基于近似动态规划的神经网络控制及在电力系统中应用

《基于近似动态规划的神经网络控制及在电力系统中应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、10东北电力技术2009年第4期基于近似动态规划的神经网络控制及在电力系统中应用OnNeuralNetworkControlBasedonApproximateDynamicPlanningandtheUsetothePowerSystem赵琰，邓玮，张玉艳(沈阳工程学院，辽宁沈阳110136)摘要：对基于近似动态规划(ADP)的神经网络控制的原理、分类和实现等进行了较全面的论述。介绍了基于ADP的神经网络控制方法在电力系统中的应用。对基于APD的神经网络控制的未来研究发展方向进行了展望。关键词：近似动态规划；神经网络；电力系统[中图分类号]TM73；TP389．1；TP273．5[文献标识

2、码]B[文章编号】1004—7913(2009)04—0010—03动态规划(DP)方法是20世纪50年代后期1近似动态规划方法的提出由Bellman建立，用来求解离散系统最优控制问题的一种迭代程序计算方法，也可以用来处理连续系考虑离散时间非线性时变系统：统的最优控制问题。DP方法的适用范围很广，在(t+1)=(t)，／,(t)，t](1)诸多最优控制问题的理论研究中发挥了不可替代的式中：(￡)∈R为系统状态变量；(￡)∈R作用。为控制信号，t为离散时间。假设该系统的性能指DP方法是通过求解HJB方程来确定最优性能标函数定义为指标函数，当求解的HJB方程维数持续增加时，J[(i)，]：．∑U

3、[(k)，(k)，k](2)计算量随之呈指数态增长，这将导致“维数灾”式中：为给定的效用函数(也称局部最优函(curseofdimensionality)问题，是DP方法无法克数)；y为折现因子，通常可通过选取0

4、储负担。原理。最优性原理表述为：如果u(0)，u1977年，美国学者Werbos提出了被称为(1)，⋯，“(n一1)是最优控制策略，那么“(1)，“自适应评论设计”(AdaptiveCriticDesign，ACD)的基于人工神经网络的近似动态规划算法。该方法“(2)，⋯，“(n一1)也一定是一个(n一1)步的在传统的动态规划方法基础上，结合加强学习和反最优控制策略，其初始状态为(1)=／[(0)，向传播等概念，通过先后训练2个神经网络：评论“(0)]。网络(输出性能指标函数的近似值)和控制器网由式(2)中可知，假设从t+1时刻开始，对络(输出控制信号)来产生最优或近似最优控制于所有可能的状

5、态(t+1)均已找到最优性能指律，避开直接求解复杂的HJB方程，只需给定初标函数．，[(t+1)，t+1]及相应的最优控制序列始状态和效用函数(UtilityFunction)，就可实现最H(t+1)，u(t+2)，⋯，如果在t时刻对系统施优控制或近似最优控制。近似动态规划方法从本质加控制信号u(t)，自t+1时刻开始，使用上述最上克服了传统动态规划方法的不足，使其在电力系优控制序列，则性能指标函数的值为[(t)，M统、飞行器控制、通信系统等方面获得了广泛的应(t)，t]+‘，[(t+1)，t+1]，其中，(t+1)的用[。值可从式(1)计算得出。根据Bellman最优性原2009年第4期东

6、北电力技术理，可以确定自t时刻开始的最优性能指标函数为行训练。．，[(t)，t]=m!nU[(t)，U(t)，t]+．，[(t评论模块的输人为t+1时刻的状态变量(tⅡ¨J+1)，t+1](3)+1)，输出为性能指标函数．，在t+l时刻的近似由式(3)可得：值．，(t+1)。根据评论模块输出的不同，ADP有3u(t)=argminU[(t)，“(t)，t]+I，[(t+“‘，种基本的实现方法：HDP、DHP和GDHP。1)，t+1](4)3近似动态规划方法在电力系统中的应用式(4)是离散时间系统的最优原理(Bellman方程)。其重要性在于可一步一步地求解控制信电力系统属于一类难以控制的高复

7、杂性多变量号，但在时间上要倒过来走。在性能指标函数值的非线性系统。这种系统的特点是动态特性随着负载计算中，如果式(2)中的．，和式(1)中的，均已的变化而发生明显改变，同时又要保证系统在这种知，求解最优控制信号u(t)就成为简单的求极情况下(甚至是故障情况下)的稳定性。对于这值问题。可是，式(3)的计算过程在时间上要倒种类统，建立精确的数学模型很困难。通常是采用过来走，就使得问题的计算量极大，有“维数灾”线性