【文章內(nèi)容簡介】 計(jì)；5) 電力系統(tǒng)的無功優(yōu)化；6) 暫態(tài)穩(wěn)定控制與運(yùn)行監(jiān)測系統(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。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)?；趦?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)的過程中，對于如何建立一個(gè)合理的電力系統(tǒng)故障診斷的解析模型，在考慮到多級的后備保護(hù)時(shí)會(huì)有些困難。2) 因?yàn)樵?尋求最優(yōu)解的過程中，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)專家系統(tǒng)結(jié)合的一種新方法。圖4 人工神經(jīng)網(wǎng)絡(luò)專家系統(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，并說明了故障診斷的一些相關(guān)內(nèi)容，通過變電所的例子來說明故障區(qū)域的識別原理。然后簡單介紹了故障診斷中專家系統(tǒng)以及人工神經(jīng)網(wǎng)絡(luò)，并說明其特點(diǎn)與存在的問題，以及未來的發(fā)展趨勢。最后還給出了目前存在的其他一些故障診斷方法。通過本章的知識，我們明確了電力系統(tǒng)故障診斷的地位以及重要性。第3章 遺傳算法的基本原理及應(yīng)用遺傳算法（GA）是通過模擬Darwin的生物進(jìn)化理論的遺傳學(xué)與自然選擇的生物進(jìn)化過程的計(jì)算模型，是一種通過模擬自然進(jìn)化過程，然后搜索出最優(yōu)解的方法，并出版發(fā)行了很具影響的《Adaptation in Natural and Artificial Systems》一書，（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，能直接對結(jié)構(gòu)對象進(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，是從問題的串集解開始搜索。這樣的覆蓋面積大，利于整體選擇最優(yōu)。2) 遺傳算法對搜索范圍內(nèi)的多個(gè)解開始篩選評估，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)值來篩選個(gè)體，不用搜索范圍的知識或者是其他的信息，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，并且篩選掉其他無效解。最后對篩選出來的解進(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)異性來進(jìn)行排列，通過遺傳算子中的交叉以及變異來對其運(yùn)算求解出新的預(yù)備解，一直重復(fù)該過程，直到求出滿足收斂為止。主要包括兩個(gè)方面：1) 怎樣從現(xiàn)有的解集中篩選出一些解（選擇算子）來產(chǎn)生其后代。2) 使用哪種遺傳算子來對篩選出的解進(jìn)行運(yùn)算操作。 選擇算子使用什么形式的方法對于形成匹配集對遺傳算法在性能上有著非常大的影響，可以通過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)性的方法來構(gòu)成匹配集是一種相對來說很好的方法。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)的方式兩兩競爭，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。除了兩兩競爭的方法外，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)的搜索過程主要就是通過交叉來得以實(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l這個(gè)數(shù)字信息丟失了，必須通過變異才可將這個(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 1A=0 1 1 1 1 0 1A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一般來說都給得比較小，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]有使用梯度等一些信息。可是遺傳算法同時(shí)要形成數(shù)學(xué)上嚴(yán)格的收斂判據(jù)是比較困難的。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)解無變化就會(huì)認(rèn)定GA是收斂的；或者通過所使用的計(jì)算機(jī)容量限制與計(jì)算時(shí)間來確定的判據(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)。 遺傳算法的分類目前專家們已提出很多不同類型及形式的遺傳算法，總的來說可以把這些算法整理為兩種，簡單遺傳算法（SGA）與高級遺傳算法（RGA）。 簡單遺傳算法（SGA）簡單遺傳算法（SGA）的基本運(yùn)算過程如下：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交叉配對來產(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。簡單遺傳算法的步驟如圖5所示。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。 高級遺傳算法（RGA）高級遺傳算法與簡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。不同于簡單遺傳算法，高級遺傳算法的變異概率以及交叉概率是可變的，通過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：兩式中：：迭代的次數(shù)：交叉概率在第t次 迭代時(shí)的數(shù)值：交叉 概率的初 始值：變異概率在第t次迭代時(shí)的數(shù)值：變異 概率的初 始值：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)出線性遞減趨勢的。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。簡單遺傳算法和高級遺傳算法有很多差異，主要的區(qū)別有如下兩點(diǎn)：1) 簡單遺傳算法只有變異和交叉，但是高級遺傳算法中還有很多新的算子，實(shí)現(xiàn)其算子的方式是不一樣的。2) 簡單遺傳算法中的變異和交叉算子它們發(fā)生的概率是固定不變的，但是高級遺傳算法的概率則具有可變性。在高級遺傳算法開始計(jì)算的時(shí)候，一般來說給定的交叉算子概率Pc的值比較大，而變異算子的概率Pm值較小，通過計(jì)算，交叉算子概率Pc減小和變異算子概率Pm增大，一直到Pm和P