138 电工技术学报 2007年11月 控制器不适用于调速器的时间常数和转速调节常数 很好地改善系统的动态特性。 变化大于其典型值50%的情况。针对此问题，文献 另外，模糊控制器良好的动态行为和强鲁棒性 [22]利用鲁棒控制方法来处理小参数的不确定性， 能更好地适应系统中存在的不确定性因素，如负荷 利用自适应控制处理大参数的不确定性，使整个系 扰动及系统参数的变化所带来的不确定影响。因此， 统具有很好的稳定性。如果将互联多区域系统的分 一 些学者提出了将模糊逻辑理论应用到电力系统频 散LFC问题转化为等价的多输入多输出控制系统 率控制的想法。文献[30]在应用模糊控制理论研究 的分散控制问题，则可使系统在不满足对角占优情 复杂的多区域互联电力系统LFC方面做了开拓性 况下，各区域的频率控制器仍可独立设计2)。 的工作，提出了改进的带修正因子的模糊控制规则。 电力市场环境形成后，鲁棒控制技术得到新的 这种方法与传统PD控制器相比，具有较好的动态 应用。文献[24]考虑了多边合同的影响，通过混合 品质和鲁棒性，而且还具有一定的通用性，可用来 HH技术来处理一个多目标控制问题，利用先进 研究不同的控制对象。但是由于模糊量化等级有限， 的反复线性化矩阵不等式算法得到一个接近最优值 控制规则又难以做到尽善尽美，故其稳态精度往往 的鲁棒性能指标。 不高。文献[31]提出的变结构控制系统具有反应快、 4.4基于人工智能技术(Artificial Intelligence,AI) 对对象参数不敏感及对外界干扰鲁棒性好等特点： 的LFC方法 当系统时间参数Tp变化20%时，系统的动态特性几 近年来，随着AI技术的不断发展，以人工神 乎不受影响。但该方法在考虑GRC及死区非线性的 经网络(Artificial Neural Networks,ANN)、遗传算 影响时，系统往往不收敛，有时会引起不稳定。为 法(Genetic Algorithm,GA)和模糊技术为代表的 此，文献[32]将二者结合起来，提出了一种变结构 智能理论方法在电力系统领域得到了十分广泛的应 模糊控制器在某电网区域安全稳定控制中的应用结 用。 构。变结构模糊控制器实现简单，鲁棒性好，可用 ANN具有对故障与暂态稳定之间函数映射的 于某些用常规控制方法难以实现或控制效果欠佳的 逼近功能和并行处理能力，因而用ANN进行电力 场合。采用该算法的系统频率控制不仅改善了系统 系统的切负荷控制有着良好的适应性和实时性2。 的动态性能，而且还提高了系统的静态性能指标， 文献[26]将ANN成功应用于电力系统中的非线性 但是该方法为保证控制器的正常工作，在不同状态 控制，用前向反馈网络通过训练控制发电机组，克 下对采样频率要求很高。此外，预定模糊增益的比 服负荷变化引起的频率变化。针对神经网络学习时 例积分控制器可用于单区域和两区域系统，与传统 间长、难以收敛、学习中陷入局部最优解、对全局 的PI控制相比具有更好的超调值和动态特性，且不 数据的敏感性以及神经元数量随输入数据数量以指 需要关于系统参数的任何信息，因而可以产生高质 数上升的“维数灾”等问题，文献[27刀提出了一种 量的电能33-34。 新的基于小波和ANN技术，并结合传统PID控制 4.5线性规划的市场出清算法 的LFC控制器模型，保留了传统的两级PID控制， 文献[35]提供了一种线性规划及优化市场出清 从而减少神经网络的节点数量。该方法可应用于互 算法，针对爱尔兰系统的情况，假设频率变化率不 联电力系统的LFC,比传统控制方法具有更好的控 超过0.25Hz/s,结合两个新的基于频率的安全性约 制效果和鲁棒性、更快的响应速度及更小的超调量。 束条件：频率变化率约束和最小频率约束。考虑了 综合了ANN和综合控制技术的优点，文献[28]提出 风力发电机对系统频率的影响和系统动能，并改进 的一种新的非线性ANN控制器结构简单且操作灵 了传统的备用容量约束条件。在原有的负荷模型基 活。其性能比基于“的鲁棒控制器更好，对所有允 础上进行了改进，采用了一种简化的频率模型。与 许的不确定性和负荷变化都能保证系统的稳定性， 只用一个简单备用容量指标的传统算法相比，该电 可应用于实际的复杂电力系统中。 力市场环境下的频率控制方法能多在使系统频率波 GA是基于自然选择规律的一种优化方法，它 动保持在允许范围之内的前提下，使有功功率、动 能够成功地解决变量中的离散问题，避免常规数学 能和备用容量的边际成本更低，实现了电力系统运 优化方法的局部最优现象。近年来将遗传算法引入 行的安全性和经济性的统一。但是随着电网规模的 电力系统中取得了一定的经验和成果，如文献[2] 扩大，输电网络的功率损耗不能再近似为与负荷分 就基于GA提出了最优积分增益的控制方法，可以 配方案无关的常数，如在该模型中考虑网络损耗将138 电 工 技 术 学 报 2007 年 11 月 控制器不适用于调速器的时间常数和转速调节常数 变化大于其典型值 50%的情况。针对此问题，文献 [22]利用鲁棒控制方法来处理小参数的不确定性， 利用自适应控制处理大参数的不确定性，使整个系 统具有很好的稳定性。如果将互联多区域系统的分 散 LFC 问题转化为等价的多输入多输出控制系统 的分散控制问题，则可使系统在不满足对角占优情 况下，各区域的频率控制器仍可独立设计[23]。 电力市场环境形成后，鲁棒控制技术得到新的 应用。文献[24]考虑了多边合同的影响，通过混合 H2/H∞ 技术来处理一个多目标控制问题，利用先进 的反复线性化矩阵不等式算法得到一个接近最优值 的鲁棒性能指标。 4.4 基于人工智能技术（Artificial Intelligence，AI） 的 LFC 方法 近年来，随着 AI 技术的不断发展，以人工神 经网络（Artificial Neural Networks，ANN）、遗传算 法（Genetic Algorithm，GA）和模糊技术为代表的 智能理论方法在电力系统领域得到了十分广泛的应 用。 ANN 具有对故障与暂态稳定之间函数映射的 逼近功能和并行处理能力，因而用 ANN 进行电力 系统的切负荷控制有着良好的适应性和实时性[25]。 文献[26]将 ANN 成功应用于电力系统中的非线性 控制，用前向反馈网络通过训练控制发电机组，克 服负荷变化引起的频率变化。针对神经网络学习时 间长、难以收敛、学习中陷入局部最优解、对全局 数据的敏感性以及神经元数量随输入数据数量以指 数上升的“维数灾”等问题，文献[27]提出了一种 新的基于小波和 ANN 技术，并结合传统 PID 控制 的 LFC 控制器模型，保留了传统的两级 PID 控制， 从而减少神经网络的节点数量。该方法可应用于互 联电力系统的 LFC，比传统控制方法具有更好的控 制效果和鲁棒性、更快的响应速度及更小的超调量。 综合了 ANN 和综合控制技术的优点，文献[28]提出 的一种新的非线性 ANN 控制器结构简单且操作灵 活。其性能比基于µ 的鲁棒控制器更好，对所有允 许的不确定性和负荷变化都能保证系统的稳定性， 可应用于实际的复杂电力系统中。 GA 是基于自然选择规律的一种优化方法，它 能够成功地解决变量中的离散问题，避免常规数学 优化方法的局部最优现象。近年来将遗传算法引入 电力系统中取得了一定的经验和成果，如文献[29] 就基于 GA 提出了最优积分增益的控制方法，可以 很好地改善系统的动态特性。 另外，模糊控制器良好的动态行为和强鲁棒性 能更好地适应系统中存在的不确定性因素，如负荷 扰动及系统参数的变化所带来的不确定影响。因此， 一些学者提出了将模糊逻辑理论应用到电力系统频 率控制的想法。文献[30]在应用模糊控制理论研究 复杂的多区域互联电力系统 LFC 方面做了开拓性 的工作，提出了改进的带修正因子的模糊控制规则。 这种方法与传统 PID 控制器相比，具有较好的动态 品质和鲁棒性，而且还具有一定的通用性，可用来 研究不同的控制对象。但是由于模糊量化等级有限， 控制规则又难以做到尽善尽美，故其稳态精度往往 不高。文献[31]提出的变结构控制系统具有反应快、 对对象参数不敏感及对外界干扰鲁棒性好等特点； 当系统时间参数 Tp 变化 20%时，系统的动态特性几 乎不受影响。但该方法在考虑 GRC 及死区非线性的 影响时，系统往往不收敛，有时会引起不稳定。为 此，文献[32]将二者结合起来，提出了一种变结构 模糊控制器在某电网区域安全稳定控制中的应用结 构。变结构模糊控制器实现简单，鲁棒性好，可用 于某些用常规控制方法难以实现或控制效果欠佳的 场合。采用该算法的系统频率控制不仅改善了系统 的动态性能，而且还提高了系统的静态性能指标， 但是该方法为保证控制器的正常工作，在不同状态 下对采样频率要求很高。此外，预定模糊增益的比 例积分控制器可用于单区域和两区域系统，与传统 的 PI 控制相比具有更好的超调值和动态特性，且不 需要关于系统参数的任何信息，因而可以产生高质 量的电能[33-34]。 4.5 线性规划的市场出清算法 文献[35]提供了一种线性规划及优化市场出清 算法，针对爱尔兰系统的情况，假设频率变化率不 超过 0.25Hz/s，结合两个新的基于频率的安全性约 束条件：频率变化率约束和最小频率约束。考虑了 风力发电机对系统频率的影响和系统动能，并改进 了传统的备用容量约束条件。在原有的负荷模型基 础上进行了改进，采用了一种简化的频率模型。与 只用一个简单备用容量指标的传统算法相比，该电 力市场环境下的频率控制方法能够在使系统频率波 动保持在允许范围之内的前提下，使有功功率、动 能和备用容量的边际成本更低，实现了电力系统运 行的安全性和经济性的统一。但是随着电网规模的 扩大，输电网络的功率损耗不能再近似为与负荷分 配方案无关的常数，如在该模型中考虑网络损耗将