基于不确定非线性智能电网感知网络控制系统方法研究

康科飞

摘 要： 针对传统的不确定时滞的鲁棒控制系统不能满足现代电力系统发展的需求，提出一种基于不确定非线性智能电网感知云网络化控制识别方法。使用传统的数据值和基于电力网络到网络系统模型作为电力感知网络到网络模型的电力云网络，控制数据优化使用电源感知网络，而不是利用控制节点的预测值，突破了鲁棒控制的不确定时滞系统的控制效果。运用感知模型中的正向云算法修正加权系数，仿真实验证明，该识别方法能够很好地优化传统的不确定时滞鲁棒控制电力系统，具有良好的适应性和鲁棒控制性，进一步提高了智能电网传感云网络控制的各项性能指标。

关键词： 模糊电力感知网络； 感知智能电网感知控制； 电力云网络化控制； 适应性

中图分类号： TN92?34 文献标识码： A 文章编号： 1004?373X（2014）21?0139?03

Smart power grid sensing network control system

based on uncertain nonlinear perception

KANG Ke?fei

（Chongqing Urban Power Supply Company of National Power Grid， Chongqing 400000， China）

Abstract： Since the traditional uncertain time delay robust control system can not meet the needs of the development of mordern electric power system， a new intelligent power sensing cloud network control recognition method based on uncertain nonlinear perception is put forward. The traditional data values and network system model based on power is taken as power cloud network control data optimization， which uses power supply sensing network model rather than the predictive value for the node control. It broke through the robust control which can not timely feedback control effect of the uncertain time delay system， but the weighted coefficient is corrected by the Xiang Yun algorithm in perception model of the performance indicator. The simulation results show that the recognition method has good adaptability， robustness and control for optimization of traditional uncertain time delay robust control system， and can further improve the smart power grid sensing cloud network control performance.

Keywords： fuzzy power sensing network； sensing control of perception smart power grid； power cloud network control； adaptability

1 相关研究工作

1.1 系统描述

基于电力感知网络建模的一般运行模型为 [ψ0]为初始智能城市电力系统非负数据序列为[ξ0ψ（0）=（ξ1ψ（0）（1），ξ2ψ（0）（2），…，ξmψ（0）（m）），]对[ψ0] 进行一次电力感知网络系统模型累加生成操作（CCGO），同时利用电力感知网络模型得到[ψ0]的1?CCGO序列[ψ1=（ψ（1）（1），ψ（1）（2），…，ψ（1）（m）），]其中：[ψ1κ+1=j=1κ-nj+1，κ=1，2，…，m] （1）

对序列[ψ1]进行紧邻均值生成操作，得到[ψ1]的紧邻均值生成序列[?1，]其中：

[?1ξκ=j=1m12ψ1ξ1κ+ψ1ξmκ-1，κ=1，2，…，m] （2）

可得电力感知网络的模糊微分方程：

[α=j=1mψ0mκξ+β?1κ?+1] （3）

利用云网络相应的白化方程为：

[α=j=1mdξψmτdτ+βξψmτ] （4）

式中：[β]为发展系数；[α]为模糊作用量。[α]和[β]可用最小二乘法求得：

[α1β1=αταξ-1ατψm+1] （5）

[β=-?1α21-?1α131??-?1αm-1m1]

[ψm=ξψ02，ψ03，ψ04，…，ψ0mτ]

方程（4）的解为：

[ψ1τ=ψ11-βαe-argcosατ+βα] （6）

相应地，方程（3）的时间响应序列为：

[?（1）（κ+1）=ψξ（0）（1）-βαe-argcosακ+ξ?βα，κ=1，2，…，m] （7）

对序列[?（1）]进行累减生成操作，即电力感知网络系统模型累加生成的逆运算，记为ICCGO，可得电力感知网络序列[?（1），]其中：

[?（0）ξ（κ+1）=?（1）ξ1（κ+1）-ψ（1）（κξ2+1）=（1-eα）ψξ（0）（1）-βαe-argcosακ，κ=1，2，…，n] （8）

由方程（7）可知，功率传感器网络的传感器网络模型精度的功率取决于：

（1） [α]和[β]的值，而[α]和[β]的值依赖于初始序列和传统数据值[?（1）]的构造形式；

（2） 模糊微分方程模型电力云网络化控制数据的选取，原电力感知网络模型以[?（1）（1）=ψ（1）（1）]为电力云网络化控制数据。

参考文献[2]根据电力感知网络模糊模型的指数特性，利用在区间内[[κ，κ+1]]积分的方法，令：

[?（1）（κ）=j=1mψ（1）（κ）-ψ（1）m（κ-1）lnψ（1）（κ）-lnψ（1）m（κ-1），κ=2，3，…，m] （9）

优化了传统数据值。参考文献[2]根据新信息优先原理提出了以[ψ（1）（m）]为电力云网络化控制数据的电力感知网络模型为：

[?（1）（κ+1）=ψ（1）ξm（m）-βαe-argcosα（κ-m+1）+βαdτ] （10）

根据式（10），若进行[κ+d]时刻的电力感知网络，然后对电力感知网络系统模型累加后的数据进行还原得到还原数据对[κ+d]时刻的电力感知网络为：

[?（κ+d）=ψ（1）ξm（m）-βαe-argcosα（κ+d-m+1）（1-eα）] （11）

以上这两种方法可以单独运用电力云网络进行数据仿真，以提高准确性电源数据结构，并完全独立于结构到电力云网络控制模型中，同时提出优化传统数据值和电力云网络化控制数据的一种基于电力感知网络模型，提高了电力感知网络模型的仿真精度。

1.2 不确定非线性智能电网感知网络化控制模型

电力云网络化离散控制系统为：

[δ（κ）=κξe（κ+d）+κξτij=1κ+dτγe（j）+κξτde（κ+d）-e（κ+d-1）τγ] （12）

式中：[τγ]为采样周期；[κ]为采样序号；[κξ]为比例系数；[τi]为积分时间；[τd]为微分时间；[e（κ+d）]为设定值与预测值之间的偏差：

[e（κ+d）=rξ（κ+d）-?（κ+d）] （13）

由：

[δ（κ）=δ（κ-1）ξm+Δδ（κ）] （14）

易得其增量算式为：

[Δδ（κ）=j=1mξjκξe（κ+d）-e（κ+d-1）+κξτγτie（κ+d）+κxτdτγe（κ+d）-2e（κ+d-1）+e（κ+d-2）=j=1mξjκξ（e（κ+d）-e（κ+d-1））+κie（κ+d）+κde（κ+d）-2e（κ+d-1）+e（κ+d-2）] （15）

为得到感知智能电网感知云网络的形成，将式（15）写成：

[Δδ（κ）=j=1ni=1mμi（κ）ξj（κ+1）] （16）

式中：

[m=5，μi（κ+1）=i=1mμi（κ）+Δμi（κ+1）] （17）

[ξ1（κ）=e（κ+d），ξ2（κ）=e（κ+d）-e（κ+d-1）ξ3（κ）=e（κ+d）-2e（κ+d-1）+e（κ+d-2）] （18）

基于梯度优化的智能电网感知云网络化电力感知网络模型控制计算法，设系统的性能指标为：

[ζ（κ）=12[r（κ+d）-?（κ+d）]2=12e2（κ+d）] （19）

式中：[d]为电力感知网络步数。令加权系数[μi]的调整沿着[ζ（κ）]对[μi]的感知模型调整云算法进行搜索，即有：

[Δμi（κ+1）=-ψi?J（κ）?μi（κ）] （20）

根据式（16），式（19），式（20）有：

[Δμi（κ）=ψieξ（κ+d）??（κ+d）?δ（κ）×?δ（κ）?μi（κ）] （21）

相应地，对[μ1，][μ2，][μ3]分别有：

[Δμ1（κ）=ψ1eξ（κ+d）??（κ+d）?δ（κ）×ξ1（k）]

[Δμ2（κ）=ψ2eξ（κ+d）??（κ+d）?δ（κ）×ξ2（k）Δμ3（κ）=ψ3eξ（κ+d）??（κ+d）?δ（κ）×ξ3（k）] （22）

式中：[ψ1，][ψ2，][ψ3]分别表示电源整体的感知、感知功率比和学习的感知力差速。[14??（κ+d）?δ（κ）]通常未知，利用符号信息[sign][14??（κ+d）?δ（κ）]近似代替，即：

[argsin（ψ）=1，ψ≥0-1，ψ<0] （23）

上述代替后所带来的影响可通过调整学习速度来补偿。

1.3 仿真数据分析

本课题运用该方法的实质性，同时利用参考文献[2?4]中的一个不确定时滞鲁棒控制系统模型如式（24）作为仿真研究节点，[τγ+1=1，][γ∈R+∞，]给定输入[r（τ）=m（τ），]给定输入模糊电力感知网络计算器的建模维数[m=10 000，]电力感知网络步数[d=1 000。]

[η（γ）=e-10γ1.5γ+1] （24）

基于电力云网络控制，模糊的云网络控制和常规电源感知网络的力量以及本课题提出的一种基于不确定非线性感知智能电网感知云网络化控制的控制干扰，用Matlab 7.0仿真得到如图1所示的仿真结果。

从图1可以看出，模糊感知的智能电网到电力云网络控制可以有效地减少超调量，缩短调整时间。本课题提出的一种基于不确定非线性智能电网感知网络化控制，结合电力云网络化控制和模糊电力感知网络控制的特点，系统具有良好的动态性能，与电力云网络控制系统比较，大大减少了过冲及振荡，使系统收敛速度更快。

2 结 语

本文提出了一种基于不确定非线性智能电网感知云网络控制系统方法研究，将模糊电力感知网络系统模型与智能电网感知云网络化控制系统相结合，利用同时优化传统数据值和电力云网络化控制数据的一种基于电力感知网络模型作为电力感知网络系统模型，提高功率传感器网络的模糊模型精度，打破时滞延迟，传感智能电网感知网络控制梯度，优化网络控制计算，实现智能电网的网络感知最优控制。仿真实验证明，该识别方法可优化传统的不确定时滞鲁棒控制系统，具有良好的适应性和鲁棒控制性，进一步完善了智能电网感知网络控制系统的各项性能指标。下一步工作将进行不确定非线性智能电网感知结构网络容错控制研究。

图1 模糊感知的智能电网感知云网络控制仿真

参考文献

[1] JARUPAN B， EKICI E. PROMPT： A cross layer position?based communication protocol for delay?aware vehicular access networks [J]. Ad Hoc Neworks （Elsevier） Journal Special Issue on Vehicular Networks， 2010， 8： 489?505.

[2] MAJEED A， RAZAK S， ABU?GHAZALEH N， et al. TCP over multi?hop wireless networks： the impact of MAC level interactions [J]. Ad?Hoc， Mobile and Wireless Networks， 2009， 20： 1?15.

[3] 高存臣，刘振，任启峰.时滞离散系统的非线性准滑模鲁棒控制[J].控制理论与应用，2013，30（1）：123?130.

[4] 逄海萍，王璐萍.含状态时滞不确定性系统的全滑模控制[J].计算机仿真，2010（11）：159?161.

[5] 唐功友，逄海萍，孙慧影.不确定时滞系统的全局鲁棒最优滑模控制[J].控制理论与应用，2009，26（8）：850?854.

[6] 沈启坤，张天平，钱厚斌.一类非仿射非线性系统的自适应模糊控制[J].电机与控制学报，2006，10（6）：592?596.

[7] 文杰，姜长生，钱承山.非仿射非线性系统的自适应模糊输出反馈控制[J].系统工程与电子技术，2009，31（7）：1694?1698.

[8] 李春茂.网络化控制系统自适应预测控制方法研究[D].成都：西南交通大学，2007.

[9] 付伟，杨先一，冯伟，等.网络控制系统时延的预测控制补偿方法[J].系统工程与电子技术，2011，33（9）：2066?2071.

2 结 语

本文提出了一种基于不确定非线性智能电网感知云网络控制系统方法研究，将模糊电力感知网络系统模型与智能电网感知云网络化控制系统相结合，利用同时优化传统数据值和电力云网络化控制数据的一种基于电力感知网络模型作为电力感知网络系统模型，提高功率传感器网络的模糊模型精度，打破时滞延迟，传感智能电网感知网络控制梯度，优化网络控制计算，实现智能电网的网络感知最优控制。仿真实验证明，该识别方法可优化传统的不确定时滞鲁棒控制系统，具有良好的适应性和鲁棒控制性，进一步完善了智能电网感知网络控制系统的各项性能指标。下一步工作将进行不确定非线性智能电网感知结构网络容错控制研究。

图1 模糊感知的智能电网感知云网络控制仿真

参考文献

[1] JARUPAN B， EKICI E. PROMPT： A cross layer position?based communication protocol for delay?aware vehicular access networks [J]. Ad Hoc Neworks （Elsevier） Journal Special Issue on Vehicular Networks， 2010， 8： 489?505.

[2] MAJEED A， RAZAK S， ABU?GHAZALEH N， et al. TCP over multi?hop wireless networks： the impact of MAC level interactions [J]. Ad?Hoc， Mobile and Wireless Networks， 2009， 20： 1?15.

[3] 高存臣，刘振，任启峰.时滞离散系统的非线性准滑模鲁棒控制[J].控制理论与应用，2013，30（1）：123?130.

[4] 逄海萍，王璐萍.含状态时滞不确定性系统的全滑模控制[J].计算机仿真，2010（11）：159?161.

[5] 唐功友，逄海萍，孙慧影.不确定时滞系统的全局鲁棒最优滑模控制[J].控制理论与应用，2009，26（8）：850?854.

[6] 沈启坤，张天平，钱厚斌.一类非仿射非线性系统的自适应模糊控制[J].电机与控制学报，2006，10（6）：592?596.

[7] 文杰，姜长生，钱承山.非仿射非线性系统的自适应模糊输出反馈控制[J].系统工程与电子技术，2009，31（7）：1694?1698.

[8] 李春茂.网络化控制系统自适应预测控制方法研究[D].成都：西南交通大学，2007.

[9] 付伟，杨先一，冯伟，等.网络控制系统时延的预测控制补偿方法[J].系统工程与电子技术，2011，33（9）：2066?2071.

2 结 语

本文提出了一种基于不确定非线性智能电网感知云网络控制系统方法研究，将模糊电力感知网络系统模型与智能电网感知云网络化控制系统相结合，利用同时优化传统数据值和电力云网络化控制数据的一种基于电力感知网络模型作为电力感知网络系统模型，提高功率传感器网络的模糊模型精度，打破时滞延迟，传感智能电网感知网络控制梯度，优化网络控制计算，实现智能电网的网络感知最优控制。仿真实验证明，该识别方法可优化传统的不确定时滞鲁棒控制系统，具有良好的适应性和鲁棒控制性，进一步完善了智能电网感知网络控制系统的各项性能指标。下一步工作将进行不确定非线性智能电网感知结构网络容错控制研究。

图1 模糊感知的智能电网感知云网络控制仿真

参考文献

[1] JARUPAN B， EKICI E. PROMPT： A cross layer position?based communication protocol for delay?aware vehicular access networks [J]. Ad Hoc Neworks （Elsevier） Journal Special Issue on Vehicular Networks， 2010， 8： 489?505.

[2] MAJEED A， RAZAK S， ABU?GHAZALEH N， et al. TCP over multi?hop wireless networks： the impact of MAC level interactions [J]. Ad?Hoc， Mobile and Wireless Networks， 2009， 20： 1?15.

[3] 高存臣，刘振，任启峰.时滞离散系统的非线性准滑模鲁棒控制[J].控制理论与应用，2013，30（1）：123?130.

[4] 逄海萍，王璐萍.含状态时滞不确定性系统的全滑模控制[J].计算机仿真，2010（11）：159?161.

[5] 唐功友，逄海萍，孙慧影.不确定时滞系统的全局鲁棒最优滑模控制[J].控制理论与应用，2009，26（8）：850?854.

[6] 沈启坤，张天平，钱厚斌.一类非仿射非线性系统的自适应模糊控制[J].电机与控制学报，2006，10（6）：592?596.

[7] 文杰，姜长生，钱承山.非仿射非线性系统的自适应模糊输出反馈控制[J].系统工程与电子技术，2009，31（7）：1694?1698.

[8] 李春茂.网络化控制系统自适应预测控制方法研究[D].成都：西南交通大学，2007.

[9] 付伟，杨先一，冯伟，等.网络控制系统时延的预测控制补偿方法[J].系统工程与电子技术，2011，33（9）：2066?2071.