【文章內(nèi)容簡介】 。 0。 0。 0。 。 1。 0]‘ T=[ 。 。 。 。 。 。 。 。 。 ]39。 實例 1 神經(jīng)網(wǎng)絡(luò)在負荷預(yù)測中的應(yīng)用 %創(chuàng)建一個新的 bp前向神經(jīng)網(wǎng)絡(luò) %newff生成一個新的 bp前向神經(jīng)網(wǎng)絡(luò) =newff(minmax(P),[10,12],{‘ tansig’ ,‘ logsig’ },‘ trainlm’ )； %設(shè)置訓(xùn)練參數(shù) =10。 %每 10代顯示一次 =。 %訓(xùn)練速率 =3。 =。 %動量因子 =100000。 %訓(xùn)練的代數(shù) =。 %目標誤差 實例 1 神經(jīng)網(wǎng)絡(luò)在負荷預(yù)測中的應(yīng)用 %訓(xùn)練 bp前向神經(jīng)網(wǎng)絡(luò) [,tr]=train(,P,T)。 %仿真 A=sim(,P) ％計算仿真誤差 E=TA SSE=sse(E) 實例 2 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷 電力變壓器的安全運行對保證供電的可靠性具有重要的意義，現(xiàn)有的實驗方法中，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，不利于診斷的實現(xiàn)； IEC三比值法和日本的改良電協(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，本實例針對變壓器故障特點，研究采用合適結(jié)構(gòu)和算法的神經(jīng)網(wǎng)絡(luò)，用以實現(xiàn)變壓器故障的準確診斷。 實例 2 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷 ANN設(shè)計 網(wǎng)絡(luò)輸入層節(jié)點數(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。其特征量為 H2， CH{， C2H4， C2H2， C2H6，這樣點數(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。當考慮正常情況也作為一種類型時。一個 M 為 5節(jié)點的網(wǎng)絡(luò)輸出層被確定。 實例 2 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷 ANN設(shè)計 實例 2 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷 實例 2 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷 在實驗測試中，收集了 30組變壓器樣本，并隨機取出 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。 實例 2 基于神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷 神經(jīng)網(wǎng)絡(luò)的診斷要比三比值法準確。通過改進學(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，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 概述 遺傳算法的基本思想是基于 Darwin進化論和Mendel的遺傳學(xué)說的。 Darwin進化論最重要的是適者生存原理。它認為每一物種在發(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。它認為遺傳以密碼方式存在細胞中，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，屬于全局多點隨機搜索算法，因此，目前被廣泛應(yīng)用于各種復(fù)雜優(yōu)化中。 遺傳算法的特點與優(yōu)點 （ 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，而不是單點。 （ 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函數(shù)和適應(yīng)度函數(shù)。 （ 4）遺傳算法強調(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 生物進化理論和遺傳學(xué)基本概念 染色體 —— 生物細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體。如：人就是一個個體，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。 生物進化理論和遺傳學(xué)基本概念 進化 —— 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)象稱為進化。生物的進化以種群的形式進行的。如：如人從猿人進化到今天富有智慧的現(xiàn)代人，這一個過程就是進化過程。 適應(yīng)度 —— 在研究自然界中的生物的遺傳和進化現(xiàn)象時 ，生物學(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會。而對于生存環(huán)境適應(yīng)度較低的物種，其繁殖機會就會較少，甚至滅絕 。 生物進化理論和遺傳學(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)移到新生的細胞中，新的細胞繼承了舊的細胞的基因。 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個新的染色體。這個過程又稱基因的重組。 生物進化理論和遺傳學(xué)基本概念 變異 —— 在細胞進行復(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。 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。首先要計算適應(yīng)度：（ 1）按比例計算適應(yīng)度，（ 2）基于排序的適應(yīng)度計算。 個體1個體2個體3個體4個體5個體6個體7個體8個體9個體10個體 染色體 適應(yīng)度 選擇概率 累積概率 1 0001100000 8 2 0101111001 5 3 0000000101 2 4 1001110100 10 5 1010101010 7 6 1110010110 12 7 1001011011 5 8 1100000001 19 9 1001110100 10 10 0001010011 14 輪盤賭選擇 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化之所在 ,隨機產(chǎn)生一個交叉點位置，父體 1和父體 2在交叉點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 個體間的單點交叉 遺傳算法的基本操作 3 變異 作用：如果只考慮交叉操作實現(xiàn)進化機制，在大多情況下是不行的，這與生物界近親繁殖影響進化歷程是類似的。因為種群個體數(shù)是有限的，經(jīng)過若干代交叉操作，因為源于一個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。 實現(xiàn)：模仿生物變異的遺傳操作，對于二進制的基因碼組成的個體種群，實現(xiàn)基因碼的小概率翻轉(zhuǎn)，即達到變異目的 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 遺傳算法的進化過程示意 一般而言，一個世代的簡單進化包括了適應(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，在隨機確定的“ /”位置實行單點交叉生成 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)，末代種群眾最佳個體作為問題的最優(yōu)近似解。 遺傳算法的進化過程示意 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） （ 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 1100110100 1100000001 1010010011 1110100000 10010010110 1001000001 1001110100 0001101010 0001010110 1110011011 1101110100 1100000001 1010010011 一個典型遺傳算法流程框圖 N 初始化參數(shù) 停止 對待優(yōu)化參數(shù) 進行 N位二進制編碼 初始化種群 模型仿真，計算適應(yīng)度 用輪盤賭法選擇個體，并保留適應(yīng)度最好 10%個體 按 作 按 是否滿足算法結(jié)束 條件 顯示優(yōu)化后結(jié)果 開始 Y 解碼 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。 MATLAB遺傳算法工具