基于特征模型的互联电力系统数据驱动负荷频率控制

在互联电力系统中存在未建模动态和非线性特性,这些因素都会对频率控制器的设计带来困难。针对上述问题,基于特征模型理论提出了一种数据驱动的负荷频率控制方案。首先,使用二阶特征模型来描述互联电力系统,将系统的非线性动态压缩到时变特征参数中,既不丢失模型信息,又可以降低模型复杂程度。其次,设计投影算法对特征参数进行在线估计,并且通过定义滑模面和滑模趋近率来设计控制算法,使用李雅普诺夫理论证明了闭环电力系统的稳定性。最后分别在三区域和四区域互联电力系统中进行仿真分析,仿真数据验证了特征建模的有效性,表明提出的方案能够较好完成频率控制任务。

数据驱动的负荷频率系统自整定控制器设计

在互联电力系统负荷频率控制系统中,存在建模不精确和工况大规模变化等一系列不确定性问题,使得固定参数的PI控制器难以取得预期的频率控制效果。针对以上问题设计了一种数据驱动参数自整定控制器,基于迭代反馈整定算法使PI控制器的控制性能达到最优状态,可维持电力系统的频率稳定。首先,基于I/O数据提出负荷频率控制系统的性能函数;然后,在闭环系统上进行两次实验并采集I/O数据;最后,通过迭代参数更新算法进行PI参数迭代寻优的过程。三区域互联系统仿真结果表明提出的数据驱动的PI参数自整定控制器具有良好的跟踪性能。

DoS攻击下多智能体系统无模型自适应迭代学习跟踪控制

针对周期性拒绝服务(DoS)攻击下多智能体系统有限时间趋同跟踪控制问题,本文提出了一种无模型自适应迭代学习控制(MFAILC)算法.假设多智能体系统具有固定拓扑结构,并且仅有部分智能体可获取到期望轨迹信息.在多智能体系统数据传输过程中,需要经由对数量化器进行量化处理.首先,使用伪偏导数将智能体系统动态线性化,处理过程中考虑符合伯努利分布的周期性DoS攻击现象,在此基础上设计了MFAILC控制算法,其次,采用压缩映射方法给出了一个在期望意义下保证跟踪误差收敛的充分条件,并在理论上证明了所提算法的收敛性.所提算法只需利用系统的输入输出数据就可完成趋同跟踪任务.最后,仿真结果验证了所提算法的有效性.

基于神经网络的数据驱动互联电力系统负荷频率控制

针对高度复杂的电力系统存在的建模误差和不确定性等问题,该文基于无模型自适应控制算法提出一种不依赖电力系统模型信息的负荷频率控制策略。首先将电力系统的动力学模型抽象为一般的非线性函数,在其I/O数据之间引入时变的伪偏导数,将非线性电力系统等效为动态线性数据模型;然后构建一个径向基神经网络在线估计系统的伪偏导数,并使用优化理论设计数据驱动的负荷频率控制方案,在理论上严格分析了闭环电力系统的稳定性和径向基神经网络估计方法的收敛性;最后在互联电力系统上验证该负荷频率控制方法在不利用模型信息的前提下,能够取得良好的跟踪性能。