【文章內(nèi)容簡(jiǎn)介】 近近幾年發(fā)展的主要目標(biāo)以及趨勢(shì)。 人工神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò)（ ANN）是模擬人類(lèi)神經(jīng)系統(tǒng)處理信息以及傳輸過(guò)程的一種人工 智能技術(shù)方法。在提出模擬神經(jīng)元方法以后，人工神經(jīng)網(wǎng)絡(luò)（ ANN）迅速的發(fā)展成為人工智能技術(shù)的又一個(gè)重要方法。人工 神經(jīng)網(wǎng)絡(luò)的出現(xiàn)為處理非線性問(wèn)題提供了一條新 的道路 。目前在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中， 80%到 90%的人工神經(jīng)網(wǎng)絡(luò)模型 主要 是采用 BP（ Back Propagation)，以下簡(jiǎn)稱(chēng) BP 網(wǎng)絡(luò)或是 它的變化形式。 相比于專(zhuān)家系統(tǒng)，人工神經(jīng)網(wǎng)絡(luò)最大的優(yōu)點(diǎn)就是采用了神經(jīng)元和它們之間有向權(quán)重鏈接來(lái)隱含處理相關(guān)問(wèn)題的理論知識(shí)，同時(shí)也有具有以下一些特點(diǎn)： 1) 自我組織，學(xué)習(xí)能力強(qiáng)， 能夠?qū)W習(xí)并適應(yīng)各種不確定關(guān)系系統(tǒng)的特性。 2) 容錯(cuò)能力較強(qiáng)，能夠充分的達(dá)到任意較為復(fù)雜的非線性關(guān)系。 3) 神經(jīng)元間的計(jì)算性具有獨(dú)立性，所有的定量與定性的相關(guān)信息都均勻分布在網(wǎng)絡(luò)內(nèi)神經(jīng)元里。 4) 人工神經(jīng)網(wǎng)絡(luò)采用了分布處理法，使計(jì)算能力得到提升。 隨著人工神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展，人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)中的應(yīng)用越來(lái)越開(kāi)始活躍。其中第一屆的人工神經(jīng)網(wǎng)絡(luò)（ ANN）在電力系統(tǒng)中的應(yīng)用就于 1991 年在美國(guó)召開(kāi)。目前來(lái)說(shuō)，在電力系統(tǒng)的故障診斷中，人工神經(jīng)網(wǎng)絡(luò)（ ANN）的應(yīng)用主要集中在以下幾方面： 1) 電力系統(tǒng)的負(fù)荷預(yù)測(cè)； 2) 故障診斷與警報(bào)的處理； 3) 可預(yù)測(cè)性分析與狀態(tài)的估計(jì)； 4) 動(dòng)靜態(tài)的 安全穩(wěn)定性估計(jì)； 5) 電力系統(tǒng)的無(wú)功優(yōu)化； 8 6) 暫態(tài)穩(wěn)定控制與運(yùn)行監(jiān)測(cè)系統(tǒng)。 人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)故障診斷中的主要應(yīng)用問(wèn)題是：人工神經(jīng)網(wǎng)絡(luò)不具備相應(yīng)的表達(dá)電力系統(tǒng)拓?fù)浣Y(jié)構(gòu)的相關(guān)能力，僅能在具有固定的接線的中小型電網(wǎng)中得到應(yīng)用，所以說(shuō)怎樣設(shè)計(jì)出能應(yīng)用于大型電網(wǎng)的人工神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)依然是現(xiàn)在的研究發(fā)展趨勢(shì)。圖 3 就是人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)故障診斷中的模型。 圖 3 三層前向人工神經(jīng)網(wǎng)絡(luò)模型 基于優(yōu)化技術(shù)的方法 隨著電力系統(tǒng)的不斷進(jìn)步，專(zhuān)家們研究出很多故障診斷方法技術(shù)。雖然都還不夠成熟，理論體系尚不 夠完整，但前景很不錯(cuò)，值得進(jìn)一步研究。 其中基于優(yōu)化技術(shù)的故障診斷方法是把電網(wǎng)故障診斷問(wèn)題建立成一種解析的數(shù)學(xué)模型，將其描述成為 01 的整數(shù)規(guī)劃問(wèn)題。主要包括遺傳算法，粒子群算法，模擬退火算法以及免疫進(jìn)化算法等，其中遺傳算法就是本文研究的重點(diǎn)。 基于優(yōu)化技術(shù)的診斷方法主要特點(diǎn)是在模型的原理上比較嚴(yán)密，很適合信息比較完整的電力系統(tǒng)故障診斷。另外基于優(yōu)化技術(shù)的也存在許多的不足，主要有以下幾方面： 1) 在形成目標(biāo)函數(shù)的過(guò)程中，對(duì)于如何建立一個(gè)合理的電力系統(tǒng)故障診斷的解析模型，在考慮到多級(jí)的后備保護(hù)時(shí)會(huì)有些困難。 2) 因?yàn)?在 尋求最優(yōu)解的過(guò)程中，存在一些隨機(jī)因素的影響，導(dǎo)致優(yōu)化技術(shù)有時(shí)會(huì)丟失最優(yōu)解。 3) 因?yàn)閮?yōu)化技術(shù)需要迭代計(jì)算，所以其診斷速度是一個(gè)很大的影響因素。 其他技術(shù) 除了以上這些故障診斷技術(shù)。還有以下相關(guān)診斷技術(shù)：模糊集理論、小波分析法、 Petri 網(wǎng)絡(luò)以及粗糙集理論技術(shù)等一些，同時(shí)從數(shù)據(jù)采集的層面上進(jìn)行區(qū)分還有很多相關(guān)技術(shù)方法，另外也通過(guò)多種方法結(jié)合創(chuàng)造出更適合現(xiàn)代復(fù)雜的電網(wǎng)系統(tǒng)的故障診斷技術(shù)，例如遺傳算法與模擬退火技術(shù)相結(jié)合或是專(zhuān)家系統(tǒng)與人工神經(jīng)網(wǎng)絡(luò)結(jié)合的一種診斷方式，如圖 4 所示就是 人工神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng) 結(jié) 合的一種新方法 。 9 神 經(jīng) 知 識(shí) 網(wǎng) 絡(luò) 庫(kù)新 數(shù) 據(jù)訓(xùn) 練 數(shù) 據(jù) 庫(kù)規(guī) 則 ： I F T H E N規(guī) 則 萃 取推 理 機(jī)解 釋 器人 機(jī) 接 口用 戶 圖 4 人工神經(jīng)網(wǎng)絡(luò)專(zhuān)家系統(tǒng)的總體結(jié)構(gòu) 本章小結(jié) 在研究遺傳算法在電力系統(tǒng)故障診斷中的研究之前，本章首先介紹了故障診斷的基本概念與結(jié)構(gòu)，了解了什么是電力系統(tǒng)故障診斷，并說(shuō)明了故障診斷的一些相關(guān)內(nèi)容，通過(guò)變電所的例子來(lái)說(shuō)明故障區(qū)域的識(shí)別原理。然后簡(jiǎn)單介紹了故障診斷中專(zhuān)家系統(tǒng)以及人工神經(jīng)網(wǎng)絡(luò)，并說(shuō)明其特點(diǎn)與存在的問(wèn)題，以及未來(lái)的發(fā)展趨勢(shì)。最后還給出了目前存在的其他一些故障診斷方法。通過(guò)本章的 知識(shí) ，我們明確了電力系統(tǒng)故障診斷的地位以 及重要性。10 第 3 章 遺傳算法的基本原理 及 應(yīng)用 遺傳 算法 （ GA）是 通過(guò) 模擬 Darwin 的 生物進(jìn)化 理 論的 遺傳學(xué)與自然選擇 的生物進(jìn)化過(guò)程的計(jì)算 模型 ，是一種通過(guò)模擬自然進(jìn)化過(guò)程 ，然后 搜索 出 最優(yōu)解 的方法，它最 開(kāi)始是 美國(guó) 密歇根州大學(xué) 的 教授 在 1975 年首 次 提出的，并出版 發(fā)行了很具 影響的《 Adaptation in Natural and Artificial Systems》 一書(shū)， 所提出的 GA 為簡(jiǎn)單遺傳算法（ SGA）。 遺傳算法的基本原理 基本概念 遺傳算法（ GA）是一種隨機(jī)的搜索方法，它借鑒于生物界的進(jìn)化規(guī)律（優(yōu)勝略汰與適者生存）演化而來(lái)的。主要特點(diǎn)是不存在函數(shù)連續(xù)性和求導(dǎo)的限制，能直接對(duì)結(jié)構(gòu)對(duì)象進(jìn)行操作，并且具有更好的全局搜索最優(yōu)解能力和內(nèi)在的隱并行性。采用概率化的尋找最優(yōu)解方法，能自動(dòng)調(diào)整搜索方向并獲取指導(dǎo)優(yōu)化的搜索范圍，沒(méi)有規(guī)則的約束性。 GA 的這些性質(zhì)，被廣泛的應(yīng)用于現(xiàn)代社會(huì)的各個(gè)領(lǐng)域，是現(xiàn)代智能計(jì)算中的重要技術(shù)分支。 遺傳算法特點(diǎn) 遺傳算法（ GA）具有以下一些特點(diǎn)： 1) 與傳統(tǒng)的一些優(yōu)化算法不同，遺傳算法不是從單個(gè)解數(shù)據(jù)進(jìn)行的，是從 問(wèn)題的串集解開(kāi)始搜索。這樣的覆蓋面積大，利于整體選擇最優(yōu)。 2) 遺傳算法對(duì)搜索范圍內(nèi)的多個(gè)解開(kāi)始篩選評(píng)估，能同時(shí)處理種群中的多個(gè)個(gè)體，減少了一定的風(fēng)險(xiǎn)，同時(shí)也讓遺傳算法更好的實(shí)現(xiàn)優(yōu)化。 3) 遺傳算法只用適應(yīng)函數(shù)值來(lái)篩選個(gè)體，不用搜索范圍的知識(shí)或者是其他的信息，在這個(gè)基礎(chǔ)上進(jìn)行操作。適應(yīng)度函數(shù)在它的定義域內(nèi)可以任意的設(shè)置，不受連續(xù)可微的限制。 4) 遺傳算法采用的是概率的變化規(guī)律來(lái)處理其搜索方向。 5) 遺傳算法具有自主的學(xué)習(xí)以及適應(yīng)性，并且有著良好的自我組織能力。 另外遺傳算法作為解決搜索問(wèn)題的一種通用方法，所以 GA 又具有搜索 算法的一些共同特點(diǎn)：最初是組成一組初始解，然后通過(guò)一些相應(yīng)的適應(yīng)性條件計(jì)算出這些解的適應(yīng)度，再根據(jù)適應(yīng)度的特點(diǎn)保留一些初始解，并且篩選掉其他無(wú)效解。最后對(duì)篩選出來(lái)的解進(jìn)行操作處理，得到新的解。 遺傳算法的原理 遺傳算法是優(yōu)化技術(shù)中一個(gè)迭代的過(guò)程，并且在每一次的迭代中都會(huì)保留一組預(yù)備解。然后按照這些解的優(yōu)異性來(lái)進(jìn)行排列，通過(guò)遺傳算子中的交叉以及變異來(lái)對(duì)其運(yùn)算求解出新的預(yù)備解，一直重復(fù)該過(guò)程，直到求出滿足收斂為止。主要包括兩個(gè)方面： 11 1) 怎樣從現(xiàn)有的解集中篩選出一些解（選擇算子）來(lái)產(chǎn)生其后代。 2) 使用哪種 遺傳算子來(lái)對(duì)篩選出的解進(jìn)行運(yùn)算操作。 選擇 算子 使用什么形式的方法對(duì)于形成匹配集對(duì)遺傳算法在性能上有著非常大的影響，可以通過(guò)把前一代種群中的串集的適應(yīng)度，按照從高到低的順序進(jìn)行排列，取排在最前面的串形成匹配集，但是這樣一來(lái)就不方便找到整體的最優(yōu)解，有可能會(huì)導(dǎo)致匹配集中的串的所對(duì)應(yīng)的解在其范圍內(nèi)會(huì)比較的集中。所以使用隨機(jī)性的方法來(lái)構(gòu)成匹配集是一種相對(duì)來(lái)說(shuō)很好的方法。但是必須要保證適應(yīng)值在匹配集中的串?dāng)?shù)值較大，這樣才能有繁殖的機(jī)會(huì)。目前有一種比較好的方法就是采用隨機(jī)的方式兩兩競(jìng)爭(zhēng)，這樣保證了所加 入匹配集中的那些串有比較大的適應(yīng)值。除了兩兩競(jìng)爭(zhēng)的方法外，還有窗口法以及輪轉(zhuǎn)法等。 交叉與變異 交叉的主要目的是可以把兩個(gè)串中較優(yōu)良的遺傳到下一代的某個(gè)串中去，使該串擁有優(yōu)于其上一代的性能。如果交叉之后得到的后代性能不好，那么就可以在此后的選擇過(guò)程中，將本代選擇拋棄，匹配集中只選擇性的保留較好的串。尋求最優(yōu)的搜索過(guò)程主要就是通過(guò)交叉來(lái)得以實(shí)現(xiàn)的，它是遺傳算法中最重要的算子，所以一般說(shuō)它發(fā)生的概率會(huì)比較大。 變異的主要目的是可以使在運(yùn)算過(guò)程中遺失的某個(gè)重要數(shù)據(jù)得以恢復(fù)。因?yàn)樵谶z傳中，如果出現(xiàn)某 一代的串的某些數(shù)字均是 0，那么它的后代的所有串中該位數(shù)將一直為 0，不會(huì)有 1 的出現(xiàn)，不論選擇和交叉的如何進(jìn)行。就是說(shuō) l 這個(gè)數(shù)字信息丟失了，必須通過(guò)變異才可將這個(gè) 1 恢復(fù)。但變異的概率應(yīng)比較小，如果發(fā)生的概率達(dá)到 50%以上，那么遺傳算法就會(huì)變成隨機(jī)搜索了， GA 的一些重要的計(jì)算能力和數(shù)據(jù)特性將不會(huì)存在了。目前的研究表示，使用下面的兩斷點(diǎn)的交叉方式會(huì)比上述的單斷點(diǎn)的交叉方式具有更好的效果。 對(duì)于 C 和 D 中的數(shù)字： C＝ 1 l|0 0 1 0 1|1 1 1 0 1 ； D＝ l 0|0 1 1 1 0|0 1 1 1 1 ， 其中，第 3 位與第 8 位是斷點(diǎn)，就是交叉點(diǎn)。兩斷點(diǎn)交叉之后可以得到： C? ＝ 1 1 0 1 1 1 0 1 1 1 0 1 ； D? ＝ 1 0 0 0 1 0 1 0 1 1 1 1 ， 變異就是串的某個(gè)數(shù)字發(fā)生變化。比如 A 改變成 A? ： A=0 1 0 1 1 0 1 A? =0 1 1 1 1 0 1 A? 是 A 的第三位數(shù)字發(fā)生變異后的結(jié)果。變異可在串的一位或者是多個(gè)位上發(fā)生，但通常使用一位變異的方法。變異的概率 Pm 一般來(lái)說(shuō)都給得比較小，一般在千分之一和十分之一之間，所以變異的數(shù)字的位置都是隨機(jī)確定。 收斂判據(jù) 遺傳算法的收斂判據(jù)是屬于啟發(fā)式的，常規(guī)的數(shù)學(xué)方法在數(shù)學(xué)上都有著比較嚴(yán)格的收斂判據(jù)。遺傳算法的范圍比較廣，因?yàn)槠錄](méi)有使用梯度等一些信息?？墒沁z傳算法同時(shí)要形成數(shù)學(xué)上嚴(yán)格的收斂判據(jù)是比較困難的。 12 目前所使用的判據(jù)比較多，比如從最優(yōu)解的方面所確定 的收斂判據(jù)，在連續(xù)得到的解集中的最優(yōu)解無(wú)變化就會(huì)認(rèn)定 GA 是收斂的；或者通過(guò)所使用的計(jì)算機(jī)容量限制與計(jì)算時(shí)間來(lái)確定的判據(jù)，就是所給與的每一代解集中的串的數(shù)量與迭代的次數(shù)；或者是解集中的最優(yōu)解的適應(yīng)度跟其平均適應(yīng)度之差所占的百分比小于所給定的允許值等判據(jù)。 遺傳算法的分類(lèi) 目前專(zhuān)家們已提出很多不同類(lèi)型及形式的遺傳算法，總的來(lái)說(shuō)可以把這些算法整理為兩種，簡(jiǎn)單遺傳算法（ SGA）與高級(jí)遺傳算法（ RGA）。 簡(jiǎn)單遺傳算法（ SGA） 簡(jiǎn)單遺傳算法（ SGA） 的 基本運(yùn)算 過(guò)程如下： 1) 初始化： 首先令 進(jìn)化代數(shù) 的 計(jì)數(shù)器 初始值 t=0， 然后 設(shè)置最大 的 進(jìn)化代數(shù) T，隨機(jī) 的 生成M 個(gè) 單位讓它們 作為初始 的種群 P(0)。 2) 個(gè)體評(píng)價(jià)：計(jì)算 出種群 P(t)中 的每一個(gè) 個(gè)體的 適應(yīng)度 。 3) 選擇運(yùn)算 ： 選擇操作 就 是建立在 種群 中 每一個(gè) 個(gè)體的 適應(yīng)度 評(píng)估 的 基礎(chǔ) 之 上 ， 將選擇算子作用 到 群體 。 選擇 運(yùn)算 的 主要 目的 就 是把優(yōu)化 后 的個(gè)體直接遺傳到下一代或 者是 通過(guò)交叉 配對(duì)來(lái) 產(chǎn)生新的個(gè)體 然后 再遺傳到下一代 之中去 。 4) 交叉運(yùn)算：交叉是指把兩個(gè)父代個(gè)體的 一 部分結(jié)構(gòu)加以 更換 重組 然后 生成 的 新個(gè)體的操作 。 將交叉算子作用 到種群中 。 GA 中起 關(guān)鍵 作用的 就是 交叉 算子。 5) 變異運(yùn)算 ：將變異算子作用 到種群 。 就 是對(duì)群體中的個(gè)體串的 一些基因 上的基因 做出相應(yīng)的 變動(dòng) 。 群體 P(t)再 經(jīng)過(guò)選擇、交叉、 計(jì)算 之后得到下一代 的種群 P(t 1)。 6) 終止條件判斷 ： 若 t=T,則以進(jìn)化過(guò)程中 得到的最大 適應(yīng)度 個(gè)體作為 最優(yōu)解 ， 最后 計(jì)算 終止。 簡(jiǎn)單遺傳算法的步驟如圖 5 所示。 13 開(kāi) 始產(chǎn) 生 初 始 種 群計(jì) 算 適 應(yīng) 度適 應(yīng) 度 時(shí) 候 達(dá) 到 期 望 值 或迭 代 次 數(shù) 是 否 達(dá) 到 最 大 值選 擇交 叉計(jì) 算 適 應(yīng) 度適 應(yīng) 度 時(shí) 候 達(dá) 到 期 望 值 或迭 代 次 數(shù) 是 否 達(dá) 到 最 大 值變 異否結(jié) 束是是 圖 5 遺傳算法方框圖 在遺傳算法的優(yōu)化準(zhǔn)則中，通常會(huì)根據(jù)處理的問(wèn)題不同而有不一樣的確定方法，一般的判斷條件用有以下幾種規(guī)則： 1) 在群體中的個(gè)體的最大適應(yīng)度值高于初始預(yù)設(shè)值； 2) 在群體中的個(gè)體的平均適應(yīng)度值高于初始預(yù)設(shè)值； 3) 代數(shù)高于初始預(yù)設(shè)值。 高級(jí)遺傳算法（ RGA） 高 級(jí)遺傳算法與簡(jiǎn)單遺傳算法的步驟基本是一樣的，只有變異與交叉的方法不同，高級(jí)遺傳算法一般采用兩斷點(diǎn)交叉或者是均勻交叉的方法。不同于簡(jiǎn)單遺傳算法，高級(jí)遺傳算法的變異概率以及交叉概率是可變的，通過(guò)遺傳算法的原理可知，在迭代之前，變異概率比較小，交叉概率比較大，這樣才能確定計(jì)算過(guò)程的穩(wěn)定進(jìn)行。在迭代的后期，解群中的 串 已漸漸的趨于穩(wěn)定，可能收斂于局 部的最優(yōu)解，這時(shí)交 叉的作用已經(jīng)開(kāi)始慢慢減小，其發(fā)生的概率 可降低，而變異的 概率應(yīng)該給定得略大點(diǎn)，方便之后有機(jī)會(huì)跳出局部的最優(yōu)解，進(jìn)入新的搜索范圍。本文采用的交叉 概率以及變異概率隨迭代次數(shù)的增加而改變的方程是： 14 兩式中： t ：迭代的次數(shù) tcP ： 交叉概率 在 第 t 次 迭 代 時(shí)的 數(shù)值 0cP ：交叉 概率的初 始值 tmP ：變異概率在第 t 次迭代時(shí)的數(shù)值 0mP ：變異 概率的初 始值 megn ：允許的 最大迭代次數(shù) 可以發(fā)現(xiàn)，交叉概率是隨著迭代的次數(shù)增加而呈現(xiàn)出線性遞減趨勢(shì)的，其最小允許值在達(dá)到最大允許迭代次數(shù)時(shí)為 。而變異的概率是隨著迭代次數(shù)的增加而呈現(xiàn)線性增加的趨勢(shì)，其值在達(dá)到最大允許迭代次數(shù)時(shí)為 。 簡(jiǎn)單遺傳算法和高級(jí)遺