《人工智能在電力系統(tǒng)中的應(yīng)用課件》由會員分享，可在線閱讀，更多相關(guān)《人工智能在電力系統(tǒng)中的應(yīng)用課件（151頁珍藏版）》請?jiān)谘b配圖網(wǎng)上搜索。

1、,,,,單擊此處編輯母版標(biāo)題樣式,,單擊此處編輯母版文本樣式,,第二級,,第三級,,第四級,,第五級,,,*,,,人工智能,在電力系統(tǒng)中的應(yīng)用,孟安波,,,第一章 概述,人工智能是那些與人的思維相關(guān)的活動，諸如決策、問題求解和學(xué)習(xí)等的自動化,(Bellman,1978,）,；,,人工智能是一種計(jì)算機(jī)能夠思維，使機(jī)器具有智力的激動人心的新嘗試,（,Haugeland,1985,）,；,,人工智能是那些使知覺、推理和行為成為可能的計(jì)算的研究,（,Winston, 1992,）,；,,人工智能是關(guān)于人造物的智能行為，而智能行為包括知覺、推理、學(xué)習(xí)、交流的行為,（,Nilsson,，,1998,）,。

2、,,像人一樣思考的系統(tǒng)、像人一樣行動的系統(tǒng)、理性地思考、行動的系統(tǒng),（,Stuart Russell, 2003,）,。,1.1 人工智能定義,,,1.2人工智能的研究途徑與研究領(lǐng)域,專家系統(tǒng),(Expert Systems),,人工神經(jīng)網(wǎng)絡(luò),(Artificial Neural Networks),,模糊邏輯,(Fuzzy Logic),,進(jìn)化算法,(,如：遺傳算法,Genetic Algorithm,,粒子群,Swarm Particle,,禁忌搜索,Tabu,Search,,模擬退火算法,Simulated Annealing,),,多智能體系統(tǒng),(Multi-agent system)

3、,,,心理模擬，符號推演 生理模擬，神經(jīng)計(jì)算,,行為模擬，控制進(jìn)化 群體模擬，仿生計(jì)算,,,,1.3人工智能在電力系統(tǒng)的應(yīng)用領(lǐng)域,機(jī)組啟停,Unit Commitment,,維護(hù)計(jì)劃,Maintenance scheduling,,負(fù)荷預(yù)測,Load Forecasting,,發(fā)電控制與保護(hù),Generation control and,,protection,,潮流優(yōu)化,Optimal Power Flow Analysis,,電力系統(tǒng)安全分析,Security Analysis,,電力系統(tǒng)穩(wěn)定分析,Stability Analysis,,無功優(yōu)化分配,Var,dispatch an

4、d planning,,控制優(yōu)化,Optimization of self-adaptive control,,,,第二章 神經(jīng)網(wǎng)絡(luò)及其在電力系統(tǒng)中的應(yīng)用,,人工神經(jīng)網(wǎng)絡(luò)是集腦科學(xué)、神經(jīng)心理學(xué)和信息科學(xué)等多學(xué)科的交叉研究領(lǐng)域，是近年來高科技領(lǐng)域的一個研究熱點(diǎn)。它的研究目標(biāo)是通過研究人腦的組成機(jī)理和思維方式，探索人類智能的奧秘，進(jìn)而通過模擬人腦的結(jié)構(gòu)和工作模式，使機(jī)器具有類似人類的智能。它已在模式識別、機(jī)器學(xué)習(xí)、專家系統(tǒng)等多個方面得到應(yīng)用，成為人工智能研究中的活躍領(lǐng)域。本章將簡要介紹神經(jīng)網(wǎng)絡(luò)基本的概念、模型以及學(xué)習(xí)算法以及應(yīng)用實(shí)例。,,,2.1 神經(jīng)網(wǎng)絡(luò)的基本概念及組成特性,,神經(jīng)元及其突觸是神

5、經(jīng)網(wǎng)絡(luò)的基本器件。因此，模擬生物神經(jīng)網(wǎng)絡(luò)應(yīng)首先模擬生物神經(jīng)元。在人工神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元常被稱為“處理單元”。有時從網(wǎng)絡(luò)的觀點(diǎn)出發(fā)常把它稱為“節(jié)點(diǎn)”。人工神經(jīng)元是對生物神經(jīng)元的一種形式化描述。神經(jīng)元主要由三部分構(gòu)成：（1）細(xì)胞體;（2）軸突;（3）樹突,,,2.2 人工神經(jīng)網(wǎng)絡(luò)的特性,,高度的并行性,,,,ANN,是由許多相同的簡單處理單元并聯(lián)組合而成，雖然每個單元的功能簡單，但大量簡單處理單元的并行活動，使其對信息的處理能力與效果驚人。,,高度的非線性全局作用,,,,ANN,每個神經(jīng)元接受大量其它神經(jīng)元的輸入，并通過并行網(wǎng)絡(luò)產(chǎn)生輸出，影響其他神經(jīng)元。網(wǎng)絡(luò)之間的這種互相制約和互相影響，實(shí)現(xiàn)了從輸

6、入狀態(tài)到輸出狀態(tài)空間的非線性映射。從全局的觀點(diǎn)來看，網(wǎng)絡(luò)整體性能不是網(wǎng)絡(luò)局部性能的簡單迭加，而表現(xiàn)出某種集體性的行為。,,良好的容錯性與聯(lián)想記憶功能,,,,ANN,通過自身的網(wǎng)絡(luò)結(jié)構(gòu)能夠?qū)崿F(xiàn)對信息的記憶。而所記憶的信息是存儲在神經(jīng)元之間的權(quán)值中。從單個權(quán)值中看不出所儲存的信息內(nèi)容，因而是分布式的存儲方式。這使得網(wǎng)絡(luò)具有良好的容錯性，并能進(jìn)行聚類分析、特征提取、缺損模式復(fù)原等模式信息處理工作；又宜于模式分類、模式聯(lián)想等識別工作。,,十分強(qiáng)的自適應(yīng)、自學(xué)習(xí)功能,,,,ANN,可以通過訓(xùn)練和學(xué)習(xí)來獲得網(wǎng)絡(luò)的權(quán)值與結(jié)構(gòu)，呈現(xiàn)出很強(qiáng)的學(xué)習(xí)能力和對環(huán)境的自適應(yīng)能力。,,,2.3 人工神經(jīng)網(wǎng)絡(luò)的分類,,,,

7、,,,,,,,,,,,,,,,,,,,,,,,,,前向網(wǎng)絡(luò)中，各神經(jīng)元節(jié)點(diǎn)接受前一層的輸出信號，并將本層的輸出作為下一層的輸入，其特點(diǎn)是信號的流向是從輸入流向輸出。在ANN的實(shí)際應(yīng)用中，80％～90％的ANN模型是采用BP網(wǎng)絡(luò)或它的變化形式，它也是前向網(wǎng)絡(luò)的核心部分、體現(xiàn)了ANN精華的部分。,,,,前向神經(jīng)網(wǎng)絡(luò),,,2.3 人工神經(jīng)網(wǎng)絡(luò)的分類,,反饋神經(jīng)網(wǎng)絡(luò),……,……,輸出,輸入,反饋網(wǎng)絡(luò)中，輸出信號通過與輸入連接而返回到輸入端，從而形成一個回路。在前向網(wǎng)絡(luò)中，有單層感知器、自適應(yīng)線性網(wǎng)絡(luò)和BP網(wǎng)絡(luò)。在反饋網(wǎng)絡(luò)中，有離散型和連續(xù)型霍普菲爾德網(wǎng)絡(luò)。,,,2.4.2 BP神經(jīng)網(wǎng)絡(luò)應(yīng)用領(lǐng)域,函數(shù)逼

8、近：用輸入矢量和相應(yīng)的輸出矢量訓(xùn)練,—,個網(wǎng)絡(luò)逼近一個函數(shù)；,,模式識別：用一個特定的輸出矢量將它與輸入矢量聯(lián)系起來；,,分類：把輸入矢量以所定義的合適方式進(jìn)行分類；,,數(shù)據(jù)壓縮：減少輸出矢量維數(shù)以便于傳輸或存儲。,2.4 BP神經(jīng)網(wǎng)絡(luò),,,2.4.4 BP神經(jīng)網(wǎng)路的幾種常見激活函數(shù),,閥值型,A,-1,0,1,f,A,-1,0,1,-b,f,不帶偏差的閥值型激活函數(shù),帶偏差的閥值型激活函數(shù),,2.4 BP神經(jīng)網(wǎng)絡(luò),,,2.4.4 BP神經(jīng)網(wǎng)路的幾種常見激活函數(shù),,線形型,不帶偏差的線性激活函數(shù),帶偏差的線形型激活函數(shù),,2.4 BP神經(jīng)網(wǎng)絡(luò),A,-1,0,1,f,A,-1,0,1,f,-b,

9、,,2.4.5 BP網(wǎng)絡(luò)學(xué)習(xí),2.4 BP神經(jīng)網(wǎng)絡(luò),BP,算法的學(xué)習(xí)目的是對網(wǎng)絡(luò)的連接權(quán)值進(jìn)行調(diào)整，使得調(diào)整后的網(wǎng)絡(luò)對任一輸入都能得到所期望的輸出。,,學(xué)習(xí)過程由正向傳播和反向傳播組成。,,正向傳播用于對前向網(wǎng)絡(luò)進(jìn)行計(jì)算，即對某一輸入 信息，經(jīng)過網(wǎng)絡(luò)計(jì)算后求出它的輸出結(jié)果。,,反向傳播用于逐層傳遞誤差，修改神經(jīng)元間的連接權(quán)值，以使網(wǎng)絡(luò)對輸入信息經(jīng)過計(jì)算后所得到的輸出能達(dá)到期望的誤差要求。,,,2.4.5 BP網(wǎng)絡(luò)學(xué)習(xí),2.4 BP神經(jīng)網(wǎng)絡(luò),設(shè)輸入為,P,，輸人有,r,個，隱含層內(nèi)有,s,1個神經(jīng)元，激話函數(shù)為,F,1，輸出層內(nèi)有個,s,2神經(jīng)元，對應(yīng)的激活函數(shù)為,F,2，輸出為,A,，目標(biāo)矢

10、量力,T。,,,,,k,j,,i,,,隱含層,輸出層,輸入層,,,2.4.5 BP網(wǎng)絡(luò)學(xué)習(xí),2.4 BP神經(jīng)網(wǎng)絡(luò),1、信息的正向傳遞,（1）隱含層中第,i,個神經(jīng)元的輸出為,：,,（2）輸出層第,k,個神經(jīng)元的輸出為,,（3）定義誤差函數(shù)為,：,,,2.4.5 BP網(wǎng)絡(luò)學(xué)習(xí),2.4 BP神經(jīng)網(wǎng)絡(luò),1、,誤差反向傳播,（1）輸出層的權(quán)值變化：,,對從第,i,個輸入到第,k,個輸出的權(quán)值有,：,其中：,：學(xué)習(xí)速率，過大容易震蕩，過小調(diào)整過慢；,：訓(xùn)練樣本對目標(biāo)輸出；,：神經(jīng)網(wǎng)絡(luò)實(shí)際輸出；,：輸出層神經(jīng)元傳遞函數(shù)的導(dǎo)數(shù)；,：誤差；,,,2.4.5 BP網(wǎng)絡(luò)學(xué)習(xí),2.4 BP神經(jīng)網(wǎng)絡(luò),1、,誤差反向傳

11、播,（2）輸出層的閥值變化：,其中：,！注意：,輸出層的權(quán)值變化與輸出層的閾值變化的差別,,,2.4.6 BP網(wǎng)絡(luò)的限制與不足及改進(jìn),2.4 BP神經(jīng)網(wǎng)絡(luò),1 不足,,需要較長的訓(xùn)練時間,,對于一些復(fù)雜的問題，,BP,算法可能要進(jìn)行幾小時甚至更長的時間的訓(xùn)練。這主要是由于學(xué)習(xí)速率太小所造成的?？刹捎米兓膶W(xué)習(xí)速率或自適應(yīng)的學(xué)習(xí)速率加以改進(jìn)。,,,完全不能訓(xùn)練,,這主要表現(xiàn)在網(wǎng)絡(luò)出現(xiàn)的麻痹現(xiàn)象上。在網(wǎng)絡(luò)的訓(xùn)練過程中，當(dāng)其權(quán)值調(diào)得過大，可能使得所有的或大部分神經(jīng)元的加權(quán)總和偏大，這使得激活函數(shù)的輸入工作在,S,型轉(zhuǎn)移函數(shù)的飽和區(qū)，從而導(dǎo)致其導(dǎo)數(shù)非常小，從而使得對網(wǎng)絡(luò)權(quán)值的調(diào)節(jié)過程幾乎停頓下來。通常

12、為了避免這種現(xiàn)象的發(fā)生，一是選取較小的初始權(quán)值，二是采用較小的學(xué)習(xí)速率，但這又增加了訓(xùn)練時間。,,,,2.4.6 BP網(wǎng)絡(luò)的限制與不足及改進(jìn),2.4 BP神經(jīng)網(wǎng)絡(luò),1 不足,,局部極小值,,,BP,算法可以使網(wǎng)絡(luò)權(quán)值收斂到一個解，但它并不能保證所求為誤差超平面的全局最小解，很可能是一個局部極小解。這是因?yàn)?BP,算法采用的是梯度下降法，訓(xùn)練是從某一起始點(diǎn)沿誤差函數(shù)的斜面逐漸達(dá)到誤差的最小值。對于復(fù)雜的網(wǎng)絡(luò)，其誤差函數(shù)為多維空間曲面，就像一個碗，其碗底是最小值點(diǎn)。但是這個碗的表面是凹凸不平的，因而在對其訓(xùn)練過程中，可能陷入某一小谷區(qū)，而這一小谷區(qū)產(chǎn)生的是一個局部極小值。由此點(diǎn)向各方向變化均使誤差

13、增加，以致于使訓(xùn)練無法逃出這一局部極小值。,,,,2.4.6 BP網(wǎng)絡(luò)的限制與不足及改進(jìn),2.4 BP神經(jīng)網(wǎng)絡(luò),1 改進(jìn),,增加動量項(xiàng),,,標(biāo)準(zhǔn),BP,算法在調(diào)整權(quán)值時，只按,t,時刻誤差的梯度下降方向調(diào)整，而沒有考慮,t,時刻以前的梯度方向。為了提高訓(xùn)練速度，可以在權(quán)值調(diào)整公式中加一動量項(xiàng)，其中,a,為動量系數(shù)：,動量項(xiàng)反映了以前積累的調(diào)整經(jīng)驗(yàn)。當(dāng)誤差梯度出現(xiàn)局部極小時，雖然 但， 使其跳出局部極小區(qū)域，加快迭代收斂速度。目前，大多數(shù)BP算法中都增加了動量項(xiàng)，以至于有動量項(xiàng)的BP算法成為一種新的標(biāo)準(zhǔn)算法。,,,2.4.6 BP網(wǎng)絡(luò)的限制

14、與不足及改進(jìn),2.4 BP神經(jīng)網(wǎng)絡(luò),1 改進(jìn),,引入陡度因子,——,防止飽和,,,誤差曲面上存在著平坦區(qū)。其可預(yù)付調(diào)整緩慢的原因在于S轉(zhuǎn)移函數(shù)具有飽和特性。如果在調(diào)整進(jìn)入平坦區(qū)后，設(shè)法壓縮神經(jīng)元的凈輸入，使其輸出退出轉(zhuǎn)移函數(shù)的飽和區(qū)，就可改變誤差函數(shù)的形狀，從而使調(diào)整脫離平坦區(qū)。實(shí)現(xiàn)這一思路的具體作法是在轉(zhuǎn)移函數(shù)中引進(jìn)一個陡度因子。,,,,,,2.5 使用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱,MATLAB神經(jīng)網(wǎng)絡(luò)工具箱大大降低了開發(fā)各種神經(jīng)網(wǎng)絡(luò)應(yīng)用的難度。設(shè)計(jì)者只需要調(diào)用相關(guān)函數(shù)即可，甚至通過NNTOOL圖形界面，不用編寫一行程序，就可完成一個神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)仿真。,,本節(jié)主要介紹NNTOOL圖形工具，神

15、經(jīng)網(wǎng)絡(luò)程序設(shè)計(jì)見2.6。,,,,,,,,,,2.5 使用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱,第二步,,通過,Import,從工作空間或通過,New Data,手動輸入訓(xùn)練樣本,,,,2.5 使用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱,第三步,,點(diǎn)擊,new network,建立神經(jīng)網(wǎng)絡(luò),,該頁面用來建立神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，主要設(shè)置的參數(shù)有：神經(jīng)網(wǎng)絡(luò)類型、訓(xùn)練函數(shù)、各層神經(jīng)元數(shù)目及相應(yīng)的傳遞函數(shù)等,,,2.5 使用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱,第四步 設(shè)置訓(xùn)練參數(shù),,點(diǎn)擊,train,進(jìn)入,training parameters,頁設(shè)置訓(xùn)練參數(shù)，主要包括訓(xùn)練代數(shù)、允許誤差、顯示頻度等。,,,,,2.5 使用MATLAB神經(jīng)

16、網(wǎng)絡(luò)工具箱,第四步,,點(diǎn)擊,train,進(jìn)入,training parameters,頁設(shè)置訓(xùn)練參數(shù)，主要包括訓(xùn)練代數(shù)、允許誤差、顯示頻度等。,,,,,2.5 使用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱,第五步,,訓(xùn)練已經(jīng)建立好的神經(jīng)網(wǎng)絡(luò)點(diǎn)擊,train network,開始訓(xùn)練。訓(xùn)練過程會顯示誤差隨代數(shù)的變化。,,,,,2.5 使用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱,第六步,,,仿真驗(yàn)證，進(jìn)入,simulate,頁,,,設(shè)置輸入,,,點(diǎn)擊,simulate network,。,,,,,2.6 神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)應(yīng)用實(shí)例,,實(shí)例,1,：短期電力負(fù)荷預(yù)測,,,實(shí)例,2,：變壓器故障診斷,,,,,2.6.1 實(shí)例1

17、神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)用,問題描述,,,以廣東某城市的2004年7月20日到7月30日的負(fù)荷值以及2004年7月21日到7月31日的氣象特征狀態(tài)作為網(wǎng)絡(luò)的訓(xùn)練樣本，來預(yù)測7月31日的電力負(fù)荷為例,,,,2.6.1 實(shí)例1 神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)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,電力負(fù)荷,0.2452,0.2217,0.2525,0.2016,0.2115,0.2335,,0.1466,0.1581,0.1627,0.1105,0.1201,0.1322,,0.1314,0.1408,0.1507,0.1243,0.1312,0.1534,,0

18、.2243,0.2304,0.2406,0.1978,0.2019,0.2214,,0.5523,0.5134,0.5502,0.5021,0.5532,0.5623,,0.6642,0.5312,0.5636,0.5232,0.5736,0.5827,,0.7015,0.6819,0.7051,0.6819,0.7029,0.7198,,0.6981,0.7125,0.7352,0.6952,0.7032,0.7276,,0.6821,0.7265,0.7459,0.7015,0.7189,0.7359,,0.6945,0.6847,0.7015,0.6825,0.7019,0.7506,,

19、0.7549,0.7826,0.8064,0.7825,0.7965,0.8092,,0.8215,0.8325,0.8156,0.7895,0.8025,0.8221,氣象特征,—,0.2415,0.2385,0.2216,0.2352,0.2542,,—,0.3027,0.3125,0.2701,0.2506,0.3125,,—,0,0,1,0.5,0,廣東某地區(qū)7月20日—25日24小時電力負(fù)荷表,,,,,2.6.1 實(shí)例1 神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)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,電力負(fù)荷,0.2368,0.2342,0.2113,0.2

20、005,0.2123,0.2119,,0.1432,0.1368,0.1212,0.1121,0.1257,0.1215,,0.1653,0.1602,0.1305,0.1207,0.1343,0.1621,,0.2205,0.2131,0.1819,0.1605,0.2079,0.2161,,0.5823,0.5726,0.4952,0.4556,0.5579,0.6171,,0.5971,0.5822,0.5312,0.5022,0.5716,0.6159,,0.7136,0.7101,0.6886,0.6553,0.7059,0.7115,,0.7129,0.7098,0.6898,0.

21、6673,0.7145,0.7201,,0.7263,0.7127,0.6999,0.6798,0.7205,0.7243,,0.7153,0.7121,0.7323,0.7023,0.7401,0.7298,,0.8091,0.7995,0.7721,0.7521,0.8019,0.8179,,0.8217,0.8126,0.7956,0.7756,0.8136,0.8229,氣象特征,0.2601,0.2579,0.2301,0.2234,0.2314,0.2317,,0.3198,0.3099,0.2867,0.2799,0.2977,0.2936,,0,0,0.5,1,0,0,廣東某地

22、區(qū)7月26日—31日24小時電力負(fù)荷表,,,,2.6.1 實(shí)例1 神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)用,學(xué)習(xí)樣本的分析與處理,,在預(yù)測日的前一天中，每隔,2,個小時對電力負(fù)荷進(jìn)行一次測量，這樣一天可以得到,12,組負(fù)荷數(shù)據(jù)，將前一天的實(shí)時負(fù)荷數(shù)據(jù)作為網(wǎng)絡(luò)的樣本數(shù)據(jù),;,,另外電力負(fù)荷還與環(huán)境因素有關(guān)，所以本例中還考慮了氣溫和天氣。即最高、最低氣溫和天氣特征，可以通過天氣預(yù)報(bào)得到預(yù)測日的最高、最低氣溫和天氣特征,(,晴天、陰天、雨天,),，可以用,0,、,0.5,、,1,分別表示晴天、陰天、雨天，將預(yù)測當(dāng)天的氣象特征作為網(wǎng)絡(luò)的輸入變量，這樣輸入變量,P,就是一個,15,維的向量,,,即,n = 15,；,

23、,目標(biāo)向量就是預(yù)測日當(dāng)天的,12,個負(fù)荷值，即輸出變量,T,為一個,12,維的向量，,m = 12,。,,由于在輸入的數(shù)據(jù)中各類型的數(shù)據(jù)大小、單位都不統(tǒng)一，這樣大大增加了系統(tǒng)的運(yùn)算量、運(yùn)算時間還降低了精度甚至可能使神經(jīng)元趨于飽和不能繼續(xù)運(yùn)算。為了避免神經(jīng)元的飽和性,,,在確定輸入和輸出變量后,,,應(yīng)對其進(jìn)行歸一化處理,,,將數(shù)據(jù)處理為一定范圍之間。這樣就降低了運(yùn)算量，提高運(yùn)算速度和時間。歸一化的方式很多，,MATLAB,中也有歸一化函數(shù)可對數(shù)據(jù)進(jìn)歸一化和反歸一化,,,,,2.6.1 實(shí)例1 神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)用,2.確定網(wǎng)絡(luò)結(jié)構(gòu),,,2.6.1 實(shí)例1 神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)用,2.確

24、定網(wǎng)絡(luò)結(jié)構(gòu),MATLAB實(shí)現(xiàn)函數(shù),net=newff(minmax(P),[10,12],{‘tansig’,‘logsig’},‘trainlm’),,含義：,,Newff,:,建立,BP,神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)函數(shù),,參數(shù)的意思指該網(wǎng)絡(luò)隱含層、輸出層神經(jīng)元數(shù)目分 別為,10,個與,12,個；,,傳遞函數(shù)分別為正切,S,函數(shù)與對數(shù),S,函數(shù)；,,訓(xùn)練函數(shù)選取增加動量項(xiàng)的,BP,算法；,,minmax(P,),指定輸入樣本的范圍，使得網(wǎng)絡(luò)初始權(quán)值 合理化。,,Net,儲存返回的神經(jīng)網(wǎng)絡(luò)，注意此時的神經(jīng)網(wǎng)絡(luò)還沒有開始訓(xùn)練，只是指定了網(wǎng)絡(luò)結(jié)構(gòu)而已；,,注意輸入的是預(yù)測日頭天的歷史負(fù)荷數(shù)據(jù)與預(yù)測日的天氣數(shù)據(jù)，

25、而輸出是預(yù)測日需要預(yù)測的,24,小時負(fù)荷。,,,2.6.1 實(shí)例1 神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)用,3,.設(shè)置訓(xùn)練參數(shù),訓(xùn)練網(wǎng)絡(luò)前，必須設(shè)置訓(xùn)練參數(shù)，MATLAB神經(jīng)網(wǎng)絡(luò)設(shè)置訓(xùn)練參數(shù)示例如下：,,net.trainParam.show=10;,,解釋：每10代顯示一次,,net.trainParam.lr=0.05;,,解釋：設(shè)置訓(xùn)練速率,,net.trainParam.mc=0.9;,,解釋：,,設(shè)置動量因子,,net.trainParam.epochs=100000;,,解釋：,,設(shè)置訓(xùn)練的代數(shù),,net.trainParam.goal=0.01;,,解釋：,,設(shè)置目標(biāo)誤差,,,注意！上面的n

26、et指的是上一步已經(jīng)建立好的BP神經(jīng)網(wǎng)絡(luò),,,2.6.1 實(shí)例1 神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)用,4,.訓(xùn)練構(gòu)建好的神經(jīng)網(wǎng)絡(luò),利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的train函數(shù)即可對前面指定好網(wǎng)絡(luò)結(jié)構(gòu)與訓(xùn)練參數(shù)的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，train函數(shù)的調(diào)用格式如下：,Net=Train(net,P,T),解釋：,,,P,表示訓(xùn)練樣本的輸入矢量；,,,T,表示訓(xùn)練樣本的輸出矢量，為訓(xùn)練目標(biāo)；,,,右邊的參數(shù),net,指得的還未開始訓(xùn)練的神經(jīng)網(wǎng),,絡(luò)，左邊的變量,net,指得的練好的神經(jīng)網(wǎng)絡(luò)保,,存的位置,,,,2.6.1 實(shí)例1 神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)用,5,.仿真訓(xùn)練好的神經(jīng)網(wǎng)絡(luò),利用MATLAB神經(jīng)網(wǎng)絡(luò)

27、工具箱的sim函數(shù)即可對使用train函數(shù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真，以便驗(yàn)證訓(xùn)練的效果是否達(dá)到預(yù)期的目標(biāo)誤差，sim的調(diào)用格式如下：,A=sim(net,P),解釋：,,,P,表示訓(xùn)練樣本的輸入矢量；,,,參數(shù),net,指得的練好的神經(jīng)網(wǎng)絡(luò),,,A,指得是當(dāng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò),net,獲得輸入,P,,,時的實(shí)際 輸出,得到實(shí)際輸出A后，與訓(xùn)練樣本目標(biāo)輸出T相比較，即可得到誤差,,,2.6.1 實(shí)例1 神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)用,5,.仿真過程與結(jié)果,下面是,采用增加動量項(xiàng)的BP算法訓(xùn)練函數(shù)traingdm、隱層為10個神經(jīng)元的預(yù)測結(jié)果 。,左邊是訓(xùn)練過程誤差曲線，橫坐標(biāo)是訓(xùn)練代數(shù)，縱坐標(biāo)是誤差，

28、該曲線是訓(xùn)練過程中自動產(chǎn)生的；,,右邊是實(shí)際輸出與目標(biāo)輸出負(fù)荷曲線,,,橫坐標(biāo)是小時，縱坐標(biāo)是負(fù)荷，注意負(fù)荷已經(jīng)被正規(guī)化了。,,,2.6.1 實(shí)例1 神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)用,5,.仿真過程與結(jié)果,下面是,采用自適應(yīng)學(xué)習(xí)速率訓(xùn)練函數(shù)trainlm、隱層為10個神經(jīng)元的預(yù)測結(jié)果 。,左邊是訓(xùn)練過程誤差曲線，橫坐標(biāo)是訓(xùn)練代數(shù)，縱坐標(biāo)是誤差，該曲線是訓(xùn)練過程中自動產(chǎn)生的；,,右邊是實(shí)際輸出與目標(biāo)輸出負(fù)荷曲線,,,橫坐標(biāo)是小時，縱坐標(biāo)是負(fù)荷，注意負(fù)荷已經(jīng)被正規(guī)化了。,,,2.6.1 實(shí)例1 神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)用,6,.訓(xùn)練結(jié)果數(shù)據(jù)表,,預(yù)測值,實(shí)際值,誤差,誤差絕對值,電力負(fù)荷,0.2256,

29、0.2119,0.0137,0.0137,,0.1627,0.1215,0.0412,0.0412,,0.1057,0.1621,-0.0564,0.0564,,0.2203,0.2161,0.0042,0.0042,,0.5182,0.6171,-0.0989,0.0989,,0.5463,0.6159,-0.0696,0.0696,,0.7011,0.7115,-0.0104,0.0104,,0.7329,0.7201,0.0128,0.0128,,0.6983,0.7243,-0.0260,0.0260,,0.7440,0.7298,0.0142,0.0142,,0.8074,0.817

30、9,-0.0105,0.0105,,0.8254,0.8229,0.0025,0.0025,平均誤差,,,,0.0300,,,2.6.1 實(shí)例1 神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)用,7,.主要的源碼,%定義訓(xùn)練樣本,,%P為輸入矢量，T為輸出目標(biāo)矢量，注意樣本的構(gòu)成。,,P=,,[,0.2452 0.1466 0.1314 0.2243 0.5523 0.6642 0.7015 0.6981 0.6821 0.6945 0.7549 0.8215,0.2415 0.3027 0,;,,,0.2217 0.1581 0.1408 0.2304 0.5134 0.5312 0.6819 0.7125 0.

31、7265 0.6847 0.7826 0.8325,,0.2385 0.3125 0,;,,,0.2525 0.1627 0.1507 0.2406 0.5502 0.5636 0.7051 0.7352 0.7459 0.7015 0.8064 0.8156,0.2216 0.2701 1;,,0.2016 0.1105 0.1243 0.1978 0.5021 0.5232 0.6819 0.6952 0.7015 0.6825 0.7825 0.7895 0.2352 0.2506 0.5;,,0.2115 0.1201 0.1312 0.2019 0.5532 0.5736 0.702

32、9 0.7032 0.7189 0.7019 0.7965 0.8025 0.2542 0.3125 0;,,0.2335 0.1322 0.1534 0.2214 0.5623 0.5827 0.7198 0.7276 0.7359 0.7506 0.8092 0.8221 0.2601 0.3198 0;,,0.2368 0.1432 0.1653 0.2205 0.5823 0.5971 0.7136 0.7129 0.7263 0.7153 0.8091 0.8217 0.2579 0.3099 0;,,0.2342 0.1368 0.1602 0.2131 0.5726 0.5822

33、 0.7101 0.7098 0.7127 0.7121 0.7995 0.8126 0.2301 0.2867 0.5;,,0.2113 0.1212 0.1305 0.1819 0.4952 0.5312 0.6886 0.6898 0.6999 0.7323 0.7721 0.7956 0.2234 0.2799 1;,,0.2005 0.1121 0.1207 0.1605 0.4556 0.5022 0.6553 0.6673 0.6798 0.7023 0.7521 0.7756 0.2314 0.2977 0]‘,,T=[,0.2217 0.1581 0.1408 0.2304

34、0.5134 0.5312 0.6819 0.7125 0.7265 0.6847 0.7826 0.8325;,,,0.2525 0.1627 0.1507 0.2406 0.5502 0.5636 0.7051 0.7352 0.7459 0.7015 0.8064 0.8156;,,0.2016 0.1105 0.1243 0.1978 0.5021 0.5232 0.6819 0.6952 0.7015 0.6825 0.7825 0.7895;,,0.2115 0.1201 0.1312 0.2019 0.5532 0.5736 0.7029 0.7032 0.7189 0.7019

35、 0.7965 0.8025;,,0.2335 0.1322 0.1534 0.2214 0.5623 0.5827 0.7198 0.7276 0.7359 0.7506 0.8092 0.8221;,,0.2368 0.1432 0.1653 0.2205 0.5823 0.5971 0.7136 0.7129 0.7263 0.7153 0.8091 0.8217;,,0.2342 0.1368 0.1602 0.2131 0.5726 0.5822 0.7101 0.7098 0.7127 0.7121 0.7995 0.8126;,,0.2113 0.1212 0.1305 0.18

36、19 0.4952 0.5312 0.6886 0.6898 0.6999 0.7323 0.7721 0.7956;,,0.2005 0.1121 0.1207 0.1605 0.4556 0.5022 0.6553 0.6673 0.6798 0.7023 0.7521 0.7756;,,0.2123 0.1257 0.1343 0.2079 0.5579 0.5716 0.7059 0.7145 0.7205 0.7401 0.8019 0.8136]',,,2.6.1 實(shí)例1 神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)用,7,.主要的源碼,%創(chuàng)建一個新的bp前向神經(jīng)網(wǎng)絡(luò),,%newff--生成一個新的b

37、p前向神經(jīng)網(wǎng)絡(luò),,net=newff(minmax(P),[10,12],{‘tansig’,‘logsig’},‘trainlm’)；,,%設(shè)置訓(xùn)練參數(shù),,net.trainParam.show=10; %每10代顯示一次,,net.trainParam.lr=0.05; %訓(xùn)練速率,,net.trainParam.mem_reduc=3;,,net.trainParam.mc=0.9; %動量因子,,net.trainParam.epochs=100000; %訓(xùn)練的代數(shù),,net.trainParam.goal=0.01;

38、 %目標(biāo)誤差,,,,2.6.1 實(shí)例1 神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測中的應(yīng)用,7,.主要的源碼,%訓(xùn)練bp前向神經(jīng)網(wǎng)絡(luò),,[net,tr]=train(net,P,T);,,,,%仿真,,A=sim(net,P),,,％計(jì)算仿真誤差,,E=T-A,,SSE=sse(E),,,,2.6.2 實(shí)例2 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷,1,.,問題提出及解決方案,電力變壓器的安全運(yùn)行對保證供電的可靠性具有重要的意義，現(xiàn)有的實(shí)驗(yàn)方法中，油中溶解氣體(DGA)分析對設(shè)備的早期潛伏性故障較為敏感。但通常采用的幾種分析方法均有缺陷，如特征氣體分析法僅定性的說明氣體含量與對應(yīng)故障的關(guān)系，不利于診斷的實(shí)現(xiàn)；IEC三比值法和

39、日本的改良電協(xié)研法均采用比值編碼法，存在編碼缺損等問題。因此，很有必要探索一種更方便、更可靠的診斷方法，以提高診斷的正確率．由于神經(jīng)網(wǎng)絡(luò)(ANN)具有并行處理、學(xué)習(xí)和記憶、非線性映射、自適應(yīng)能力和魯棒性等固有性質(zhì)，使其非常適合應(yīng)用在電氣故障診斷領(lǐng)域。為此，本實(shí)例針對變壓器故障特點(diǎn)，研究采用合適結(jié)構(gòu)和算法的神經(jīng)網(wǎng)絡(luò)，用以實(shí)現(xiàn)變壓器故障的準(zhǔn)確診斷。,,,2.6.2 實(shí)例2 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷,2.,變壓器故障診斷的ANN設(shè)計(jì),網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)就是一個模式所包含的特征量數(shù)。在油色譜分析領(lǐng)域中，基于油中溶氣體類型與內(nèi)部故障性質(zhì)的對應(yīng)關(guān)系，以油中5種特征氣體為依據(jù)的判斷變壓器故障的方法。其特征

40、量為H2，CH{，C2H4，C2H2，C2H6，這樣點(diǎn)數(shù)N為5的網(wǎng)絡(luò)輸入層定，如圖3所示。在對變壓器的故障識別時，變壓器的故障類型選擇為：中低溫過熱、高溫過熱、低能放電和高能放電。當(dāng)考慮正常情況也作為一種類型時。一個M 為5節(jié)點(diǎn)的網(wǎng)絡(luò)輸出層被確定。,,,2.6.2 實(shí)例2 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷,2.,變壓器故障診斷的ANN設(shè)計(jì),,,2.6.2 實(shí)例2 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷,3.,變壓器故障診斷訓(xùn)練樣本,,,2.6.2 實(shí)例2 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷,4.,ANN網(wǎng)絡(luò)訓(xùn)練與分析,,在實(shí)驗(yàn)測試中，收集了30組變壓器樣本，并隨機(jī)取出20組樣本用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練，其余的樣本作為仿真

41、。,,,2.6.2 實(shí)例2 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷,5.結(jié)論,神經(jīng)網(wǎng)絡(luò)的診斷要比三比值法準(zhǔn)確。通過改進(jìn)學(xué)習(xí)訓(xùn)練算法，可在同等的收斂要求下，獲得較高的精度,,如果輸入模式與訓(xùn)練樣本偏離較大，則網(wǎng)絡(luò)可能得出錯誤的結(jié)論。這反映了網(wǎng)絡(luò)不具備此種癥狀的知識，因此，可將該樣本作為新的樣本加入訓(xùn)練樣本集訓(xùn)練網(wǎng)絡(luò)，使之獲得更多的知識,,對溶解氣體分析法存在的問題，將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于變壓器故障診斷；根據(jù)變壓器故障的特點(diǎn)，采用了動量因子技術(shù)的神經(jīng)網(wǎng)絡(luò),BP,算法，使診斷網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)能力、泛化能力和適應(yīng)能力,,,,,第三章 遺傳算法及其在電力系統(tǒng)中的應(yīng)用,3.1 概述,,遺傳算法的基本思想是基于Dar

42、win進(jìn)化論和Mendel的遺傳學(xué)說的。Darwin進(jìn)化論最重要的是適者生存原理。它認(rèn)為每一物種在發(fā)展中越來越適應(yīng)環(huán)境。物種每個個體的基本特征由后代所繼承，但后代又會產(chǎn)生一些異于父代的新變化。在環(huán)境變化時，只有那些能適應(yīng)環(huán)境的個體特征方能保留下來。Mendel遺傳學(xué)說最重要的是基因遺傳原理。它認(rèn)為遺傳以密碼方式存在細(xì)胞中，并以基因形式包含在染色體內(nèi)。每個基因有特殊的位置并控制某種特殊性質(zhì)。所以，由基因產(chǎn)生的個體對環(huán)境具有某種適應(yīng)性?；蛲蛔兒突蚪徊婵僧a(chǎn)生更適應(yīng)于環(huán)境的后代。經(jīng)過存優(yōu)去劣的自然淘汰，適應(yīng)性高的基因結(jié)構(gòu)得以保存下來。由于遺傳算法不依賴于被優(yōu)化對象數(shù)學(xué)模型，不需要導(dǎo)數(shù)信息，屬于全局

43、多點(diǎn)隨機(jī)搜索算法，因此，目前被廣泛應(yīng)用于各種復(fù)雜優(yōu)化中。,,,3.2 遺傳算法的特點(diǎn)與優(yōu)點(diǎn),,（1）自組織、自適應(yīng)和學(xué)習(xí)性。（2）遺傳算法按并行方式搜索一個種群數(shù)目的點(diǎn)，而不是單點(diǎn)。（3）遺傳算法不需要求導(dǎo)或其他輔助知識，而只需要影響搜索方向的目標(biāo)函數(shù)和適應(yīng)度函數(shù)。（4）遺傳算法強(qiáng)調(diào)概率轉(zhuǎn)化規(guī)則，而不是確定的轉(zhuǎn)換規(guī)則。（5）遺傳算法對給定問題可以產(chǎn)生出許多潛在解，最終選擇可以由使用者確定,,,3.3 生物進(jìn)化理論和遺傳學(xué)基本概念,染色體,——,生物細(xì)胞中含有很多微小的絲狀化合物，它是遺傳物質(zhì)的主要再體，由多個遺傳因子,——,基因組成。,,,個體,——,指染色體帶有特征的實(shí)體。如：人就是

44、一個個體，人的各種不同的特征可以用含有不同遺傳信息的染色體表現(xiàn)，不同的染色體能決定人的特征的不同特征。,,,種群,——,染色體是帶有特征的個體的集合稱為種群。該集合內(nèi)個體數(shù)稱為群體的大小。有時個體的集合也稱為個體群。如：人類就是一個種群，種群中由各種各樣不同性格，不同外觀特征的人組成。,,,3.3 生物進(jìn)化理論和遺傳學(xué)基本概念,進(jìn)化,——,生物在其延續(xù)生存的過程中，逐漸適應(yīng)其生存的環(huán)境，使得其品質(zhì)不斷得到改良，這種生命的現(xiàn)象稱為進(jìn)化。生物的進(jìn)化以種群的形式進(jìn)行的。如：如人從猿人進(jìn)化到今天富有智慧的現(xiàn)代人，這一個過程就是進(jìn)化過程。,,,適應(yīng)度,——,在研究自然界中的生物的遺傳和進(jìn)化現(xiàn)象時 ，生物

45、學(xué)家使用適應(yīng)度這個術(shù)語來衡量某個物種對于生存環(huán)境的適應(yīng)程度。對于生存環(huán)境的適應(yīng)程度較高的物種將獲得更高的繁殖機(jī)會。而對于生存環(huán)境適應(yīng)度較低的物種，其繁殖機(jī)會就會較少，甚至滅絕,。,,,3.3 生物進(jìn)化理論和遺傳學(xué)基本概念,選擇,——,指決定以一定的概率種群中選擇若干個體的操作。而一般而言，選擇的過程是一種基于適應(yīng)度的優(yōu)勝劣汰的過程。,,,復(fù)制,——,細(xì)胞在分裂時，遺傳物質(zhì),DNA,通過復(fù)制而轉(zhuǎn)移到新生的細(xì)胞中，新的細(xì)胞繼承了舊的細(xì)胞的基因。,,,交叉,——,有性生殖生物在繁殖下一代時兩個同源染色體之間通過交叉而重組，亦即在兩個染色體的某一相同位置處,DNA,被切斷，其前后兩串分別交叉組合形成兩

46、個新的染色體。這個過程又稱基因的重組。,,,3.3 生物進(jìn)化理論和遺傳學(xué)基本概念,變異,——,在細(xì)胞進(jìn)行復(fù)制的過程中可能以很小的概率產(chǎn)生某些復(fù)制的差錯，從而使,DNA,發(fā)生某種變異，產(chǎn)生新的染色體，這些新的染色體表現(xiàn)出來新的性狀。,,,編碼,——DNA,中的遺傳信息在一個長鏈上按一定的模式排列，也即進(jìn)行了遺傳編碼。遺傳編碼可以看作表現(xiàn)型到遺傳子型的映射。,,,解碼,——,從遺傳子型到邊現(xiàn)型的映射。,,,,3.4 遺傳算法的基本操作,1 選擇,,,選擇是確定交叉或者交叉?zhèn)€體，以及被選個體將產(chǎn)生多少個子代個體。首先要計(jì)算適應(yīng)度：（1）按比例計(jì)算適應(yīng)度，（2）基于排序的適應(yīng)度計(jì)算。,個體,染色體,適

47、應(yīng)度,選擇概率,累積概率,1,0001100000,8,0.086957,0.086957,2,0101111001,5,0.054348,0.141304,3,0000000101,2,0.021739,0.163043,4,1001110100,10,0.108696,0.271739,5,1010101010,7,0.076087,0.347826,6,1110010110,12,0.130435,0.478261,7,1001011011,5,0.054348,0.532609,8,1100000001,19,0.206522,0.739130,9,1001110100,10,0.10

48、8696,0.847826,10,0001010011,14,0.152174,1.000000,輪盤賭選擇,,,,3.4 遺傳算法的基本操作,2 交叉,,,,再生之后重要的遺傳操作交叉，在生物學(xué)上稱為雜交，可視為生物之所以得以進(jìn)化之所在,隨機(jī)產(chǎn)生一個交叉點(diǎn)位置，父體1和父體2在交叉點(diǎn)位置之右的部分基因碼互換，形成子個體1和子個體2。類似地完成其他個體的交叉操作。,,單點(diǎn)交叉,父體1：,0 0 0 1,/ 0 1 0 1 1,父體2：,1 1 1 0,/ 1 0 1 1 0,,子體1：,1 1 1 0,/ 0 1 0 1 1,子體1：,0 0 0 1,/ 1 0 1 1 0,個體間的單點(diǎn)交叉,

49、,,3.4 遺傳算法的基本操作,3 變異,,,作用：如果只考慮交叉操作實(shí)現(xiàn)進(jìn)化機(jī)制，在大多情況下是不行的，這與生物界近親繁殖影響進(jìn)化歷程是類似的。因?yàn)榉N群個體數(shù)是有限的，經(jīng)過若干代交叉操作，因?yàn)樵从谝粋€較好祖先的子個體逐漸充斥整個種群額現(xiàn)象，問題會導(dǎo)致過早收斂，當(dāng)然，最后獲得的個體不能代表問題的最優(yōu)解。為了避免過早收斂，有必要在進(jìn)化的過程中引入具有新遺傳基因碼發(fā)生了突變，這對于保持生物多樣性是非常重要的。,,實(shí)現(xiàn)：模仿生物變異的遺傳操作，對于二進(jìn)制的基因碼組成的個體種群，實(shí)現(xiàn)基因碼的小概率翻轉(zhuǎn)，即達(dá)到變異目的,,,變異,父體1：0 0 0,1,0 1 0 1 1,子體1：0 0 0,0,0 1

50、 0 1 1,變異操作,,,3.5 遺傳算法的進(jìn)化過程示意,一般而言，一個世代的簡單進(jìn)化包括了適應(yīng)度的選擇和再生、交叉和變異操作。將上面的所有種群的遺傳算法綜合起來，初始種群第一代進(jìn)化過程如下圖所示。初始種群經(jīng)過選擇操作，適應(yīng)度較高的8號和6號個體分別復(fù)制出2個，使硬度較低的2號和3號遭到淘汰，接下來按一定的概率選擇了4對父個體分別完成交叉操作，在隨機(jī)確定的“/”位置實(shí)行單點(diǎn)交叉生成4對子個體。最后按小概率選中某個個體的基因碼位置，產(chǎn)生變異。這樣經(jīng)過上述的過程形成了第一代的種群。以后一代一代地進(jìn)化過程如此循環(huán)下去，每一代結(jié)束都產(chǎn)生新的種群。演化的代數(shù)主要取決于代表問題解得收斂狀態(tài)，末代種群眾最

51、佳個體作為問題的最優(yōu)近似解。,,,3.5 遺傳算法的進(jìn)化過程示意,初始種群,變異,交叉,選擇、復(fù)制,0001100000 0101111001 0000000101 1001110100 1010101010,,（8） （5） （2） （1 ） （7）,,1110010110 1001011011 1100000001 1001110100 0001010011,,（12） （5）

52、 （19） （10） （14）,0001,/100000,1110,/0010110 1100/000001 1001110100,1010,/101010,,,1110,/010110,1001,/011011 1001/110100 1100000001,0001,/010011,,1110100000 10010010110 1001000001 1001110100 0001101010,,,0001010110 1110011011 110,

53、0,110100 1100000001 1010010011,,1110100000 10010010110 1001000001 1001110100 0001101010,,,0001010110 1110011011 110,1,110100 1100000001 1010010011,,,,3.6 一個典型遺傳算法流程框圖,N,初始化參數(shù),對待優(yōu)化參數(shù) 進(jìn)行N位二進(jìn)制編碼,初始化種群,模型仿真，計(jì)算適應(yīng)度,用輪盤賭法選擇個體，并保留適應(yīng)度最好10%個體,按0.85的交叉概率用單點(diǎn)交叉法進(jìn)行交叉操作,按0.01

54、的變異概率變異,是否滿足算法結(jié)束,,條件,顯示優(yōu)化后結(jié)果,Y,解碼,,,3.7 MATLAB遺傳算法工具箱使用,,遺傳算法工具箱MATLAB Genetic Algorithm Toolbox 旨在提供設(shè)計(jì)允許遺傳算法的環(huán)境，和神經(jīng)網(wǎng)絡(luò)工具箱一樣，遺傳算法工具箱也提供了一套基于MATLAB的函數(shù)供開發(fā)者使用，利用該工具箱，可大大節(jié)省開發(fā)時間。,,,,3.7 MATLAB遺傳算法工具箱使用,,遺傳算法工具箱MATLAB Genetic Algorithm Toolbox 旨在提供設(shè)計(jì)允許遺傳算法的環(huán)境，和神經(jīng)網(wǎng)絡(luò)工具箱一樣，遺傳算法工具箱也提供了一套基于MATLAB的函數(shù)供開發(fā)者使用，利用該工具

55、箱，可大大節(jié)省開發(fā)時間。,,,,3.7 MATLAB遺傳算法工具箱使用,一個典型的遺傳算法,,LIND = 8; % 染色體長度,,NVAR = 2; % 優(yōu)化變量數(shù)目,,NIND = 10; % 種群數(shù)目,,GGAP = 0.9; % 代差，指得是上代最好的10%個體,,不參與下一代的復(fù)制操作,,XOV = 0.7; % 設(shè)置交叉率,,MUTR = 0.0175; % 設(shè)置變異率,,MAXGEN = 30; % 優(yōu)化代數(shù),,% 指定編碼方式，變量范圍，交叉方式,,FieldD = [LIND LIND; 1 1; 1000 1000; 1 1;

56、0 0; 0 0; 0 0];,,Chrom = crtbp(Nind, Lind*NVAR);,,% 創(chuàng)建初始化種群,,%計(jì)算適應(yīng)度,,ObjV = objfun(bs2rv(Chrom, FieldD));,,,,3.7 MATLAB遺傳算法工具箱使用,對FieldD 的解釋,,FieldD = [LIND LIND; 1 1; 1000 1000; 1 1; 0 0; 0 0; 0 0];,,,解釋：,兩列對應(yīng)兩個變量，上面設(shè)置的含義指染色體長度為8；1-1000是變量范圍，[1 0 0 0]’指的是二進(jìn)制編碼與單點(diǎn)交叉,,,3.7 MATLAB遺傳算法工具箱使用,對Chrom = cr

57、tbp(NIND, LIND*NVAR)的解釋,,,解釋：,crtbp函數(shù)的運(yùn)行結(jié)果是產(chǎn)生由10個個體組成的初始種群；其中每行表示一條染色體，即種群中的一個個體，由于被優(yōu)化的變量為2個，每個變量的編碼長度是8，故每行由16位0、1構(gòu)成的隨機(jī)字符串；一共10行表示10條染色體。,,,3.7 MATLAB遺傳算法工具箱使用,對ObjV = objfun(bs2rv(Chrom, FieldD))的解釋;,,,Bs2rv,函數(shù)是對產(chǎn)生的初始種群進(jìn)行解碼，也就是根據(jù),FieldD,變量的設(shè)置把初始種群由二進(jìn)制表示的染色體轉(zhuǎn)化成,10,進(jìn)制；,,Objfun,是開發(fā)人員根據(jù)實(shí)際應(yīng)用編制的適應(yīng)度函數(shù)，注意

58、該函數(shù)并不是被優(yōu)化對象的數(shù)學(xué)模型，而是用來評價(jià)個體性能好壞的函數(shù)，,,特別值得注意的是適應(yīng)度函數(shù)必須滿足兩個條件：,1,是適應(yīng)度函數(shù)必須是正的，,2,是其值越大表示性能越好。,,,3.7 MATLAB遺傳算法工具箱使用,一個典型的遺傳算法續(xù),,當(dāng)遺傳算法初始參數(shù)設(shè)置完畢，就轉(zhuǎn)入遺傳進(jìn)化：,,Gen = 0; % 計(jì)數(shù)器,,while Gen < MAXGEN % 優(yōu)化循環(huán),,SelCh = select(’sus’, Chrom, FitnV, GGAP); % 復(fù)制操作,,SelCh = recombin(’xovsp’, SelCh,

59、 XOV); % 交叉操作,,SelCh = mut(SelCh, MUTR); % 變異操作,,ObjVSel = objfun(bs2rv(SelCh, FieldD)); % 計(jì)算適應(yīng)度,,%把上一代最好的10%個體插入新種群里,,[Chrom ObjV]=reins(Chrom, SelCh, 1, 1, ObjV, ObjVSel);,,Gen = Gen+1; % 計(jì)數(shù)器加一,,End % 循環(huán)結(jié)束,,

60、% 優(yōu)化完畢后把種群解碼找出里面適應(yīng)度最大的對應(yīng)變量組合即為優(yōu)化結(jié)果。,,Phen = bs2rv(Chrom, FieldD);,,,,3.8 遺傳算法在電力系統(tǒng)的應(yīng)用,,實(shí)例,1,遺傳算法實(shí)現(xiàn),PID,控制參數(shù)優(yōu)化,,,實(shí)例,2,遺傳算法實(shí)現(xiàn)發(fā)電廠經(jīng)濟(jì)調(diào)度,,,實(shí)例,3,混合遺傳算法與神經(jīng)網(wǎng)絡(luò)在小電流接地系統(tǒng) 故障選線中的應(yīng)用,,,,,,3.8.1 實(shí)例1 遺傳算法實(shí)現(xiàn)PID控制參數(shù)優(yōu)化,1 初始化參數(shù),,對于控制系統(tǒng)初始化參數(shù)有Ki、Kd、Kp以及模型的參考輸入ref；對于遺傳算法控制有種群規(guī)模NIND、染色體長度PRECI、繁殖代數(shù)MAXGEN、交叉率、變異率。,,NIND = 40

61、; %種群規(guī)模,,MAXGEN =30; %繁殖代數(shù),,NVAR = 3; % 參數(shù)個數(shù),,PRECI =10; % 變量二進(jìn)制編碼的位數(shù),,GGAP = 0.9; % 保留最好個體的代溝系數(shù)，如：設(shè)置GGAP=0.9就說適應(yīng)度最好的10%個體直接進(jìn)入下一代，其余90%的個體進(jìn)行交叉和變異,,CO=0.85； %變異概率為0.85,,FieldD = [rep([PRECI],[1,NVAR])];%設(shè)置編碼位數(shù)，種群規(guī)模,,FieldD(2:3,1)=[rep([0;10],[1,1]

62、)];%設(shè)置KP的取值范圍,,FieldD(2:3,2)=[rep([0;10],[1,1])];%設(shè)置KI的取值范圍,,FieldD(2:3,3)=[rep([0;10],[1,1])];%設(shè)置KD的取值范圍,,FieldD(4:7,1:3)=rep([1;0;1;1],[1,NVAR]);%設(shè)置編碼與交叉方式,,,3.8.1 實(shí)例1 遺傳算法實(shí)現(xiàn)PID控制參數(shù)優(yōu)化,2 初始化種群,,,,待優(yōu)化參數(shù)采用二進(jìn)制編碼，根據(jù)精度要求，每個參數(shù)用N（N為任意正整數(shù)）位二進(jìn)制表示，3個參數(shù)KP、KI、KD組成一個由3N位二進(jìn)制編碼的染色體。,,,種群初始化的程序如下：,,Chrom = crtbp(N

63、IND, NVAR*PRECI),,,3.8.1 實(shí)例1 遺傳算法實(shí)現(xiàn)PID控制參數(shù)優(yōu)化,3 解碼,,,解碼時，按每個參數(shù)對應(yīng)的二進(jìn)制位數(shù)均勻地把個體截開，根據(jù)每個參數(shù)的搜索范圍進(jìn)行解碼。,,,,,,,解碼代碼如下:,,A=bs2rv(Chrom,FieldD),,,,3.8.1 實(shí)例1 遺傳算法實(shí)現(xiàn)PID控制參數(shù)優(yōu)化,4 適應(yīng)度的選擇,,,遺傳算法在進(jìn)化搜索中基本不利用外部信息，僅以適應(yīng)度函數(shù)為依據(jù)，利用種群中每個個體的適應(yīng)度值來進(jìn)行搜索，因此適應(yīng)度函數(shù)至關(guān)重要，直接影響到遺傳算法的收斂速度以及能否達(dá)到最優(yōu)解。適應(yīng)度函數(shù)一般由目標(biāo)函數(shù)變換而成。對于PID控制系統(tǒng)而言，PID控制的目的就是使系

64、統(tǒng)性能達(dá)到最優(yōu)，系統(tǒng)性能的評價(jià)方法多樣，在MATLAB中較易實(shí)現(xiàn)的是通過評價(jià)系統(tǒng)時域方面的各項(xiàng)動態(tài)性能指標(biāo)來確定系統(tǒng)性能的好壞，即對系統(tǒng)給定參考輸入量，觀察輸出的超調(diào)量mp，調(diào)節(jié)時間ts，峰值時間tp。mp越小，系統(tǒng)跟參考輸入的偏差越少；tp、ts越小，系統(tǒng)快速性能越好。PID調(diào)節(jié)器的尋優(yōu)，就是尋找合適的PID參數(shù)，使得各動態(tài)性能指標(biāo)最小，以滿足實(shí)際控制系統(tǒng)的性能要求,。,,,3.8.1 實(shí)例1 遺傳算法實(shí)現(xiàn)PID控制參數(shù)優(yōu)化,5 對適應(yīng)度的幾點(diǎn)說明,,適應(yīng)度必須是正數(shù)且其值愈大表示性能愈好；,,w1,，,w2,，,w3,，,w4,是,mp,，,tp,，,ts,，,f,四個指標(biāo)在適應(yīng)度函數(shù)中的

65、權(quán)值，對各個性能指標(biāo)的偏重會有所不同；,,T1,，,T2,，,T3,，,T4,分別是,mp,，,ts,，,tp,，,f,的性能期望值，對,mp,，,ts,，,tp,，,,f,起到約束的作用，加入,T1,，,T2,，,T3,，,T4,可以消除各個指標(biāo)的物理量，把性能指標(biāo)歸一化；,,要計(jì)算,mp,，,ts,，,tp,，,f,，就必須先要將解碼后的,Kp,、,Ki,、,Kd,代入仿真模型中，通過仿真得到輸出的數(shù)據(jù)，然后對數(shù)據(jù)進(jìn)行運(yùn)算分析；,,仿真模型得到系統(tǒng)輸出數(shù)據(jù)的程序是：,,,[,t,x,y,]=,sim('test,') %,對模型“,test”,仿真，將數(shù)據(jù)送入工作空間，仿真時間為,t

66、,，模型狀態(tài)量為,x,，模型輸出量為,y,,,3.8.1 實(shí)例1 遺傳算法實(shí)現(xiàn)PID控制參數(shù)優(yōu)化,6 復(fù)制,,,為了防止上一代中最好的結(jié)果丟失，本文把上一代種群中適應(yīng)度最大的10%的染色體不參加交叉和變異，而直接進(jìn)入下一代種群，其余的90%個體由交叉和變異兩種遺傳算子產(chǎn)生子代個體，復(fù)制的方法采用輪盤賭選擇法。其對應(yīng)程序如下：,,,SelCh = select('rws', Chrom, FitnV, GGAP),,,%“rws”是輪盤賭選擇法，“select”是選擇操作命令。根據(jù)適應(yīng)度FitnV，代溝系數(shù)GGAP，對種群Chrom用輪盤賭選擇法選擇參加交叉和變異的個體。,,,3.8.1 實(shí)例1 遺傳算法實(shí)現(xiàn)PID控制參數(shù)優(yōu)化,7 交叉與變異,,,個體復(fù)制后進(jìn)行交叉操作，交叉操作是隨機(jī)選擇個體編碼的位數(shù)，以這個位數(shù)為交叉點(diǎn)，按照交叉概率在種群中選擇進(jìn)行交叉的個體，在個體之間兩兩進(jìn)行編碼互換，從而產(chǎn)生新的個體。一般而言，交叉概率應(yīng)取得比較大，這樣可以加快種群的更新量，經(jīng)交叉操作后的個體按照變異概率進(jìn)行變異操作，變異是按照變異概率選擇進(jìn)行變異操作的個體，隨機(jī)確定個體編碼的某一位碼元，使該碼元