随着越来越多的复杂系统具有内在分布性(时间、空间及功能上的分布)，传统的基于精确数学模型的控制理论难以实现对此类系统的控制。而MAS作为一种解决分布式复杂系统问题的有效方法，受到了越来越多研究人员的重视和关注，并得到广泛而深入的研究。 　　本文就MAS理论及其在电力系统电压无功协调控制方面的应用作了一定的研究与探讨，主要工作及创新点包括以下几个方面： 　　本文对作为基础理论的基于MAS的分布式人工智能的组织结构进行了详细的论述。并据此针对我国电力系统的实际运行调度在结构上已经分层的现状，考虑到同一区域的电压无功控制设备的共同目标是维护区域电压的稳定，为了减少通信和管理方便，我们借鉴联盟式结构的思想，按照区域划分，把同一个区域的Agent(即电压无功控制设备)分成组成一个区即形成一个协调控制级，由区域Agent来管理区域内的Agent信息。基于这种思想，设计和构造了一个面向电力系统电压无功协调控制的分层分布协调式MAS组织结构。这种结构的特点是在组织结构上分层，在控制上实现分布协调，可实现象电力系统这样的分布式复杂巨系统的整体协调控制。 　　Agent的微观模型是构成MAS的基石。在分布式复杂系统中，特别是电力系统这样的强非线性复杂系统中，系统或对象难以采用精确的数学模型来描述。因而在构造Agent时，采用确定性的逻辑或数学公式来表示其愿望、信念及意图难以达到对系统的控制要求。因此本文首次针对Agent本身所具有的模糊性进行研究。提出了一种混合型模糊Agent的模型结构。定义了Agent的模糊愿望、模糊信念、模糊意图。详细阐述了Agent每个模块的作用和功能。最后通过仿真实验验证了所提出的混合型模糊Agent的结构是合理的，可实现对系统的稳定控制，并具有较强的适应性和鲁棒性。 　　Agent的学习能力是Agent微观模型的重要组成部分。本文在对Agent强化学习机制研究的基础上，提出了一种基于模型参考的Agent强化学习机制。由参考模型给出Agent的学习目标。学习机制采用自适应启发评价算法，它由两部分组成：自适应评价单元及联想搜索单元。用系统给出的强化信号更新Agent学习机制的参数。最后将这种学习机制用于电力系统的电压控制中，给出的仿真实验结果证明了这种学习机制不仅响应速度快，而且具有较高的学习速率，可有效阻止节点电压的进一步下降，对保证系统的正常运行及延长设备寿命具有重要的经济价值。 　　各Agent之间的协调是MAS的一个重要的研究内容，本文从各Agent之间的多个目标的协调优化方面入手，首次对基于蚁群算法的MAS的多目标协调优化机制做了研究。提出了一种基于蚁群算法的多目标协调优化方法，采用谈判机制进行多个目标解的协调，以产生问题的折衷解。最后给出了研究内容的仿真实验结果，并对实验结果采用性能度量标准进行测试，证明了算法的可行性并具有较快的收敛速度。 　　电力系统是一个分布式的复杂巨系统，它由地理上分布的多个子系统构成。这些子系统在自治的方式下，可通过相互协调作用来达到整个系统的正常运行，这和MAS的思想相符。因此采用Agent技术，实现对电力系统电压无功的分散协调控制成为一种必然。 　　本文最后将MAS理论研究的一些成果应用于电力系统电压无功协调控制中，采用分层分布式协调MAS框架作为系统结构。把各电压控制器看作是自治的Agent，Agent采用混合型模糊结构，其控制模块采用基于模型参考的Agent强化学习算法。它们一方面自治的维护本地的电压稳定性，同时也协助其它Agent完成调压任务。各区域Agent通过交换边界节点信息，实现区域间的相互协调。此外还对各协调控制级之间的协调策略、现场Agent的控制策略和闭锁策略进行了简单的介绍。最后对所研究的内容给出了仿真实验结果。