn)或知識(shí)用規(guī)則表示出來, 形成專家系統(tǒng)的知識(shí)庫。并能像有經(jīng)驗(yàn)的調(diào)度員那 樣, 在面臨不同運(yùn)行工況時(shí), 根據(jù)上述的規(guī)則由無 功電壓實(shí)時(shí)變化值有效地作出 合理的電壓調(diào) 節(jié)決 策。文獻(xiàn) [ 16] 詳細(xì)研究了變電站電壓無功綜合控 制專家系統(tǒng)的應(yīng)用。 電力系統(tǒng)電壓無功控制受電力系統(tǒng)時(shí)變性、運(yùn) 行條件和網(wǎng)絡(luò)參數(shù)經(jīng)常變化的影響, 很難建立精確 的數(shù)字模型。在這種情況下, 可考慮采用無功模糊 邊界的調(diào)節(jié)方式。將電壓狀態(tài)引入無功調(diào)節(jié)判據(jù), 把原先固定的無功上下限邊界變?yōu)槭茈妷河绊懙哪?糊邊界
[ 17]

如專家系統(tǒng)來解決電能質(zhì)量中的實(shí)際問題; 另一種 是應(yīng)用最新的 人工智能方法來解決電 力系統(tǒng)的問 題, 主要做一些探索性的研究工作。大部分還處在 試驗(yàn)階段, 只有小規(guī)模的應(yīng)用。從上述的介紹可以 看到, 當(dāng)前存在的問題和未來的發(fā)展趨勢(shì)是: ( 1) 人工智能理論本身還不是很成熟, 需要進(jìn) 一步完善。例如, ES 在知識(shí)的獲取上遇到 瓶頸 問題, 計(jì) 算 速 度 慢, 難 以 實(shí) 現(xiàn) 實(shí) 時(shí) 性 的 要 求。 ANN 易產(chǎn)生局部極小, 收斂速度慢, 理想的樣本 提取困難, 網(wǎng)絡(luò)的結(jié)構(gòu)也不易優(yōu)化。F L 的知識(shí)獲 取能力差等等。解決這些問題都是 AI 理論在今后 發(fā)展中的重要任務(wù)。 ( 2) 借助先進(jìn)的數(shù)學(xué)工具小波變換進(jìn)行信號(hào)的 預(yù)處理, 能夠更快速、更有效地分析診斷電能質(zhì)量 問題。近年來有關(guān)小波變換在暫態(tài)電能質(zhì)量的檢測(cè) 評(píng)估、去噪、壓縮和特征提取等方面的研究已經(jīng)廣 泛開展, 這里不再詳述。 ( 3) 混合智能的研究。目前, 應(yīng)用于電能質(zhì)量 中的四種人工 智能工具 ES、ANN、FL 、GA, 各 有其優(yōu)點(diǎn)和局限, 缺少一種普遍有效的方法�；旌� 智能, 即綜合多種智能技術(shù), 為實(shí)際的應(yīng)用開辟了 更為廣闊的空間。這種混合技術(shù)在電能質(zhì)量中應(yīng)用 將是今后的重要發(fā)展方向。 ( 4) 人工智能在電能質(zhì)量中的應(yīng)用研究已經(jīng)取 得一些成果, 但整體應(yīng)用水平較低。當(dāng)前應(yīng)該加快 科研成果向?qū)嵱棉D(zhuǎn)化的過程, 充分利用 AI 已取得 的研究成果為電網(wǎng)的優(yōu)質(zhì)供電服務(wù)。隨著計(jì)算機(jī)科 學(xué)的迅猛發(fā)展, 可以預(yù)料, 在未來的數(shù)年里, 將出 現(xiàn)大量實(shí)用的智能化軟件。 ( 5) 目前, 人工智能在電能質(zhì)量的應(yīng)用主要是 診斷故障發(fā)出警報(bào), 運(yùn)行人員再據(jù)此做出決策。正 在開發(fā)的人工智能工具將無需人的介入, 不僅可以 自動(dòng)辨識(shí)各種電能質(zhì)量問題, 還能確定其原因, 提 出可靠的決策方案。

。文獻(xiàn) [ 18] 將 ANN 用于 變電站電 壓

自動(dòng)控制, 也取得了不錯(cuò)的效果。 3 5 電能質(zhì)量數(shù)據(jù)管理和數(shù)據(jù)挖掘 數(shù)據(jù)挖掘即從數(shù)據(jù)庫中發(fā)現(xiàn)知識(shí), 是人工智能 與數(shù)據(jù)庫技術(shù)相結(jié)合的產(chǎn)物。電力系統(tǒng)數(shù)據(jù)具有數(shù) 據(jù)多、數(shù)據(jù)種類混雜、數(shù)據(jù)質(zhì)量差的特點(diǎn), 而電力 系統(tǒng)對(duì)數(shù)據(jù)的要求又很高。數(shù)據(jù)挖掘不僅具有計(jì)算 效率高的優(yōu)點(diǎn), 還能通過對(duì)歷史和當(dāng)前數(shù)據(jù)的分析 得到的知識(shí)對(duì)未來進(jìn)行預(yù)測(cè), 因而成為解決電力系 統(tǒng)相關(guān)問題的有應(yīng)用前景的方法。 根據(jù)不同的需要, 數(shù)據(jù)挖掘的常用方法有: % 建立預(yù)測(cè)性模型。主要是通過對(duì)歷史數(shù)據(jù)的分析和 歸納, 建立一個(gè)預(yù)測(cè)性模型。文獻(xiàn) [ 19] 就此論述 了數(shù)據(jù)挖掘技術(shù)在電壓控制方面的作用。 & 聚類, 即將數(shù)據(jù)分割成具有各自不同特征的子集。 ? 數(shù)據(jù) 摘要, 即力圖找出不同數(shù)據(jù)域之間的聯(lián)系。 3 6 其他應(yīng)用 除上述的內(nèi)容外, 文獻(xiàn) [ 20] 探討了用模糊理 論對(duì)電能質(zhì)量指標(biāo)進(jìn)行定量評(píng)價(jià)。此外也有采用遺 傳算法和模糊邏輯來解決配電網(wǎng)電容器組最優(yōu)分布 的問題。專家系統(tǒng)和模糊邏輯還可用于培訓(xùn)變電站 運(yùn)行人員, 智能化的程序軟件可以仿真模擬故障情 形, 有助于提高運(yùn)行人員的操作技能。

5

結(jié)束語
雖然人工智能技術(shù)來研究電能質(zhì)量問題具有廣

4

研究現(xiàn)狀及未來的發(fā)展
AI 技術(shù)在電能質(zhì)量中的研究和應(yīng)用已經(jīng)開始

闊的應(yīng)用前景, 但其研究還剛剛起步, 其基本理論 還不成 熟。目前, 只是停留在仿 真分析、實(shí)驗(yàn)階 段, 很難用于實(shí)踐。隨著電能質(zhì)量問題的日益嚴(yán)重 和廣大用戶對(duì)電能質(zhì)量要求的不斷提高, 有關(guān)人工 智能在電能質(zhì)量中的應(yīng)用研究將會(huì)不斷地深入。 ! 69 !

了蓬勃的發(fā)展, 但是到目前為止, 大部分研究只是 集中在電能質(zhì)量擾動(dòng)的識(shí)別、諧波分析以及在線監(jiān) 測(cè)。這些研究工作從總體上講有兩種方式: 一種方 式是從實(shí)用性角度出發(fā), 應(yīng)用成熟的人工智能技術(shù)

?電工技術(shù)雜志# 2004 年第 12 期

人工智能技術(shù)在電能質(zhì)量分析中的應(yīng)用 2002 International Conference o n Power System T echnol ogy, 2002 13~ 16 O ct 2002, 2002, 1(491~ 495 13 E Sty vaktakis, M H J Bollen, I Y H G u Ex pert system for voltage dip classification and analysis Power Eng ineer ing Society Summer M eeting, 2001 15~ 19 July IEEE, 2001, 2001, 1(671~ 676 14 D G Kreiss A naly zing voltage disturbances using a fuzzy log ic based ex pert system Proc EPR I PQ A Co nf: Pow er Q uality Assessment, End U se Appl P erspect ves, 1994, 1: A 2 02 15 J S Huang, M N eg nevitsky, D T N guyen bances 16 17 A neur al fuzzy classifer for r ecognition of power quality distur IEEE T ransactions on Po wer Delivery, 2002, 基 于專家系 統(tǒng)的變 電站 電 2003 ( 2) 17 ( 4) (609~ 616 劉志超, 陳宏鐘, 張 偉等 壓無功控制裝置 電力系統(tǒng)自動(dòng)化

參考文獻(xiàn)
1 W R Anis br ahim, M M M or cos A rtificial intelligence and advance mathematical tools for pow er quality application: a survey I EEE T ransactions o n Power Delivery, 2002, 17 ( 4) (668~ 673 2 M A Choudhr y, S Rahman Gener ic algorithm to select building lig hting technologies for minimizing total harmonid distorion Ener gy, 1995, 20 ( 10) (1027~ 1036 3 G L ev itin, A Kalyuzhny et al Opt imal capaeitor allocation in distribution systems using g enecic alg oritam and a fast en er gy loss computation techrique. IEEE T r ans on Power Delivery , 2000, 15 ( 4) : 623~ 628 4 P K Dash, D P Sw ain et al Power qualit y assessment us ing an adaptiv e neural networ k 1996, 2(770~ 775 5 L iang Cai, HongK un Chen F uzzy studies on power quali ty part I I: monito ring and management 10t h Intemational Conference o n Harmonics and Quality of Pow er, 2002 2002, 2(419~ 423 6 Y Y Hoing, Y C Chen A pplication of alg orithms and arti ficial intelligence approach for locat ion multiple har monic in distribution systems 7 IEE Proceedings on Generation, T ransmission and Distr ibut, 1999, 146 ( 5) : 325~ 329 W W L K eerthipala, T C L ow, C L T ham Artificial neu ral netw ork model for analysis of power system harmonics Pro c 8 9 IEEE Int Conf N eural Networ ks, Perth, Aus 一種基于人工神經(jīng)網(wǎng)絡(luò)的諧波測(cè) tralia, 1995, 2: 905~ 910 王群, 吳宇, 王兆安 量方法 電網(wǎng)技術(shù), 1999, 23 ( 1) 20 19 18 Proc IEEE I nt Co rf Power Electron, Drives, Energ y Syst I ndustria Grow ,

S K Star rett, W R Anis Ibrahim et al An on line fuzzy logic system for voltage/ VAR cont rol and alarm process ing Proc IEEE P ower Eng Soc W inter M eeting, New 基于 AN N 的變電站電 壓和無功綜合 Artificial intelligence assisted Canadian Conference on Yor k, 1999, 1: 766~ 771 楊爭林, 孫雅明 自動(dòng)控制 電力系統(tǒng)自動(dòng)化, 1999, 23 ( 13)

S M adan, K E Bollinger

vo ltage stabiiy enhancement 1: 392~ 395 賈清泉, 宋家驊, 蘭 華等 價(jià)

Electrical and Computer Eng ineering 26~ 29 M ay 1996, 電 能質(zhì)量及 其模糊 方法 評(píng)

電網(wǎng)技術(shù), 2000, 24 ( 6)

Applications of Artificial Intelligence Techniques in Power Quality
L i u X iaof ang
( Wuhan U niversity) Abstract Incr easing interest in power quality and ar tificial in telligence ( A I) has evolved in the international electr ician field T he use of A I in pow er qualit y has received ex tensive attention from many resear chers T his paper explores t he cur rent applica tions of advanced artificial intelligence techniques in pow er qual ity Indiv idual intelligent paradigms such as ex pert system; ar tificial neural networ ks; fuzzy log ic; g enetic algor ithms are dis cussed Finally it predicts the futur e development using art ificial intelligence techniques in pow er qualit y. Keywords power quality artificial intelligence expert system artificial neural networks fuzzy logic genetic algorithms 收稿日期: 2004 07 12

A K Ghosh, D L Lubkeman Classification of power sys tem distur bance w av eforms using a neur al netw ork ap pr oach I EEE T rans on Po wer Delivery, 1995, 10 ( 2) : 109~ 115

10

S Santoso, E J Po wers, W M Grady

Power qulity dis

turbance identificat ion using wavelet transforms and artifi cial neural networks Proceedings o f IEEE ICHQ P V II Las V eg as, 1996: 615~ 618 11 S Santoso, J P Edward et al Po wer quality disturbance w av eform recognition using w avelet based neural classifier par t 1: theoretical foundat ion, par t 2: application IEEE T r ans on Power Deliv er y, 2000, 15 ( 1) (218~ 235 12 Quyang Sen, Song Zheng xiang et al Application of LV Q neural netw orks combined w ith genetic algorithm in power quality signals classfication Proceedings of Power Con

!

70

!



  本文關(guān)鍵詞：人工智能技術(shù)在電能質(zhì)量分析中的應(yīng)用，由筆耕文化傳播整理發(fā)布。