【正文】 范圍。 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交叉或者是均勻交叉的方法。簡單遺傳算法的步驟如圖5所示。群體P(t)再經過選擇、交叉、計算之后得到下一代的種群P(t 1)。5) 變異運算：將變異算子作用到種群。將交叉算子作用到種群中。選擇運算的主要目的就是把優(yōu)化后的個體直接遺傳到下一代或者是通過交叉配對來產生新的個體然后再遺傳到下一代之中去。2) 個體評價：計算出種群P(t)中的每一個個體的適應度。 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）?？墒沁z傳算法同時要形成數(shù)學上嚴格的收斂判據是比較困難的。 收斂判據遺傳算法的收斂判據是屬于啟發(fā)式的，常規(guī)的數(shù)學方法在數(shù)學上都有著比較嚴格的收斂判據。變異可在串的一位或者是多個位上發(fā)生，但通常使用一位變異的方法。兩斷點交叉之后可以得到：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 ，變異就是串的某個數(shù)字發(fā)生變化。目前的研究表示，使用下面的兩斷點的交叉方式會比上述的單斷點的交叉方式具有更好的效果。就是說l這個數(shù)字信息丟失了，必須通過變異才可將這個1恢復。變異的主要目的是可以使在運算過程中遺失的某個重要數(shù)據得以恢復。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。除了兩兩競爭的方法外，還有窗口法以及輪轉法等。但是必須要保證適應值在匹配集中的串數(shù)值較大，這樣才能有繁殖的機會。 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度，按照從高到低的順序進行排列，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，有可能會導致匹配集中的串的所對應的解在其范圍內會比較的集中。主要包括兩個方面：1) 怎樣從現(xiàn)有的解集中篩選出一些解（選擇算子）來產生其后代。 遺傳算法的原理遺傳算法是優(yōu)化技術中一個迭代的過程，并且在每一次的迭代中都會保留一組預備解。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：最初是組成一組初始解，然后通過一些相應的適應性條件計算出這些解的適應度，再根據適應度的特點保留一些初始解，并且篩選掉其他無效解。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。3) 遺傳算法只用適應函數(shù)值來篩選個體，不用搜索范圍的知識或者是其他的信息，在這個基礎上進行操作。這樣的覆蓋面積大，利于整體選擇最優(yōu)。GA的這些性質，被廣泛的應用于現(xiàn)代社會的各個領域，是現(xiàn)代智能計算中的重要技術分支。主要特點是不存在函數(shù)連續(xù)性和求導的限制，能直接對結構對象進行操作，并且具有更好的全局搜索最優(yōu)解能力和內在的隱并行性。第3章 遺傳算法的基本原理及應用遺傳算法（GA）是通過模擬Darwin的生物進化理論的遺傳學與自然選擇的生物進化過程的計算模型，是一種通過模擬自然進化過程，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）。最后還給出了目前存在的其他一些故障診斷方法。圖4 人工神經網絡專家系統(tǒng)的總體結構 本章小結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構，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內容，通過變電所的例子來說明故障區(qū)域的識別原理。 其他技術除了以上這些故障診斷技術。2) 因為在 尋求最優(yōu)解的過程中，存在一些隨機因素的影響，導致優(yōu)化技術有時會丟失最優(yōu)解?；趦?yōu)化技術的診斷方法主要特點是在模型的原理上比較嚴密，很適合信息比較完整的電力系統(tǒng)故障診斷。其中基于優(yōu)化技術的故障診斷方法是把電網故障診斷問題建立成一種解析的數(shù)學模型，將其描述成為01的整數(shù)規(guī)劃問題。圖3 三層前向人工神經網絡模型 基于優(yōu)化技術的方法隨著電力系統(tǒng)的不斷進步，專家們研究出很多故障診斷方法技術。人工神經網絡在電力系統(tǒng)故障診斷中的主要應用問題是：人工神經網絡不具備相應的表達電力系統(tǒng)拓撲結構的相關能力，僅能在具有固定的接線的中小型電網中得到應用，所以說怎樣設計出能應用于大型電網的人工神經網絡故障診斷系統(tǒng)依然是現(xiàn)在的研究發(fā)展趨勢。其中第一屆的人工神經網絡（ANN）在電力系統(tǒng)中的應用就于1991年在美國召開。4) 人工神經網絡采用了分布處理法，使計算能力得到提升。2) 容錯能力較強，能夠充分的達到任意較為復雜的非線性關系。目前在人工神經網絡的實際應用中，80%到90%的人工神經網絡模型主要是采用BP（Back Propagation)，以下簡稱BP網絡或是它的變化形式。在提出模擬神經元方法以后，人工神經網絡（ANN）迅速的發(fā)展成為人工智能技術的又一個重要方法。同時，專家系統(tǒng)的容錯能力也有待提升，這方面可以通過將模糊集的理論與其相結合，對知識庫進行模糊的推理使專家系統(tǒng)得到改善，這是專家系統(tǒng)在故障診斷方法近近幾年發(fā)展的主要目標以及趨勢。作為發(fā)展最早的人工智能系統(tǒng)之一，專家系統(tǒng)雖然已經有著較為成熟的理論知識體系，但是也存在很多缺陷在實際的應用中。2) 結合正反推理的系統(tǒng)。其中圖1為專家系統(tǒng)的完整結構。專家系統(tǒng)法有謂詞邏輯表達法，基于框架的知識表達法，語意網絡表達法，以及產生式規(guī)則表達法等多種表達法。5) 由于下一級的元件設備故障，開關或者是保護拒動導致本級后備動作，本級元件被斷電，并且和下一級元件同樣斷開的情況。3) 由于有設備發(fā)生故障，導致保護誤操作的切除的區(qū)域。變電所網絡拓撲結構一般通過停電區(qū)域的劃分可以分成多個連通的區(qū)域，再進一步經過電源點的檢測來確定停電的區(qū)域以及帶電的區(qū)域，所有這些無源的連通區(qū)域并不是代表有故障點就會被保護切除，而是包括下列五種情況：1) 停運設備區(qū)。2) 由于支路的斷開引起會被分裂成兩個連通子圖G1和G2，這兩個端點不會再存在連通路徑，而是分別屬于G1以及G2，這里有可能會有一個 節(jié)點成為孤立的節(jié)點，如果該節(jié)點是輸入與輸出的節(jié)點，那么就保留。2) 如果支路的兩端節(jié)點最開始屬于不相同的兩個連通子圖G1和G2，那么就合并這兩個子圖G1與G2成為一個新的連通子圖，這個包括G1和G2的全部支路以及節(jié)點，同樣包括。只需要在故障信息出現(xiàn)時根據所跳閘的支路對該變電所進行局部的拓撲修正就可以。當變電站有故障發(fā)生的時候，一般只會有少數(shù)的支路發(fā)生合與斷，所以在每次故障診斷的時候都檢測所有的支路并確認停電范圍明顯是很不必要的。孤立的節(jié)點如果是輸入以及輸出的節(jié)點，那么就定義成 屬于相同的一個連通區(qū)域，并且這個區(qū)域只有一個節(jié)點。規(guī)則B判斷支路和節(jié)點是否在一個連通區(qū)域范圍內的定義：1) 支路如果是連通的，那么該支路以及所在兩端的節(jié)點都屬于同一個區(qū)域范圍。規(guī)則A 支路的合與斷的定義：“或”的 關系：支路上任何一個串聯(lián)設備都是斷開的狀態(tài)，支路才是“不連通”。一般變電站的網絡拓撲結構通常是支路集合以及節(jié)點集合組合成的，其中支路又是通過一個或者是多個 串 聯(lián) 的 裝 置 構 成。圖G的連接分子圖是所要確定的G`=（N`，E`）。 故障區(qū)域識別這里通過變電所為例子來說明故障區(qū)域的識別問題。遠后備保護（第二后備保護）：線路的遠后備保護主要用作保護變壓器，在相鄰的區(qū)域故障而該區(qū)域的保護未 動 作時。近后備保護（第一后備保護）：變壓器的近后備 保護 用于當 主 保 護發(fā) 生 拒 動后引起動作跳 開 變 壓器兩端 的所有 斷路 器。4) 安全自動裝置信息：主要包含 備 自投，過負荷以及自動重合閘等安全自動裝置的動作信息。2) 刀閘信息：目前的大部分的刀閘 信息一般都不傳遞給調度，只是保留在電廠的監(jiān)控系統(tǒng)里，提供給查詢使用，主要原因是其數(shù)據信息量過大。4) 故障的決定：通過故障的評價結果，對電力系統(tǒng)做出相關的決定，如報警停機等。2) 故障的分析：根據系統(tǒng)檢測到的故障信息進行一定的分析，來發(fā)現(xiàn)并找出故障，同時確定故障的嚴重程度和性質。27第2章 常見電網故障診斷方法 電網故障診斷的基本概念電力系統(tǒng)故障診斷是指在電網中，通過實時狀態(tài)監(jiān)測系統(tǒng)所得到的系統(tǒng)狀態(tài)以及設備狀態(tài)的各項數(shù)據和系統(tǒng)處理的運算結果提供的數(shù)據信息，來找出電網的故障地點位置原因以及嚴重程度，然后提供相關處理建議。3) 深入理解采用遺傳算法診斷故障的方法，明確基于遺傳算法的故障診斷原理后建立復雜故障情況下的目標函數(shù)，確定其診斷流程。 本文的主要內容1) 研究基于遺傳算法的電網故障診斷的發(fā)展歷程、研究現(xiàn)狀和未來的發(fā)展趨勢。如文獻[19]就是將遺傳算法與人工神經網絡結合提出的新方法以及文獻[20]將免疫，混沌和遺傳三個算法結合利用混沌運動的遍歷性以及隨機性產生初始種群，加快搜索的速度；利用免疫理論的濃度計算與調整加入新的混沌 序列補充 種群，增加了種群的多樣性，避免陷入局部的最優(yōu)；交叉變異結束后在最優(yōu)解附近再利用混沌進行局部尋優(yōu)提高結果的準確度。為了提高遺傳算法的收斂性，又考慮到交叉率（Pc）與變異率（Pm）的選擇問題，該文獻簡要介紹了在個體適應度的基礎上自動適應調整Pc與Pm的自適應遺傳算法，在分析其不足并加以改進后提出了改進的自適應遺傳算法，使其在最優(yōu)解的收斂速度上有了明顯提高。該診斷法介紹了采用分層信息和遺傳算法的優(yōu)點，論述了基于遺傳算法的分層信息故障診斷法的流程，并通過模型算例來證明了方法的有效性與準確性。在文獻[17]中從提高實時性與靈活性的角度闡述了一種分層信息故障診斷法。第三部分介紹將該軟件實際應用到浙江省220kV以上電力系統(tǒng)