故障的快速识别和控制对于电力系统的运行至关重要。对故障的不及时控制可能引发大规模停电,甚至电力系统瘫痪。电力系统规模的越来越大,故障的类别和不确定性越发复杂,电力系统的快速识别和控制成为了电力系统研究的热点。如果能预期到故障,则可以实现对故障的快速识别,并对其进行控制。确定学习理论是一种对未知系统中的周期轨迹或者类周期轨迹进行快速有效逼近的理论。本文基于确定学习理论,针对电力系统模型,设计了两种控制方法。本文的主要完成工作有以下几点:1.基于确定学习和经验学习的电力系统稳定性控制。(1)利用径向基神经网络训练电力系统发生故障时的未知关联项,积累电力系统中的故障动力学知识,将已学的知识存储到知识库中,从而实现对故障的快速识别。(2)对于预期故障的控制,本文基于对李雅普诺夫定理、确定学习理论以及反步控制方法的研究,通过引入仿射项的导数,设计了一种新的控制策略。该策略能够在不需要积分型李雅普诺夫函数的情况下,避免控制器奇异性问题。(3)基于非预期故障,采用传统的自适应控制方法进行控制。最后,通过仿真实验验证了当电力系统突然发生故障时,本文所设计的控制策略拥有良好的控制性能。2.电力系统的ISS模块化自适应神经网络控制。在基于确定学习和经验学习的控制方法中引入了仿射项的导数,增加了训练难度,本文将ISS(输入状态稳定)模块化和自适应神经网络相结合,在不限制仿射项导数的情况下,设计了一种更简单的方案来避免控制器奇异性问题。(1)对电力系统数学模型简化成两个子系统,其中一个为状态误差子系统,另一个为神经网络权重估计误差子系统。(2)利用反步控制对简化后的子系统进行控制,在非线性函数中引入相关互联项,对互联项进行补偿,克服了仿射项导数的限制。(3)子系统仍然满足径向基神经网络的部分持续激励条件,在最后两步中利用确定学习理论对未知互联项进行逼近。将已学到的系统动力学知识存储在恒定的径向基网络中,以便重复使用。最后,对电力系统的稳定性进行验证,通过仿真实验验证该方法的有效性。