第六章 智能算法

第六章智能算法在

电力系统中的应用汤奕tangyi@2023/9/151东南大学SoutheastUniversitySoutheastUniversity6.1智能算法概述6.1.1什么是智能算法智能计算也有人称之为“软计算”，是人们受自然（生物界）规律的启迪，根据其原理，模仿求解问题的算法。利用仿生原理进行设计(包括设计算法)，这就是智能计算的思想。这方面的内容很多，如人工神经网络技术、遗传算法、模拟退火算法、模拟退火技术和群集智能技术等。2023/9/152东南大学SoutheastUniversitySoutheastUniversity2023/9/153东南大学SoutheastUniversitySoutheastUniversity6.1.2遗传算法

特点

运用领域

遗传算法在电力系统应用现状2023/9/154东南大学SoutheastUniversitySoutheastUniversity遗传算法（Genetic

Algorithms）是基于生物进化理论的原理发展起来的一种广为应用的、高效的随机搜索与优化的方法。主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于梯度信息。1975年霍兰教授发表了第一本比较系统论述遗传算法的专著《自然系统与人工系统中的适应性》（《Adaptation

in

Natural

and

Artificial

Systems》）。2023/9/155东南大学SoutheastUniversitySoutheastUniversity

特点遗传算法是解决搜索问题的一种通用算法，对于各种通用问题都可以使用。搜索算法的共同特征为：

①

首先组成一组候选解；

②

依据某些适应性条件测算这些候选解的适应度；

③

根据适应度保留某些候选解，放弃其他候选解；

④

对保留的候选解进行某些操作，生成新的候选解。在遗传算法中，上述几个特征以一种特殊的方式组合在一起：基于染色体群的并行搜索，带有猜测性质的选择操作、交换操作和突变操作。这种特殊的组合方式将遗传算法与其它搜索算法区别开来。2023/9/156东南大学SoutheastUniversitySoutheastUniversity遗传算法还具有以下几方面的特点(1)：(1)遗传算法从问题解的串集开始搜索，而不是从单个解开始。这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求最优解的；容易误入局部最优解。遗传算法从串集开始搜索，覆盖面大，利于全局择优。(2)许多传统搜索算法都是单点搜索算法，容易陷入局部的最优解。遗传算法同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。2023/9/157东南大学SoutheastUniversitySoutheastUniversity(3)遗传算法基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。这一特点使得遗传算法的应用范围大大扩展。(4)遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导他的搜索方向。(5)具有自组织、自适应和自学习性。遗传算法利用进化过程获得的信息自行组织搜索时，硬度大的个体具有较高的生存概率，并获得更适应环境的基因结构。遗传算法还具有以下几方面的特点(2)：2023/9/158东南大学SoutheastUniversitySoutheastUniversity

运用领域遗传算法的应用领域：

①

优化：

②

程序设计：③

机器学习：

④

经济学：2023/9/159东南大学SoutheastUniversitySoutheastUniversity

运用领域⑤

免疫系统：

⑥

进化现象和学习现象：

⑦

社会经济问题：2023/9/1510东南大学SoutheastUniversitySoutheastUniversity

遗传算法在电力系统应用现状电源规划输电网络规划电力系统无功优化电力市场2023/9/1511东南大学SoutheastUniversitySoutheastUniversity6.1.3粒子群算法

群体（群集）智能（Swarm

Intelligence）群集智能(Swarm

Intelligence)中的群体(Swarm)指的是“一组相互之间可以进行直接通信或者间接通信(通过改变局部环境)的主体，这组主体能够合作进行分布问题求解”。而所谓群集智能指的是“无智能的主体通过合作表现出智能行为的特性”。2023/9/1512东南大学SoutheastUniversitySoutheastUniversity群集智能的特点和优点：群体中相互合作的个体是分布式的(Distributed)，这样更能够适应当前网络环境下的工作状态;

没有中心的控制与数据，这样的系统更具有鲁棒性(Robust)，不会由于某一个或者某几个个体的故障而影响整个问题的求解。可以不通过个体之间直接通信而是通过非直接通信(Stimergy)进行合作，这样的系统具有更好的可扩充性(Scalability)。由于系统中个体的增加而增加的系统的通信开销在这里十分小。系统中每个个体的能力十分简单，这样每个个体的执行时间比较短，并且实现也比较简单，具有简单性(Simplicity)。2023/9/1513东南大学SoutheastUniversitySoutheastUniversity在计算智能(Computational

Intelligence)领域有两种基于群智能的算法：蚁群算法(Ant

Colony

Optimization)和粒子群算法(Particle

Swarm

Optimization)。蚁群算法是对蚂蚁群落食物采集过程的模拟，已经成功运用在很多离散优化问题上。2023/9/1514东南大学SoutheastUniversitySoutheastUniversity

粒子群优化算法粒子群优化算法(PSO)是一种进化计算技术(Evolutionary

Computation)，有Eberhart博士和Kennedy博士发明。源于对鸟群捕食的行为研究。PSO同遗传算法类似，是一种基于叠代的优化工具。系统初始化为一组随机解，通过叠代搜寻最优值。但是并没有遗传算法用的交叉(crossover)以及变异(mutation)。而是粒子在解空间追随最优的粒子进行搜索。同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。目前已广泛应用于函数优化，神经网络训练，模糊系统控制以及其他遗传算法的应用领域。粒子群优化算法(PSO)

也是起源对简单社会系统的模拟，最初设想是模拟鸟群觅食的过程，但后来发现PSO是一种很好的优化工具。2023/9/1515东南大学SoutheastUniversitySoutheastUniversityPSO是由模拟鸟群觅食的社会行为

(SocialBehavior)所衍生,藉由观察鸟群觅食的社会行为得到启发,而将其应用於解决搜寻与最佳化的相关问题上。这样的觅食行为是利用社会中所存在的互相影响的概念,将每只鸟视为一个个体,在解空间中个体各自寻找著较佳解,并藉由个体间相互比较及资讯的更新,来引领所有个体朝向解空间中的最佳解位置.2023/9/1516东南大学SoutheastUniversitySoutheastUniversityPSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitness

value)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。2023/9/1517东南大学SoutheastUniversitySoutheastUniversityPSO初始化为一群随机粒子(随机解)，然后通过叠代找到最优解，在每一次叠代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest，另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分最优粒子的邻居，那么在所有邻居中的极值就是局部极值。

2023/9/1518东南大学SoutheastUniversitySoutheastUniversityPSO的算法过程为：①

种群随机初始化。②

对种群内的每一个个体计算适应值(fitness

value)。适应值与最优解的距离直接有关。③

种群根据适应值进行复制。④

如果终止条件满足的话，就停止，否则转步骤

②。2023/9/1519东南大学SoutheastUniversitySoutheastUniversityPSO和遗传算法的比较共同之处：两者都随机初始化种群，而且都使用适应值来评价系统，而且都根据适应值来进行一定的随机搜索。两个系统都不是保证一定找到最优解。但是，PSO没有遗传操作如交叉(crossover)和变异(mutation)，而是根据自己的速度来决定搜索。粒子还有一个重要的特点，就是有记忆。不同之处：信息共享机制是很不同的。在遗传算法中，染色体(chromosomes)

互相共享信息，所以整个种群的移动是比较均匀的向最优区域移动。在PSO中,

只有gBest

(or

lBest)

给出信息给其他的粒子，

这是单向的信息流动。整个搜索更新过程是跟随当前最优解的过程。与遗传算法比较,

在大多数的情况下，所有的粒子可能更快的收敛于最优解。2023/9/1520东南大学SoutheastUniversitySoutheastUniversity

粒子群算法在电力系统应用现状粒子群优化算法作为现代启发式算法的一个成员，最近几年在电力系统领域中的应用研究逐渐显示出其优越性和广阔的应用前景，在解决经典优化算法难以求解的诸如不连续、不可微的非线性病态优化问题和组合优化问题时显示出了强大的优势，从而引起了国际学术界和工程界的普遍关注。PSO算法在电网扩展规划、检修计划、机组组合、负荷经济分配、最优潮流计算与无功优化控制、谐波分析与电容器配置、网络状态估计、参数辨识、优化设计等领域都已经有应用，但目前的很多工作还处于起步研究阶段，有很多问题值得进一步研究，相信随着研究的进一步深入，PSO算法将在电力系统中得到更广泛的的应用。2023/9/1521东南大学SoutheastUniversitySoutheastUniversity6.1.4人工神经网络算法

“人工神经网络”(ARTIFICIAL

NEURAL

NETWORK，简称ANN)是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统。40年代初期，心理学家McCulloch、数学家Pitts就提出了人工神经网络的第一个数学模型，从此开创了神经科学理论的研究时代。F

Rosenblatt、Widrow和J.

J

.Hopfield等学者又先后提出了感知模型，使得人工神经网络技术得以蓬勃发展。2023/9/1522东南大学SoutheastUniversitySoutheastUniversity神经系统的基本构造是神经元(神经细胞)，它是处理人体内各部分之间相互信息传递的基本单元。据神经生物学家研究的结果表明，人的一个大脑一般有1010～1011个神经元。每个神经元都由一个细胞体，一个连接其他神经元的轴突和一些向外伸出的其它较短分支——树突组成。轴突的功能是将本神经元的输出信号(兴奋)传递给别的神经元。其末端的许多神经末梢使得兴奋可以同时传送给多个神经元。树突的功能是接受来自其它神经元的兴奋。神经元细胞体将接受到的所有信号进行简单处理(如：加权求和，即对所有的输入信号都加以考虑且对每个信号的重视程度——体现在权值上——有所不同)后由轴突输出。神经元的树突与另外的神经元的神经末梢相连的部分称为突触。2023/9/1523东南大学SoutheastUniversitySoutheastUniversity

人工神经网络的特点人工神经网络是由大量的神经元广泛互连而成的系统，它的这一结构特点决定着人工神经网络具有高速信息处理的能力。人脑的每个神经元大约有103～104个树突及相应的突触，一个人的大脑总计约形成1014～1015个突触。用神经网络的术语来说，即是人脑具有1014～1015个互相连接的存储潜力。虽然每个神经元的运算功能十分简单，且信号传输速率也较低(大约100次/秒)，但由于各神经元之间的极度并行互连功能，最终使得一个普通人的大脑在约1秒内就能完成现行计算机至少需要数10亿次处理步骤才能完成的任务。2023/9/1524东南大学SoutheastUniversitySoutheastUniversity人工神经网络的知识存储容量很大。在神经网络中，知识与信息的存储表现为神经元之间分布式的物理联系。它分散地表示和存储于整个网络内的各神经元及其连线上。每个神经元及其连线只表示一部分信息，而不是一个完整具体概念。只有通过各神经元的分布式综合效果才能表达出特定的概念和知识。由于人工神经网络中神经元个数众多以及整个网络存储信息容量的巨大，使得它具有很强的不确定性信息处理能力。即使输入信息不完全、不准确或模糊不清，神经网络仍然能够联想思维存在于记忆中的事物的完整图象。只要输入的模式接近于训练样本，系统就能给出正确的推理结论。2023/9/1525东南大学SoutheastUniversitySoutheastUniversity正是因为人工神经网络的结构特点和其信息存储的分布式特点，使得它相对于其它的判断识别系统，如：专家系统等，具有另一个显著的优点：健壮性。生物神经网络不会因为个别神经元的损失而失去对原有模式的记忆。人工神经网络是一种非线性的处理单元。只有当神经元对所有的输入信号的综合处理结果超过某一门限值后才输出一个信号。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。它突破了传统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理能力和模拟人脑智能行为能力的一大飞跃。

2023/9/1526东南大学SoutheastUniversitySoutheastUniversity

几种典型神经网络简介1)多层感知网络(误差逆传播神经网络)2

)竞争型(KOHONEN)神经网络3

)Hopfield神经网络2023/9/1527东南大学SoutheastUniversitySoutheastUniversity多层感知网络(误差逆传播神经网络)

1986年以Rumelhart和McCelland为首的科学家出版了《Parallel

Distributed

Processing》，完整地提出了误差逆传播学习算法。多层感知网络是一种具有三层或三层以上的阶层型神经网络。典型的多层感知网络是三层、前馈的阶层网络，即：输入层I、隐含层(也称中间层)J和输出层K。相邻层之间的各神经元实现全连接，即下一层的每一个神经元与上一层的每个神经元都实现全连接，而且每层各神经元之间无连接。2023/9/1528东南大学SoutheastUniversitySoutheastUniversityBP网的主要缺陷学习收敛速度太慢、网络的学习记忆具有不稳定性，即：当给一个训练好的网提供新的学习记忆模式时，将使已有的连接权值被打乱，导致已记忆的学习模式的信息的消失。2023/9/1529东南大学SoutheastUniversitySoutheastUniversity竞争型(KOHONEN)神经网络基于人的视网膜及大脑皮层对剌激的反应而引出的。神经生物学的研究结果表明：生物视网膜中，有许多特定的细胞，对特定的图形(输入模式)比较敏感，并使得大脑皮层中的特定细胞产生大的兴奋，而其相邻的神经细胞的兴奋程度被抑制。对于某一个输入模式，通过竞争在输出层中只激活一个相应的输出神经元。许多输入模式，在输出层中将激活许多个神经元，从而形成一个反映输入数据的“特征图形”。2023/9/1530东南大学SoutheastUniversitySoutheastUniversity竞争型神经网络是一种以无教师方式进行网络训练的网络。它通过自身训练，自动对输入模式进行分类。竞争型神经网络及其学习规则与其它类型的神经网络和学习规则相比，有其自己的鲜明特点。在网络结构上，它既不象阶层型神经网络那样各层神经元之间只有单向连接，也不象全连接型网络那样在网络结构上没有明显的层次界限。它一般是由输入层(模拟视网膜神经元)和竞争层(模拟大脑皮层神经元，也叫输出层)构成的两层网络。两层之间的各神经元实现双向全连接，而且网络中没有隐含层。有时竞争层各神经元之间还存在横向连接。2023/9/1531东南大学