CN102664580A - 电力系统多稳定器的混合智能控制方法 - Google Patents

Abstract

本发明公开了一种电力系统多稳定器的混合智能控制方法，为不同稳定器分别建立神经网络预测模型，通过神经网络预测模型对稳定器的控制效果进行在线预测，根据预测值与实际转速的匹配度进行筛选，将预测效果较好的两个控制器进行加权处理求得混合控制信号，混合控制信号作为自动励磁调节器的辅助输入信号，对发电机的运行状态进行控制；本发明的有益技术效果是：控制策略灵活，充分利用稳定器自身性能特性，使系统达到较好运行效果；克服了采用单一线性超前滞后电力系统稳定器，难以适应大扰动后非线性特征的缺点，提供理想的阻尼控制，减小暂态过渡时间和振荡次数；具有良好的综合动态性能和较强的鲁棒性，显著改善系统在各种扰动下的稳定性。

Description

电力系统多稳定器的混合智能控制方法

技术领域

本发明涉及一种电力系统控制方法，尤其涉及一种电力系统多稳定器的混合智能控制方法。

背景技术

现有的电力系统稳定器（PSS），是基于电力系统在某个合适的工作点下的线性化模型，主要由固定结构和参数的超前滞后环节组成，其参数经过整定后一般固定不变。而电力系统是一个动态平衡的非线性复杂大系统，其运行方式、运行状态时刻都在改变，其相关因素如发电机稳态运行点的改变，有功功率、无功功率的改变，系统结构参数的改变，发电机、线路设备的投入和切除，发电机运行方式的改变，各种小干扰、大干扰（短路）、带负荷、甩负荷等等复杂因素。因此在电力系统中，现有的固定参数的线性超前滞后稳定器一般难以适应各种运行状况的要求；目前，尚不能做到仅使用单一控制方式的稳定器，就能够在各种不同大、中、小扰动下就能同时达到理想的稳定控制效果，特别是基于线性化小扰动稳定理论设计的线性超前滞后电力系统稳定器，它不能很好地适应电力系统大扰动后的非线性特征，难以取得理想的阻尼控制效果。因此，研究一种当电力系统发生上述各种大、中、小扰动，均能较好地改善系统稳定性的稳定器是十分必要的。

通常针对不同形式的大、中、小扰动，采用各种不同控制方式的稳定器各有所长：如比例-积分（PI）控制能很好地抑制系统在平衡点附近出现的小振幅振荡，消除系统的稳态误差，特别适合于抗外部的小扰动；但其缺点是当电力系统遭受大干扰使实际的状态点偏离设计所选择的平衡点较远时，控制效果就会减弱。近年来，采用模仿人的思维方式和控制经验来实现控制的模糊稳定器，能加快响应速度，有效地阻尼电力系统在较大扰动后的功率振荡，减小响应过程中的超调，故模糊稳定器适用于抗外部较大扰动及系统运行点发生较大范围变化的情况。吴小苗提出的三维相平面的强稳模糊稳定器，当在外部大扰动情况下，比普通模糊稳定器更能有效地抑制振荡过程，其自适应性和控制鲁棒性更强；但无论是普通模糊稳定器，还是强稳模糊稳定器都存在着一些缺点：即在平衡点附近会出现小振荡，控制精度不高，不能改善电力系统小扰动的稳定性以防止系统小扰动诱发的功率振荡，这些缺点影响了模糊稳定器的推广和应用。

综上所述，在现有技术中，还没有仅使用单一控制方式的稳定器，就能在各种不同形式扰动下同时达到最佳的稳定控制效果。

发明内容

针对背景技术中的问题，本发明提出了一种电力系统多稳定器的混合智能控制方法，包括：稳定器输出的信号作为自动励磁调节器的辅助输入信号，自动励磁调节器输出的信号作用于发电机，对发电机的运行状态进行控制，其特征在于：

该方法步骤为：1）三种不同控制原理的稳定器输出的信号分别作为自动励磁调节器的辅助输入信号；将三种辅助输入信号独立作用条件（即将一个稳定器和一个自动励磁调节器一一对应地组合，独立地完成对发电机的控制）下的自动励磁调节器输出的信号用于控制发电机，按时序获取发电机对应于三种辅助输入信号的三个转速值序列，同时按时序记录三种辅助输入信号各自的信号变化序列，三种稳定器即获得三个信号变化序列；对某一稳定器而言，将其对应的转速值序列和信号变化序列用于对神经网络进行离线训练，得到该稳定器对应的神经网络预测模型，三个稳定器即得到三个神经网络预测模型；

其中对神经网络进行离线训练的方法是：针对某一稳定器对应的转速值序列和信号变化序列，将信号变化序列中，当前辅助输入信号的一、二级时延值和转速值序列中当前转速值的一、二级时延值，共计4个参数作为神经网络输入层的4个神经元，当前转速值作为神经网络的输出层神经元，对神经网络进行离线训练，建立4输入1输出的神经网络预测模型；

2）将三个稳定器和它们各自对应的神经网络预测模型投入运行；实时采集三个稳定器的输出信号和发电机实际转速，将各个稳定器当前输出信号的一、二级时延值和发电机实际转速的一、二级时延值输入对应的神经网络预测模型，神经网络预测模型的输出量即为在时序上与当前输出信号对应的转速值，该转速值定义为预测值，三个稳定器即得到三个预测值；实时采集发电机的实际转速值，将时序上具备对应关系的实际转速值和预测值进行比较，获得三个稳定器各自对应的预测值与实际转速值的误差；

3）根据误差，按如下三个式子分别计算三个稳定器各自的输出信号与发电机运行状态的匹配度：

$J_1=e_1\left(k\right)+\underset{k=l}{\overset{k-1}{\mathrm{\Σ}}}{\mathrm{\β}}^{k-j}{e}_1\left(j\right)$

$J_2=e_2\left(k\right)+\underset{k=l}{\overset{k-1}{\mathrm{\Σ}}}{\mathrm{\β}}^{k-j}{e}_2\left(j\right)$

$J_3=e_3\left(k\right)+\underset{k=l}{\overset{k-1}{\mathrm{\Σ}}}{\mathrm{\β}}^{k-j}{e}_3\left(j\right)$

其中，J₁为第一个稳定器对应的匹配度，J₂为第二个稳定器对应的匹配度，J₃为第三个稳定器对应的匹配度；e₁(k)为当前发电机的实际转速值与第一个稳定器的当前预测值的误差，e₁(j)为第j次采样时获得的发电机的实际转速值与第j次采样时获得的第一个稳定器的预测值的误差；e₂(k)为当前发电机的实际转速值与第二个稳定器的当前预测值的误差，e₂(j)为第j次采样时获得的发电机的实际转速值与第j次采样时获得的第二个稳定器的预测值的误差；e₃(k)为当前发电机的实际转速值与第三个稳定器的当前预测值的误差，e₃(j)为第j次采样时获得的发电机的实际转速值与第j次采样时获得的第三个稳定器的预测值的误差；l为匹配长度，l为正整数，l≥2；k、j均为正整数，且k-l≤j≤k-1；β为匹配误差遗忘因子，0＜β＜1；

4）比较三个稳定器各自的匹配度的数值大小，针对匹配度数值较小的两个稳定器，按下式计算这两个稳定器各自对应的权值：

设匹配度数值较小的两个稳定器分别为第一稳定器和第二稳定器，则第一稳定器的当前权值W₁为：

$W_1=\frac{J_1^{-1}}{J_1^{-1}+J_2^{-1}}$

第二稳定器的当前权值W₂为：

$W_2=\frac{J_2^{-1}}{J_1^{-1}+J_2^{-1}}$

5）设匹配度数值较小的两个稳定器分别为第一稳定器和第二稳定器，则根据步骤4）中计算出的权值，按下式对匹配度数值较小的两个稳定器的当前输出信号进行加权处理，求得混合控制信号u_s：

u_s＝W₁·u_s1+W₂·u_s2

其中，u_s1为第一稳定器当前的输出信号，u_s2为第二稳定器当前的输出信号

6）将混合控制信号u_s作为自动励磁调节器的辅助输入信号，自动励磁调节器在u_s作用下的输出信号作用于发电机，对发电机的运行状态进行控制，使发电机运行的稳定性得到提高。

进一步地，本发明还提出了如下的三个稳定器类型的优选实施方式：所述三个稳定器分别采用PI稳定器、模糊稳定器和强稳模糊稳定器。

前述的e₁(k)、e₂(k)、e₃(k)的计算方法为：

所述e₁(k)的计算方法为：

$e_1\left(k\right)=\left|\frac{\mathrm{\ω}\left(k\right)-{\widehat{\mathrm{\ω}}}_1\left(k\right)}{\mathrm{\ω}\left(k\right)}\right|$

所述e₂(k)的计算方法为：

$e_2\left(k\right)=\left|\frac{\mathrm{\ω}\left(k\right)-{\widehat{\mathrm{\ω}}}_2\left(k\right)}{\mathrm{\ω}\left(k\right)}\right|$

所述e₃(k)的计算方法为：

$e_3\left(k\right)=\left|\frac{\mathrm{\ω}\left(k\right)-{\widehat{\mathrm{\ω}}}_3\left(k\right)}{\mathrm{\ω}\left(k\right)}\right|$

其中，ω(k)为当前的发电机实际转速值，

和

分别为第一稳定器、第二稳定器和第三稳定器对应的预测值。

本发明的有益技术效果是：可根据不同稳定器与系统当前运行状态的匹配度，制定效果较好的控制策略，充分利用了各种稳定器自身的性能特性，使系统达到较好的运行效果；克服了采用单一线性超前滞后电力系统稳定器，难以适应大扰动后非线性特征的缺点；对含有多种振荡模式的功率振荡，提供理想的阻尼控制，使系统恢复稳定，减小暂态过渡时间和振荡次数；具有良好的综合动态性能和较强的鲁棒性，显著改善了系统在各种扰动形式下的稳定性。

附图说明

附图1、样本数据采集装置在系统中的位置示意图；

附图2、神经网络预测模型原理示意图；

附图3、本发明的系统结构示意图；

附图4、经升压变压器后双回路输电的单机无穷大系统原理示意图；

附图5、原动机给定机械功率突降时励磁控制系统的响应曲线；

附图6、线路短路时励磁控制系统的响应曲线。

具体实施方式

在电力系统中，现有的单一控制方式的稳定器，其控制效果各有千秋。如背景技术中列举的三种稳定器，它们就可分别适应于电力系统在不同大小扰动形式下的控制需求。正是基于此，发明人考虑将不同稳定器的优势加以整合利用，取长补短，使最终附加到自动励磁调节器输入端的控制信号最适合于系统当前稳定运行的控制需求。基于前述的分析，发明人提出了如下的方案：

一种电力系统多稳定器的混合智能控制方法，包括：稳定器输出的信号作为自动励磁调节器的辅助输入信号，自动励磁调节器输出的信号作用于发电机，对发电机的运行状态进行控制，其特征在于：

该方法步骤为：1）三种不同控制原理的稳定器输出的信号分别作为自动励磁调节器的辅助输入信号；将三种辅助输入信号独立作用条件下的自动励磁调节器输出的信号用于控制发电机，按时序获取发电机对应于三种辅助输入信号的三个转速值序列，同时按时序记录三种辅助输入信号各自的信号变化序列，三种稳定器即获得三个信号变化序列；对某一稳定器而言，将其对应的转速值序列和信号变化序列用于对神经网络进行离线训练，得到该稳定器对应的神经网络预测模型，三个稳定器即得到三个神经网络预测模型；

其中对神经网络进行离线训练的方法是：针对某一稳定器对应的转速值序列和信号变化序列，将信号变化序列中，当前辅助输入信号的一、二级时延值和转速值序列中当前转速值的一、二级时延值，共计4个参数作为神经网络输入层的4个神经元，当前转速值作为神经网络的输出层神经元，对神经网络进行离线训练，建立4输入1输出的神经网络预测模型；

2）将三个稳定器和他们各自对应的神经网络预测模型投入运行；实时采集三个稳定器的输出信号和发电机实际转速，将各个稳定器当前输出信号的一、二级时延值和发电机实际转速的一、二级时延值输入对应的神经网络预测模型，神经网络预测模型的输出量即为在时序上与当前输出信号对应的转速值，该转速值定义为预测值，三个稳定器即得到三个预测值；实时采集发电机的实际转速值，将时序上具备对应关系的实际转速值和预测值进行比较，获得三个稳定器各自对应的预测值与实际转速值的误差；

3）根据误差，按如下三个式子分别计算三个稳定器各自的输出信号与发电机运行状态的匹配度：

$J_1=e_1\left(k\right)+\underset{k=l}{\overset{k-1}{\mathrm{\Σ}}}{\mathrm{\β}}^{k-j}{e}_1\left(j\right)---\left(1\right)$

$J_2=e_2\left(k\right)+\underset{k=l}{\overset{k-1}{\mathrm{\Σ}}}{\mathrm{\β}}^{k-j}{e}_2\left(j\right)---\left(2\right)$

$J_3=e_3\left(k\right)+\underset{k=l}{\overset{k-1}{\mathrm{\Σ}}}{\mathrm{\β}}^{k-j}{e}_3\left(j\right)---\left(3\right)$

其中，J₁为第一个稳定器对应的匹配度，J₂为第二个稳定器对应的匹配度，J₃为第三个稳定器对应的匹配度；e₁(k)为当前发电机的实际转速值与第一个稳定器的当前预测值的误差，e₁(j)为第j次采样时获得的发电机的实际转速值与第j次采样时获得的第一个稳定器的预测值的误差；e₂(k)为当前发电机的实际转速值与第二个稳定器的当前预测值的误差，e₂(j)为第j次采样时获得的发电机的实际转速值与第j次采样时获得的第二个稳定器的预测值的误差；e₃(k)为当前发电机的实际转速值与第三个稳定器的当前预测值的误差，e₃(j)为第j次采样时获得的发电机的实际转速值与第j次采样时获得的第三个稳定器的预测值的误差；l为匹配长度，l为正整数，l≥2；k、j均为正整数，且k-l≤j≤k-1；β为匹配误差遗忘因子，0＜β＜1；

4）比较三个稳定器各自的匹配度的数值大小，针对匹配度数值较小的两个稳定器，按下式计算这两个稳定器各自对应的权值：

设匹配度数值较小的两个稳定器分别为第一稳定器和第二稳定器，则第一稳定器的当前权值W₁为：

$W_1=\frac{J_1^{-1}}{J_1^{-1}+J_2^{-1}}---\left(4\right)$

第二稳定器的当前权值W₂为：

$W_2=\frac{J_2^{-1}}{J_1^{-1}+J_2^{-1}}---\left(5\right)$

5）设匹配度数值较小的两个稳定器分别为第一稳定器和第二稳定器，则根据步骤4）中计算出的权值，按下式对匹配度数值较小的两个稳定器的当前输出信号进行加权处理，求得混合控制信号u_s：

u_s＝W₁·u_s1+W₂·u_s2         （6）

其中，u_s1为第一稳定器当前的输出信号，u_s2为第二稳定器当前的输出信号

6）将混合控制信号u_s作为自动励磁调节器的辅助输入信号，自动励磁调节器在u_s作用下的输出信号作用于发电机，对发电机的运行状态进行控制，使发电机运行的稳定性得到提高。

前述方案中，匹配度数值越小，说明实际对象与相应稳定器对应的神经网络预测模型越接近，该稳定器的输出信号就越适应系统当前的稳定控制需求；匹配度数值越大，说明实际对象与相应稳定器对应的神经网络预测模型的偏离越大，该稳定器的输出信号不适合系统当前的控制需求，故将匹配度数值最大的稳定器的控制作用暂时屏蔽。将匹配度数值最小和次小的两个稳定器输出的信号进行加权处理，使权重较大的稳定器的输出信号起主要作用，权重较小的稳定器的输出信号起次要作用，最后得到混合控制信号。将该混合控制信号作为辅助输入信号叠加到自动励磁调节器的输入端，以提高发电机的稳定性。

在前述方案的基础上，发明人提出了如下的改进方案：所述三个稳定器分别采用PI稳定器、模糊稳定器和强稳模糊稳定器。其中，PI稳定器对系统的小扰动具有良好的适应性，模糊稳定器对系统的中等扰动具有良好的适应性，强稳模糊稳定器对系统的大扰动具有良好的适应性；

PI稳定器、模糊稳定器和强稳模糊稳定器均为现有技术中的常用技术，为了使本发明的方案更为严谨，现将前述三种稳定器的控制原理简单叙述如下：

（1）PI稳定器

PI稳定器的输入信号取发电机的转速与同步转速之差，采用PI算法对输入信号进行处理获得PI稳定器的输出信号，将PI稳定器的输出信号叠加到自动励磁调节器的输入端，以调整发电机的稳定性。

（2）模糊稳定器

发电机的速度偏差和加速度偏差作为模糊稳定器的输入信号，经过量化因子将其映射到模糊域，通过模糊控制规则表得到相应输出量，利用重心法进行反模糊化，再经过比例因子处理，最终得到模糊稳定器的输出，并将其叠加到自动励磁调节器的输入端，以调整发电机的稳定性。

（3）强稳模糊稳定器

强稳模糊稳定器采用三维相平面，以发电机的转速偏移、转速偏移一阶导数以及二阶导数作为输入信号，通过直接映射算法求出强稳模糊稳定器的输出量，并将其叠加到自动励磁调节器的输入端，以调整发电机的稳定性。

神经网络及神经网络预测模型均为现有技术，前文也对神经网络及神经网络预测模型在本发明中的应用进行了相关阐述，但为了使本发明的方案更为严谨、完整，现对神经网络预测模型作更为详细的分析：

（1）针对不同形式的扰动，独立设置相应的稳定器并进行样本数据采集：

参见附图1，图中示出了样本数据采集装置在系统中的位置，图中的稳定器可为PI稳定器、模糊稳定器或强稳模糊稳定器其中的一种。将单一稳定器用于对系统在小扰动、中等扰动或大扰动条件下进行独立地运行，同时进行样本数据采集操作，采集对象为稳定器的输出信号u和发电机的转速值ω，由此得到的信号变化序列为包含多个u的数列（后文中，为了以示区别，在u中加入下标来进行区别如u₁、u₂......u_i），各个u按时序排列，同时还得到的有转速值序列，转速值序列为包含多个ω的数列，各个ω按时序排列（后文中，为了以示区别，在ω中加入下标来进行区别如ω₁、ω₂......ω_i），且ω和u一一对应。

（2）利用样本数据离线建立神经网络预测模型库：

参见附图2，神经网络预测模型的原理如图所示。实际工程中，可用下式来表征神经网络预测模型：

ω_i＝Nf[(ω_i-1,ω_i-2;u_i-1,u_i-2]        （7）

式中，神经网络的输入层神经元分别是发电机当前转速值的一、二级时延值ω_i-1,ω_i-2，以及相应稳定器当前输出信号u_i的一、二级时延值u_i-1,u_i-2；神经网络的输出层神经元为发电机的当前转速值ω_i，Nf[.]在工程上表示用神经网络建立的非线性对象预测模型。

为充分说明这一问题，现以一具体例子来进行说明：

针对某一稳定器，设其转速值序列为{ω₁、ω₂、ω₃、ω₄......ω_n}，其信号变化序列为{u₁、u₂、u₃、u₄......u_n}，以其第4、5、6次采样周期为例，由稳定器输出的辅助输入信号分别为u₄、u₅、u₆，转速值序列中与u₄、u₅、u₆在时序上具备对应关系的三个转速值分别为ω₄、ω₅、ω₆，将u₄、u₅和ω₄、ω₅作为神经网络输入层的4个神经元，ω₆作为神经网络的输出层神经元；同理，当以u₅、u₆和ω₅、ω₆作为神经网络的4个输入层神经元时，ω₇即为神经网络的输出层神经元；根据前述方式来完成对神经预测模型的训练；对于ω₆而言，ω₄、ω₅即为其一、二级时延值，u₄、u₅即为u₆的一、二级时延值。（本处为说明问题，对参数标记进行了简化处理，其中稳定器的输出信号、发电机的转速值等物理量在本处的参数标记与发明内容中以及权利要求书中的标记存在差异，即同一物理量采用了不同标记，但发明人经过仔细考虑，认为若本处的参数标记采用与发明内容中以及权利要求书中相同的标记，反而会使问题复杂化，不利于说明问题；本领域技术人员在看过本说明后，应该不会对参数标记不一致的问题存在疑虑）

参见附图3，分别针对小扰动、中扰动及大扰动，离线建立对应三种稳定器的三个神经网络预测模型M1、M2和M3，并进行相应的泛化能力检验，由三个神经网络预测模型构建出的模块我们定义为预测模型库；预测模型库投入运行后，即可根据稳定器的当前输出信号的一、二级时延值和发电机实际转速的一、二级时延值查找对应的转速值，查找到的转速值我们从概念上将其定义为稳定器当前输出信号对应的预测值。将神经网络预测模型用于处理本发明这类复杂的非线性、时变问题，可极大地降低系统开销和处理时延。

前述方案中，所述e₁(k)的计算方法为：

$e_1\left(k\right)=\left|\frac{\mathrm{\ω}\left(k\right)-{\widehat{\mathrm{\ω}}}_1\left(k\right)}{\mathrm{\ω}\left(k\right)}\right|---\left(8\right)$

所述e₂(k)的计算方法为：

$e_2\left(k\right)=\left|\frac{\mathrm{\ω}\left(k\right)-{\widehat{\mathrm{\ω}}}_2\left(k\right)}{\mathrm{\ω}\left(k\right)}\right|---\left(9\right)$

所述e₃(k)的计算方法为：

$e_3\left(k\right)=\left|\frac{\mathrm{\ω}\left(k\right)-{\widehat{\mathrm{\ω}}}_3\left(k\right)}{\mathrm{\ω}\left(k\right)}\right|---\left(10\right)$

其中，ω(k)为当前的发电机实际转速值，和分别为第一稳定器、第二稳定器和第三稳定器对应的预测值。

实施例：

为验证本发明所带来的技术效果，对于附图4所示的经升压变压器后双回路输电的单机无穷大系统，针对系统不同类型的扰动，将现有的AVR（自动励磁调节器，以下同）+超前滞后稳定器与AVR+本发明多稳定器的混合智能控制方法进行了仿真实验对比。

小扰动A：原动机的给定的机械功率从额定值突降20%（附图5）。

大扰动B：在3s时一条线路的首端出现三相短路，3.2s时断路器跳闸，3.8s时重合闸成功（附图6）。

实验所用的发电机及线路参数如下：定子开路励磁绕组d轴暂态、次暂态时间常数分别为T′_d0=5.8s，T″_d0=0.17s，转动惯量H=3.7s，阻尼系数D=1.0；d轴、q轴同步电抗x_d=0.967pu，x_q=0.53pu，d轴暂态电抗x′_d=0.187pu；变压器电抗x_T=0.08pu，双回输电线电抗x_L1＝x_L2=0.32pu，发电机内电势与机端电压的相角之差δ=45°。

在附图5、6中，转子角度单位为度，发电机端电压为相对值。虚线为AVR+超前滞后稳定器的响应曲线，实线为AVR+本发明多稳定器的混合智能控制的响应曲线。

从附图5、6可看出，AVR+超前滞后稳定器不论是在有功功率降低还是三相短路的情况下，均呈现较弱的阻尼，抑制低频振荡的效果较差。暂态跟踪速度缓慢，振荡次数较多并且振荡幅度较大。

而采用AVR+本发明多稳定器的混合智能控制时，能有效地增强系统的阻尼，提高系统的动态稳定水平和暂态稳定性。不论是在大、小扰动下，均能对功角进行更强的约束，调整时间短，超调量更小，稳定速度加快，能很快地平息系统在暂态时的低频振荡。这说明了在不同大小形式的扰动下，采用本发明的稳定器能较大程度地识别和充分利用各子稳定器所提供的控制信息，使稳定器本身的控制规律适应系统不同扰动的需要，鲁棒性和自适应能力更强。改善了传统稳定控制器在系统运行状态发生变化时出现适应性差的不足，更大程度上保证了电力系统的安全运行。

在工程实现上，对于现有或已投运的发电机励磁系统来讲，其自动励磁调节器AVR是既定的。稳定器与AVR之间是并联接入方式，因此本发明的方案与AVR具有相对的独立性，而这一点正是外环反馈方案所具备的。对于外环反馈方案，本发明方案是作为辅助的信号叠加到自动励磁调节器AVR的输入端，这样在即使是本发明稳定器退出的情况下，剩下的AVR也能与常规的AVR性能保持一致。

Claims (3)

1.一种电力系统多稳定器的混合智能控制方法，包括：稳定器输出的信号作为自动励磁调节器的辅助输入信号，自动励磁调节器输出的信号作用于发电机，对发电机的运行状态进行控制，其特征在于：

该方法步骤为：1）三种不同控制原理的稳定器输出的信号分别作为自动励磁调节器的辅助输入信号；将三种辅助输入信号独立作用条件下的自动励磁调节器输出的信号用于控制发电机，按时序获取发电机对应于三种辅助输入信号的三个转速值序列，同时按时序记录三种辅助输入信号各自的信号变化序列，三种稳定器即获得三个信号变化序列；对某一稳定器而言，将其对应的转速值序列和信号变化序列用于对神经网络进行离线训练，得到该稳定器对应的神经网络预测模型，三个稳定器即得到三个神经网络预测模型；

其中对神经网络进行离线训练的方法是：针对某一稳定器对应的转速值序列和信号变化序列，将信号变化序列中，当前辅助输入信号的一、二级时延值和转速值序列中当前转速值的一、二级时延值，共计4个参数作为神经网络输入层的4个神经元，当前转速值作为神经网络的输出层神经元，对神经网络进行离线训练，建立4输入1输出的神经网络预测模型；

2）将三个稳定器和它们各自对应的神经网络预测模型投入运行；实时采集三个稳定器的输出信号和发电机实际转速，将各个稳定器当前输出信号的一、二级时延值和发电机实际转速的一、二级时延值输入对应的神经网络预测模型，神经网络预测模型的输出量即为在时序上与当前输出信号对应的转速值，该转速值定义为预测值，三个稳定器即得到三个预测值；实时采集发电机的实际转速值，将时序上具备对应关系的实际转速值和预测值进行比较，获得三个稳定器各自对应的预测值与实际转速值的误差；

3）根据误差，按如下三个式子分别计算三个稳定器各自的输出信号与发电机运行状态的匹配度：

$J_1=e_1\left(k\right)+\underset{k=l}{\overset{k-1}{\mathrm{\Σ}}}{\mathrm{\β}}^{k-j}{e}_1\left(j\right)$

$J_2=e_2\left(k\right)+\underset{k=l}{\overset{k-1}{\mathrm{\Σ}}}{\mathrm{\β}}^{k-j}{e}_2\left(j\right)$

$J_3=e_3\left(k\right)+\underset{k=l}{\overset{k-1}{\mathrm{\Σ}}}{\mathrm{\β}}^{k-j}{e}_3\left(j\right)$

其中，J₁为第一个稳定器对应的匹配度，J₂为第二个稳定器对应的匹配度，J₃为第三个稳定器对应的匹配度；e₁(k)为当前发电机的实际转速值与第一个稳定器的当前预测值的误差，e₁(j)为第j次采样时获得的发电机的实际转速值与第j次采样时获得的第一个稳定器的预测值的误差；e₂(k)为当前发电机的实际转速值与第二个稳定器的当前预测值的误差，e₂(j)为第j次采样时获得的发电机的实际转速值与第j次采样时获得的第二个稳定器的预测值的误差；e₃(k)为当前发电机的实际转速值与第三个稳定器的当前预测值的误差，e₃(j)为第j次采样时获得的发电机的实际转速值与第j次采样时获得的第三个稳定器的预测值的误差；l为匹配长度，l为正整数，l≥2；k、j均为正整数，且k-l≤j≤k-1；β为匹配误差遗忘因子，0＜β＜1；

4）比较三个稳定器各自的匹配度的数值大小，针对匹配度数值较小的两个稳定器，按下式计算这两个稳定器各自对应的权值：

设匹配度数值较小的两个稳定器分别为第一稳定器和第二稳定器，则第一稳定器的当前权值W₁为：

$W_1=\frac{J_1^{-1}}{J_1^{-1}+J_2^{-1}}$

第二稳定器的当前权值W₂为：

$W_2=\frac{J_2^{-1}}{J_1^{-1}+J_2^{-1}}$

5）设匹配度数值较小的两个稳定器分别为第一稳定器和第二稳定器，则根据步骤4）中计算出的权值，按下式对匹配度数值较小的两个稳定器的当前输出信号进行加权处理，求得混合控制信号u_s：

u_s＝W₁·u_s1+W₂·u_s2

其中，u_s1为第一稳定器当前的输出信号，u_s2为第二稳定器当前的输出信号

6）将混合控制信号u_s作为自动励磁调节器的辅助输入信号，自动励磁调节器在u_s作用下的输出信号作用于发电机，对发电机的运行状态进行控制，使发电机运行的稳定性得到提高。

2.根据权利要求1所述的电力系统多稳定器的混合智能控制方法，其特征在于：所述三个稳定器分别采用PI稳定器、模糊稳定器和强稳模糊稳定器。

3.根据权利要求1所述的电力系统多稳定器的混合智能控制方法，其特征在于：所述e₁(k)的计算方法为：

$e_1\left(k\right)=\left|\frac{\mathrm{\ω}\left(k\right)-{\widehat{\mathrm{\ω}}}_1\left(k\right)}{\mathrm{\ω}\left(k\right)}\right|$

所述e₂(k)的计算方法为：

$e_2\left(k\right)=\left|\frac{\mathrm{\ω}\left(k\right)-{\widehat{\mathrm{\ω}}}_2\left(k\right)}{\mathrm{\ω}\left(k\right)}\right|$

所述e₃(k)的计算方法为：

$e_3\left(k\right)=\left|\frac{\mathrm{\ω}\left(k\right)-{\widehat{\mathrm{\ω}}}_3\left(k\right)}{\mathrm{\ω}\left(k\right)}\right|$

其中，ω(k)为当前的发电机实际转速值，

和

分别为第一稳定器、第二稳定器和第三稳定器对应的预测值。

Images