分布式发电中人工智能的应用

1、 人工智能在分布式发电中的应用 分布式发电简介 分布式发电存在的问题 人工智能技术及其在分布式发电系统中各种复杂问题求解中的应用 总结分布式发电简介 分布式发电（Distributed Generation，简称DG），通常是指发电功率在几千瓦至数百兆瓦（也有的建议限制在3050兆瓦以下）的小型模块化、分散式、布置在用户附近的高效、可靠的发电单元。主要包括：以液体或气体为燃料的内燃机、微型燃气轮机、太阳能发电（光伏电池、光热发电）、风力发电、生物质能发电等。分布式电源 主要包括太阳能发电、风能发电、小水电、潮汐、地热等可再生能源电源及燃料电池、燃气轮机等化学燃料电源.分布式发电系统运行方式 孤

2、立运行方式 并网供电方式孤立运行模式 采用孤立运行模式时,微网不仅可以满足微网内用户对电力质量和可靠性的要求,而且不会对大电网产生不利影响,不需要对大电网的运行策略进行修改.孤立运行遇到的问题1)电压和频率控制问题;2)发电设备故障诊断;3)能量存储和转换;4)最大功率跟踪;5)电能质量控制;6)不同类型DG间相互干扰问题(能量波动等);7)多类型DG间能量互补控制策略;8)微网本身的投资及运行的最优化等.并网供电方式 微网和传统大电网之间具有灵活、可控的电力电子接口,允许两侧在接口处实现经济地输送、接受电能.并网运行模式时除孤立运行模式中存在的问题外,还包括以下主要问题1)微网和传统大电网灵

3、活、可控、可靠、智能化的电力电子接口;2) DG最优规划;3)对电网稳定性的影响;4)对电网电能质量的影响;5)对电网继电保护的影响;6)孤岛检测与最优划分;7)分布式电力市场中DG的最优调度;8) DG发电预测;9) DG的分散布局与全局优化控制的矛盾等.人工智能技术在分布式发电系统中应用人工智能技术在分布式发电系统中应用 人工神经网络(ANN) 遗传算法(GA) 模糊逻辑(FL)人工神经网络(ANN)人工神经网络(ANN) 神经网络是一种大规模并行处理的非线性系统,它根据数据本身的内在联系进行建模,具有良好容错、结构拓扑鲁棒、联想、推测、记忆、自适应、自学习、并行和处理复杂模式的功能,被广

4、泛地应用于电力系统的辨识与测量、实时控制、监测与诊断、负荷预测、稳定性分析等诸多领域.人工神经网络在分布式发电系统方面的主要应用 1)分布式电源的最大功率跟踪(MPPT); 2)分布式发电智能诊断系统,实现故障自动诊断; 3)分布式发电系统的短期发电预测; 4)DG并网系统中新的保护方案,以实现故障的检测与定位; 5)增强并网系统的稳定性,减小分布式发电系统非线性和随机性对并网系统的影响; 6)应用于微网控制器:通过评估经济效益,接收市场信息和负荷预测等,确定发电机的合适发电量,使微网花费最小,效益最高; 7)应用于智能化EMS,可以自动地实时确定各DG的调度量,使并网系统总的能耗最小化.人工

5、神经网络在分布式发电系统的应用中存在的主要问题 1)ANN在使用之前需要大量的、有代表性的样本供其学习,且算法的收敛速度一般较慢,学习完成之后,如果系统结构发生变化,则需要增加新的样本重新学习; 2)ANN缺乏解释自身行为和输出结果的能力; 3)神经网络缺乏从专家中获取口头和语言信息的能力.神经网络的改良 对ANN算法的研究、特征样本变量的选取均需进行进一步深入探讨;同时,有机结合其相关领域特别是模糊理论等去研究开发ANN,也具有十分重要的意义. 例如：模糊系统和神经网络集成后则可拥有两方面的优点,可具有神经网络的学习能力、优化能力、联想记忆能力等,又具有模糊系统类似于人类思维方式的if-th

6、en规则并易于嵌入专家知识.遗传算法(GA)遗传算法(GA) 遗传算法具有广泛适用性的搜索方法,具有很强的全局优化搜索能力,是一种最有效的解决最优化问题的方法.在电力系统中,已广泛应用于无功优化、经济调度、负荷预测、故障诊断、供电恢复、机组优化等领域中.遗传算法在分布式发电系统方面的主要应用 1)DG多目标最优规划:主要目标涉及选址、定容、系统投资花费、发电花费、电压特性、网损最小化、稳定性、馈线容量限制、负荷需求、供电可靠性等各方面; 2)联合分布式发电系统中DG机组组合的优化配置和控制策略,找到可接入的DG位置和容量的最佳策略,满足负荷需求,系统最小花费, DG最小维护费用和操作费用; 3

7、)含DG的配电网络重构方法:目标1)实现最大DG接入,即辅助配电系统操作员规划和管理DG接入,使总的DG接入量最大,实现可再生能源的最大利用;目标2)由DG和变电站母线(主网)联合提供的电能总成本最小; 4)含DG配电系统的经济调度; 5)配电网无功优化:DG位置及无功输出; 6)最大功率跟踪.遗传算法的存在的问题 如何确定最优的交叉和变异算子及其相应的参数仍是遗传算法中有待进一步研究的问题,而且单一传统的遗传算法已不能解决一些大规模的复杂问题。 结合其他智能算法如模拟退火、最优潮流等方法变得更加有效甚至有时成为必须。模糊逻辑(FL)模糊逻辑(FL) 模糊逻辑(Fuzzy Logic)控制是以

8、模糊集合论、模糊语言及模糊逻辑推理为基础的计算机智能控制 模糊逻辑的知识表达更接近于人类思维有强大的专家系统推理能力和普通知识的表达能力当系统模型不存在或难以建立精确的数学模型时,模糊逻辑能成功地为系统控制提供工具.近年来模糊逻辑理论在电力系统中的应用得到了飞速发展.模糊逻辑在分布式发电系统方面的应用1）控制和保护设备控制器:一种基于FL的AVC控制器,用来更新OLTC变压器的传统控制设备 AVC继电器,解决含DG配电网的电压控制问题;2）接口逆变器控制算法:提高电能质量、功率控制;3）DG最优布置:多目标分析时的参数适当选择.提出一种定义定性和定量参数的方法,以确定配电系统中DG的最优位置;

9、4）能量管理系统:考虑到风能、太阳能和用户负荷需求预测的模糊性,用来实现混合DG系统中的长期操作的优化;5）模糊自适应控制:风力发电机组变浆距智能控制,最大功率跟踪及电能质量改善;6）机组性能分析的模糊综合评判方法;7）短期负荷预测.模糊理论在实际应用中可能存在的缺陷 1）由于人们对过程认识贫乏,或者总结不出完整的经验,使模糊控制很粗糙,影响其效果; 2）如何用模糊集来准确描述人类专家的不同经验.模糊系统的改良 在模糊逻辑的基础上,产生了自适应模糊逻辑(Adaptive Fuzzy Logic,简称AFL),可以用推理预测来增强智能系统的表现;把模糊集理论和其他人工智能方法特别是人工神经网络结合起来,以发挥它们的综合优势,将是今后的发展方向.总结 现代人工智能