静止无功发生器递归神经网络自适应控制.pdf

电力系统自动化990 90 8电力系统自动化 A U T O M A T IO N O F ELECT RIC PO W ER SYST EM S 1999年 第9期 No.9 1999静止无功发生器递归神经网络自适应控制陈巍吴捷摘要构造了新型静止无功发生器(A SVG)递归神经网络自适应控制系统，该系统由递归网络辨识器及神经网络控制器构成，所构造的系统可以实现A SVG 的非线性自适应控制。仿真实验表明，该控制系统具有良好的控制品质、鲁棒性及泛化能力，是一种较为通用的电力系统控制模型。关键词新型静止无功发生器递归神经网络自适应控制 分类号T M 7 6 1T P 18A D A PT IVE CO NT RO L O F A SVG BY U SI NG D I A G O NA L RECU RRENT NEU RA L NET W O RKCh e n W e i,W u Ji e(So u t h Ch i n a U n i v e r s i t y o f T e c h n o l o g y,510 6 41,G u a n g z h o u,Ch i n a)A b s t r a c t T h e a d a p t i v e c o n t r o l s y s t e m o f A SVG b y u s i n g d i a g o n a l r e c u r r e n t n e u r a l n e t w o r k (D RNN)i s p r o p o s e d.Co n t a i n i n g t w o n e u r a l n e t w o r k s t h a t a r e r e c u r r e n t n e u r a l n e t w o r k i d e n t i f i e r a n d n e u r a l n e t w o r k c o n t r o l l e r,t h e p r o p o s e d c o n t r o l s y s t e m c a n r e a l i z e n o n l i n e a r a d a p t i v e c o n t r o l o f A SVG.Si m u l a t i o n r e s u l t s s h o w t h a t t h e s y s t e m h a s g o o d c o n t r o l c h a r a c t e r,r o b u s t n e s s a n d e x t e n d i n g a b i l i t y,a n d i s a g e n e r a l p o w e r s y s t e m c o n t r o l m o d e l.K e y w o r d s A SVG r e c u r r e n t n e u r a l n e t w o r k a d a p t i v e c o n t r o l0 引言电力系统是一个典型的非线性大系统，随着社会的进步、经济的发展，社会对电力的需求不断增加，使现代电力系统发展迅速，系统日趋复杂。大机组、重负荷、超高压远距离输电、大型互联网络的发展，以及对电力系统安全性、经济性及电能质量的高要求，使灵活交流输电系统(FA CT S)技术成为目前电力系统的一个重要的研究领域。新型静止无功发生器(A SVG)作为FA CT S器件中的一种，由于具有诸多优点而成为目前电力系统无功补偿的发展方向，对A SVG 的控制技术进行深入的研究十分重要。目前A SVG 的控制技术主要包括PI D 控制、PI D+PSS控制、逆系统PI 控制、微分几何控制、模糊控制等14。在神经网络建模与控制中，我们研究了A SVG 的递归神经网络建模、多目标监督控制及逆动力学控制57，从前面的研究结果可以看出，递归f i l e:/E|/q k/d l x t z d h/d l x t 99/d l x t 990 9/990 90 8.h t m（第 113 页）2 0 10-3-2 2 17:2 1:14万方数据电力系统自动化990 90 8网络多目标监督控制与逆动力学控制各自具有实现简单、稳定性好、运算速度快及具有一定的自适应能力等优点，但也存在某一运行点控制效果无法超越训练器，难以进行在线训练及难以选择最恰当的期望接入点电压以及无法实现控制误差的实时反馈等不足。因此构造一种可以实现模型在线辨识、控制器参数实时调整的A SVG 递归神经网络的自适应控制系统是十分吸引人的。本文构造了A SVG 递归神经网络自适应控制系统，给出了控制器、辨识器的训练算法，并进行了仿真实验。1控制系统结构及工作原理电力系统的特点是状态变量多、关系复杂、非线性特性强，而且在故障状态下系统的模型结构变化很大。正是由于这样的特点，构造一个可以实现非线性控制。而且控制作用可以随着系统模型的变化而变化的自适应控制系统，是人们所期望的。在构造自适应控制系统时，可以考虑构造模型参考自适应控制系统，也可以考虑构造自校正控制系统。对于电力系统，随着网络结构的不断扩大，其结构的复杂性也越来越高。发电机组的投切、负荷的变化、故障的发生、保护装置的动作都会带来系统模型结构与参数的变化，建立一个精确统一的参考模型是非常困难的。因此，对于A SVG 的控制，本文建立了自校正式的递归神经网络控制系统，其结构如图1所示。系统主要由3个部分组成，即PS，RNNI 以及NNC。RNNI 负责对A SVG 电力系统建模，通过它可以实时反传系统控制误差，为NNC提供修正信号，由NNC最终实现控制信号的获取。其中转换器的作用是将系统的残差：e(k)=yd(k)-y(k)(1)以一定的方式组合起来，送到神经网络控制器的输入节点。切换器的作用是实现辅助调节控制，算法1、算法2 分别用来训练RNNI 和NNC。NNC的结构可以采用逆动力学模型结构，即其输入向量为d(k),y(k-1),u(k-1),由于此时引入了控制器自身的反馈，控制器的结构为并联模型，因而其控制的稳定性及收敛性不理想。PI D 控制稳定性好，适应能力强，为此本文构造了具有PI D 形式的输入结构，此时NNC的输入输出关系为：(2)其中e(k)由式(1)确定；WC代表控制器的权值。这里NNC采用的是前馈神经网络，而无需采用递归神经网络。这主要是因为在式(2)的输入结构下，该控制器可以实现动态系统的控制。f i l e:/E|/q k/d l x t z d h/d l x t 99/d l x t 990 9/990 90 8.h t m（第 2 13 页）2 0 10-3-2 2 17:2 1:14万方数据电力系统自动化990 90 8由前馈神经网络的结构及式(2)可知：(3)(4)式中J与N分别为输出及输入层权的个数；e(k)由式(1)确定。由于RNNI是递归神经网络，故(5)式中ym(k)是辨识器的输出值。因此(6)将式(6)代入式(4)可得：根据式(3)可得：(7)f i l e/E|/q k/d l x t z d h/d l x t 99/d l x t 990 9/990 90 8.h t m（第 313 页）2 0 10-3-2 2 17:2 1:14万方数据电力系统自动化990 90 8式(5)式(7)中，l k-1。由此可见，采用PI D 形式的输入结构是合理的。在自校正控制中，首先需要进行的是辨识被控对象的模型，只有建立了良好的模型才可据此修正控制器参数。而在此自适应控制中，我们要实现两个任务，即对接入点电压起到支撑作用，进而向系统提供阻尼，抑制系统振荡。可以看出控制量是逆变器触发角的控制电压u，而期望的控制目标即是维持接入点电压Vs不变，这样可以确定RNNI的作用是实现u Vs的非线性映射。这里给出RNNI 训练的指标函数：(8)由于模型建立的最终目的是给控制器提供一个修正参数的依据，因此RNNI 能否建立电力系统的非线性动态模型以及模型精度的高低将会影响控制器的控制效果。文5已经讨论了递归网络对电力系统的建模能力，而且成功地实现了u Vs高精度的建模，因此自适应控制中的系统辨识问题得到了解决。对控制器参数的修正也要依据一定的指标，为实现接入点电压的支撑作用，这里给出修正控制器的二次型指标为：(9)其中d(k)是k 时刻期望的接入点电压值。根据这个指标，通过反传/W 就可以实现神经网络控制器参数的实时调整。对一般的非线性系统，非线性特性并不十分强，系统的状态变量也不多，在这种状态下，所构造的递归网络自适应控制系统可以直接对被控系统进行在线训练与控制，控制系统收敛十分迅速。但对于电力系统这样的复杂非线性系统，则必须经过离线的训练，以避免由于辨识器及控制器不成熟而带来大的控制误差。对于A SVG 的控制，必须进行两个离线训练过程：一个是要离线训练RNNI，使之获得电力系统的非线性特性；另一个是离线训练NNC，以使它的权值接近于实际控制的权值。离线训练RNNI采用文5所介绍的方法，对于NNC的训练可以采用常规的控制器进行，即训练NNC使之学习常规控制器的动力学特性，先获得常规控制器的控制性能。在这种情况下，才可能保证控制系统在控制的初始阶段控制作用是稳定有效的，不至于引起系统发散。另外在仿真中可以发现，不进行离线训练而直接构成控制系统，进行边训练边控制，由于A SVG 系统的复杂性，控制器给出偏差过大的控制，从而容易引起RNNI和NNC的隐含层节点输出饱和，使系统的运行无法进行下去，因此无法获得理想的f i l e:/E|/q k/d l x t z d h/d l x t 99/d l x t 990 9/990 90 8.h t m（第 413 页）2 0 10-3-2 2 17:2 1:14万方数据电力系统自动化990 90 8RNNI及NNC的权值。这是构造A SVG 递归神经网络自适应控制系统，以及其他电力系统神经网络自适应控制器中应当注意的问题。根据上面的论述，A SVG 神经网络自适应控制实现的过程可归纳如下：a.构造RNNI，适当选择RNNI 的参数，离线训练RNNI，使之实现含有A SVG 电力系统的非线性建模。b.构造NNC，适当选择NNC的参数；同时构造一个A SVG 的常规控制器，离线训练NNC，使之能够获得常规控制器的控制特性。c.将RNNI与NNC联合起来构造完整的神经网络自适应控制系统。d.根据期望接入点电压与实际电压之差，由NNC获得控制信号u,对系统实施控制，得到系统的实际输出Vs及RNNI 的输出s。e.根据Vs与s的差，由算法1调节RNNI 权值，使RNNI 学习A SVG 电力系统的动态特性。f.通过RNNI反传d 与Vs的差，通过算法2 调节NNC的权值，完成控制器的训练。g.重复步骤d 步骤f。2 学习算法2.1递归神经网络辨识器RNNI 下面推导递归神经网络辨识器RNNI的学习算法。神经网络辨识器RNNI 的输入、输出映射可表示为：(10)在式(8)的性能指标下RNNI 的权值修正可表示为：(11)f i l e:/E|/q k/d l x t z d h/d l x t 99/d l x t 990 9/990 90 8.h t m（第 513 页）2 0 10-3-2 2 17:2 1:14万方数据电力系统自动化990 90 8(12)对于输出层，13)对于递归层，(14)(15)其中ni(k)为k 时刻第i 个隐含节点的输入值。对于输入层，(16)f i l e:/E|/q k/d l x t z d h/d l x t 99/d l x t 990 9/990 90 8.h t m（第 6 13 页）2 0 10-3-2 2 17:2 1:14万方数据电力系统自动化990 90 8(17)其中Ij(k)为k 时刻输入层第j 个神经元的输入值。2.2 神经网络控制器NNC 根据式(9)给出的性能指标可知：(18)其中则(19)令(2 0)则f i l e:/E|/q k/d l x t z d h/d l x t 99/d l x t 990 9/990 90 8.h t m（第 7 13 页）2 0 10-3-2 2 17:2 1:14万方数据电力系统自动化990 90 8(2 1)根据RNNI的结构可知：(2 2)u(k)W(k)的推导类似于RNNI 权值算法的推导，这里不再赘述。3仿真研究为验证A SVG 递归神经网络自适应控制系统能否实现对A SVG 良好的控制，检验系统对电压的支撑能力以及控制的鲁棒性，本文做了仿真实验。实验对象为单机无穷大系统，系统参数见文7，系统运行点为=50，Pe=1.0 8。实验分为两部分，一部分为系统故障情况下，考察A SVG 神经网络自适应控制对电力系统的作用。故障为在0.1s 发生机端三相对地短路，0.2 5s 故障切除，实验结果如图2 所示。表1给出了控制系统的性能指标。另一部分为考察大负荷投切的情况下，A SVG 神经网络自适应控制对电力系统的作用，实验结果如图3所示，控制系统的性能指标见表2。f i l e:/E|/q k/d l x t z d h/d l x t 99/d l x t 990 9/990 90 8.h t m（第 8 13 页）2 0 10-3-2 2 17:2 1:14万方数据电力系统自动化990 90 8图2 A SVG 递归网络自适应控制仿真曲线 Fi g.2 Si m u l a t i o n c u r v e s o f A SVG RNN a d a p t i v e c o n t r o l s y s t e m仿真中对RNNI 的离线训练采用文5的方法，对NNC的离线训练采用常规的控制器3。训练中采用方差为0.1、均值为零的白噪声信号作为误差信号输入到常规控制器，以常规控制器的输出即控制信号作为NNC输出的学习信号。其性能指标也采用二次型指标，即使NNC输出与常规控制器输出之差的二次型函数最小。构造的RNNI为3层对角递归神经网络，输入层为u 与Vs两个节点，其隐含层为10 个节点，输出层为1个节点。NNC为3层前馈神经网络，输入层为3个节点，隐含层为10 个节点，输出层为1个节点。由图2 可以看出，递归神经网络自适应控制可以使A SVG 快速有效地发出无功，并且可以快速地进入稳态。A SVG 递归神经网络自适应控制系统对严重故障时系统电压的支撑作用，以及对发电机功角振荡的抑制作用明显优于常规控制器。利用RNN自适应控制，接入点电压及转子角分别在0.92 s 和2.8 6 s 就结束了过渡过程，而常规控制则f i l e:/E|/q k/d l x t z d h/d l x t 99/d l x t 990 9/990 90 8.h t m（第 913 页）2 0 10-3-2 2 17:2 1:14万方数据电力系统自动化990 90 8分别需要3.54s 和4.8 4s。对比文7 也可以看出这种控制方法的控制效果也优于神经网络逆动力学模型控制器。在同样的系统参数及故障情况下，在逆动力学控制中，发电机转子角的超调量为10 1.7%，且经过3.6 8 s 才可进入稳态；而利用神经网络自适应控制，发电机转子角的超调量为97.0 1%，且可在2.8 6 s 就进入稳态。同样，对于电压振荡的抑制作用也优于神经网络逆动力学控制。表1短路故障时在不同控制方式下的系统指标 T a b l e 1Pe r f o r m a n c e i n d e x e s(o f A SVG)w i t h d i f f e r e n t c o n t r o l s t r a t e g i e s u n d e r s h o r t c i r c u i t c o n d i t i o n控制 方式受控 对象正超调 量/(%)负超调 量/(%)过渡过程 时间/s常规 控制转子角 10 2.53-7 6.2 04.8 4电压6.34-2 5.323.54RNN 自适应 控制转子角97.0 1-50.2 12.8 6电压5.2 3-2 4.0 10.92由图3可以看出，当在A SVG 接入点母线突然加大负荷时，经过A SVG 的补偿作用，系统可以重新回到稳定的运行状态，使用常规控制手段，在突然加负荷时，负荷所在母线电压下降了19.0 3%，而利用神经网络自适应控制则仅下降了9.12%。而且在负荷切除后采用RNN自适应控制，母线电压在0.6 8 s 左右已经进入到稳态，而采用常规控制在5 s 时仍未能进入稳态。由此可见，递归网络自适应控制可以有效地向系统提供无功，抑制电压振荡。同时可以看到，在突然加负荷的情况下，递归神经网络自适应控制对于发电机转子角的抑制作用比常规控制要差，主要是由于在神经网络自适应控制中，所给出的性能指标以稳定接入点电压为目的，没有单独考虑对转子角的抑制作用。f i l e:/E|/q k/d l x t z d h/d l x t 99/d l x t 990 9/990 90 8.h t m（第 10 13 页）2 0 10-3-2 2 17:2 1:14万方数据电力系统自动化990 90 8图3A SVG 递归网络自适应控制对负荷投切的作用 Fi g.3Re s p o n s e o f A SVG RNN a d a p t i v e c o n t r o l s y s t e m t o l o a d c h a n g i n g表2 负荷投切时不同控制方式下的系统指标 T a b l e 2 Pe r f o r m a n c e i n d e x e s (o f A SVG)w i t h d i f f e r e n t c o n t r o l s t r a t e g i e s i n t h e c a s e o f l o a d c h a n g i n g控制方式 受控对象 超调量/(%)过渡过程时间/s常规 控制转子角-41.323.97电压-19.0 35.0 0RNN自适 应控制转子角-6 2.111.8 2电压-9.120.6 8f i l e:/E|/q k/d l x t z d h/d l x t 99/d l x t 990 9/990 90 8.h t m（第 1113 页）2 0 10-3-2 2 17:2 1:14万方数据电力系统自动化990 90 8另外在实时训练与控制中，我们考察了神经网络的运算速度。采用Co m p a q 58 6 133计算机，从采集信号，计算新的控制量，到完成一遍神经网络辨识器及控制器所有联接权的训练，需要0.36 m s。因此，在充分的离线训练之后，进行实际系统的在线控制是可能的。由此可见，这种结合递归神经网络与自适应技术的控制系统实现了A SVG 真正的实时非线性控制，控制效果是令人满意的。随着系统的运行，RNNI 将会更精确地学习到电力系统的动态特性，特别是学习到各种由于系统运行结构的调整、负荷波动、各种随机扰动以及其它各种情况所引起的饱和、限幅等非线性特性，使之能够更准确地将等效误差反传给控制器，从而获得更有效的控制。该控制系统的非线性控制、自适应以及良好的泛化能力，使之成为一种用于电力系统FA CT S器件实时控制的有效手段，可以在一定的调整后，应用于其他FA CT S器件的控制，具有良好的应用前景。4结论通过分析及仿真实验可以看到，A SVG 递归神经网络自适应控制系统具有以下特点：a.神经网络的控制器不需要导师信号，控制性能不受训练器的限制，因而可以获得常规控制器无法获得的控制效果。b.采用递归网络作为辨识器，因而可以获得电力系统非线性动态模型，而控制器可以根据控制误差和系统的状态实现A SVG 真正意义上的非线性控制。c.神经网络的辨识器与控制器同时在线进行训练，因而当系统模型发生变化时，控制系统可以及时调节辨识器及控制器参数，因而具有良好的适应能力。d.控制中始终以能量函数最小为目的，且将控制误差反馈回控制器，因而是一个闭环的反馈系统，具有更高的控制精度及更强的鲁棒性。e.所构造的控制系统具有一定的普遍性，泛化能力强。作者单位:华南理工大学电力学院510 6 41广州 作者简介:陈巍，男，197 1年生，博士，主要研究方向为神经网络、自适应控制在电力系统暂态稳定分析与控制中的应用。吴捷，男，1937 年生，教授，博士生导师，主要从事自适应、自组织控制及电力系统自动化等方面的研究工作。参考文献1M o r i S,M a t s u n o K,T a k e d a M,e t a l.D e v e l o p m e n t o f La r g e St a t i c VA R G e n e r a t o r U s i n g Se l f-Co m m u t a t e d In v e r t e r f o r I m p r o v i n g Po w e r Sy s t e m St a b i l i t y.I EEE T r a n s,1993,PS-8(1):37 137 7 2 姜齐荣，王强，韩英铎，等.A SVG 的建模及其控制.清华大学学报，1997，37(7)：2 12 5 3沈沉，孙元章.A SVG 的非线性控制对改善电力系统阻尼特性的研究.电力系统自动化，1997，2 1(5)4沈沉，孙元章，卢强.预测模糊控制及其在A SVG 上的实现.电力系统自动f i l e:/E|/q k/d l x t z d h/d l x t 99/d l x t 990 9/990 90 8.h t m（第 12 13 页）2 0 10-3-2 2 17:2 1:14万方数据电力系统自动化990 90 8化，1997，2 1(10)5陈巍，吴捷.静止无功发生器的递归神经网络建模.电力系统自动化，1999，2 3(4)6 陈巍，吴捷.静止无功发生器递归神经网络多目标监督控制.电力系统自动化，1999，2 3(7)7 陈巍，吴捷.静止无功发生器递归神经网络逆动力学控制.电力系统自动化，1999，2 3(8)1998-0 5-2 5收稿，1998-0 9-19改回。f i l e:/E|/q k/d l x t z d h/d l x t 99/d l x t 990 9/990 90 8.h t m（第 1313 页）2 0 10-3-2 2 17:2 1:14万方数据静止无功发生器递归神经网络自适应控制静止无功发生器递归神经网络自适应控制作者：陈巍，吴捷，Chen Wei，Wu Jie作者单位：华南理工大学电力学院,510641,广州刊名：电力系统自动化英文刊名：AUTOMATION OF ELECTRIC POWER SYSTEMS年，卷(期)：1999(9)被引用次数：14次 参考文献(7条)参考文献(7条)1.Mori S;Matsuno K;Takeda M Development of Large Static VAR Generator Using Self-Commutated Inverter for Improving PowerSystem Stability外文期刊 1993(01)2.姜齐荣;王强;韩英铎 ASVG的建模及其控制 1997(07)3.沈沉;孙元章 ASVG的非线性控制对改善电力系统阻尼特性的研究期刊论文-电力系统自动化 1997(05)4.沈沉;孙元章;卢强 预测模糊控制及其在ASVG上的实现期刊论文-电力系统自动化 1997(10)5.陈巍;吴捷 静止无功发生器的递归神经网络建模期刊论文-电力系统自动化 1999(04)6.陈巍;吴捷 静止无功发生器递归神经网络多目标监督控制期刊论文-电力系统自动化 1999(07)7.陈巍;吴捷 静止无功发生器递归神经网络逆动力学控制期刊论文-电力系统自动化 1999(08)本文读者也读过(10条)本文读者也读过(10条)1.茅靖峰.孙玉坤.王德明.郭晓丽.MAO Jingfeng.SUN Yukun.WANG Deming.GUO Xiaoli 静止无功发生器无功电流的滑模变结构控制期刊论文-高电压技术2007,33(1)2.王新鹏.李东东.孙苓生 采用CPLD器件的ASVG脉冲触发控制期刊论文-电力自动化设备2003,23(4)3.张敏.蔡创文.刘伟.周少武.ZHANG Min.CAI Chuang-wen.LIU Wei.ZHOU Shao-wu 包含静止无功发生器的电力系统鲁棒H控制期刊论文-电工电能新技术2011,30(3)4.杨兆华.孙卫华.王飞.YANG Zhao-hua.SUN Wei-hua.WANG Fei ASVG的建模与稳态分析期刊论文-计算技术与自动化2006,25(1)5.赖才金.姜建国.苏鹏声.曹海翔.LAI Caijin.JIANG Jianguo.SU Pengsheng.CAO Haixiang ASVG主回路GTO或续流管故障诊断方法期刊论文-清华大学学报（自然科学版）1999(3)6.黄建新.洪佩孙 ASVG自适应模糊控制模型及其暂态仿真研究期刊论文-电力自动化设备2003,23(3)7.邓文革.DENG Wen-ge 高级静止无功发生器(ASVG)浅析期刊论文-陕西煤炭2008,27(4)8.徐万方.罗安.柳爱美 ASVG在系统不对称情况下的运行及其控制期刊论文-电工技术杂志2003(7)9.文维娟.孙玉坤.嵇小辅.白雪飞.Wen Weijuan.Sun Yukun.Ji Xiaofu.Bai Xuefei STATCOM无功电流的灰色预测控制期刊论文-电气自动化2008,30(1)10.戴文进.何征海 ASVG在江西电网的应用研究期刊论文-南昌大学学报(工科版)2001,23(1)引证文献(14条)引证文献(14条)1.郭锐.刘国海 静止同步补偿器数学模型及其无功电流控制研究期刊论文-电力自动化设备 2006(1)2.钟珊.庄淑瑾 静止无功发生器的微分几何变结构控制方法期刊论文-电子技术应用 2010(11)3.吴小辰.陆超.贺静波.毕天姝.吴京涛 直流广域自适应阻尼控制器设计与RTDS实验期刊论文-电力系统自动化 2007(15)4.文维娟.孙玉坤.嵇小辅.白雪飞 STATCOM无功电流的灰色预测控制期刊论文-电气自动化 2008(1)5.吴秀华.朴在林.刘美菊.石敏惠 神经网络在电力系统无功优化中的应用期刊论文-电气应用 2007(9)6.文维娟.孙玉坤.孙运全.嵇小辅.白雪飞 STATCOM无功电流的灰色预测控制期刊论文-高电压技术 2008(4)7.夏杰.王年.梁栋.夏颖.张涛 基于单周控制STATCOM的建模及实现期刊论文-安徽大学学报(自然科学版)2009(2)8.吴文辉.刘会金 静止同步补偿器(STATCOM)技术的研究现状与发展期刊论文-华东交通大学学报 2005(2)9.郭小莜.谢秉恩 现代静止无功发生器的控制技术综述期刊论文-广东输电与变电技术 2008(1)10.李洪美 基于人工神经网络的静止无功发生器的控制学位论文硕士 200511.王宝华.杨成梧 FACTS 稳定控制策略综述期刊论文-电力自动化设备 2000(2)12.田茂 基于DSP控制的低压静止无功发生器的研究学位论文硕士 200513.张敏 包含静止同步补偿器的电力系统稳定性分析与非线性鲁棒控制学位论文博士 200414.李正国 基于智能集成控制的同步静止补偿器理论和应用研究学位论文博士 2004 本文链接：http:/