【正文】 分為三個(gè)檔次：差、好、很好，將飯菜質(zhì)量分為兩個(gè)檔次，味道好差、美味，給予的小費(fèi)也分為三個(gè)檔次：較少、平均水平、較多。 利用 MATLAB建立模糊推理系統(tǒng)過(guò)程 FIS編輯器 在 MATLAB下輸入 FUZZY可打開(kāi) FIS編輯器。通過(guò)該觀測(cè)器，整個(gè)推理可一覽無(wú)余。簡(jiǎn)單來(lái)說(shuō)， Agent是一種實(shí)體，而且是一種具有智能的實(shí)體。 模糊化 Fuzzification 運(yùn)用模糊算子 反模糊化 Defuzzification 模糊合成 Aggregation 模糊化 Fuzzification 運(yùn)用模糊蘊(yùn)含 利用 MATLAB建立模糊推理系統(tǒng)過(guò)程 曲面觀測(cè)器 在 FIS編輯器的 View下選擇 Edit surface可打開(kāi)曲面觀測(cè)器，該觀測(cè)器可觀測(cè)整個(gè)論域內(nèi)輸入與輸出之間得關(guān)系，還可把該曲面轉(zhuǎn)換成數(shù)據(jù)保存，這對(duì)模糊控制很重要。 利用 MATLAB建立模糊推理系統(tǒng)過(guò)程 隸屬度函數(shù)編輯器 單擊輸入或輸出的任意一個(gè)圖標(biāo)即可打開(kāi)隸屬度函數(shù)編輯器，然后進(jìn)行隸屬度設(shè)置，如 service變量選擇隸屬度函數(shù)類型（高斯型）和數(shù)量（ 3）。 ? If service is good then tip=average。 第四章 模糊理論及其在電力系統(tǒng)中的應(yīng)用 反模糊化 反模糊化把輸出的模糊集化為確定數(shù)值的輸出，常用的反模糊化方法有以下五種： 中心法 二分法 輸出模糊集極大值的平均值 輸出模糊集極大值的最大值 輸出模糊集極大值的最小值 第四章 模糊理論及其在電力系統(tǒng)中的應(yīng)用 利用 MATLAB建立模糊推理系統(tǒng)過(guò)程 模糊工具箱介紹 利用模糊邏輯工具箱的圖形用戶界面 GUI很容易建立起模糊推理系統(tǒng)，工具箱主要有 5個(gè) GUI工具： ? FIS編輯器：處理模糊系統(tǒng)高層次問(wèn)題，如系統(tǒng)中有多少輸入和輸出變量； ? 隸屬度函數(shù)編輯器：定義每個(gè)變量的隸屬度函數(shù)的形狀及參數(shù) ? 規(guī)則編輯器：編輯推理系統(tǒng)的規(guī)則 ? 規(guī)則觀測(cè)器和取面觀測(cè)器：用來(lái)觀測(cè)規(guī)則和輸出曲面 它們之間是動(dòng)態(tài)連接的，便及其所作的修改能及時(shí)地體現(xiàn)在觀測(cè)器上。模糊算子的輸入是兩個(gè)或多個(gè)輸入變量經(jīng)模糊化后得到的隸屬度值，其輸出是整個(gè)前件的隸屬度，常用的模糊邏輯與算子有 min(模糊交 )和 prod（代數(shù)積），常用的或算子有 max（模糊并） probor（代數(shù)積）。 第四章 模糊理論及其在電力系統(tǒng)中的應(yīng)用 輸入變量的模糊化 輸入變量是輸入變量論域內(nèi)的某一個(gè)確定的數(shù)，輸入變量模糊化后，變化為由隸屬度表示的 0和 1之間的某個(gè)數(shù)。 模糊現(xiàn)象：如 “今天天氣很熱”，“小伙子很帥”， … 等等。 隨著饋電線路的增加及隱含層接點(diǎn)數(shù)目的增加 ,會(huì)大大加大算法的計(jì)算量 ,考慮到單相接地故障允許運(yùn)行 1～ 2 h ,隨著計(jì)算機(jī)速度的不斷加快 ,此問(wèn)題已不是很重要 ,故在現(xiàn)場(chǎng)運(yùn)行中是可行的。 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 5 網(wǎng)絡(luò)學(xué)習(xí)及訓(xùn)練 選取一個(gè)有 10 條饋電線路的輸電系統(tǒng) ,如圖 對(duì)此網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練。但在現(xiàn)場(chǎng)運(yùn)行中 ,單一故障選線方法 (五次諧波分量法、零序?qū)Ъ{法 )的準(zhǔn)確度較低 ,原因在于 :小電流接地系統(tǒng)零序阻抗大 ,并受故障接地過(guò)渡阻抗的影響 ,故障電流小 ,故障線路與非故障線路的區(qū)別不明顯 。 ai , bi , ci 是第 i 臺(tái)發(fā)電機(jī)費(fèi)用函數(shù) f i的系數(shù) ))(sin ()()(m inm ax21iiiiiiiiiiniiiPPePabcPfPffc?????? ??? 實(shí)例 2 遺傳算法實(shí)現(xiàn)發(fā)電廠經(jīng)濟(jì)調(diào)度 電力系統(tǒng)經(jīng)濟(jì)調(diào)度數(shù)學(xué)模型 約束條件 經(jīng)濟(jì)調(diào)度問(wèn)題需滿足平衡約束和發(fā)電機(jī)運(yùn)行極限 式中 , 和 分別為第 i 臺(tái)發(fā)電機(jī)的最小和最大出力 。另外，最優(yōu)參數(shù)是一個(gè)潛在的數(shù)據(jù)，我們也很難估計(jì)最優(yōu)參數(shù)能使系統(tǒng)性能達(dá)到一個(gè)怎樣的高度，假如我們規(guī)定了硬性指標(biāo)使算法停止，就很可能錯(cuò)過(guò)了最優(yōu)參數(shù)。對(duì)“ selch”按 。,SelCh,CO)。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(gè)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(gè)體，隨機(jī)確定個(gè)體編碼的某一位碼元，使該碼元翻轉(zhuǎn)；。rws39。 1( , , , )1 2 3 41 2 3 4F m p tp ts f m p ts tp fw w w wT T T T?? ? ? 實(shí)例 1 遺傳算法實(shí)現(xiàn) PID控制參數(shù)優(yōu)化 5 對(duì)適應(yīng)度的幾點(diǎn)說(shuō)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(gè)指標(biāo)在適應(yīng)度函數(shù)中的權(quán)值，對(duì)各個(gè)性能指標(biāo)的偏重會(huì)有所不同； T1， T2， T3， T4分別是 mp， ts， tp， f的性能期望值，對(duì) mp， ts， tp， ,f起到約束的作用，加入 T1， T2， T3，T4可以消除各個(gè)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(guò)仿真得到輸出的數(shù)據(jù)，然后對(duì)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(39。適應(yīng)度函數(shù)一般由目標(biāo)函數(shù)變換而成。1],[1,NVAR])。10],[1,1])]。10],[1,1])]。 % 參數(shù)個(gè)數(shù) PRECI =10。 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 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(duì)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(duì)于遺傳算法控制有種群規(guī)模 NIND、染色體長(zhǎng)度 PRECI、繁殖代數(shù) MAXGEN、交叉率、變異率。 % 計(jì)算適應(yīng)度 %把上一代最好的 10%個(gè)體插入新種群里 [Chrom ObjV]=reins(Chrom, SelCh, 1, 1, ObjV, ObjVSel)。 % 計(jì)數(shù)器 while Gen MAXGEN % 優(yōu)化循環(huán) SelCh = select(’ sus’ , Chrom, FitnV, GGAP)。 解釋： 兩列對(duì)應(yīng)兩個(gè)變量，上面設(shè)置的含義指染色體長(zhǎng)度為 8； 11000是變量范圍， [1 0 0 0]’指的是二進(jìn)制編碼與單點(diǎn)交叉 MATLAB遺傳算法工具箱使用 對(duì) Chrom = crtbp(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(gè)個(gè)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(gè)個(gè)體，由于被優(yōu)化的變量為 2個(gè)，每個(gè)變量的編碼長(zhǎng)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。 1 1。 % 創(chuàng)建初始化種群 %計(jì)算適應(yīng)度 ObjV = objfun(bs2rv(Chrom, FieldD))。 0 0。 % 優(yōu)化代數(shù) % 指定編碼方式，變量范圍，交叉方式 FieldD = [LIND LIND。 % 種群數(shù)目 GGAP = 。 MATLAB遺傳算法工具箱使用 遺傳算法工具箱 MATLAB Geic 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(kāi)發(fā)者使用，利用該工具箱，可大大節(jié)省開(kāi)發(fā)時(shí)間。這樣經(jīng)過(guò)上述的過(guò)程形成了第一代的種群。 實(shí)現(xiàn)：模仿生物變異的遺傳操作，對(duì)于二進(jìn)制的基因碼組成的個(gè)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 0 1 1 變異操作 遺傳算法的進(jìn)化過(guò)程示意 一般而言，一個(gè)世代的簡(jiǎn)單進(jìn)化包括了適應(yīng)度的選擇和再生、交叉和變異操作。類似地完成其他個(gè)體的交叉操作。 解碼 —— 從遺傳子型到邊現(xiàn)型的映射。這個(gè)過(guò)程又稱基因的重組。 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(gè)體的操作。如：如人從猿人進(jìn)化到今天富有智慧的現(xiàn)代人，這一個(gè)過(guò)程就是進(jìn)化過(guò)程。有時(shí)個(gè)體的集合也稱為個(gè)體群。 個(gè)體 —— 指染色體帶有特征的實(shí)體。 （ 2）遺傳算法按并行方式搜索一個(gè)種群數(shù)目的點(diǎn)，而不是單點(diǎn)?；蛲蛔兒突蚪徊婵僧a(chǎn)生更適應(yīng)于環(huán)境的后代。 Mendel遺傳學(xué)說(shuō)最重要的是基因遺傳原理。 Darwin進(jìn)化論最重要的是適者生存原理。 實(shí)例 2 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷 ANN設(shè)計(jì) 實(shí)例 2 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷 實(shí)例 2 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷 在實(shí)驗(yàn)測(cè)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。其特征量為 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。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。 %訓(xùn)練的代數(shù) =。 %每 10代顯示一次 =。 。 。 1。 0。 P= [ 0。 左邊是訓(xùn)練過(guò)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(guò)程中自動(dòng)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(shí)，縱坐標(biāo)是負(fù)荷，注意負(fù)荷已經(jīng)被正規(guī)化了。 解釋：設(shè)置訓(xùn)練速率 =。歸一化的方式很多， MATLAB中也有歸一化函數(shù)可對(duì)數(shù)據(jù)進(jìn)歸一化和反歸一化 實(shí)例 1 神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測(cè)中的應(yīng)用 實(shí)例 1 神經(jīng)網(wǎng)絡(luò)在負(fù)荷預(yù)測(cè)中的應(yīng)用 MATLAB實(shí)現(xiàn)函數(shù)=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(gè)與 12個(gè)； 傳遞函數(shù)分別為正切 S函數(shù)與對(duì)數(shù) S函數(shù)； 訓(xùn)練函數(shù)選取增加動(dòng)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。即最高、最低氣溫和天氣特征，可以通過(guò)天氣預(yù)報(bào)得到預(yù)測(cè)日的最高、最低氣溫和天氣特征 (晴天、陰天、雨天 ) ，可以用 0、 、 1 分別表示晴天、陰天、雨天，將預(yù)測(cè)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(gè) 15 維的向量 ,即 n = 15； 目標(biāo)向量就是預(yù)測(cè)日當(dāng)天的 12個(gè)負(fù)荷值，即輸出變量 T為一個(gè) 12維的向量， m = 12。訓(xùn)練過(guò)程會(huì)顯示誤差隨代數(shù)的變化。 本節(jié)主要介紹 NNTOOL圖形工具，神經(jīng)網(wǎng)絡(luò)程序設(shè)計(jì)見(jiàn) 。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)。 （ 2）如果平方誤差在權(quán)值更新后減少，則權(quán)值更新被接受，而且學(xué)習(xí)速度將乘以一個(gè)大于 1的因子。為了提高訓(xùn)練速度，可以在權(quán)值調(diào)整公式中加一動(dòng)量項(xiàng)，其中 a為動(dòng)量系數(shù)： 動(dòng)量項(xiàng)反映了以前積累的調(diào)整經(jīng)驗(yàn)。對(duì)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(gè)碗，其碗底是最小值點(diǎn)。在網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，當(dāng)其權(quán)值調(diào)得過(guò)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(duì)網(wǎng)絡(luò)權(quán)值的調(diào)節(jié)過(guò)程幾乎停頓下來(lái)。1fe iij ??? ???212skkikii we ? BP神經(jīng)網(wǎng)絡(luò) 誤差反向傳播 （ 3）隱含層的權(quán)值變化： 對(duì)從第 j個(gè)輸入到第 i個(gè)輸出的權(quán)值有 ： 其中： （ 4）隱含層的閾值變化： ijib ?? ??? 1 BP網(wǎng)絡(luò)的限制與不足及改進(jìn) BP神經(jīng)網(wǎng)絡(luò) 1 不足 需要較長(zhǎng)的訓(xùn)練時(shí)間 對(duì)于一些復(fù)雜的問(wèn)題， BP算法可能要進(jìn)行幾