郑小发+杨丽
摘 要:由于基于传统的不确定时滞鲁棒控制系统不能满足新型电力云网络化控制用户的需求,提出了一种基于模糊云理论系统模型的感知智能配电云网络化控制识别方法,该方法采用优化传统数据值和电力云网络化控制数据的一种云理论系统模型,并用云理论结果代替被控节点预测值,攻破了不确定滞鲁棒控制系统控制效果不能及时反馈的问题,同时将供电系统性能指标引入到电力云网络化控制计算器中,运用性能指标的云模型中正向运算法修正加权系数,实现了感知智能配电云网络化的最优控制。基于实验仿真证明,该识别方法可以优化传统的不确定滞鲁棒控制系统,并具有良好的适应性、鲁棒性、控制性,同时可以进一步改善智能配电云网络化控制的各种性能指标。
关键词:模糊云理论;感知;智能配电控制;电力云;网络化控制
中图法分类号:TP391 文献标识码:A 文章编号:2095-1302(2014)03-0085-03
0 引 言
针对国家电网生产过程中的电力云网络化控制系统中,不同负载程度地存在着时间滞的优化过程。在不确定滞鲁棒控制系统中,时间滞会严重影响系统的稳定性和动态特性。并且当被控节点特别复杂且存在时异构的情况下,要通过建立节点的精确模型进行智能配电云网络补偿控制是很难实现的。
模糊云理论能够根据少量信息进行云理论,不需要掌握关于被控节点模型结构的先验信息和控制经验数据,超前步数可在线修正,能够攻破节点模型的时变特性,具有很强的感知智能配电性,因而很适于工业过程的实时控制。基于实验仿真证明,由于模糊建模是根据序列本身的数据来寻找规律进行的云理论,有时会出现云理论误差较大的情形。近年来对模糊云理论模型的研究取得了一些成果,分别从对初始数据处理,初值条件修正,新的传统数据值构造,一种基于模型的时间响应函数等方面对云理论进行一种基于电力云网络化控制。
本课题在综合分析已有研究文献的基础上,提出一种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云理论模型,进一步提高了云理论模型的云理论精度。同时将模糊云理论与感知智能配电云网络化控制结合,采用模糊云理论计算器,并将供电系统性能指标引入到电力云网络化控制计算器的过程中,按照性能指标的云模型中正向云算法修正加权系数,实现了感知智能配电云网络化的最优控制律。基于实验仿真证明,该识别方法优化传统的不确定滞鲁棒控制系统具有良好的适应性、鲁棒性、控制性以及进一步改善智能配电云网络化控制的各种性能指标。
1 相关工作
运用模糊云理论与感知智能配电云网络化控制结合,采用模糊云理论计算器,用过程输出的传统数据,云理论未来d步的输出值,并将云理论值作为反馈信号与期望设定值进行比较得出偏差,作为感知智能配电云网络化控制的输入,按照电力云网络化控制律来设计控制计算器的输出,从而使被延迟了的被控量超前反馈到控制计算器,使控制计算器提前动作,实现了“事先调节”,从而减少超调量和加速调节过程,消除时滞对系统控制干扰的影响。系统整体结构如图1所示。
图1 模糊云理论感知智能配电云网络化控制系统
1.1 系统描述
基于云理论建模的一般运行模型为x(0)λ(0),假如初始智能城市电力系统非负数据序列为x(0)λ(0)=(x(1)λ(0)(1),x(2)λ(0)(2),…,x(m)λ(0)(m)),则对x(0)λ(0)进行一次云理论系统模型累加生成操作(CCGO),同时利用云理论模型,可得到x(0)λ(0)的1-CCGO序列λ(1)=(λ(1)(1),λ(1)(2),…,λ(1)(m)),其中:
(1)
对序列λ1进行紧邻均值生成操作,得到λ1的紧邻均值并生成序列y(1),其中:
(2)
这样,可得云理论的模糊微分方程为:
(3)
利用云网络相应的白化方程:
(4)
其中:β称为发展系数,α为模糊作用量。α和β可用最小二乘法求得:
, (5)
而方程(4)的解为:
(6)
相应的,方程(3)的时间响应序列为:
(7)
对序列进行累减生成操作,即云理论系统模型累加生成的逆运算,记为ICCGO,可得云理论序列,其中:
(8)
由式(7)可知,云理论模型的云理论精度取决于a和β的值,而a和β的值依赖于初始序列和传统数据值y(1)的构造形式;另外,选取模糊微分方程模型电力云网络化控制数据时,原云理论模型以为电力云网络化控制数据。文献[2]中有根据云理论模糊模型的指数特性,利用在区间内[κ,κ+1]积分的方法,现令:
(9)
优化了传统数据值后。文献[2]中根据新信息优先原理提出的以λ(1)(m)为电力云网络化控制数据的云理论模型为:
(10)
根据式(10),若进行κ+d时刻的云理论,然后对云理论系统模型累加后的数据进行还原得到还原数据对κ+d时刻的云理论为:
(11)
上述两种方法能各自独立地提高云理论的精度,并且完全独立,本课题同时运用这两类云理论模型方法,提出一种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云理论模型,提高了云理论模型的云理论精度。
1.2 感知智能配电云网络化控制模型
电力云网络化离散控制计算器式为:
(12)
式中 τγ为采样周期;κ为采样序号;κx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。由:
(13)
(14)
可以很容易得其增量算式为:
(15)
为了得到感知智能配电云网络的形成, 可将式(15)写成:
(16)
式中m=5。
(17)
(18)
基于梯度优化的感知智能配电云网络化云理论模型控制计算器法设系统的性能指标为:
(19)
式中,d为云理论步数。令加权系数μi的调整沿着J(κ)对μi的云模型中正向云算法进行搜索,即有:
(20)
根据式(16)、(19)、(20),有:
(21)
相应的,对μ1,μ2,μ3,则分别有:
(22)
式中,ψ1,ψ3,ψ3分别表示感知电力积分、感知电力比例和感知电力微分项的学习速度。通常未知,利用符号信息sign[]近似代替,即:
(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有效性,利用文献[2]中的一个不确定滞鲁棒控制系统模型如式(24)作为仿真研究节点,τγ=1、γ,给定输入r(τ)=m(τ),模糊云理论计算器的建模维数m=24,云理论步数d=6。
(24)
基于常规电力云网络化控制、模糊云理论电力云网络化控制以及本课题提出的基于模糊云理论系统模型可感知智能配电云网络化控制的控制干扰。利用Matlab 7.0得到的仿真结果如图2所示。
从图2可以看出,模糊云理论控制可以有效地减小系统超调量并缩短调节时间。本课题提出的一种基于模糊云理论系统模型的感知智能配电云网络化控制结合了电力云网络化控制和模糊云理论控制的特点,使系统具有良好的动态特性,与电力云网络化控制相比可以显著减小系统超调量和系统振荡,使系统更为快速地收敛到目标值;与一般的模糊云理论控制相比,本课题提出云理论模型控制计算器法可使系统收敛更快。
图2 模糊感知智能配电云网络化控制仿真
2 结 语
本文提出的一种基于模糊云理论系统模型的感知智能配电云网络化控制,将模糊云理论系统模型与感知智能配电云网络化控制相结合,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云理论模型作为云理论系统模型,提高了模糊模型的云理论精度,攻破时滞,利用基于梯度优化的感知智能配电云网络化控制计算器,实现了感知智能配电云网络化的最优控制。基于实验仿真证明,该识别方法优化传统的不确定滞鲁棒控制系统具有良好的适应性、鲁棒性、控制性以及进一步改善智能配电云网络化控制的各种性能指标。
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 Networks, 2010, 8(5): 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, 5793:1-15.
[3] NASRI A, FATHY M, HAJISHEYKHI R. A cross layered scheme for broadcasting at intersections in vehicular ad hoc networks [C]// 2009 International Conference on Future Networks. Bangkok, Thailand: IEEE, 2009: 13-17.
[4] SALEET H, BASIR O, LANGAR R, et al. Region-based location-service-management protocol for VANETs [J]. IEEE Transactions on Vehicular Technology, 2010, 59(2): 917-931.
[5] ZHU K, NIYATO D, WANG P, et al. Mobility and handoff management in vehicular networks: a survey [J]. Wireless Communications and Mobile Computing, 2011, 11(4): 459-476.
Network control recognition of intelligent power distribution cloud based on fuzzy cloud theory model
ZHENG Xiao-fa, YANG Li
(Chongqing Electromechanical Vocational Insititute, Chongqing 402760, China)
Abstract: For traditional uncertain time delay robust control system can not meet the demand of users of new power cloud networked control, a kind of network control recognition of intelligent power distribution cloud is proposed, which is based on fuzzy cloud theory model. A cloud theory system model is adopted, which is based on the optimization of the traditional data values and power cloud networked control data, and the problem of untimely control effect feedback of the uncertain and robust control system is solved with the cloud theoretical result instead of predictive value of controlled node. Meanwhile, the power supply system performance index is introduced into the power cloud networked control calculator to modify the weighting coefficient through positive operation method, and realized the optimal control of smart distribution cloud networked control. Simulation results show that the recognition method can optimize traditional uncertain delay robust control system, and has good adaptability, robustness, and controllability. Meanwhile, it can further improve the control performance of smart distribution cloud networked control.
Keywords: fuzzy cloud theory; perception; intelligent power distribution control; power cloud; networked control
(15)
为了得到感知智能配电云网络的形成, 可将式(15)写成:
(16)
式中m=5。
(17)
(18)
基于梯度优化的感知智能配电云网络化云理论模型控制计算器法设系统的性能指标为:
(19)
式中,d为云理论步数。令加权系数μi的调整沿着J(κ)对μi的云模型中正向云算法进行搜索,即有:
(20)
根据式(16)、(19)、(20),有:
(21)
相应的,对μ1,μ2,μ3,则分别有:
(22)
式中,ψ1,ψ3,ψ3分别表示感知电力积分、感知电力比例和感知电力微分项的学习速度。通常未知,利用符号信息sign[]近似代替,即:
(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有效性,利用文献[2]中的一个不确定滞鲁棒控制系统模型如式(24)作为仿真研究节点,τγ=1、γ,给定输入r(τ)=m(τ),模糊云理论计算器的建模维数m=24,云理论步数d=6。
(24)
基于常规电力云网络化控制、模糊云理论电力云网络化控制以及本课题提出的基于模糊云理论系统模型可感知智能配电云网络化控制的控制干扰。利用Matlab 7.0得到的仿真结果如图2所示。
从图2可以看出,模糊云理论控制可以有效地减小系统超调量并缩短调节时间。本课题提出的一种基于模糊云理论系统模型的感知智能配电云网络化控制结合了电力云网络化控制和模糊云理论控制的特点,使系统具有良好的动态特性,与电力云网络化控制相比可以显著减小系统超调量和系统振荡,使系统更为快速地收敛到目标值;与一般的模糊云理论控制相比,本课题提出云理论模型控制计算器法可使系统收敛更快。
图2 模糊感知智能配电云网络化控制仿真
2 结 语
本文提出的一种基于模糊云理论系统模型的感知智能配电云网络化控制,将模糊云理论系统模型与感知智能配电云网络化控制相结合,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云理论模型作为云理论系统模型,提高了模糊模型的云理论精度,攻破时滞,利用基于梯度优化的感知智能配电云网络化控制计算器,实现了感知智能配电云网络化的最优控制。基于实验仿真证明,该识别方法优化传统的不确定滞鲁棒控制系统具有良好的适应性、鲁棒性、控制性以及进一步改善智能配电云网络化控制的各种性能指标。
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 Networks, 2010, 8(5): 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, 5793:1-15.
[3] NASRI A, FATHY M, HAJISHEYKHI R. A cross layered scheme for broadcasting at intersections in vehicular ad hoc networks [C]// 2009 International Conference on Future Networks. Bangkok, Thailand: IEEE, 2009: 13-17.
[4] SALEET H, BASIR O, LANGAR R, et al. Region-based location-service-management protocol for VANETs [J]. IEEE Transactions on Vehicular Technology, 2010, 59(2): 917-931.
[5] ZHU K, NIYATO D, WANG P, et al. Mobility and handoff management in vehicular networks: a survey [J]. Wireless Communications and Mobile Computing, 2011, 11(4): 459-476.
Network control recognition of intelligent power distribution cloud based on fuzzy cloud theory model
ZHENG Xiao-fa, YANG Li
(Chongqing Electromechanical Vocational Insititute, Chongqing 402760, China)
Abstract: For traditional uncertain time delay robust control system can not meet the demand of users of new power cloud networked control, a kind of network control recognition of intelligent power distribution cloud is proposed, which is based on fuzzy cloud theory model. A cloud theory system model is adopted, which is based on the optimization of the traditional data values and power cloud networked control data, and the problem of untimely control effect feedback of the uncertain and robust control system is solved with the cloud theoretical result instead of predictive value of controlled node. Meanwhile, the power supply system performance index is introduced into the power cloud networked control calculator to modify the weighting coefficient through positive operation method, and realized the optimal control of smart distribution cloud networked control. Simulation results show that the recognition method can optimize traditional uncertain delay robust control system, and has good adaptability, robustness, and controllability. Meanwhile, it can further improve the control performance of smart distribution cloud networked control.
Keywords: fuzzy cloud theory; perception; intelligent power distribution control; power cloud; networked control
(15)
为了得到感知智能配电云网络的形成, 可将式(15)写成:
(16)
式中m=5。
(17)
(18)
基于梯度优化的感知智能配电云网络化云理论模型控制计算器法设系统的性能指标为:
(19)
式中,d为云理论步数。令加权系数μi的调整沿着J(κ)对μi的云模型中正向云算法进行搜索,即有:
(20)
根据式(16)、(19)、(20),有:
(21)
相应的,对μ1,μ2,μ3,则分别有:
(22)
式中,ψ1,ψ3,ψ3分别表示感知电力积分、感知电力比例和感知电力微分项的学习速度。通常未知,利用符号信息sign[]近似代替,即:
(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有效性,利用文献[2]中的一个不确定滞鲁棒控制系统模型如式(24)作为仿真研究节点,τγ=1、γ,给定输入r(τ)=m(τ),模糊云理论计算器的建模维数m=24,云理论步数d=6。
(24)
基于常规电力云网络化控制、模糊云理论电力云网络化控制以及本课题提出的基于模糊云理论系统模型可感知智能配电云网络化控制的控制干扰。利用Matlab 7.0得到的仿真结果如图2所示。
从图2可以看出,模糊云理论控制可以有效地减小系统超调量并缩短调节时间。本课题提出的一种基于模糊云理论系统模型的感知智能配电云网络化控制结合了电力云网络化控制和模糊云理论控制的特点,使系统具有良好的动态特性,与电力云网络化控制相比可以显著减小系统超调量和系统振荡,使系统更为快速地收敛到目标值;与一般的模糊云理论控制相比,本课题提出云理论模型控制计算器法可使系统收敛更快。
图2 模糊感知智能配电云网络化控制仿真
2 结 语
本文提出的一种基于模糊云理论系统模型的感知智能配电云网络化控制,将模糊云理论系统模型与感知智能配电云网络化控制相结合,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云理论模型作为云理论系统模型,提高了模糊模型的云理论精度,攻破时滞,利用基于梯度优化的感知智能配电云网络化控制计算器,实现了感知智能配电云网络化的最优控制。基于实验仿真证明,该识别方法优化传统的不确定滞鲁棒控制系统具有良好的适应性、鲁棒性、控制性以及进一步改善智能配电云网络化控制的各种性能指标。
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 Networks, 2010, 8(5): 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, 5793:1-15.
[3] NASRI A, FATHY M, HAJISHEYKHI R. A cross layered scheme for broadcasting at intersections in vehicular ad hoc networks [C]// 2009 International Conference on Future Networks. Bangkok, Thailand: IEEE, 2009: 13-17.
[4] SALEET H, BASIR O, LANGAR R, et al. Region-based location-service-management protocol for VANETs [J]. IEEE Transactions on Vehicular Technology, 2010, 59(2): 917-931.
[5] ZHU K, NIYATO D, WANG P, et al. Mobility and handoff management in vehicular networks: a survey [J]. Wireless Communications and Mobile Computing, 2011, 11(4): 459-476.
Network control recognition of intelligent power distribution cloud based on fuzzy cloud theory model
ZHENG Xiao-fa, YANG Li
(Chongqing Electromechanical Vocational Insititute, Chongqing 402760, China)
Abstract: For traditional uncertain time delay robust control system can not meet the demand of users of new power cloud networked control, a kind of network control recognition of intelligent power distribution cloud is proposed, which is based on fuzzy cloud theory model. A cloud theory system model is adopted, which is based on the optimization of the traditional data values and power cloud networked control data, and the problem of untimely control effect feedback of the uncertain and robust control system is solved with the cloud theoretical result instead of predictive value of controlled node. Meanwhile, the power supply system performance index is introduced into the power cloud networked control calculator to modify the weighting coefficient through positive operation method, and realized the optimal control of smart distribution cloud networked control. Simulation results show that the recognition method can optimize traditional uncertain delay robust control system, and has good adaptability, robustness, and controllability. Meanwhile, it can further improve the control performance of smart distribution cloud networked control.
Keywords: fuzzy cloud theory; perception; intelligent power distribution control; power cloud; networked control