基于模糊云理論模型的智能配電云網絡化控制識別方法
2014-04-04 14:25:05鄭小發楊麗
物聯網技術 2014年3期
鄭小發+楊麗
摘 要：由于基于傳統的不確定時滯魯棒控制系統不能滿足新型電力云網絡化控制用戶的需求，提出了一種基于模糊云理論系統模型的感知智能配電云網絡化控制識別方法，該方法采用優化傳統數據值和電力云網絡化控制數據的一種云理論系統模型，并用云理論結果代替被控節點預測值，攻破了不確定滯魯棒控制系統控制效果不能及時反饋的問題，同時將供電系統性能指標引入到電力云網絡化控制計算器中，運用性能指標的云模型中正向運算法修正加權系數，實現了感知智能配電云網絡化的最優控制。基于實驗仿真證明，該識別方法可以優化傳統的不確定滯魯棒控制系統，并具有良好的適應性、魯棒性、控制性，同時可以進一步改善智能配電云網絡化控制的各種性能指標。
關鍵詞：模糊云理論；感知；智能配電控制；電力云；網絡化控制
中圖法分類號：TP391 文獻標識碼：A 文章編號：2095-1302（2014）03-0085-03
0 引 言
針對國家電網生產過程中的電力云網絡化控制系統中，不同負載程度地存在著時間滯的優化過程。在不確定滯魯棒控制系統中，時間滯會嚴重影響系統的穩定性和動態特性。并且當被控節點特別復雜且存在時異構的情況下，要通過建立節點的精確模型進行智能配電云網絡補償控制是很難實現的。
模糊云理論能夠根據少量信息進行云理論，不需要掌握關于被控節點模型結構的先驗信息和控制經驗數據，超前步數可在線修正，能夠攻破節點模型的時變特性，具有很強的感知智能配電性，因而很適于工業過程的實時控制。基于實驗仿真證明，由于模糊建模是根據序列本身的數據來尋找規律進行的云理論，有時會出現云理論誤差較大的情形。近年來對模糊云理論模型的研究取得了一些成果，分別從對初始數據處理，初值條件修正，新的傳統數據值構造，一種基于模型的時間響應函數等方面對云理論進行一種基于電力云網絡化控制。
本課題在綜合分析已有研究文獻的基礎上，提出一種同時優化傳統數據值和電力云網絡化控制數據的一種基于云理論模型，進一步提高了云理論模型的云理論精度。同時將模糊云理論與感知智能配電云網絡化控制結合，采用模糊云理論計算器，并將供電系統性能指標引入到電力云網絡化控制計算器的過程中，按照性能指標的云模型中正向云算法修正加權系數，實現了感知智能配電云網絡化的最優控制律。基于實驗仿真證明，該識別方法優化傳統的不確定滯魯棒控制系統具有良好的適應性、魯棒性、控制性以及進一步改善智能配電云網絡化控制的各種性能指標。
1 相關工作
運用模糊云理論與感知智能配電云網絡化控制結合，采用模糊云理論計算器，用過程輸出的傳統數據，云理論未來d步的輸出值，并將云理論值作為反饋信號與期望設定值進行比較得出偏差，作為感知智能配電云網絡化控制的輸入，按照電力云網絡化控制律來設計控制計算器的輸出，從而使被延遲了的被控量超前反饋到控制計算器，使控制計算器提前動作，實現了“事先調節”，從而減少超調量和加速調節過程，消除時滯對系統控制干擾的影響。系統整體結構如圖1所示。
圖1 模糊云理論感知智能配電云網絡化控制系統
1.1 系統描述
基于云理論建模的一般運行模型為x（0）λ（0），假如初始智能城市電力系統非負數據序列為x（0）λ（0）=（x（1）λ（0）（1），x（2）λ（0）（2），…，x（m）λ（0）（m）），則對x（0）λ（0）進行一次云理論系統模型累加生成操作（CCGO），同時利用云理論模型，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）
對序列λ1進行緊鄰均值生成操作，得到λ1的緊鄰均值并生成序列y（1），其中：
（2）
這樣，可得云理論的模糊微分方程為：
（3）
利用云網絡相應的白化方程：
（4）
其中：β稱為發展系數，α為模糊作用量。α和β可用最小二乘法求得：
， （5）
而方程（4）的解為：
（6）
相應的，方程（3）的時間響應序列為：
（7）
對序列進行累減生成操作，即云理論系統模型累加生成的逆運算，記為ICCGO，可得云理論序列，其中：
（8）
由式（7）可知，云理論模型的云理論精度取決于a和β的值，而a和β的值依賴于初始序列和傳統數據值y（1）的構造形式；另外，選取模糊微分方程模型電力云網絡化控制數據時，原云理論模型以為電力云網絡化控制數據。文獻[2]中有根據云理論模糊模型的指數特性，利用在區間內[κ，κ+1]積分的方法，現令：
（9）
優化了傳統數據值后。文獻[2]中根據新信息優先原理提出的以λ（1）（m）為電力云網絡化控制數據的云理論模型為：
（10）
根據式（10），若進行κ+d時刻的云理論，然后對云理論系統模型累加后的數據進行還原得到還原數據對κ+d時刻的云理論為：
（11）
上述兩種方法能各自獨立地提高云理論的精度，并且完全獨立，本課題同時運用這兩類云理論模型方法，提出一種同時優化傳統數據值和電力云網絡化控制數據的一種基于云理論模型，提高了云理論模型的云理論精度。
1.2 感知智能配電云網絡化控制模型
電力云網絡化離散控制計算器式為：
（12）
式中 τγ為采樣周期；κ為采樣序號；κx為比例系數；τi為積分時間；τd為微分時間； e（κ+d）為設定值與預測值之間的偏差。由：
（13）
（14）
可以很容易得其增量算式為：
（15）
為了得到感知智能配電云網絡的形成， 可將式（15）寫成：
（16）
式中m=5。
（17）
（18）
基于梯度優化的感知智能配電云網絡化云理論模型控制計算器法設系統的性能指標為：
（19）
式中，d為云理論步數。令加權系數μi的調整沿著J（κ）對μi的云模型中正向云算法進行搜索，即有：
（20）
根據式（16）、（19）、（20），有：
（21）
相應的，對μ1，μ2，μ3，則分別有：
（22）
式中，ψ1，ψ3，ψ3分別表示感知電力積分、感知電力比例和感知電力微分項的學習速度。通常未知，利用符號信息sign[]近似代替，即：
（23）
上述代替后所帶來的影響可通過調整學習速度來補償。
1.3 仿真數據分析
本課題運用該方法的有效性，利用文獻[2]中的一個不確定滯魯棒控制系統模型如式（24）作為仿真研究節點，τγ=1、γ，給定輸入r（τ）=m（τ），模糊云理論計算器的建模維數m=24，云理論步數d=6。
（24）
基于常規電力云網絡化控制、模糊云理論電力云網絡化控制以及本課題提出的基于模糊云理論系統模型可感知智能配電云網絡化控制的控制干擾。利用Matlab 7.0得到的仿真結果如圖2所示。
從圖2可以看出，模糊云理論控制可以有效地減小系統超調量并縮短調節時間。本課題提出的一種基于模糊云理論系統模型的感知智能配電云網絡化控制結合了電力云網絡化控制和模糊云理論控制的特點，使系統具有良好的動態特性，與電力云網絡化控制相比可以顯著減小系統超調量和系統振蕩，使系統更為快速地收斂到目標值；與一般的模糊云理論控制相比，本課題提出云理論模型控制計算器法可使系統收斂更快。
圖2 模糊感知智能配電云網絡化控制仿真
2 結 語
本文提出的一種基于模糊云理論系統模型的感知智能配電云網絡化控制，將模糊云理論系統模型與感知智能配電云網絡化控制相結合，利用同時優化傳統數據值和電力云網絡化控制數據的一種基于云理論模型作為云理論系統模型，提高了模糊模型的云理論精度，攻破時滯，利用基于梯度優化的感知智能配電云網絡化控制計算器，實現了感知智能配電云網絡化的最優控制。基于實驗仿真證明，該識別方法優化傳統的不確定滯魯棒控制系統具有良好的適應性、魯棒性、控制性以及進一步改善智能配電云網絡化控制的各種性能指標。
參 考 文 獻
[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）
為了得到感知智能配電云網絡的形成， 可將式（15）寫成：
（16）
式中m=5。
（17）
（18）
基于梯度優化的感知智能配電云網絡化云理論模型控制計算器法設系統的性能指標為：
（19）
式中，d為云理論步數。令加權系數μi的調整沿著J（κ）對μi的云模型中正向云算法進行搜索，即有：
（20）
根據式（16）、（19）、（20），有：
（21）
相應的，對μ1，μ2，μ3，則分別有：
（22）
式中，ψ1，ψ3，ψ3分別表示感知電力積分、感知電力比例和感知電力微分項的學習速度。通常未知，利用符號信息sign[]近似代替，即：
（23）
上述代替后所帶來的影響可通過調整學習速度來補償。
1.3 仿真數據分析
本課題運用該方法的有效性，利用文獻[2]中的一個不確定滯魯棒控制系統模型如式（24）作為仿真研究節點，τγ=1、γ，給定輸入r（τ）=m（τ），模糊云理論計算器的建模維數m=24，云理論步數d=6。
（24）
基于常規電力云網絡化控制、模糊云理論電力云網絡化控制以及本課題提出的基于模糊云理論系統模型可感知智能配電云網絡化控制的控制干擾。利用Matlab 7.0得到的仿真結果如圖2所示。
從圖2可以看出，模糊云理論控制可以有效地減小系統超調量并縮短調節時間。本課題提出的一種基于模糊云理論系統模型的感知智能配電云網絡化控制結合了電力云網絡化控制和模糊云理論控制的特點，使系統具有良好的動態特性，與電力云網絡化控制相比可以顯著減小系統超調量和系統振蕩，使系統更為快速地收斂到目標值；與一般的模糊云理論控制相比，本課題提出云理論模型控制計算器法可使系統收斂更快。
圖2 模糊感知智能配電云網絡化控制仿真
2 結 語
本文提出的一種基于模糊云理論系統模型的感知智能配電云網絡化控制，將模糊云理論系統模型與感知智能配電云網絡化控制相結合，利用同時優化傳統數據值和電力云網絡化控制數據的一種基于云理論模型作為云理論系統模型，提高了模糊模型的云理論精度，攻破時滯，利用基于梯度優化的感知智能配電云網絡化控制計算器，實現了感知智能配電云網絡化的最優控制。基于實驗仿真證明，該識別方法優化傳統的不確定滯魯棒控制系統具有良好的適應性、魯棒性、控制性以及進一步改善智能配電云網絡化控制的各種性能指標。
參 考 文 獻
[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）
為了得到感知智能配電云網絡的形成， 可將式（15）寫成：
（16）
式中m=5。
（17）
（18）
基于梯度優化的感知智能配電云網絡化云理論模型控制計算器法設系統的性能指標為：
（19）
式中，d為云理論步數。令加權系數μi的調整沿著J（κ）對μi的云模型中正向云算法進行搜索，即有：
（20）
根據式（16）、（19）、（20），有：
（21）
相應的，對μ1，μ2，μ3，則分別有：
（22）
式中，ψ1，ψ3，ψ3分別表示感知電力積分、感知電力比例和感知電力微分項的學習速度。通常未知，利用符號信息sign[]近似代替，即：
（23）
上述代替后所帶來的影響可通過調整學習速度來補償。
1.3 仿真數據分析
本課題運用該方法的有效性，利用文獻[2]中的一個不確定滯魯棒控制系統模型如式（24）作為仿真研究節點，τγ=1、γ，給定輸入r（τ）=m（τ），模糊云理論計算器的建模維數m=24，云理論步數d=6。
（24）
基于常規電力云網絡化控制、模糊云理論電力云網絡化控制以及本課題提出的基于模糊云理論系統模型可感知智能配電云網絡化控制的控制干擾。利用Matlab 7.0得到的仿真結果如圖2所示。
從圖2可以看出，模糊云理論控制可以有效地減小系統超調量并縮短調節時間。本課題提出的一種基于模糊云理論系統模型的感知智能配電云網絡化控制結合了電力云網絡化控制和模糊云理論控制的特點，使系統具有良好的動態特性，與電力云網絡化控制相比可以顯著減小系統超調量和系統振蕩，使系統更為快速地收斂到目標值；與一般的模糊云理論控制相比，本課題提出云理論模型控制計算器法可使系統收斂更快。
圖2 模糊感知智能配電云網絡化控制仿真
2 結 語
本文提出的一種基于模糊云理論系統模型的感知智能配電云網絡化控制，將模糊云理論系統模型與感知智能配電云網絡化控制相結合，利用同時優化傳統數據值和電力云網絡化控制數據的一種基于云理論模型作為云理論系統模型，提高了模糊模型的云理論精度，攻破時滯，利用基于梯度優化的感知智能配電云網絡化控制計算器，實現了感知智能配電云網絡化的最優控制。基于實驗仿真證明，該識別方法優化傳統的不確定滯魯棒控制系統具有良好的適應性、魯棒性、控制性以及進一步改善智能配電云網絡化控制的各種性能指標。
參 考 文 獻
[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
