JPH04372044A - 制御方法およびその制御方法を用いた電力系統電圧−無効電力制御装置 - Google Patents
制御方法およびその制御方法を用いた電力系統電圧−無効電力制御装置Info
- Publication number
- JPH04372044A JPH04372044A JP3174735A JP17473591A JPH04372044A JP H04372044 A JPH04372044 A JP H04372044A JP 3174735 A JP3174735 A JP 3174735A JP 17473591 A JP17473591 A JP 17473591A JP H04372044 A JPH04372044 A JP H04372044A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- control device
- reactive power
- voltage
- power system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 198
- 238000004088 simulation Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 abstract description 14
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 39
- 230000000694 effects Effects 0.000 description 8
- 230000001537 neural effect Effects 0.000 description 8
- 230000000306 recurrent effect Effects 0.000 description 6
- 238000007796 conventional method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000003607 modifier Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009183 running Effects 0.000 description 2
- 101000582320 Homo sapiens Neurogenic differentiation factor 6 Proteins 0.000 description 1
- 102100030589 Neurogenic differentiation factor 6 Human genes 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/30—Reactive power compensation
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
め要約のデータは記録されません。
Description
圧−無効電力制御など、特性の同定が困難な制御対象の
制御、あるいは既存の制御装置ではうまく制御できない
制御対象の制御に有効な制御方法およびその制御方法を
用いた電力系統電圧−無効電力制御装置に関するもので
ある。
国大会に“鈴木 守 他”によって発表された論文
“946”「デジタル型電圧−無効電力制御装置の開発
」に示された従来の制御方法を示す概念図である。図に
おいて、11は座標軸の中心領域にある不感帯であり、
12はこの不感帯11から四方に伸びる動作切り換え線
である。
法では制御装置としての電圧−無効電力制御装置に、変
圧器一次電圧V1 、変圧器二次電圧V2 、および変
圧器一次無効電力Q1 の関係から、図12に示す電力
系統の特性を近似したパターンの制御平面を持たせる。
された制御平面のパターンに基づいて、負荷時、タップ
切り換え変圧器のタップの上下、あるいは調相機器であ
る進相コンデンサ(SC)、分路リアクトル(SHR)
の入/切を制御することで、それぞれの値を目標値に維
持するものである。
のように構成されているので、制御装置に設定される制
御平面のパターンによって制御特性が大きく左右される
ものであるが、当該制御平面のパターンを適正に設定す
ることは困難なもので、良好な制御特性を得ることが難
しく、また、タップの上下、進相コンデンサや分路リア
クトルの入/切による制御効果は段階的であることから
、不感帯11の設定が適切でない場合にはハンチングが
生ずるなどの問題点があった。
うな問題点を解消するためになされたもので、めんどう
な制御平面のパターン設定などをすることなく、制御対
象の動特性を考慮した制御特性が実現可能な制御方法を
得ることを目的とする。
電子系統の特性を近似することなく電圧−無効電力を適
正な値に高速で制御できる電力系統電圧−無効電力制御
装置を得ることを目的とする。
係る制御方法は、既存の制御装置とその制御対象を神経
回路網によって神経回路網制御装置および神経回路網制
御対象模擬装置として構成し、神経回路網制御装置と制
御装置の入出力関係、および神経回路網制御対象模擬装
置と制御対象の入出力関係が一致するようにそれぞれの
神経回路網を学習させ、次いで神経回路網制御装置の出
力と神経回路網制御対象模擬装置の入力とを結合して、
神経回路網制御装置の入力と神経回路網制御対象模擬装
置の出力とが一致するように神経回路網制御装置の神経
回路網を再学習させた後、この神経回路網制御装置によ
って制御対象の制御を行うものである。
法は、既存の制御装置を神経回路網によって神経回路網
制御装置として構成し、当該神経回路網制御装置の入出
力関係が既存の制御装置の入出力関係と一致するように
その神経回路網を学習させた後、この神経回路網制御装
置によって制御対象の制御を行うものである。
系統電圧−無効電力制御装置は、それぞれ入出力関係が
一致するように学習済みの神経回路網を用いて形成した
神経回路網電圧−無効電力制御装置と神経回路網電力系
統模擬装置とを当該順序で直列に結合し、それ全体の入
力と出力とが一致するように神経回路網を再学習させた
神経回路網電圧−無効電力制御装置にて電力系統の制御
を行うものである。
統電圧−無効電力制御装置は、既存の電圧−無効電力制
御装置と入出力関係が一致するように学習済みの神経回
路網を用いて形成した神経回路網電圧−無効電力制御装
置にて前記電力系統の制御を行うものである。
装置は、神経回路網の学習アルゴリズムに従ってその制
御特性を学習した後、制御対象を制御するようにしたこ
とにより、既存の制御装置の制御特性がおもわしくない
場合、あるいは、あらかじめ制御対象の特性や制御装置
の制御則を決定することが困難な場合に、任意の制御対
象に対して対応できる制御方法を実現する。
方法は、既存の制御装置を神経回路網にて構成すること
により、演算が高速であり、制御装置の構成も簡単な制
御方法を実現する。
経回路網電圧−無効電力制御装置は、既存の電圧−無効
電力制御装置と自身の入出力関係が一致するように学習
した神経回路網を用いて形成され、その出力が、同様に
電力系統と入出力関係が一致するように学習した神経回
路網にて形成される神経回路網電力系統模擬装置の入力
と結合されて、自身の入力と神経回路網電力系統模擬装
置の出力とが一致するように神経回路網を再学習させた
後、電力系統を制御することにより、電力系統の特性を
近似することなく電圧−無効電力を適正な値に高速で制
御できる電力系統電圧−無効電力制御装置を実現する。
回路網電圧−無効電力制御装置は、神経回路網に既存の
電圧−無効電力制御装置と自身の入出力関係が一致する
ように学習させた後、電力系統を制御することにより、
電力系統の特性を近似することなく電圧−無効電力を適
正な値に高速で制御できる電力系統電圧−無効電力制御
装置を実現する。
る。図1は請求項1に記載の発明の一実施例における第
1の学習フェーズを示す概念図、図2は同じく第2の学
習フェーズを示す概念図、図3は上記学習フェーズ終了
後の運用形態を示す概念図であり、この実施例では学習
は前記2段階に分かれている。
電力制御装置などの既存の制御装置であり、2はこの制
御装置1にて制御される制御対象である。3は前記制御
装置1を神経回路網で構成した神経回路網制御装置であ
り、4は前記制御対象2を神経回路網で構成した神経回
路網制御対象模擬装置である。
1の学習フェーズでは、既存の制御装置1および実際の
制御対象2の動特性を、神経回路網にて構成された神経
回路網制御装置3と神経回路網制御対象模擬装置4とに
学習させる。
神経回路網制御装置3に、また制御対象2と神経回路網
制御対象模擬装置4にそれぞれ等しい入力を印加した時
、制御装置1と神経回路網制御装置3、および制御対象
2と神経回路網制御対象模擬装置4の出力がそれぞれ一
致するように、神経回路網制御装置3および神経回路網
制御対象模擬装置4の各神経素子間の結合の重みを変化
させる。
えば、アール・ジェイ・ウィリアムス(R.J.Wil
liams)他によってニューラル コンピューテー
ション(NEURAL COMPUTATION)の1
,2,(1989)に発表された論文” ア ラーニ
ング アルゴリズムフォーコンティニュアリー ラ
ンニング フリー リカレント ニューラル
ネットワークス”(A Learning Algor
ithm for Continually Runn
ing Fully Recurrent Neura
l Networks) に示されているアルゴリズム
である。
ューラル ネットワークを考え、外部より入力層5に
入力される外部入力をxk (t) 、神経素子6から
の出力のフィードバックをyk (t)とする。また、
入力および出力の範囲をU,Iとする。このとき、総合
入力は数1で定義される。
ューロンiとjとの間の結合の重みをwijとすると数
2で表すことができ、入出力関係をfk とすると出力
は数3となる。
dk (t) が存在するkの集合をT(t) と定義
すると、エラー関数ek (t) は数4で定義される
。
ように定義する。
ば、その変更量は最急降下法によって数6で求めること
ができる。ただし、αは正の学習定数である。
うに変形できる。右辺の偏微分項を計算すると漸化式は
数8となる。ただし、δijはクロネッカ デルタ(
Kronecker delta)で、i=kの時のみ
“1”でそれ以外は“0”である。
ると、数8、数9は数10あるいは数11とすることが
でき、数7が代入された数6は数12とすることができ
る。
ルゴリズムで、制御装置1および制御対象2の動特性を
神経回路網制御装置3および神経回路網制御対象模擬装
置4に学習させるものである。
の学習フェーズの学習が終了した神経回路網制御装置3
の出力と神経回路網制御対象模擬装置4の入力を、図2
に示すように結合して1つの神経回路網として再構成し
、当該神経回路網への入力と出力を比較して、それらが
一致するように神経回路網制御装置3側の神経回路網の
神経素子間の結合の重みを変化させることによって学習
させる。
と、図3に示すように神経回路網制御装置3と実際の制
御対象2とを接続することにより、既存の制御装置1の
代わりにその神経回路網制御装置3を用いて制御対象2
を制御する。
な運用例における入出力の波形を示す説明図である。こ
のときの神経回路網の構成は図6に示すようになってい
る。ここでは制御対象2の特性が一次遅れ特性である場
合を示している。すなわち、図5(a)に示されるよう
にステップ入力に対して制御対象2の出力は指数関数的
に接近する。
特性を神経回路網制御対象模擬装置4に学習させる(図
5(b))。次に学習フェーズ2として、学習フェーズ
1で学習した神経回路網制御対象模擬装置4とここでは
特に学習を前もって行わなかった神経回路網制御装置3
とを図5(c)のように結合させ、神経回路網制御装置
3の入力(希望出力)と神経回路網制御対象模擬装置4
の出力(ニューラルネットワークの出力)が一致するよ
うに神経回路網制御装置3の神経素子間の結合の重みを
変化させる。
両者がほぼ一致していることが分かる。又このとき神経
回路網制御装置3の入力及び出力(制御信号)は、神経
回路網制御対象模擬装置4の出力及び入力の関係と等し
くなっている。これは神経回路網制御装置3の特性とし
て神経回路網制御対象模擬装置4の逆特性が得られたた
めである。
一実施例における学習フェーズを示す概念図であり、図
8はその学習終了後の運用形態を示す概念図で、各部に
は図1〜図3と同一符号を付して説明の重複をさけてい
る。
1と神経回路網制御装置3を入力が等しくなるように結
合する。この時、例えば先に実施例1において説明した
Williams等のアルゴリズムを用いて両者出力が
等しくなるように、上記神経回路網制御装置3の神経素
子間の結合の重みを変更する。
特性は既存の制御装置1の動特性と一致するので、図8
のように、この神経回路網制御装置3を用いて既存の制
御装置1の代りに実際の制御対象2を制御することがで
きるようになる。
他の実施例による運用形態を示す概念図である。実施例
1の説明で述べたように、神経回路網制御装置3と実際
の制御対象2を接続することにより既存の制御装置1の
かわりに神経回路網制御装置3を用いて制御対象2を制
御する。
制御対象模擬装置4の出力を監視部7で比較監視してお
き、両出力の偏差がある一定値より大きくなったときは
、制御対象2の動特性が変化したものとして神経回路網
制御装置3及び神経回路網制御対象模擬装置4の特性の
再学習を、例えばWilliams等のアルゴリズムを
用いて行う。
考慮に入れた制御が行える制御方法が実現可能となる。
の他の実施例による運用形態を示す概念図である。この
図に示されるように、神経回路網制御装置3で実際の制
御対象2の制御を行いながら、既存の制御装置1にも目
標出力を入力し、制御装置1と神経回路網制御装置3の
出力が一致するように、例えば前述のWilliams
等のアルゴリズムを用いて神経回路網制御装置3の結合
の重みを変更する。
網制御装置3の出力との偏差がある一定値より大きくな
った場合には、スイッチ8にて既存の制御装置1に切り
替えて制御を行う。
前に学習しておかなくとも、実際の制御対象2の制御を
行いながら既存の制御装置1の動特性を学習することが
可能となる。
のさらに他の実施例による先行予測制御を示す概念図で
ある。神経回路網の学習後の動作は非常に高速であるの
で、実際の制御対象2が動作する前に事前に神経回路網
制御装置3と神経回路網制御対象模擬装置4で、実際の
制御対象2がどのように動作をするかをいくつかの制御
の例でシミュレートしておき、その結果、制御対象の動
作結果が一番良かった制御装置1を切り替え判定部9に
て選択し、実際の制御対象2を制御する場合にそれを用
いて制御する。
その制御演算を大幅に高速化することが可能となる。
の一実施例による電力系統電圧−無効電力制御装置を示
す概念図で、(a)は第1の学習フェーズを、(b)は
第2の学習フェーズを、(c)は運用形態をそれぞれ示
している。
制御装置であり、12はこの電圧−無効電力制御装置1
1によって制御される電力系統である。13は前記電圧
−無効電力制御装置11を神経回路網で形成した神経回
路網電圧−無効電力制御装置であり、14は前記電力系
統12を神経回路網にて形成した神経回路網電力系統模
擬装置である。
ント ニューラル ネットワークを用いて形成した
、前記神経回路網電力系統模擬装置14と神経回路網電
圧−無効電力制御装置13の構成例を示す構成図である
。
3の外部入力は、制御目標出力としての変圧器一次・二
次電圧と変圧器一次無効電力の基準値(V1ref,V
2ref,Q1ref)、および、電力系統の変化を示
す変圧器一次・二次電圧、変圧器一次無効電力の現在値
(V1,V2,Q1)である。また、出力は制御信号と
してタップ切り換えトランスのタップの上下(n)、調
相設備(SC,SHR)の開閉(q)である。
力は、制御信号としてのタップ切り換えトランスのタッ
プの上下(n)、調相設備(SC,SHR)の開閉(q
)のほかに、電力系統の状態を示す発電機有効電力(P
G ) 、負荷有効電力(PL )と神経回路網による
制御の対象となっている電気所以外の電気所の変圧器一
次側タップ値の合計値(Σn )と調相設備投入量の合
計値(Σq )である。また、出力は制御後の変圧器一
次側・二次側電圧、変圧器一次側無効電力(V1,V2
,Q1)である。
従う。即ち、図12(a)に示す第1の学習フェーズで
は既存の電圧−無効電力制御装置11および電力系統1
2の動特性を、神経回路網電圧−無効電力制御装置13
および神経回路網電力系統模擬装置14に学習させる。
ーズでは、上記の学習を完了した神経回路網電圧−無効
電力制御装置13と神経回路網電力系統模擬装置14を
図14に示すように共通の入出力をもって結合させ、こ
れら結合した神経回路網における入力と出力、すなわち
変圧器一次・二次電圧、変圧器一次無効電力の制御目標
値(V1ref, V2ref, Q1ref)と神経
回路網電力系統模擬装置14の出力である制御後の変圧
器一次・二次電圧、変圧器一次無効電力(V1,V2,
Q1)が一致するように再び学習させる。
置13の神経素子間の結合重みのみを変化させる。上記
第2の学習フェーズが終了した後は、図12(c)に示
す通り神経回路網電圧−無効電力制御装置13で実際の
電力系統12を制御する。
統模擬装置を用いて、神経回路網電圧−無効電力制御装
置13と既存の電圧−無効電力制御装置11の制御効果
を比較したもので、同図(a)が従来、同図(b)がこ
の発明のものを示している。既存の電圧−無効電力制御
装置11は図22に示す制御平面を用い、系統状態が制
御平面上のどこに位置するかによってタップ切り換えト
ランスまたは調相設備のどちらか一方を操作するのに対
し、神経回路網電圧−無効電力制御装置13は、タップ
切り換えトランスと調相設備の両方を用いて制御を行う
ことがわかる。
装置各々の負荷の変化パターンに対する制御目標値との
誤差である。負荷の変化パターンのうち−400、0、
600のパターンは神経回路網電圧−無効電力制御装置
13の学習に用いたパターンであり、その他は未学習デ
ータである。この図16により、従来に比較して精度が
向上していることがわかる。
施例として、例えば上記実施例6に示す電力系統電圧−
無効電力制御装置において、実施例3に示す運用方式を
適用した場合について説明する。
であり、その装置構成は上記実施例6の場合と同様であ
る。なお、その動作は実施例3の場合と同様で、上記実
施例6に示す第1の学習フェーズおよび第2の学習フェ
ーズの終了後、神経回路網電圧−無効電力制御装置13
を用いて実際の電力系統12を制御する。
にも電力系統と等しい外部入力を与えておき、電力系統
の出力と神経回路網電力系統模擬装置14の出力(変圧
器一次・二次側電圧、変圧器一次側無効電力)および各
々の目標値を監視部15で比較監視しておき、これらの
偏差が所定値幅を越えたときは神経回路網電圧−無効電
力制御装置13、神経回路網電力系統模擬装置14の特
性の再学習を行う。
では図13において、神経回路網電圧−無効電力制御装
置13の外部入力として変圧器一次・二次側電圧、変圧
器一次側無効電力の各々の目標値と現在値を、神経回路
網電力系統模擬装置14の出力として変圧器一次・二次
側電圧、変圧器一次側無効電力を設定しているが、次の
ようにしても良い。
二次側電圧のみで制御する場合、図13における神経回
路網電圧−無効電力制御装置13の外部入力は変圧器一
次・二次電圧の各々の目標値と現在値、神経回路網電力
系統模擬装置14の出力は変圧器一次・二次側電圧とな
る。
従来方式に従って変圧器二次側電圧・変圧器一次側無効
電力のみで制御してもよい。すなわち、図13における
神経回路網電圧−無効電力制御装置13の外部入力を変
圧器二次側電圧、変圧器一次側無効電力の目標値および
現在値、神経回路網電力系統模擬装置の出力を変圧器二
次電圧および変圧器一次無効電力としてもよい。
の一実施例について説明する。図18は神経回路網電圧
−無効電力制御装置13を用いた電力系統電圧−無効電
力制御装置の概念図である。このときの神経回路網電圧
−無効電力制御装置13は例えば図13に示すようなリ
カレントニューラルネットを用いる。
われる。まず図18(a)において、既存の電圧−無効
電力制御装置11の動特性を神経回路網電圧−無効電力
制御装置13に学習させる。次に図18(b)に示す通
り従来の電圧−無効電力制御装置11の変わりに神経回
路網電圧−無効電力制御装置13を用いて実際の電力系
統12を制御する。
実施例として、例えば上記実施例10に示す電力系統電
圧−無効電力制御装置において、実施例4に示す運用方
式を適用した場合について説明する。図19はそのよう
な運用方式を示す概念図である。装置構成は上記実施例
10の場合と同様であり、その動作は実施例4に従う。
学習が終了し、神経回路網電圧−無効電力制御装置13
で電力系統12を制御する時に、既存の電圧−無効電力
制御装置11にも等しい入力を与えておく。これら神経
回路網電圧−無効電力制御装置13と既存の電圧−無効
電力制御装置11の出力を監視部15で監視しておき、
偏差が所定値幅を越えた場合、制御を既存の電圧−無効
電力制御装置11に移行し、神経回路網電圧−無効電力
制御装置13の再学習を行う。
例11では神経回路網電圧−無効電力制御装置13の外
部入力として、変圧器一次・二次側電圧、変圧器一次無
効電力の各々の目標値と現在値を設定しているが、次の
ようにしても良い。すなわち、従来方式と同様に変圧器
一次・二次側電圧のみで制御する場合、神経回路網電圧
−無効電力制御装置13の外部入力は変圧器一次・二次
側電圧の各々の目標値と現在値となる。
に、従来方式に従って変圧器二次側電圧・変圧器一次側
無効電力のみで制御してもよい。すなわち、神経回路網
電圧−無効電力制御装置13の外部入力を変圧器二次側
電圧、変圧器一次側無効電力の目標値および現在値とし
てもよい。
明のさらに他の実施例による先行予測型の電圧−無効電
力制御装置を示す概念図であり、異なる制御ロジックに
基づく複数の既存型電圧−無効電力制御装置11と各既
存型電圧−無効電力制御装置11の特性を学習させた複
数の神経回路網電圧−無効電力制御装置13および電力
系統12の特性を学習させた神経回路網電力系統模擬装
置14から構成される。
常に高速であることを利用し、ある系統状態に対して各
既存型電圧−無効電力制御装置11による制御効果を実
際の制御前に神経回路網電圧−無効電力制御装置13お
よび神経回路網電力系統模擬装置14を用いたシミュレ
ーションにより求めておく。その結果、制御効果が最も
高かった電圧−無効電力制御装置13を切り替え判定部
16で選択し、実際の電力系統12の制御を、当該電圧
−無効電力制御装置13によって実行する。
た先行予測制御を行うことにより、電圧−無効電力を基
準値に近付けるための最も有効な制御機器および制御量
の決定が行える。
明のさらに他の実施例を示す概念図である。上記実施例
6に従って学習を終了した神経回路網電圧−無効電力制
御装置13で実際の電力系統12を制御する段階におい
て、既存の電圧−無効電力制御装置11にも神経回路網
電圧−無効電力制御装置13と等しい入力を与えておく
。神経回路網電圧−無効電力の制御出力を運用切り替え
判定部17で監視し、所定の値幅を逸脱した場合、制御
を既存の電圧−無効電力制御装置13による制御に切り
替える。
ることにより、学習範囲を大きく越えた系統状態が入力
された場合の制御性能の低下を防止できる。
よれば、神経回路網を用いて神経回路網制御装置および
神経回路網制御対象模擬装置を構成し、それぞれを構成
する神経素子間の結合の重みを神経回路網制御装置につ
いては実際の制御対象の動特性と一致するように変更し
、神経回路網制御対象模擬装置については既存の制御装
置の動特性と一致するように変更し、その後両神経回路
網を結合させることにより制御対象の動特性を考慮に入
れた制御装置の特性を神経回路網制御装置に学習させる
ように構成したので、従来の制御方法では対象の制御が
困難であった場合、制御装置のパラメータの設定が複雑
な場合、さらには制御結果が思わしくない場合に、任意
の制御対象に対して対応可能な制御方法が得られる効果
がある。
経回路網を用いて神経回路網制御装置を構成し、これを
構成する神経素子間の結合の重みを既存の制御装置の動
特性と一致するように変更して、当該神経回路網制御装
置に既存の制御装置の特性をもたせるように構成したの
で、制御装置の構造が従来のものに比べて簡単で、制御
速度を早くすることが可能な制御方法が得られる効果が
ある。
よれば、電力系統の電圧−無効電力制御において、上記
神経回路網を用いた制御方法を適用するように構成した
ので、電力系統の特性を近似することなく、変圧器一次
・二次電圧および変圧器一次無効電力を適切な値に精度
良く高速で制御することが可能な電力系統電圧−無効電
力制御装置が得られる効果がある。
法における第1の学習フェーズを示す概念図である。
概念図である。
る。
ラル ネットワークの一例を示す構成図である。
示す説明図である。
成図である。
フェーズを示す概念図である。
る。
用形態を示す概念図である。
運用形態を示す概念図である。
おける先行予測制御を示す概念図である。
図である。
装置および神経回路網電力系統模擬装置を示す構成図で
ある。
経回路網の構成を示す構成図である。
標値からの誤差を示す説明図である。
念図である。
図である。
念図である。
示す概念図である。
示す概念図である。
存の電圧−無効電力制御装置12 電力系統
Claims (4)
- 【請求項1】 制御対象を制御装置にて制御する制御
方法において、前記制御装置を神経回路網で構成した神
経回路網制御装置と、前記制御対象を神経回路網で構成
した神経回路網制御対象模擬装置を用意し、前記神経回
路網制御装置と前記制御装置の入出力関係、および前記
神経回路網制御対象模擬装置と前記制御対象の入出力関
係が一致するように前記神経回路網制御装置と前記神経
回路網制御対象模擬装置の神経回路網を学習させ、次に
、前記神経回路網制御装置の出力と前記神経回路網制御
対象模擬装置の入力とを結合して、前記神経回路網制御
装置の入力と前記神経回路網制御対象模擬装置の出力と
が一致するように前記神経回路網制御装置の神経回路網
を再学習させ、学習終了後、前記神経回路網制御装置に
て前記制御対象の制御を行うことを特徴とする制御方法
。 - 【請求項2】 制御対象を制御装置にて制御する制御
方法において、前記制御装置を神経回路網で構成した神
経回路網制御装置を用意し、前記神経回路網制御装置の
入出力関係と前記制御装置の入出力関係が一致するよう
に前記神経回路網制御装置の神経回路網を学習させ、学
習終了後、前記神経回路網制御装置にて前記制御対象の
制御を行うことを特徴とする制御方法。 - 【請求項3】 制御対象である電力系統の電圧−無効
電力制御を行う電力系統電圧−無効電力制御装置におい
て、既存の電圧−無効電力制御装置と当該神経回路網電
圧−無効電力制御装置自身の入出力関係が一致するよう
に、あらかじめ学習の済んだ神経回路網で形成された神
経回路網電圧−無効電力制御装置と、制御対象である前
記電力系統と当該神経回路網電力系統模擬装置自身の入
出力関係が一致するように、あらかじめ学習の済んだ神
経回路網で形成された神経回路網電力系統模擬装置を備
え、前記神経回路網電圧−無効電力制御装置の出力と前
記神経回路網電力系統模擬装置の入力とを結合して、前
記神経回路網電圧−無効電力制御装置の入力と前記神経
回路網電力系統模擬装置の出力とが一致するように前記
神経回路網電圧−無効電力制御装置の神経回路網を再学
習させた後、前記神経回路網電圧−無効電力制御装置に
て前記電力系統の制御を行うことを特徴とする電力系統
電圧−無効電力制御装置。 - 【請求項4】 制御対象である電力系統の電圧−無効
電力制御を行う電力系統電圧−無効電力制御装置におい
て、既存の電圧−無効電力制御装置と当該神経回路網電
圧−無効電力制御装置自身の入出力関係が一致するよう
に、あらかじめ学習の済んだ神経回路網で形成された神
経回路網電圧−無効電力制御装置を備え、前記神経回路
網電圧−無効電力制御装置にて前記電力系統の制御を行
うことを特徴とする電力系統電圧−無効電力制御装置。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP17473591A JP3221497B2 (ja) | 1991-06-20 | 1991-06-20 | 制御方法およびその制御方法を用いた電力系統電圧−無効電力制御装置 |
EP92110404A EP0519501B1 (en) | 1991-06-20 | 1992-06-19 | A control method using neural networks and a voltage/reactive power controller for a power system |
DE1992625270 DE69225270T2 (de) | 1991-06-20 | 1992-06-19 | Leistungssteuerungssystem mit Anwendung von Neuronalnetzwerken und einem Spannungs-/Blindleistungsregler |
US08/295,072 US5485545A (en) | 1991-06-20 | 1994-08-26 | Control method using neural networks and a voltage/reactive-power controller for a power system using the control method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP17473591A JP3221497B2 (ja) | 1991-06-20 | 1991-06-20 | 制御方法およびその制御方法を用いた電力系統電圧−無効電力制御装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH04372044A true JPH04372044A (ja) | 1992-12-25 |
JP3221497B2 JP3221497B2 (ja) | 2001-10-22 |
Family
ID=15983754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP17473591A Expired - Lifetime JP3221497B2 (ja) | 1991-06-20 | 1991-06-20 | 制御方法およびその制御方法を用いた電力系統電圧−無効電力制御装置 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP0519501B1 (ja) |
JP (1) | JP3221497B2 (ja) |
DE (1) | DE69225270T2 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008204437A (ja) * | 2007-01-12 | 2008-09-04 | Toyota Motor Engineering & Manufacturing North America Inc | 固定型の長期及び適応型の短期メモリを有するニューラルネットワークコントローラ |
JP2013247785A (ja) * | 2012-05-25 | 2013-12-09 | Mitsubishi Electric Corp | 電圧無効電力制御システム |
RU2618519C1 (ru) * | 2015-12-30 | 2017-05-04 | федеральное государственное бюджетное образовательное учреждение высшего образования "Национальный исследовательский университет "МЭИ" (ФГБОУ ВО "НИУ "МЭИ") | Способ автоматической настройки компенсации дугогасящих реакторов, управляемых подмагничиванием |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0635888A (ja) * | 1992-07-15 | 1994-02-10 | Mitsubishi Electric Corp | 神経回路網の学習方法及びその学習方法を用いた電力系統電圧・無効電力制御装置 |
US5486996A (en) * | 1993-01-22 | 1996-01-23 | Honeywell Inc. | Parameterized neurocontrollers |
DE4314127C2 (de) * | 1993-04-29 | 1996-10-17 | Loesch Reiner | System zur Simulation eines realen, elektrischen Verbrauchers und Handgerät als Systemkomponente |
DE4316533C2 (de) * | 1993-05-18 | 1997-09-18 | Bodenseewerk Geraetetech | Neuronales Netz für dynamische Prozesse |
EP0663632B1 (de) * | 1994-01-17 | 1997-12-10 | Siemens Aktiengesellschaft | Verfahren und Vorrichtung zur Führung eines Prozesses |
DE19814407B4 (de) * | 1997-05-09 | 2007-04-19 | Siemens Ag | Verfahren und Anordnung zur neuronalen Modellierung einer Papierwickelvorrichtung |
JP3955758B2 (ja) * | 2001-12-28 | 2007-08-08 | 東芝三菱電機産業システム株式会社 | 無効電力補償装置 |
EP2296062B1 (de) * | 2009-09-09 | 2021-06-23 | Siemens Aktiengesellschaft | Verfahren zum rechnergestützten Lernen einer Steuerung und/oder Regelung eines technischen Systems |
CN101763034B (zh) * | 2009-12-01 | 2013-04-17 | 深圳市科陆电子科技股份有限公司 | 在配网终端实现自适应网络恢复重构的方法 |
DE102013205356B4 (de) | 2013-03-26 | 2016-07-07 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems |
CN103226727B (zh) * | 2013-04-22 | 2015-10-28 | 上海理工大学 | 电力系统无功优化的细菌菌落算法 |
RU2559809C1 (ru) * | 2014-04-17 | 2015-08-10 | Геннадий Николаевич Марченко | Способ настройки компенсации емкостных токов замыкания на землю |
CN111525587B (zh) * | 2020-04-01 | 2022-10-25 | 中国电力科学研究院有限公司 | 一种基于无功负荷态势的电网无功电压控制方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6485533A (en) * | 1987-09-28 | 1989-03-30 | Toshiba Corp | Voltage/reactive power controller |
JPH02148201A (ja) * | 1988-11-30 | 1990-06-07 | Toshiba Corp | 適応制御装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4111354A1 (de) * | 1991-04-09 | 1992-10-22 | Bodenseewerk Geraetetech | Einrichtung zur fuehrung des endeffektors eines roboters laengs einer sollbahn |
-
1991
- 1991-06-20 JP JP17473591A patent/JP3221497B2/ja not_active Expired - Lifetime
-
1992
- 1992-06-19 DE DE1992625270 patent/DE69225270T2/de not_active Expired - Fee Related
- 1992-06-19 EP EP92110404A patent/EP0519501B1/en not_active Expired - Lifetime
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6485533A (en) * | 1987-09-28 | 1989-03-30 | Toshiba Corp | Voltage/reactive power controller |
JPH02148201A (ja) * | 1988-11-30 | 1990-06-07 | Toshiba Corp | 適応制御装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008204437A (ja) * | 2007-01-12 | 2008-09-04 | Toyota Motor Engineering & Manufacturing North America Inc | 固定型の長期及び適応型の短期メモリを有するニューラルネットワークコントローラ |
JP2013247785A (ja) * | 2012-05-25 | 2013-12-09 | Mitsubishi Electric Corp | 電圧無効電力制御システム |
RU2618519C1 (ru) * | 2015-12-30 | 2017-05-04 | федеральное государственное бюджетное образовательное учреждение высшего образования "Национальный исследовательский университет "МЭИ" (ФГБОУ ВО "НИУ "МЭИ") | Способ автоматической настройки компенсации дугогасящих реакторов, управляемых подмагничиванием |
Also Published As
Publication number | Publication date |
---|---|
JP3221497B2 (ja) | 2001-10-22 |
EP0519501B1 (en) | 1998-04-29 |
EP0519501A2 (en) | 1992-12-23 |
DE69225270D1 (de) | 1998-06-04 |
DE69225270T2 (de) | 1998-12-17 |
EP0519501A3 (ja) | 1994-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JPH04372044A (ja) | 制御方法およびその制御方法を用いた電力系統電圧−無効電力制御装置 | |
US5485545A (en) | Control method using neural networks and a voltage/reactive-power controller for a power system using the control method | |
Zhang et al. | An artificial neural network based adaptive power system stabilizer | |
Simoes et al. | Neural network based estimation of feedback signals for a vector controlled induction motor drive | |
Kashem et al. | Artificial neural network approach to network reconfiguration for loss minimization in distribution networks | |
Zhang et al. | Application of an inverse input/output mapped ANN as a power system stabilizer | |
EP1021752A1 (en) | Model-free adaptive process control | |
Ramirez-Gonzalez et al. | Power system stabilizer design using an online adaptive neurofuzzy controller with adaptive input link weights | |
CN115755621A (zh) | 一种忆阻递归神经网络的有限时间自适应同步控制方法 | |
Lin | Intelligent neural-network-based adaptive power-line conditioner for real-time harmonics filtering | |
Rathi et al. | Neural network controller for power electronics circuits | |
Karnavas et al. | Excitation control of a synchronous machine using polynomial neural networks | |
Lin et al. | Approach to adaptive neural net-based H∞ control design | |
Qian et al. | An ANN-based load model for fast transient stability calculations | |
Ramakrishna et al. | RBF identifier and pole-shifting controller for PSS application | |
Sabahi et al. | Dynamic neural network for AGC in restructure power system | |
Singa et al. | Fault Diagnosis and Rectification an a DFIG using Multi-Layer Perceptron Control Strategy | |
Slama et al. | A Neural Model Reference Adaptive Controller Algorithm for Nonlinear Systems | |
Damak et al. | Indirect adaptive neural control using a hybrid learning algorithm | |
Helferty et al. | Neuromorphic control as a self-tuning regulator | |
Naghizadeh et al. | Power system stability enhancement with teaching-learning-based optimization | |
Shepstone et al. | An investigation into the feasibility of using neural networks to control turbogenerators | |
Martinez et al. | Identification of induction machines using artificial neural networks | |
Pandey et al. | A Study on PI and Fuzzy PI Controllers | |
Martinez Sarmiento et al. | Optimization of a neural architecture for the direct control of a Boost converter |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313113 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20070817 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080817 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080817 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090817 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090817 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100817 Year of fee payment: 9 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110817 Year of fee payment: 10 |
|
EXPY | Cancellation because of completion of term |