基于spsa的电力系统单区域负荷频率的数据驱动控制方法
【技术领域】
[0001] 本发明涉及一种基于SPSA的电力系统单区域负荷频率的数据驱动控制方法，属于 电力系统负荷频率控制领域。
【背景技术】
[0002] 负荷频率控制是电力系统设计和运行中重要的课题之一，是最主要的系统频率控 制手段。对于电力系统而言，负荷总是不断变化的，而且可能会随时发生各种故障，有必要 设计一个负荷频率控制系统，使得电力系统依赖频率对发电机的负荷进行控制。因此，针对 具有参数不确定的电力系统，如何将频率控制在一个可接受的范围内，始终是一个极具挑 战性的研究课题。
[0003] 电力系统是复杂的非线性动态系统，由于电力系统在正常运行时仅仅暴露出较小 的负荷变化，所以传统方法常常使用线性化的模型来表示运行点附近的系统动态。在负荷 频率控制的研究中，已有AGC研究大都是针对Kirchmayer提出的比例积分(PI)控制方式的 负荷频率控制(LFC)模型[1]进行改进，但PI控制器在性能上很难同时满足跟踪设定值与扰 动抑制要求;且控制对象特性渐变时适应性差，将会引起系统响应的快速性和超调量之间 的矛盾[2]。近年来，智能控制策略逐渐广泛地应用于电力系统的负荷频率控制研究中。文 献[3]利用神经网络辨识电力系统的动态模型，通过动态寻优确定最优PID控制器参数，使 两区域的负荷频率控制既有自学习适应能力，又有PID控制的广泛适用性。但这种方法在寻 优时容易受到局部极小点的影响。文献[4]给出一种基于模糊遗传算法的新型PID智能控制 器。该方法采用遗传算法整定PID参数值作为模糊控制器的初值，然后再对模糊控制的相关 参数用遗传算法优化，避免了参数选择的盲目性，实现了对系统的最优控制。但遗传算法虽 有较强的全局搜索能力，却易陷入局部最优情况，且搜索速度较慢。另外，AGC研究领域也提 出了其他一些新的控制方式，如滑模变结构控制[5]、模糊控制[6]、自适应控制[7]等，但这 些算法又都有各自的缺陷，如滑模变结构控制在控制点切换时所固有的颤振现象、模糊量 化精度有限及传统自适应控制算法的复杂性等。
[0004] 由以上分析可见，由于电力系统的复杂特性，目前对于负荷频率的控制方法还有 待进一步的完善和创新，有必要结合其复杂的非线性动态、不确定参数等特点，发明新型的 对系统模型信息依赖少且算法相对简单、易于实现、在实际系统中能够稳定运行的控制算 法，从而有效地实现电力系统的负荷频率控制。
[0005] 基于SPSA的无模型控制方法[8]具有运算简单，涉及参数少，收敛速度快、可调参 数少、对系统模型信息依赖少等优势，算法自提出以来在诸多领域中得到了成功的应用[9 ~12]，其在控制领域中的应用也已经取得了初步成果[13~15]。由于它的应用非常广泛， 在其应用领域里不断有新发现。
[0006] [参考文献]
[0007] [ 1 ]刘梦欣，王杰，陈陈.电力系统频率控制理论与发展[J].电工技术学报，2007， 22(11):135-145,
[0008] [2]0ysal Y.A comparative study of adaptive load frequency controller designs in a power system with dynamic neural network models[J].Energy Conversion and Management,2005,46(15-16):2656-2668.
[0009] [3]Juang C.F.,Lu C.F.Power system load frequency control with fuzzy gain scheduling designed by genetic algorithms[C].IEEE International Conference on Plasma Science.Honolulu,H I,USA:2002.
[0010] [4]时海刚.自动发电控制(AGC)联合静态试验和热态试验研究[J].电力系统保护 与控制，2010，38( 13): 65-70.
[0011] [5]孟祥萍，薛昌飞，张化光.多区域互联电力系统的PI滑模负荷频率控制[J].中 国电机工程学报，2001，21(3):6-11.
[0012] [6]李媛媛，宋永华，魏少岩.AGC机组调配经济性的混沌遗传算法研究[J].电力系 统保护与控制，2008，36(16): 17-21.
[0013] [7]余涛，周斌.基于强化学习的互联电网CPS自校正控制[J].电力系统保护与控 制，2009,37(10):33-38.
[0014] [8]Spall J.C.,Cristion J.A.Model-free control of general discretetime systems[C].Proceedings of the 32nd IEEE Conference on Decision and Control，San Antonio，Texas，USA，1993:2792~2797.
[0015] [9]Cheema，J?S?，Sankpal，N?V?，Tambe，S ? S ?，and Kulkarni，B?D?Genetic Programming Assisted Stochastic Optimization Strategies for Optimization of Glucose to Gluconic Acid Fermentation[J].Biotechnolgy Progress,2002,18:1356~ 1365.
[0016] [10]Cipriani，E.Florian，M.，Ma hut，M.，and Nigro，M.A Gradient Approximation Approach for Adjusting Temporal Origin-Destination Matrices[J] .Transportation Research,Part C-Emerging Technologies，2011，19(2):270~282?
[0017] [ll]Das,S.,Spall,J.C.,and Ghanem,R.Efficient Monte Carlo Computation of Fisher Information Matrix Using Prior Information[J]?Computational Statistics and Data Analysis，2010,54(2):272~289.
[0018] [12]Finck,S.and Beyer,H.G.Performance Analysis of the Simultaneous Perturbation Stochastic Approximation Algorithm on the Noisy Sphere Model[J] .Theoretical Computer Science,2012,419:50~72.
[0019] [13]吴志伟，吴永建，柴天佑.基于同步扰动随机逼近算法的电熔镁炉智能控制系 统[J].上海交通大学学报.2011,45(8): 1095~1100.
[0020] [14]Bhatnagar,S.and Kumar,S.A Simultaneous Perturbation Stochastic Approximation-Based Actor-Critic Algorithm for Markov Decision Processes[J] .IEEE Transactions on Au