基于数据驱动的电气智能控制技术研究

马艳梅

(淮南职业技术学院 智能与电气工程学院，安徽 淮南 232001)

电气智能控制设备结构复杂，且涉及的领域繁多，因此在工作中要更加重视电气智能控制管理质量，降低工作中的错误，避免电气故障等问题。但当前人为控制和管理模式存在一定困难，近年来PID控制技术在电气设备中得到了较为广泛的应用，在一定程度提高了电气智能控制效果，但目前电气设备运行仍需要依赖人为操作，极易出现误差等问题，因此需要应用智能化技术加以解决，智能化技术在电力行业中的突出表现，反映了电力行业的现状。基于此人工智能技术逐渐在电气设备控制技术中得到了应用，智能技术利用机器和电子设备来模拟人类大脑的一种技术，可以像人类的思维一样，基于电脑技术和程序设计的原理，完成智能化操作管理[1]。将人工智能技术用于电气化的自动控制，既可以提高电力自动化的控制品质，又可以减少人力物力的投入。但由于人工智能技术需要对大量数据进行优化处理，但目前的数据处理技术难以满足电气设备控制目标，基于此，进一步提出了基于数据驱动的电气智能控制技术研究方法，以期提高电气控制质量，实现准确的电气故障检测，保证电气控制系统的正常工作。

1 电气智能控制技术

1.1 异常数据识别与偏差约束

由于电气设备控制管理数据量庞大，需要结合数据驱动技术进行数据调控和优化处理。基于此，建立了基于数据驱动的电气智能控制体系，从而更好的实现电气设备控制目标[2]。假设电气设备产生的有功功率为M，设备的不平衡振动量为G1，如果在校正设备上加一个不平衡参量记为D1，电气设备调峰机组的不平衡振动量为G2，当G1>G2时，获取最优决策，可以推导出电气设备运行过程中的机组振动幅度P如式(1)所示。

P=D1(G1-G2)

(1)

基于上述算法进一步对电气设备控制约束影响系数α1进行计算，如式(2)所示。

(2)

基于上述算法，进一步对电气设备运行过程中的结构不均匀性数据进行采集记为σ，设备运行的非对称振荡系数为λ。设备重量的失衡参数为ψ，根据电气设备状态数据样本，设置若干目标，基于此计算设备初始均匀性参数，如式(3)所示。

(3)

依据式(3)结果，由此可获取在时间协调约束条件下，电气设备的调峰机组约束振动量为Q，如式(4)所示。

Q=|λ-σ-ψ|-α1P

(4)

(5)

式(5)中，Ak表示异常数据输出系数。假设ki时间点的电气设备运行数据特征集为S，则进一步对电气设备过程中可能出现的局部偏差数据进行预测[3]。若局部运行反馈值为φ(n)，则局部偏差数据识别算法α(ks)如式(6)所示。

(6)

依据式(6)结果，基于局部偏差数据进行约束，则局部异常区域的临时控制算法Δu(M)如式(7)所示。

Δu(M)=LU-α(ks)/ε[Aku-g(ns)]

(7)

在上述算法中，设备局部动态线性特征为ε，设备输入和输出的动态关系为g(ns)，对电气设备运行过程中的能量消耗为L和空载功率U进行识别，并构建电气智能控制管理数据修正管理模型[4]。设在电气设备运行过程中，总数据输出量为Q，误差信号反馈参数为K，利用数字调节器进行电气设备约束调节算法的完善，数字调节器u如式(8)所示。

(8)

在上述算法中，ti为电气设备标准运行周期，K为电气设备控制调节系数；f(ti)为不同信号之间的转换函数。基于上述算法进行电气设备运行数据的有效识别和优化，可以更好的调节电气设备运行参数，快速诊断电气设备的局部异常数据并进行约束[5]。

1.2 基于数据驱动的数据调控

由于电气设备运行环境复杂，数据量庞杂，仅靠对局部异常数据的识别和约束仍难以满足智能控制目标，基于此，需要进一步结合数据驱动原理对电气设备整体数据进行去噪并对设备数据调控算法进行优化[6]。数据驱动是指以数据为导向，在最短时间内准确获取数据并进行推演，从而提高产量和效率的方法。数据驱动主要包括数据采集、数据分析、数据应用和数据反馈几个步骤，基于上述步骤对电气设备允许情况进行分析管理和控制规划可以更换的提高设备运行效率，保证设备运行安全[7]。假设电气设备运行时域中的常数为T1和T2，则控制器可获得第一轮的输出x(t)如式(9)所示。

(9)

式(9)中，s(x)表示电气设备控制器的调节比例系数；s(t)表示电气设备的干扰偏差值。基于上述算法，进一步结合设备运行环境的温度指标d，计算设备运行的绝偏差参数ISE、时间偏差系数IAE和控制绝对值偏差滞后参数值ITAE，从而获得电气设备的调整数值范围[8]。具体算法如式(10)所示。

(10)

在此基础上，根据得到的滞后参数，构建电气设备运行数据清洗算法，对设备可调控函数取值范围进行计算，F(k)具体如式(11)所示。

(11)

(12)

式(12)中，Kia、Kib、Kic表示三相静态坐标中a、b、c轴上的电流，uabc表示三相静态坐标中a、b、c轴上的电压。基于坐标转换结构进行干扰识别，根据计算结果获取设备电压Uka和电流Ikb的调控幅度，具体算法如式(13)和式(14)所示。

(13)

(14)

基于上述计算结果，通过对设备电压和电流的控制，可以更好地保障整个电气设备的正常运转，提高电气设备的工作质量，使电气设备的运行过程更加的井然有序。

1.3 电气智能控制的实现

结合前文算法对电气设备各个区域硬件配置的运行异常数据进行挖掘和识别，对电气设备进行综合控制管理，为方便理解将电气设备控制原理进行展示，具体如图1所示。

图1 电气设备控制原理

在控制过程中，要遵循如下原则：以数据驱动作为设备控制中心依据，与设备各个配置进行信号的输入和输出，当电气设备在正常运转时，不同硬件设备的控制是一个独立的运作和管理的过程[9]。因此需要对不同设备进行电压负荷控制，其步骤较为复杂，基于此，可以将各设备的输入端与输出端相连并进行自动组装，然后进行数据筛查检测。在此基础上，对中继器进行中心驱动控制，以此迅速地对电气设备进行故障的辨识，若筛查到异常数据则及时进行预警和调控管理，实现对设备的智能重置，使电气设备重新回到正常的工作状态[10]。设备的智能检测方法的基本原则是：在运行基础上，将各个设备的数据和参数存储在数据库中。采用以下的公式来实施驱动控制的计算，以此对异常区域进行数据重置处理fcm(t)，具体算法如式(15)所示。

(15)

式(15)中，Li表示电气设备整体运行规模；φ(t)表示电气设备运行的整体惯性权重。基于上述调控算法，进一步对电气智能控制处理步骤进行优化，具体如图2所示。

图2 电气设备运行数据智能管理步骤优化

通过数据驱动技术对电气设备的智能控制方法进行优化，可以对电气设备的工作状况进行综合的检测，对系统的工作状况进行实时监控，对故障的种类和位置进行判定和管理[11]。

2 实验结果分析

为验证本文所提基于数据驱动的电气智能控制技术的实际应用效果，进行了仿真实验。实验设备由PC机、伺服驱动器、实时仿真机、线性光栅仪等组成。在试验过程中，利用Simulink模型和模拟软件。采用RT-Simulink主程序进行实时存储、数据上传等操作，通过MATLAB进行数据分析，并以txt、xls等形式进行数据分析。采用HOKI3390型电力分析器与CNC设备相配合，实现了对实验数据的实时采集，并将其资料复制至计算机，计算机上完成电力分析仪的分析与处理，为了保证系统的正常工作，必须对设备参数进行更严格的规范，如表1所示。

表1 实验设备标准参数

根据表1的资料，对电气设备运行信息进行比较和分析，及时更新电气设备的控制数据，并对不同区域设备数据Ai(k)进行筛选和传递，利用方程式进行平均处理，以此获取控制绝对值偏差zi(k)，具体算法如式(16)所示。

(i=0,1,…,n;k=1,2,…,m)

(16)

其中

(17)

为了使模拟与真实的试验数据更为吻合，对电气设备中的变频器、控制器等结构设备的控制情况进行对比检测，在电气设备运行过程中的不同负荷变动情况下，各个关键的运行滞后性作为控制效果作为参照数据，对传统PID控制方法及本文所提方法在相同环境下的对比检测进行记录，具体如图3和图4所示。

图3 常规环境下电气设备的负荷变动情况

图4 干扰环境下电气设备的负荷变动情况

基于图3和图4对比检测结果可知，无论是在干扰环境下还是常规环境下，相对于传统的控制方法而言，本文所提出的基于数据驱动的电气智能控制技术在实际应用过程中都可以更好的对设备负荷变动进行有效控制，且电气设备多个关键硬件设备的滞后时间都明显较低。进一步对比分析了电气设备局部异常的跟踪管理效果，和整体控制效果进行对比分析，进行记录，具体检测结果如图5和图6所示。

图5 常规环境下设备局部异常数据跟踪识别误差

图6 干扰环境下设备局部异常数据跟踪识别误差

由图6可知在本文所提控制方法相对于传统方法而言可以更好的对局部异常数据进行准确的跟踪控制，跟踪误差基本在10%的范围内，而在干扰环境下，本文所提方法的识别误差幅度虽然有所增加但整体波动仍控制在20%上下，基本满足当前的电气控制要求。由此证明基于数据驱动的电气智能控制方法可以更加快速地对电气设备局部运行异常进行有效跟踪识别，进一步结合跟踪识别结果，在常规环境及干扰环境下利用本文所提方法及传统方法的设备运行鲁棒性进行多次对比检测，并进行记录，具体如图7和图8所示。

图7 常规环境下电气设备运行鲁棒性对比检测结果

图8 干扰环境下电气设备运行鲁棒性对比检测结果

基于图7和图8对比检测结果进行分析不难发现，相对于传统方法而言，无论是常规环境还是干扰环境下，本文所提方法基于数据驱动的电气设备控制方法鲁棒性明显有所提高，充分满足当前使用要求，满足研究目标。基于以上实验检测结果进行综合分析可知，本文所提方法具有较高的实用价值。

结语

根据目前电力自动化的发展需求，将数据驱动与智能化技术相结合，提出基于数据驱动的电气智能控制技术，利用数据驱动理论对海量数据进行智能管理。以电气设备运行变量作为参照进行设备运行推理，构建设备控制决策分析，从而更好的保障控制效果，解决人工短缺及控制效果不佳问题，提高电气设备智能化处理质量，优化电气智能控制管理效率，并通过实验证实了本文所提方法的应用有效性，从而更好的推动电气设备智能化事业的发展。但在此过程中，本文所提方法仍存在一定的时延性，有待后续优化，在干扰环境下本文提出的控制方法整体性能仍存在一定波动，有待后续完善。