人工智能在电力系统中的应用

人工智能孟安波第一章概述人工智能是那些与人的思维相关的活动，诸如决策、问题求解和学习等的自动化(Bellman,1978）；人工智能是一种计算机能够思维，使机器具有智力的激动人心的新尝试（Haugeland,1985）；人工智能是那些使知觉、推理和行为成为可能的计算的研究（Winston,1992）；人工智能是关于人造物的智能行为，而智能行为包括知觉、推理、学习、交流的行为（Nilsson，1998）。像人一样思考的系统、像人一样行动的系统、理性地思考、行动的系统（StuartRussell,2003）。1.1人工智能定义1.2人工智能的研究途径与研究领域专家系统(ExpertSystems)人工神经网络(ArtificialNeuralNetworks)模糊逻辑(FuzzyLogic)进化算法(如：遗传算法GeneticAlgorithm,粒子群SwarmParticle,禁忌搜索TabuSearch,模拟退火算法SimulatedAnnealing,)多智能体系统(Multi-agentsystem)

心理模拟，符号推演生理模拟，神经计算行为模拟，控制进化群体模拟，仿生计算1.3人工智能在电力系统的应用领域机组启停UnitCommitment维护计划Maintenancescheduling负荷预测LoadForecasting发电控制与保护Generationcontrolandprotection潮流优化OptimalPowerFlowAnalysis电力系统安全分析SecurityAnalysis电力系统稳定分析StabilityAnalysis无功优化分配Vardispatchandplanning控制优化Optimizationofself-adaptivecontrol继电保护Relayingprotection经济调度Economicdispatch变电所运行控制Substationswitchingandcontrol系统恢复供电Systemreconfigurationandrestoration电力质量控制PowerqualityControl系统设计优化SystemDesignOptimization电力规划planningforelectricPower电气设备故障诊断Faultdiagnosisforelectricfacilities1.3人工智能在电力系统的应用领域第二章神经网络及其在电力系统中的应用

人工神经网络是集脑科学、神经心理学和信息科学等多学科的交叉研究领域，是近年来高科技领域的一个研究热点。它的研究目标是通过研究人脑的组成机理和思维方式，探索人类智能的奥秘，进而通过模拟人脑的结构和工作模式，使机器具有类似人类的智能。它已在模式识别、机器学习、专家系统等多个方面得到应用，成为人工智能研究中的活跃领域。本章将简要介绍神经网络基本的概念、模型以及学习算法以及应用实例。2.1神经网络的基本概念及组成特性

神经元及其突触是神经网络的基本器件。因此，模拟生物神经网络应首先模拟生物神经元。在人工神经网络中，神经元常被称为“处理单元”。有时从网络的观点出发常把它称为“节点”。人工神经元是对生物神经元的一种形式化描述。神经元主要由三部分构成：（1）细胞体;（2）轴突;（3）树突2.2人工神经网络的特性

高度的并行性

ANN是由许多相同的简单处理单元并联组合而成，虽然每个单元的功能简单，但大量简单处理单元的并行活动，使其对信息的处理能力与效果惊人。高度的非线性全局作用

ANN每个神经元接受大量其它神经元的输入，并通过并行网络产生输出，影响其他神经元。网络之间的这种互相制约和互相影响，实现了从输入状态到输出状态空间的非线性映射。从全局的观点来看，网络整体性能不是网络局部性能的简单迭加，而表现出某种集体性的行为。良好的容错性与联想记忆功能

ANN通过自身的网络结构能够实现对信息的记忆。而所记忆的信息是存储在神经元之间的权值中。从单个权值中看不出所储存的信息内容，因而是分布式的存储方式。这使得网络具有良好的容错性，并能进行聚类分析、特征提取、缺损模式复原等模式信息处理工作；又宜于模式分类、模式联想等识别工作。十分强的自适应、自学习功能

ANN可以通过训练和学习来获得网络的权值与结构，呈现出很强的学习能力和对环境的自适应能力。2.3人工神经网络的学习方法

监督学习（有教师学习）如图所示，这种学习方式需要外界存在一个“教师”，他可对给定一组输入提供应有的输出结果，这组已知的输入-输出数据称为训练样本集，学习系统（神经网络）可根据已知输出与实际输出之间的差值（误差信号）来调节系统参数非监督学习（无教师学习）环境教师学习系统输入期望输出实际输出误差信号2.3人工神经网络的分类

前向网络中，各神经元节点接受前一层的输出信号，并将本层的输出作为下一层的输入，其特点是信号的流向是从输入流向输出。在ANN的实际应用中，80％～90％的ANN模型是采用BP网络或它的变化形式，它也是前向网络的核心部分、体现了ANN精华的部分。

前向神经网络2.3人工工神经网络的的分类反馈神经网络络…………输出输入反馈网络中，，输出信号通通过与输入连连接而返回到到输入端，从从而形成一个个回路。在前前向网络中，，有单层感知知器、自适应应线性网络和和BP网络。。在反馈网络络中，有离散散型和连续型型霍普菲尔德德网络。2.4BP神经网络2.4.1BP神经网网络概述BP网络神神经网络是目目前应用最为为广泛和成功功的神经网络络之一。它是是在1986年由Rumelhant和McClelland提提出的一种种多层网络的的“逆推”学学习算法。其其基本思想是是，学习过程程由信号的正正向传播与误误差的反向传传播两个过程程组成。正向向传播时，输输入样本从输输入层传入，，经隐层逐层层处理后传向向输出层。若若输出层的实实际输出与期期望输出不符符，则转向误误差的反向传传播阶段。误误差的反向传传播是将输出出误差以某种种形式通过隐隐层向输入逐逐层反传，并并将误差分摊摊给各层的所所有单元，从从而获得各层层单元的误差差信号，此误误差信号即作作为修正各单单元权值的依依据。这种信信号正向传播播与误差反向向传播的各层层权值调整过过程是周而复复始地进行。。权值不断调调整的过程，，也就是网络络的学习训练练过程。此过过程一直进行行到网络输出出的误差减少少到可以接受受的程度，或或进行到预先先设定的学习习次数为止。。2.4.2BP神经网网络应用领域域函数逼近：用用输入矢量和和相应的输出出矢量训练——个网络逼近近一个函数；；模式识别：用用一个特定的的输出矢量将将它与输入矢矢量联系起来来；分类：把输入入矢量以所定定义的合适方方式进行分类类；数据压缩：减减少输出矢量量维数以便于于传输或存储储。2.4BP神经网络2.4.3BP网络模模型与结构BP网络具有有一层或多层层隐含层，其其主要差别也也表现在激活活函数上BP网络的激激活函数必须须是处处可微微的，BP网络经常使使用的是S型型的对数或正正切激话函数数和线性函数数W1B1F1W2B2F2PA1ikjs1xrA2s1x1s2x1s2xs1s1xqs2xqrxq112.4BP神经网络2.4.4BP神经网网路的几种常常见激活函数数阀值型A-101fA-101-bf不带偏差的阀阀值型激活函函数带偏差的阀值值型激活函数数2.4BP神经网络2.4.4BP神经网网路的几种常常见激活函数数线形型不带偏差的线线性激活函数数带偏差的线形形型激活函数数2.4BP神经网络A-101fA-101f-b2.4.4BP神经网网路的几种常常见激活函数数2.4BP神经网络A-101fA-101f对数S型激活活函数双曲正切S型型激活函数对数S型函数数关系为：双曲正切S型型函数关系：：Sigmoid型2.4.5BP网络学学习2.4BP神经网络BP算法的学学习目的是对对网络的连接接权值进行调调整，使得调调整后的网络络对任一输入入都能得到所所期望的输出出。学习过程由正正向传播和反反向传播组成成。正向传播用于于对前向网络络进行计算，，即对某一输输入信息息，经过网络络计算后求出出它的输出结结果。反向传播用于于逐层传递误误差，修改神神经元间的连连接权值，以以使网络对输输入信息经过过计算后所得得到的输出能能达到期望的的误差要求。。2.4.5BP网络学学习2.4BP神经网络设输入为P，输人有r个，隐含层内内有s1个神经元，，激话函数为为F1，输出层内内有个s2神经元，对对应的激活函函数为F2，输出为A，目标矢量力力T。kji隐含含层层输出出层层输入入层层2.4.5BP网网络络学学习习2.4BP神神经经网网络络1、、信信息息的的正正向向传传递递（1））隐隐含含层层中中第第i个神神经经元元的的输输出出为为：（2））输输出出层层第第k个神神经经元元的的输输出出为为（3））定定义义误误差差函函数数为为：2.4.5BP网网络络学学习习2.4BP神神经经网网络络1、、误差差反反向向传传播播（1））输输出出层层的的权权值值变变化化：：对从从第第i个输输入入到到第第k个输输出出的的权权值值有有：其中中：：：学学习习速速率率，，过过大大容容易易震震荡荡，，过过小小调调整整过过慢慢；；：训训练练样样本本对对目目标标输输出出；；：神神经经网网络络实实际际输输出出；；：输输出出层层神神经经元元传传递递函函数数的的导导数数；；：误误差差；；2.4.5BP网网络络学学习习2.4BP神神经经网网络络1、、误差差反反向向传传播播（2））输输出出层层的的阀阀值值变变化化：：其中中：：！注注意意：：输出出层层的的权权值值变变化化与与输输出出层层的的阈阈值值变变化化的的差差别别2.4.5BP网网络络学学习习2.4BP神神经经网网络络1、、误差差反反向向传传播播（3））隐隐含含层层的的权权值值变变化化：：对从从第第j个输输入入到到第第i个输输出出的的权权值值有有：其中中：：（4））隐隐含含层层的的阈阈值值变变化化：：2.4.6BP网网络络的的限限制制与与不不足足及及改改进进2.4BP神神经经网网络络1不不足足需要要较较长长的的训训练练时时间间对于于一一些些复复杂杂的的问问题题，，BP算算法法可可能能要要进进行行几几小小时时甚甚至至更更长长的的时时间间的的训训练练。。这这主主要要是是由由于于学学习习速速率率太太小小所所造造成成的的。。可可采采用用变变化化的的学学习习速速率率或或自自适适应应的的学学习习速速率率加加以以改改进进。。完全全不不能能训训练练这主主要要表表现现在在网网络络出出现现的的麻麻痹痹现现象象上上。。在在网网络络的的训训练练过过程程中中，，当当其其权权值值调调得得过过大大，，可可能能使使得得所所有有的的或或大大部部分分神神经经元元的的加加权权总总和和偏偏大大，，这这使使得得激激活活函函数数的的输输入入工工作作在在S型型转转移移函函数数的的饱饱和和区区，，从从而而导导致致其其导导数数非非常常小小，，从从而而使使得得对对网网络络权权值值的的调调节节过过程程几几乎乎停停顿顿下下来来。。通通常常为为了了避避免免这这种种现现象象的的发发生生，，一一是是选选取取较较小小的的初初始始权权值值，，二二是是采采用用较较小小的的学学习习速速率率，，但但这这又又增增加加了了训训练练时时间间。。2.4.6BP网网络络的的限限制制与与不不足足及及改改进进2.4BP神神经网络络1不足足局部极小小值BP算算法可以以使网络络权值收收敛到一一个解，，但它并并不能保保证所求求为误差差超平面面的全局局最小解解，很可可能是一一个局部部极小解解。这是是因为BP算法法采用的的是梯度度下降法法，训练练是从某某一起始始点沿误误差函数数的斜面面逐渐达达到误差差的最小小值。对对于复杂杂的网络络，其误误差函数数为多维维空间曲曲面，就就像一个个碗，其其碗底是是最小值值点。但但是这个个碗的表表面是凹凹凸不平平的，因因而在对对其训练练过程中中，可能能陷入某某一小谷谷区，而而这一小小谷区产产生的是是一个局局部极小小值。由由此点向向各方向向变化均均使误差差增加，，以致于于使训练练无法逃逃出这一一局部极极小值。。2.4.6BP网络络的限制制与不足足及改进进2.4BP神神经网络络1改进进增加动量量项标准BP算法在在调整权权值时，，只按t时刻误误差的梯梯度下降降方向调调整，而而没有考考虑t时时刻以前前的梯度度方向。。为了提提高训练练速度，，可以在在权值调调整公式式中加一一动量项项，其中中a为动动量系数数：动量项反反映了以以前积累累的调整整经验。。当误差差梯度出出现局部部极小时时，虽然然但但，，使使其跳出出局部极极小区域域，加快快迭代收收敛速度度。目前前，大多多数BP算法中中都增加加了动量量项，以以至于有有动量项项的BP算法成成为一种种新的标标准算法法。2.4.6BP网络络的限制制与不足足及改进进2.4BP神神经网络络1改进进可变学习习速度的的反向传传播算法法（1）如如果平方方误差（（在整个个训练集集上）在在权值更更新后增增加了，，且超过过了某个个设置的的百分数数（典型型值为1%～5%），，则权值值更新被被取消，，学习速速度被乘乘以一个个因子（（0<<1），，并且动动量系数数（如果果有的话话）被设设置为0。（2）如如果平方方误差在在权值更更新后减减少，则则权值更更新被接接受，而而且学习习速度将将乘以一一个大于于1的因因子。如如果动量量系数过过去被设设置为0，则恢恢复到以以前的值值。2.4.6BP网络络的限制制与不足足及改进进2.4BP神神经网络络1改进进引入陡度度因子———防止止饱和误差曲面面上存在在着平坦坦区。其其可预付付调整缓缓慢的原原因在于于S转移移函数具具有饱和和特性。。如果在在调整进进入平坦坦区后，，设法压压缩神经经元的净净输入，，使其输输出退出出转移函函数的饱饱和区，，就可改改变误差差函数的的形状，，从而使使调整脱脱离平坦坦区。实实现这一一思路的的具体作作法是在在转移函函数中引引进一个个陡度因因子。2.5使使用MATLAB神神经网络络工具箱箱MATLAB神神经网络络工具箱箱大大降降低了开开发各种种神经网网络应用用的难度度。设计计者只需需要调用用相关函函数即可可，甚至至通过NNTOOL图图形界面面，不用用编写一一行程序序，就可可完成一一个神经经网络的的设计仿仿真。本节主要要介绍NNTOOL图图形工具具，神经经网络程程序设计计见2.6。2.5使使用MATLAB神神经网络络工具箱箱第一步在MATLAB命令下下打开nntool界界面2.5使使用MATLAB神神经网络络工具箱箱第二步通过Import从工工作空间间或通过过NewData手手动输入入训练样样本2.5使使用MATLAB神神经网络络工具箱箱第三步点击newnetwork建立神神经网络络该页面用用来建立立神经网网络结构构，主要要设置的的参数有有：神经经网络类类型、训训练函数数、各层层神经元元数目及及相应的的传递函函数等2.5使使用MATLAB神神经网络络工具箱箱第四步设设置训训练参数数点击train进入trainingparameters页设置置训练参参数，主主要包括括训练代代数、允允许误差差、显示示频度等等。2.5使使用MATLAB神神经网络络工具箱箱第四步点击train进入trainingparameters页设置置训练参参数，主主要包括括训练代代数、允允许误差差、显示示频度等等。2.5使使用MATLAB神神经网络络工具箱箱第五步训练已经经建立好好的神经经网络点点击trainnetwork开开始训练练。训练练过程会会显示误误差随代代数的变变化。2.5使使用MATLAB神神经网络络工具箱箱第六步仿真验证证，进入入simulate页页,设置置输入,点击simulatenetwork。2.6神神经网网络在电电力系统统应用实实例实例1：：短期电电力负荷荷预测实例2：：变压器器故障诊诊断2.6.1实实例1神神经网网络在负负荷预测测中的应应用问题描述述以广东某某城市的的2004年7月20日到7月30日的负负荷值以以及2004年年7月21日到到7月31日的的气象特特征状态态作为网网络的训训练样本本，来预预测7月月31日日的电力力负荷为为例2.6.1实实例1神神经网网络在负负荷预测测中的应应用日期7月20日7月21日7月22日7月23日7月24日7月25日电力负荷0.24520.22170.25250.20160.21150.23350.14660.15810.16270.11050.12010.13220.13140.14080.15070.12430.13120.15340.22430.23040.24060.19780.20190.22140.55230.51340.55020.50210.55320.56230.66420.53120.56360.52320.57360.58270.70150.68190.70510.68190.70290.71980.69810.71250.73520.69520.70320.72760.68210.72650.74590.70150.71890.73590.69450.68470.70150.68250.70190.75060.75490.78260.80640.78250.79650.80920.82150.83250.81560.78950.80250.8221气象特征—0.24150.23850.22160.23520.2542—0.30270.31250.27010.25060.3125—0010.50广东某地地区7月月20日日—25日24小时电电力负荷荷表2.6.1实实例1神神经网网络在负负荷预测测中的应应用日期7月26日7月27日7月28日7月29日7月30日7月31日电力负荷0.23680.23420.21130.20050.21230.21190.14320.13680.12120.11210.12570.12150.16530.16020.13050.12070.13430.16210.22050.21310.18190.16050.20790.21610.58230.57260.49520.45560.55790.61710.59710.58220.53120.50220.57160.61590.71360.71010.68860.65530.70590.71150.71290.70980.68980.66730.71450.72010.72630.71270.69990.67980.72050.72430.71530.71210.73230.70230.74010.72980.80910.79950.77210.75210.80190.81790.82170.81260.79560.77560.81360.8229气象特征0.26010.25790.23010.22340.23140.23170.31980.30990.28670.27990.29770.2936000.5100广东某地地区7月月26日日—31日24小时电电力负荷荷表2.6.1实例1神经网网络在负荷荷预测中的的应用学习样本的的分析与处处理在预测日的的前一天中中，每隔2个小时对对电力负荷荷进行一次次测量，这这样一天可可以得到12组负荷荷数据，将将前一天的的实时负荷荷数据作为为网络的样样本数据;另外电力负负荷还与环环境因素有有关，所以以本例中还还考虑了气气温和天气气。即最高高、最低气气温和天气气特征，可可以通过天天气预报得得到预测日日的最高、、最低气温温和天气特特征(晴天天、阴天、、雨天)，，可以用用0、0.5、1分分别表示示晴天、阴阴天、雨天天，将预测测当天的气气象特征作作为网络的的输入变量量，这样输输入变量P就是一个个15维维的向量,即n=15；；目标向量就就是预测日日当天的12个负荷荷值，即输输出变量T为一个12维的向向量，m=12。由于在输入入的数据中中各类型的的数据大小小、单位都都不统一，，这样大大大增加了系系统的运算算量、运算算时间还降降低了精度度甚至可能能使神经元元趋于饱和和不能继续续运算。为为了避免神神经元的饱饱和性,在在确定输入入和输出变变量后,应应对其进行行归一化处处理,将数数据处理为为一定范围围之间。这这样就降低低了运算量量，提高运运算速度和和时间。归归一化的方方式很多，，MATLAB中也也有归一化化函数可对对数据进归归一化和反反归一化2.6.1实实例例1神神经经网网络络在在负负荷荷预预测测中中的的应应用用2.确确定定网网络络结结构构2.6.1实实例例1神神经经网网络络在在负负荷荷预预测测中中的的应应用用2.确确定定网网络络结结构构MATLAB实实现现函函数数net=newff(minmax(P),[10,12],{‘‘tansig’’,‘‘logsig’’},‘‘trainlm’’)含义义：：Newff:建建立立BP神神经经网网络络结结构构函函数数参数数的的意意思思指指该该网网络络隐隐含含层层、、输输出出层层神神经经元元数数目目分分别别为为10个个与与12个个；；传递递函函数数分分别别为为正正切切S函函数数与与对对数数S函函数数；；训练练函函数数选选取取增增加加动动量量项项的的BP算算法法；；minmax(P)指指定定输输入入样样本本的的范范围围，，使使得得网网络络初初始始权权值值合合理理化化。。Net储储存存返返回回的的神神经经网网络络，，注注意意此此时时的的神神经经网网络络还还没没有有开开始始训训练练，，只只是是指指定定了了网网络络结结构构而而已已；；注意意输输入入的的是是预预测测日日头头天天的的历历史史负负荷荷数数据据与与预预测测日日的的天天气气数数据据，，而而输输出出是是预预测测日日需需要要预预测测的的24小小时时负负荷荷。。2.6.1实实例例1神神经经网网络络在在负负荷荷预预测测中中的的应应用用3.设设置置训训练练参参数数训练练网网络络前前，，必必须须设设置置训训练练参参数数，，MATLAB神神经经网网络络设设置置训训练练参参数数示示例例如如下下：：net.trainParam.show=10;解释释：：每每10代代显显示示一一次次net.trainParam.lr=0.05;解释释：：设设置置训训练练速速率率net.trainParam.mc=0.9;解释释：：设置置动动量量因因子子net.trainParam.epochs=100000;解释释：：设置置训训练练的的代代数数net.trainParam.goal=0.01;解释释：：设置置目目标标误误差差注意意！！上上面面的的net指指的的是是上上一一步步已已经经建建立立好好的的BP神神经经网网络络2.6.1实实例1神神经网络在负负荷预测中的的应用4.训练构建好好的神经网络络利用MATLAB神经网网络工具箱的的train函数即可对对前面指定好好网络结构与与训练参数的的神经网络进进行训练，train函函数的调用格格式如下：Net=Train(net,P,T)解释：P表示训练样样本的输入矢矢量；T表示训练样样本的输出矢矢量，为训练练目标；右边的参数net指得的的还未开始训训练的神经网网络，左边的变变量net指指得的练好的的神经网络保保存的位置2.6.1实实例1神神经网络在负负荷预测中的的应用5.仿真训练好好的神经网络络利用MATLAB神经网网络工具箱的的sim函数数即可对使用用train函数训练好好的神经网络络进行仿真，，以便验证训训练的效果是是否达到预期期的目标误差差，sim的的调用格式如如下：A=sim(net,P)解释：P表示训练样样本的输入矢矢量；参数net指指得的练好的的神经网络A指得是当训训练好的神经经网络net获得输入P时的实际输输出得到实际输出出A后，与训训练样本目标标输出T相比比较，即可得得到误差2.6.1实实例1神神经网络在负负荷预测中的的应用5.仿真过程与与结果下面是采用增加动量量项的BP算算法训练函数数traingdm、隐隐层为10个个神经元的预预测结果。。左边是训练过过程误差曲线线，横坐标是是训练代数，，纵坐标是误误差，该曲线线是训练过程程中自动产生生的；右边是实际输输出与目标输输出负荷曲线线,横坐标是是小时，纵坐坐标是负荷，，注意负荷已已经被正规化化了。2.6.1实实例1神神经网络在负负荷预测中的的应用5.仿真过程与与结果下面是采用自适应学学习速率训练练函数trainlm、、隐层为10个神经元的的预测结果。。左边是训练过过程误差曲线线，横坐标是是训练代数，，纵坐标是误误差，该曲线线是训练过程程中自动产生生的；右边是实际输输出与目标输输出负荷曲线线,横坐标是是小时，纵坐坐标是负荷，，注意负荷已已经被正规化化了。2.6.1实实例1神神经网络在负负荷预测中的的应用6.训练结果数数据表

预测值实际值误差误差绝对值电力负荷0.22560.21190.01370.01370.16270.12150.04120.04120.10570.1621-0.05640.05640.22030.21610.00420.00420.51820.6171-0.09890.09890.54630.6159-0.06960.06960.70110.7115-0.01040.01040.73290.72010.01280.01280.69830.7243-0.02600.02600.74400.72980.01420.01420.80740.8179-0.01050.01050.82540.82290.00250.0025平均误差

0.03002.6.1实实例1神神经网络在负负荷预测中的的应用7.主要的源码码%定义训练样样本%P为输入矢矢量，T为输输出目标矢量量，注意样本本的构成。P=[0.24520.14660.13140.22430.55230.66420.70150.69810.68210.69450.75490.82150.24150.30270;0.22170.15810.14080.23040.51340.53120.68190.71250.72650.68470.78260.83250.23850.31250;0.25250.16270.15070.24060.55020.56360.70510.73520.74590.70150.80640.81560.22160.27011;0.20160.11050.12430.19780.50210.52320.68190.69520.70150.68250.78250.78950.23520.25060.5;0.21150.12010.13120.20190.55320.57360.70290.70320.71890.70190.79650.80250.25420.31250;0.23350.13220.15340.22140.56230.58270.71980.72760.73590.75060.80920.82210.26010.31980;0.23680.14320.16530.22050.58230.59710.71360.71290.72630.71530.80910.82170.25790.30990;0.23420.13680.16020.21310.57260.58220.71010.70980.71270.71210.79950.81260.23010.28670.5;0.21130.12120.13050.18190.49520.53120.68860.68980.69990.73230.77210.79560.22340.27991;0.20050.11210.12070.16050.45560.50220.65530.66730.67980.70230.75210.77560.23140.29770]‘‘T=[0.22170.15810.14080.23040.51340.53120.68190.71250.72650.68470.78260.8325;0.25250.16270.15070.24060.55020.56360.70510.73520.74590.70150.80640.8156;0.20160.11050.12430.19780.50210.52320.68190.69520.70150.68250.78250.7895;0.21150.12010.13120.20190.55320.57360.70290.70320.71890.70190.79650.8025;0.23350.13220.15340.22140.56230.58270.71980.72760.73590.75060.80920.8221;0.23680.14320.16530.22050.58230.59710.71360.71290.72630.71530.80910.8217;0.23420.13680.16020.21310.57260.58220.71010.70980.71270.71210.79950.8126;0.21130.12120.13050.18190.49520.53120.68860.68980.69990.73230.77210.7956;0.20050.11210.12070.16050.45560.50220.65530.66730.67980.70230.75210.7756;0.21230.12570.13430.20790.55790.57160.70590.71450.72050.74010.80190.8136]'2.6.1实实例1神神经网络在负负荷预测中的的应用7.主要的源码码%创建一个新新的bp前向向神经网络%newff--生成一一个新的bp前向神经网网络net=newff(minmax(P),[10,12],{‘tansig’,‘logsig’’},‘trainlm’)；%设置训练参参数net.trainParam.show=10;%每10代代显示一次net.trainParam.lr=0.05;%训练速率率net.trainParam.mem_reduc=3;net.trainParam.mc=0.9;%动量因子net.trainParam.epochs=100000;%训练的代数数net.trainParam.goal=0.01;%目目标误差2.6.1实实例1神神经网络在负负荷预测中的的应用7.主要的源源码%训练bp前向神经经网络[net,tr]=train(net,P,T);%仿真A=sim(net,P)％计算仿真真误差E=T-ASSE=sse(E)2.6.2实例2基于神神经网络的的变压器故故障诊断1.问题提出及及解决方案案电力变压器器的安全运运行对保证证供电的可可靠性具有有重要的意意义，现有有的实验方方法中，油油中溶解气气体(DGA)分析析对设备的的早期潜伏伏性故障较较为敏感。。但通常采采用的几种种分析方法法均有缺陷陷，如特征征气体分析析法仅定性性的说明气气体含量与与对应故障障的关系，，不利于诊诊断的实现现；IEC三比值法法和日本的的改良电协协研法均采采用比值编编码法，存存在编码缺缺损等问题题。因此，，很有必要要探索一种种更方便、、更可靠的的诊断方法法，以提高高诊断的正正确率．由由于神经网网络(ANN)具有有并行处理理、学习和和记忆、非非线性映射射、自适应应能力和鲁鲁棒性等固固有性质，，使其非常常适合应用用在电气故故障诊断领领域。为此此，本实例例针对变压压器故障特特点，研究究采用合适适结构和算算法的神经经网络，用用以实现变变压器故障障的准确诊诊断。2.6.2实例2基于神神经网络的的变压器故故障诊断2.变压器故障障诊断的ANN设计计网络输入层层节点数就就是一个模模式所包含含的特征量量数。在油油色谱分析析领域中，，基于油中中溶气体类类型与内部部故障性质质的对应关关系，以油油中5种特特征气体为为依据的判判断变压器器故障的方方法。其特特征量为H2，CH{，C2H4，C2H2，，C2H6，这样点点数N为5的网络输输入层定，，如图3所所示。在对对变压器的的故障识别别时，变压压器的故障障类型选择择为：中低低温过热、、高温过热热、低能放放电和高能能放电。当当考虑正常常情况也作作为一种类类型时。一一个M为为5节点的的网络输出出层被确定定。2.6.2实例2基于神神经网络的的变压器故故障诊断2.变压器故障障诊断的ANN设计计2.6.2实例2基于神神经网络的的变压器故故障诊断3.变压器故障障诊断训练练样本2.6.2实例2基于神神经网络的的变压器故故障诊断4.ANN网络络训练与分分析在实验测试试中，收集集了30组组变压器样样本，并随随机取出20组样本本用于神经经网络训练练，其余的的样本作为为仿真。2.6.2实例2基于神神经网络的的变压器故故障诊断5.结论神经网络的的诊断要比比三比值法法准确。通通过改进学学习训练算算法，可在在同等的收收敛要求下下，获得较较高的精度度如果输入模模式与训练练样本偏离离较大，则则网络可能能得出错误误的结论。。这反映了了网络不具具备此种症症状的知识识，因此，，可将该样样本作为新新的样本加加入训练样样本集训练练网络，使使之获得更更多的知识识对溶解气体体分析法存存在的问题题，将人工工神经网络络应用于变变压器故障障诊断；根根据变压器器故障的特特点，采用用了动量因因子技术的的神经网络络BP算法法，使诊断断网络具有有较强的学学习能力、、泛化能力力和适应能能力第三章遗遗传算法及及其在电力力系统中的的应用3.1概概述遗传算法的的基本思想想是基于Darwin进化论论和Mendel的的遗传学说说的。Darwin进化论最最重要的是是适者生存存原理。它它认为每一一物种在发发展中越来来越适应环环境。物种种每个个体体的基本特特征由后代代所继承，，但后代又又会产生一一些异于父父代的新变变化。在环环境变化时时，只有那那些能适应应环境的个个体特征方方能保留下下来。Mendel遗传学说说最重要的的是基因遗遗传原理。。它认为遗遗传以密码码方式存在在细胞中，，并以基因因形式包含含在染色体体内。每个个基因有特特殊的位置置并控制某某种特殊性性质。所以以，由基因因产生的个个体对环境境具有某种种适应性。。基因突变变和基因交交叉可产生生更适应于于环境的后后代。经过过存优去劣劣的自然淘淘汰，适应应性高的基基因结构得得以保存下下来。由于于遗传算法法不依赖于于被优化对对象数学模模型，不需需要导数信信息，属于于全局多点点随机搜索索算法，因因此，目前前被广泛应应用于各种种复杂优化化中。3.2遗遗传算法的的特点与优优点（1）自组组织、自适适应和学习习性。（（2）遗传传算法按并并行方式搜搜索一个种种群数目的的点，而不不是单点。。

（3））遗传算法法不需要求求导或其他他辅助知识识，而只需需要影响搜搜索方向的的目标函数数和适应度度函数。（（4）遗遗传算法强强调概率转转化规则，，而不是确确定的转换换规则。（（5）遗遗传算法对对给定问题题可以产生生出许多潜潜在解，最最终选择可可以由使用用者确定3.3生物物进化理论和和遗传学基本本概念染色体——生生物细胞中中含有很多微微小的丝状化化合物，它是是遗传物质的的主要再体，，由多个遗传传因子——基基因组成。个体——指染染色体带有特特征的实体。。如：人就是是一个个体，，人的各种不不同的特征可可以用含有不不同遗传信息息的染色体表表现，不同的的染色体能决决定人的特征征的不同特征征。种群——染色色体是带有特特征的个体的的集合称为种种群。该集合合内个体数称称为群体的大大小。有时个个体的集合也也称为个体群群。如：人类类就是一个种种群，种群中中由各种各样样不同性格，，不同外观特特征的人组成成。3.3生物物进化理论和和遗传学基本本概念进化——生物物在其延续生生存的过程中中，逐渐适应应其生存的环环境，使得其其品质不断得得到改良，这这种生命的现现象称为进化化。生物的进进化以种群的的形式进行的的。如：如人人从猿人进化化到今天富有有智慧的现代代人，这一个个过程就是进进化过程。适应度——在在研究自然界界中的生物的的遗传和进化化现象时，，生物学家使使用适应度这这个术语来衡衡量某个物种种对于生存环环境的适应程程度。对于生生存环境的适适应程度较高高的物种将获获得更高的繁繁殖机会。而而对于生存环环境适应度较较低的物种，，其繁殖机会会就会较少，，甚至灭绝。3.3生物物进化理论和和遗传学基本本概念选择——指决决定以一定的的概率种群中中选择若干个个体的操作。。而一般而言言，选择的过过程是一种基基于适应度的的优胜劣汰的的过程。复制——细胞胞在分裂时，，遗传物质DNA通过复复制而转移到到新生的细胞胞中，新的细细胞继承了旧旧的细胞的基基因。交叉——有性性生殖生物在在繁殖下一代代时两个同源源染色体之间间通过交叉而而重组，亦即即在两个染色色体的某一相相同位置处DNA被切断断，其前后两两串分别交叉叉组合形成两两个新的染色色体。这个过过程又称基因因的重组。3.3生物物进化理论和和遗传学基本本概念变异——在细细胞进行复制制的过程中可可能以很小的的概率产生某某些复制的差差错，从而使使DNA发生生某种变异，，产生新的染染色体，这些些新的染色体体表现出来新新的性状。编码——DNA中的遗传传信息在一个个长链上按一一定的模式排排列，也即进进行了遗传编编码。遗传编编码可以看作作表现型到遗遗传子型的映映射。解码——从遗遗传子型到边边现型的映射射。3.4遗传传算法的基本本操作1选择选择是确定交交叉或者交叉叉个体，以及及被选个体将将产生多少个个子代个体。。首先要计算算适应度：（（1）按比例例计算适应度度，（2）基基于排序的适适应度计算。。个体染色体适应度选择概率累积概率1000110000080.0869570.0869572010111100150.0543480.1413043000000010120.0217390.16304341001110100100.1086960.2717395101010101070.0760870.34782661110010110120.1304350.4782617100101101150.0543480.53260981100000001190.2065220.73913091001110100100.1086960.847826100001010011140.1521741.000000轮盘赌选择3.4遗传传算法的基本本操作2交叉再生之后重要要的遗传操作作交叉，在生生物学上称为为杂交，可视视为生物之所所以得以进化化之所在,随随机产生一个个交叉点位置置，父体1和和父体2在交交叉点位置之之右的部分基基因码互换，，形成子个体体1和子个体体2。类似地地完成其他个个体的交叉操操作。单点交叉父体1：0001/01011父体2：1110/10110子体1：1110/01011子体1：0001/10110个体间的单点点交叉3.4遗传传算法的基本本操作3变异作用：如果只只考虑交叉操操作实现进化化机制，在大大多情况下是是不行的，这这与生物界近近亲繁殖影响响进化历程是是类似的。因因为种群个体体数是有限的的，经过若干干代交叉操作作，因为源于于一个较好祖祖先的子个体体逐渐充斥整整个种群额现现象，问题会会导致过早收收敛，当然，，最后获得的的个体不能代代表问题的最最优解。为了了避免过早收收敛，有必要要在进化的过过程中引入具具有新遗传基基因码发生了了突变，这对对于保持生物物多样性是非非常重要的。。实现：模仿生生物变异的遗遗传操作，对对于二进制的的基因码组成成的个体种群群，实现基因因码的小概率率翻转，即达达到变异目的的变异父体1：000101011子体1：000001011变异操作3.5遗传传算法的进化化过程示意一般而言，一一个世代的简简单进化包括括了适应度的的选择和再生生、交叉和变变异操作。将将上面的所有有种群的遗传传算法综合起起来，初始种种群第一代进进化过程如下下图所示。初初始种群经过过选择操作，，适应度较高高的8号和6号个体分别别复制出2个个，使硬度较较低的2号和和3号遭到淘淘汰，接下来来按一定的概概率选择了4对父个体分分别完成交叉叉操作，在随随机确定的““/”位置实实行单点交叉叉生成4对子子个体。最后后按小概率选选中某个个体体的基因码位位置，产生变变异。这样经经过上述的过过程形成了第第一代的种群群。以后一代代一代地进化化过程如此循循环下去，每每一代结束都都产生新的种种群。演化的的代数主要取取决于代表问问题解得收敛敛状态，末代代种群众最佳佳个体作为问问题的最优近近似解。3.5遗遗传算法的的进化过程程示意初始种群变异交叉选择、复制00011000000101111001000000010110011101001010101010（8）（5）（2）（1）（7）11100101101001011011110000000110011101000001010011（12）（5）（19）（10）（14）0001/1000001110/00101101100/00000110011101001010/1010101110/0101101001/0110111001/11010011000000010001/01001111101000001001001011010010000011001110100000110101000010101101110011011110011010011000000011010010011111010000010010010110100100000110011101000001101010000101011011100110111101110100110000000110100100113.6一一个典型遗遗传算法流流程框图N初始化参数停止对待优化参数进行N位二进制编码初始化种群模型仿真，计算适应度用轮盘赌法选择个体，并保留适应度最好10%个体按0.85的交叉概率用单点交叉法进行交叉操作按0.01的变异概率变异是否满足算法结束条件显示优化后结果开始Y解码3.7MATLAB遗传算算法工具箱箱使用遗传算法工工具箱MATLABGeneticAlgorithmToolbox旨旨在提供设设计允许遗遗传算法的的环境，和和神经网络络工具箱一一样，遗传传算法工具具箱也提供供了一套基基于MATLAB的的函数供开开发者使用用，利用该该工具箱，，可大大节节省开发时时间。3.7MATLAB遗传算算法工具箱箱使用遗传算法工工具箱MATLABGeneticAlgorithmToolbox旨旨在提供设设计允许遗遗传算法的的环境，和和神经网络络工具箱一一样，遗传传算法工具具箱也提供供了一套基基于MATLAB的的函数供开开发者使用用，利用该该工具箱，，可大大节节省开发时时间。3.7MATLAB遗传算算法工具箱箱使用一个典型的的遗传算法法LIND=8;%染染色体长长度NVAR=2;%优优化变量量数目NIND=10;%种种群群数数目目GGAP=0.9;%代代差差，，指指得得是是上上代代最最好好的的10%个个体体不参参与与下下一一代代的的复复制制操操作作XOV=0.7;%设设置置交交叉叉率率MUTR=0.0175;%设设置置变变异异率率MAXGEN=30;%优优化化代代数数%指指定定编编码码方方式式，，变变量量范范围围，，交交叉叉方方式式FieldD=[LINDLIND;11;10001000;11;00;00;00];Chrom=crtbp(Nind,Lind*NVAR);%创创建建初初始始化化种种群群%计计算算适适应应度度ObjV=objfun(bs2rv(Chrom,FieldD));3.7MATLAB遗遗传传算算法法工工具具箱箱使使用用对FieldD的的解解释释FieldD=[LINDLIND;11;10001000;11;00;00;00];解释释：：两列列对对应应两两个个变变量量，，上上面面设设置置的的含含义义指指染染色色体体长长度度为为8；；1-1000是是变变量量范范围围，，[1000]’’指指的的是是二二进进制制编编码码与与单单点点交交叉叉3.7MATLAB遗遗传传算算法法工工具具箱箱使使用用对Chrom=crtbp(NIND,LIND*NVAR)的的解解释释解释释：：crtbp函函数数的的运运行行结结果果是是产产生生由由10个个个个体体组组成成的的初初始始种种群群；；其其中中每每行行表表示示一一条条染染色色体体，，即即种种群群中中的的一一个个个个体体，，由由于于被被优优化化的的变变量量为为2个个，，每每个个变变量量的的编编码码长长度度是是8，，故故每每行行由由16位位0、、1构构成成的的随随机机字字符符串串；；一一共共10行行表表示示10条条染染色色体体。。3.7MATLAB遗遗传传算算法法工工具具箱箱使使用用对ObjV=objfun(bs2rv(Chrom,FieldD))的的解解释释;Bs2rv函函数数是是对对产产生生的的初初始始种种群群进进行行解解码码，，也也就就是是根根据据FieldD变变量量的的设设置置把把初初始始种种群群由由二二进进制制表表示示的的染染色色体体转转化化成成10进进制制；；Objfun是是开开发发人人员员根根据据实实际际应应用用编编制制的的适适应应度度函函数数，，注注意意该该函函数数并并不不是是被被优优化化对对象象的的数数学学模模型型，，而而是是用用来来评评价价个个体体性性能能好好坏坏的的函函数数，，特别值值得注注意的的是适适应度度函数数必须须满足足两个个条件件：1是适适应度度函数数必须须是正正的，，2是是其值值越大大表示示性能能越好好。3.7MATLAB遗遗传算算法工工具箱箱使用用一个典典型的的遗传传算法法续当遗传传算法法初始始参数数设置置完毕毕，就就转入入遗传传进化化：Gen=0;%计计数器器whileGen<MAXGEN%优优化循循环SelCh=select(’sus’,Chrom,FitnV,GGAP);%复复制制操作作SelCh=recombin(’xovsp’,SelCh,XOV);%交交叉叉操作作SelCh=mut(SelCh,MUTR);%变变异操操作ObjVSel=objfun(bs2rv(SelCh,FieldD));%计计算适适应度度%把上上一代代最好好的10%个体体插入入新种种群里里[ChromObjV]=reins(Chrom,SelCh,1,1,ObjV,ObjVSel);Gen=Gen+1;%计计数数器加加一End%循循环环结束束%优优化完完毕后后把种种群解解码找找出里里面适适应度度最大大的对对应变变量组组合即即为优优化结结果。。Phen=bs2rv(Chrom,FieldD);3.8遗遗传算算法在在电力力系统统的应应用实例1遗遗传算算法实实现PID控制制参数数优化化实例2遗遗传算算法实实现发发电厂厂经济济调度度实例3混混合遗遗传算算法与与神经经网络络在小小电流流接地地系统统故故障障选线线中的的应用用3.8.1实实例1遗遗传算算法实实现PID控制制参数数优化化1初初始化化参数数对于控控制系系统初初始化化参数数有Ki、、Kd、Kp