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
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【０００１】
【産業上の利用分野】この発明は、例えば電力系統の電
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。
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。
【０００２】
【従来の技術】図１２は例えば、昭和６２年電気学会全
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。
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。
【０００３】次に動作について説明する。従来の制御方
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。
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。
【０００４】電圧−無効電力制御装置はこの図１２に示
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。
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。
【０００５】
【発明が解決しようとする課題】従来の制御方法は以上
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。
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。
【０００６】請求項１および２に記載の発明は上記のよ
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。
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。
【０００７】また、請求項３および４に記載の発明は、
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。
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。
【０００８】
【課題を解決するための手段】請求項１に記載の発明に
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。
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。
【０００９】また、請求項２に記載の発明に係る制御方
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。
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。
【００１０】さらに、請求項３に記載の発明に係る電力
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。
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。
【００１１】また、請求項４に記載の発明に係る電力系
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。
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。
【００１２】
【作用】請求項１に記載の発明における神経回路網制御
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。
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。
【００１３】また、請求項２に記載の発明における制御
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。
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。
【００１４】さらに、請求項３に記載の発明における神
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。
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。
【００１５】また、請求項４に記載の発明における神経
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。
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。
【００１６】
実施例１．以下、この発明の実施例を図について説明す
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。
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。
【００１７】図１〜図３において、１は前記電圧−無効
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。
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。
【００１８】次に動作について説明する。図１に示す第
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。
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。
【００１９】この動特性の学習は、既存の制御装置１と
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。
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。
【００２０】この神経素子間の重みの変化の法則は、例
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。
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。
【００２１】ここで、図４に示されるリカレント ニ
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。
【００２２】
【数１】
【００２３】また、ｋ番目のニューロンへの入力は、ニ
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。
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。
【００２４】
【数２】
【００２５】
【数３】
【００２６】さらに、出力ｙｋ （ｔ）に対して目標値
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
。
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
。
【００２７】
【数４】
【００２８】なお、評価関数としてＪ（ｔ） を数５の
ように定義する。
ように定義する。
【００２９】
【数５】
【００３０】各時間において結合の重みを更新するなら
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。
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。
【００３１】
【数６】
【００３２】ここで、数６の右辺の偏微分項は数７のよ
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。
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。
【００３３】
【数７】
【００３４】
【数８】
【００３５】また、初期条件は数９である。
【００３６】
【数９】
【００３７】ここで、偏微分の部分を“ｐ”で置き換え
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。
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。
【００３８】
【数１０】
【００３９】
【数１１】
【００４０】
【数１２】
【００４１】第１の学習フェーズでは、例えば上記のア
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。
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。
【００４２】また、第２の学習フェーズでは、上記第１
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。
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。
【００４３】この第２の学習フェーズの学習が終了する
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。
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。
【００４４】図５は上記制御方法を実現した１つの簡単
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。
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。
【００４５】まず学習フェーズ１として、この一次遅れ
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。
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。
【００４６】図５（ｄ）に示すように、学習終了後には
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。
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。
【００４７】実施例２．図７は請求項２に記載の発明の
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。
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。
【００４８】まず図７に示されるように既存の制御装置
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。
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。
【００４９】上記学習により神経回路網制御装置３の動
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。
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。
【００５０】実施例３．図９は請求項１に記載の発明の
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。
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。
【００５１】このとき、実際の制御対象２と神経回路網
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。
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。
【００５２】これによって、常に制御対象２の動特性を
考慮に入れた制御が行える制御方法が実現可能となる。
考慮に入れた制御が行える制御方法が実現可能となる。
【００５３】実施例４．図１０は請求項２に記載の発明
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。
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。
【００５４】また、既存の制御装置１の出力と神経回路
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。
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。
【００５５】これによって、神経回路網制御装置３は事
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。
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。
【００５６】実施例５．図１１は請求項１に記載の発明
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。
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。
【００５７】従って、並列計算機を利用した場合には、
その制御演算を大幅に高速化することが可能となる。
その制御演算を大幅に高速化することが可能となる。
【００５８】実施例６．図１２は請求項３に記載の発明
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。
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。
【００５９】図において、１１は既存の電圧−無効電力
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。
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。
【００６０】また、図１３は図４の場合と同様のリカレ
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
。
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
。
【００６１】この神経回路網電圧−無効電力制御装置１
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。
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。
【００６２】神経回路網電力系統模擬装置１４の外部入
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。
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。
【００６３】なお、これらの動作は、実施例１の手順に
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。
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。
【００６４】ここで図１２（ｂ）に示す第２の学習フェ
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。
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。
【００６５】この時は神経回路網電圧−無効電力制御装
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。
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。
【００６６】図１５は実際の電力系統の代わりに電力系
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。
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。
【００６７】図１６は既存の装置と神経回路網を用いた
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。
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。
【００６８】実施例７．請求項３に記載の発明の他の実
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。
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。
【００６９】図１７はそのような運用方式を示す概念図
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。
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。
【００７０】この時、神経回路網電力系統模擬装置１４
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。
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。
【００７１】実施例８．なお、上記実施例６，実施例７
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。
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。
【００７２】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、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。
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。
【００７３】実施例９．また、上記実施例８と同様に、
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、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。
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。
【００７４】実施例１０．次に、請求項４に記載の発明
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。
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。
【００７５】これらの動作は実施例２の場合と同様に行
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。
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。
【００７６】実施例１１．請求項４に記載の発明の他の
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。
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。
【００７７】神経回路網電圧−無効電力制御装置１３の
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。
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。
【００７８】実施例１２．なお、上記実施例１０，実施
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。
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。
【００７９】実施例１３．また、上記実施例１２と同様
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。
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。
【００８０】実施例１４．図２０は請求項３に記載の発
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。
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。
【００８１】ここでは、神経回路網の学習後の動作は非
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。
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。
【００８２】このように、神経回路網の高速性を利用し
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。
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。
【００８３】実施例１５．図２１は請求項３に記載の発
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。
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。
【００８４】このように神経回路網の制御出力を監視す
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。
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。
【００８５】
【発明の効果】以上のように、請求項１に記載の発明に
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。
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。
【００８６】また、請求項２に記載の発明によれば、神
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。
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。
【００８７】さらに、請求項３および４に記載の発明に
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。
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。
【図１】請求項１に記載の発明の一実施例による制御方
法における第１の学習フェーズを示す概念図である。
法における第１の学習フェーズを示す概念図である。
【図２】上記実施例における第２の学習フェーズを示す
概念図である。
概念図である。
【図３】上記実施例における運用形態を示す概念図であ
る。
る。
【図４】上記実施例で用いられるリカレント ニュー
ラル ネットワークの一例を示す構成図である。
ラル ネットワークの一例を示す構成図である。
【図５】上記実施例の一運用例における入出力の波形を
示す説明図である。
示す説明図である。
【図６】上記運用例における神経回路網の一例を示す構
成図である。
成図である。
【図７】請求項２に記載の発明の一実施例における学習
フェーズを示す概念図である。
フェーズを示す概念図である。
【図８】上記実施例における運用形態を示す概念図であ
る。
る。
【図９】請求項１に記載の発明の他の実施例における運
用形態を示す概念図である。
用形態を示す概念図である。
【図１０】請求項２に記載の発明の他の実施例における
運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。
【図１１】請求項１に記載の発明のさらに他の実施例に
おける先行予測制御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１２】請求項３に記載の発明の一実施例を示す概念
図である。
図である。
【図１３】上記実施例の神経回路網電圧−無効電力制御
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。
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。
【図１４】上記実施例における第２の学習フェーズの神
経回路網の構成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。
【図１５】上記実施例の制御効果を示す説明図である。
【図１６】上記実施例と従来装置による制御における目
標値からの誤差を示す説明図である。
標値からの誤差を示す説明図である。
【図１７】請求項３に記載の発明の他の実施例を示す概
念図である。
念図である。
【図１８】請求項４に記載の発明の一実施例を示す概念
図である。
図である。
【図１９】請求項４に記載の発明の他の実施例を示す概
念図である。
念図である。
【図２０】請求項３に記載の発明のさらに他の実施例を
示す概念図である。
示す概念図である。
【図２１】請求項３に記載の発明のさらに他の実施例を
示す概念図である。
示す概念図である。
【図２２】従来の制御方法を示す概念図である。
１ 制御装置
２ 制御対象
３ 神経回路網制御装置
４ 神経回路網制御対象模擬装置１１ 既
存の電圧−無効電力制御装置１２ 電力系統
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 |