人工智能作业智能技术及其应用Word文档下载推荐.docx
《人工智能作业智能技术及其应用Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《人工智能作业智能技术及其应用Word文档下载推荐.docx（12页珍藏版）》请在冰豆网上搜索。
主题3
一、搜索技术在电力系统无功优化中的应用3
二、搜索技术在电力系统故障恢复中的应用5
三、搜索技术在网络重构中的应用7
总结8
参考文献：
8
2.框架知识表示法、面向对象知识表示法在电力系统的应用9
一、框架表示法及其在电力系统中的应用9
二、面向对象知识表示法在电力系统中应用10
11
3.基于主观贝叶斯方法的电力系统故障诊断12
一、基于主观贝叶斯方法电力系统故障诊断概述12
二、基于主观贝叶斯方法电力系统故障诊断具体分析12
13
4.人工神经网络在电力系统预测中的应用方法13
一、人工神经网络在电力系统预测中的应用13
二、基于BP模型的神经网络在电力系统短期负荷预测中的应用14
三、人工神经网络在电力系统预测应用时的难点15
15
1.搜索技术在电力系统中的应用综述
前言
随着单一电力系统的联合，现代电力系统的规模变大，机组容量增大，网络结构更为复杂，属于高维时变非线性系统，这种大机组、大系统、大电网的精确规划、设计及运行中存在着许多特殊问题：
有些问题没有精确的数学模型，如：
元件及系统的故障诊断；
系统规模太大，情况太复杂，求解困难，如：
大系统的信息报警处理和优化设计问题；
有些问题的求解不能用数学形式表示，而是经验性、启发式、直觉的，如：
运行操作。
而人工智能研究的正是这种没有成熟方法可循的问题领域，只能依靠经验，利用已有知识逐步摸索求得问题的解[1]，这种探索的过程成为搜索。
本文通过搜索技术在电力系统无功优化、电力系统故障恢复以及网络重构三方面的应用的分析，分析说明搜索技术在电力系统中的应用。
主题
一、搜索技术在电力系统无功优化中的应用
随着电力系统的不断发展，综合无功控制与优化问题日益突出，电力系统无功分布的合理与否直接影响着电力系统的安全和稳定。
所谓无功优化，就是当系统的结构参数及负荷情况给定时，通过对某些控制变量的优化，在满足所有指定约束条件的前提下，使系统的一个或多个性能指标达到最优的无功调节手段[2]。
在处理无功优化问题时，控制变量的投切电容组和有载调压器主变抽头位置都是离散变量，发电机端电压为连续变量，系统潮流的方程为非线性方程，因此电力系统无功优化问题是一个多维、变量类型混和、非线性、多目标规划问题[3]。
无功优化的方法大致可以分为常规优化算法和人工智能优化方法[2]。
电力系统无功功率常规优化方法是从某个初始点出发，按照一定的轨迹不断改进当前解，最终收敛于最优解。
这类优化方法有线性规划法、非线性规划法、二次规划方法及混合整数规划法、动态规划法等。
上述用于无功优化的方法都不同程度的存在以下问题：
依赖于精确的数学模型，但精确的数学模型比较复杂，难以适应实时控制的要求，而粗略的数学模型又存在较大误差；
对初始点的要求比较严格，只有初始点离全局最优点较近时，可能达到真正的最优，否则产生的只能是次优解，甚至是不可行解；
基于导数信息的无功优化方法对日标函数和约束条件有一定的限制，如连续和可微等，必要时需做简化和近似处理；
“维数灾”问题难以解决[4]。
针对这些问题，人们逐渐把人工智能方法运用到无功优化研究领域。
人工智能方法包括现代启发式搜索算法、专家系统和人工神经元网络等。
现代启发式搜索算法中的禁忌搜索（Tabu搜索）、模拟退火算法、遗传算法等在电力系统无功优化中的应用已取得了大量的研究成果[2]。
与严格的数学优化方法不同，以上方法通过采用一定的搜索策略求解问题可以很好地处理离散的、非线性问题。
目前，这些方法已初步应用到电力系统中，在一定程度上提高了计算的收敛性和速度，弥补了数学优化方法的不足，并取得了较好的优化结果。
如下对电力系统无功优化主要采用的搜索方法进行说明：
1．禁忌搜索：
TS方法是一种扩展邻域的启发式搜索方法，能在搜索过程中获得知识，并用以避免局部极值点[5]。
其具体过程是：
首先产生一个初始解，然后采用一组“移动”操作从当前解邻域中随机产生一系列实验解，选择其中对目标函数改善最大的“移动”做当前解，重复迭代，直到满足一定的终止准则。
为了避免局部邻域搜索陷入局部最优的不足，TS将最近迭代的移动记录到Tabu表中，避免重复搜索。
另外，为了尽可能不错过产生最优解的“移动”，若满足特赦规则，即使它处于禁忌表中，这个移动也可实现。
但TS采用单点搜索，算法的收敛速度和最终解的好坏与初始解有很大关系，全局搜索能力差，随着控制变量数目增多，计算时间变长，寻优速度慢。
但是近些年提出的一些改进的Tabu搜索算法在一般的Tabu搜索算法的基础上，考虑一些限制因素，如考虑有功损耗费用和补偿费用，使得总费用最小，对搜索步长、禁忌表、不同循环点的选择以及算法终止判据等问题做了改进，更容易跳出局部最优解，保证可以搜索整个可行域，从而得到全局最优解的可能性更大。
与线性规划算法相比具有更强的全局寻优能力[4]。
2．模拟退火算法：
SA方法是一种基于热力学的退火原理建立的启发式随机搜索算法，使用基于概率的双向随机搜索技术，能有效的解决带约束的组合优化问题，能以概率1收敛到全局最优解。
但在实际应用中，算法的收敛性和收敛速度依赖于退火方案的选择，其中包括退火初始温度的设置；
为保证同一温度下的“充分”搜索退火速度的选择；
根据邻域搜索中解质量变差的概率分布采用的降温方式等，而这些参数都很难确定。
但是一些文献根据电力系统实际运行情况及模拟退火算法自身的特点，就编码方式、状态产生函数、状态接受函数、初温、温度更新函数以及内、外循环终止准则等主要问题提出了改进SA算法，具有搜索效率高，原理及实现简单，速度快等优点[4]。
3．遗传算法：
GA是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法，与传统算法相比，遗传算法具有算法简单，对目标函数不要求可导、可微，且能方便地处理离散控制变量和能获得全局最优解等优点。
因此它被广泛应用于组合优化、机器学习、规划设计、函数优化等许多领域。
在当前电力系统中,基于遗传算法的无功优化是一个十分热门的课题。
遗传算法用于无功优化就是在电力系统环境下的一组初始解，受各种约束条件的限制，通过适应值评估函数评价其优劣，适应值低的被抛弃，只有适应值高的才有机会将其特性迭代到下一轮解，最后趋向于最优解。
简单遗传算法（SGA）的遗传方式比较简单，即在轮盘赌选择、单点交叉及变异等遗传操作下进行无功优化，它所需的时间很长，一般较少采用。
兼顾收敛速度和解的品质这两个指标，简单遗传算法并不比其它搜索方法优越，因此将遗传算法与其它算法相结合的混合算法已成为遗传算法发展的趋势。
由于遗传算法的结构是开放式的，与问题本身无关，所以它很容易和其它算法综合[7]。
应用到实际电力系统无功优化领域的遗传算法主要有以下几种：
单纯对SGA的遗传操作做出改进；
采用与人工神经网络、模拟退火、模糊集理论、专家系统或启发式算法等其它方法相结合的策略。
二、搜索技术在电力系统故障恢复中的应用
随着电网建设的逐步升级和加强，电网结构趋于成熟稳定，但也愈加庞大繁杂。
然而电网不可避免受到故障影响而导致停电，会严重危害社会经济的持续稳定发展。
停电时间的长短和停电范围的大小都取决于故障定位和事故恢复能力的有效性。
因此，研究及时、准确的电力系统故障恢复方法已经成为完善电网建设的一项重要任务[8]。
电力系统故障恢复过程中需要考虑很多问题，如机组控制、保护装置整定、区域振荡的防范、元件的安全运行等，因此它是一个多目标、多阶段的混合非线性多约束优化问题[9]。
由于配电网和输电网的结构与特点不同，恢复策略存在很大的差异。
下面将分别讨论配电网故障恢复与输电网故障恢复方法。
1．配电网故障恢复中搜索策略的应用：
故障恢复的目标就是在允许的操作条件和电气约束下，尽可能地恢复停电区中非故障区的供电。
这需要综合考虑可用电源的容量、电源与负荷问的平衡、支路容量限制、辐射状网络的保持、操作代价和网损最小等因素。
具体来说，恢复策略必须满足以下目标：
尽可能多地恢复停电负荷，具有优先级别的负荷可以优先恢复；
尽可能少地操作开关；
尽可能减少故障恢复前后网络结构上的变动[8]。
目前在故障恢复过程中应用的搜索方法主要有遗传算法、基于Petri网的故障恢复方法、启发式搜索算法。
其中遗传算法方法的关键在两点：
染色体的编码和适应度函数的构造。
例如针对配电网故障恢复可将停电地区的开关和馈线状态用0或1来表示，作为每个染色体的基因，相应的染色体就可表示成为一个二进制符号串，代表一项恢复措施。
遗传算法没有传统算法中复杂的数学过程，因此适应性强，容易应付问题中可能出现变化的约束条件和目标。
此外，简单的计算编码和并行运算能力让这种算法更添优势。
但是，建立数学模型的难度决定了遗传算法的有效性。
此外，交叉和变异操作也在很大程度上影响最后的结果。
所以，如何确定相应的参数还有待进一步的研究[8]。
Petri网是一种有向加权的网络图形，其中有两类节点：
位置节点P（用圆形来表示）和跃迁节点T（用短线表示），两类节点问用有向加权弧来连接，从而构成了静态的网络结构[8]。
Petri网的初始状态被称为初始标记，它给每个位置节点分配一个非负整数，用令牌（token）来表示。
网络的动态特性由位置节点中令牌的数目及其跃迁来实现。
如果某个跃迁节点的每个输入位置节点中，令牌的数量都不小于该位置节点到此跃迁节点间有向弧的权值，那么就称这个跃迁是可以触发的。
发射过程就是将该跃迁的输入位置节点中的令牌移动到该跃迁的输出位置节点中。
根据这种动态规则，当网络中没有跃迁可以激活时，它进入了最终的稳定状态。
追踪所有发射的跃迁节点，就可以得到问题的解。
Petri网不仅能用图形表示问题的静态结构和动态行为，还能用矩阵计算来描述推理过程。
因此Petri网是研究和模拟系统同时发生、次序发生或循环发生的各种活动的理想工具。
故障恢复实际上就是电网重构，可以归结为电气元件状态的变化和具体的恢复步骤。
如果把电气元件状态设定为位置节点，恢复步骤设定为跃迁节点，就可以用Petri网来处理故障恢复问题。
启发式搜索是一类受启发式规则引导的搜索模式，依靠专门的信息来简化搜索，提高搜索效率。
评价函数被用来评价搜索空间，这样就可以在有限的空间中实现优先搜索。
因此，对于处理大规模问题，这种方法比起普通的搜索要有效得多。
大多数以启发式搜索求解故障恢复的方法都是基于开关的操作[9,10]，用启发式规则来定义专门的运行标准，以检验大量的候选解。
通常，最优算法与这些规则相结合，寻求使用最少开关操作的最优解，从而减少了搜索的时间。
不像其他人工智能方法的知识库中那些规则，启发式规则都是纲要性的，所以不受系统结构的约束。
虽然启发式算法应用广泛，但是那些基于调度员现场经验和技术分析的启发式规则大大决定着该算法的效率，而且不能保证一定得到最优解。
一旦搜索不到解，这种算法也无法得到只少量甩负荷以保全大局的后备方案。
2．输电网故障恢复中搜索策略的应用与配电网的故障恢复相比，由于输电网恢复过程涉及发电、输电和配电等各个环节,考虑因素和调控环节非常繁杂,难度比较大，国内在这方面深入的研究较少，应用于实际系统的成果更是少见。
复杂系统的黑启动是一个崭新的课题，恢复过程中的控制措施十分复杂，国内外正在这方面进行积极探索和实践。
其中文献[11]提出一种基于规则的深度优先搜索策略，从而搜索出更精简的初始方案。
三、搜索技术在网络重构中的应用
网络重构是配电系统运行和控制的重要手段，也是配电自动化系统的重要组成部分。
配电网络重构是通过改变分段开关的不同位置来实现的，目的是为了减少网损、平衡负荷和改善电压质量[12]。
当今配电网络重构技术正在向多学科交融方向发展。
最优配电网络重构技术最早是由Merlin和Back于1975年提出来的，之后不断有研究成果发表，提出了多种方法，如从早期的传统解析方法到启发式和随机优化技术，再到近期的人工智能技术。
传统的解析优化方法有计算时间长的缺点，其中作为优化变量的开关数量众多，穷举搜索将面临“组合爆炸”的问题。
因此，解析优化方法目前不能处理复杂的大规模的电力系统。
最优流模式和支路交换法是两种最为经典的启发式方法[12]。
但均存在着一定的问题如计算时间长和收敛于局部解。
近年来，近全局寻优技术（如模拟退火算法，遗传算法，禁忌搜索算法等）作为许多工程问题的一种可行的解决方法已经引起了广泛关注。
1．基于模拟退火算法的配电网络重构：
如前文中所介绍模拟退火算法基于物理学中固体物质的退火过程与组合优化的相似性，是基于MenteCarlo迭代求解的一种全局概率型搜索算法。
将配电网络重构问题描述为具有等式约束和不等式约束的不可微的多目标优化问题[13]，通过对退火方案的选取来提高收敛速度。
2．基于遗传算法的配电网络重构：
如前文中所述，遗传算法是在研究自然遗传现象与人工系统的自适应行为时，借鉴“优胜劣汰”的生物进化与遗传思想而提出的一种全局性并行搜索算法。
遗传算法应用于配电网重构的思路是：
设满足某一个或多个指标的最优网构作为遗传算法的目标数，配以电压约束，线路容量约束，电源容量限制，以及不出现环网和孤岛等约束条件。
目标函数和约束条件就组成了评价遗传产生的个体的优劣以及计算其适配值的依据。
针对原始数据的编码，一般以开关的开合状态为依据，每一串代表一种网构。
遗传操作对码串的处理主要包括：
产生初始种群，计算适配值、遗传、交叉、变异等。
经过多次迭代，得到的结果码串就是所期望的全局最优解（最优网构）。
然后译码，将此码串翻译成网络拓扑图的形式[14]。
GA不受目标函数连续性、可导性等约束条件的限制，在解的空间多点并行搜索，有较高的搜索效率，但收敛性能较差，容易出现早熟收敛。
通过遗传算法和其他算法的结合来改进遗传算法成为研究者的新课题。
3．基于禁忌搜索算法的配电网络重构：
如前文中所述禁忌搜索算法是模拟智力过程而提出的一种具有记忆功能的全局逐步优化算法。
禁忌搜索算法是对局部邻域搜索的一种扩展，是一种全逐步寻优算法，是对人类智力过程的一种模拟。
通过引入一个灵活的储结构和相应的禁忌准则来避免迂回搜索，并通过藐视准则来赦免一些被禁忌的优良状态，进而保证多样化的有效搜索以最终实现全局优化。
TS算法灵活的记忆功能，避免了搜索时陷入局部最优，但对初始值有较强的依赖性，且搜索过程是单对单的串行操作，而非并行操作。
另外，随着人工智能的迅速发展，提出了混合智能算法在配电网重构中的应用理念。
如通过将遗传算法和粒子群算法相结合而成的混合的粒子群算法[15]，PSO寻优禁忌搜索算法。
总结
现代电力系统属于高维时变非线性系统，存在一些问题没有精确的数学模型或是结果不能用数学形式表示或是模型过于复杂，用常规求解方法无法求解。
而人工智能正适合处理非线性系统及无法用解析式表达的知识，其通过逐步的探索求得问题的解。
根据探索过程中搜索策略的不同，人工智能产生不同的搜索方法。
搜索技术在电力系统中的应用主要分为三方面：
电力系统无功优化、电力系统故障恢复以及网络重构。
电力系统无功优化是一个多维、变量类型混和、非线性、多目标规划问题，在此领域应用较为广泛的搜索方法主要有禁忌搜索、模拟退火算法、遗传算法。
电力系统故障恢复是一个多目标、多阶段的混合非线性多约束优化问题，并且由于配电网和输电网的结构与特点不同，恢复策略存在很大的差异。
配电网相对输电网较为简单，在此方面的研究较多，搜索方法主要有遗传算法、基于Petri网的故障恢复方法、启发式搜索算法。
对输电网的故障恢复的研究中针对黑启动的研究是一个崭新的课题。
配电网络重构是一个大规模非线性混合规划问题，具有大量的局部最优解，一般不可微、不连续、多维、有约束条件、高度非线形化等特点，搜索方法主要有禁忌搜索、模拟退火算法、遗传算法。
总之，基于电力系统高维时变非线性系统的特点，人工智能搜索技术为电力系统无功优化、电力系统故障恢复以及网络重构等问题提供了新的有力的分析工具。
各种方法各有有缺点，应当根据实际问题采用不同的搜索技术。
另外，对搜索技术的改进和搜索技术的组合及搜索技术与其他技术的结合在电力系统中的应用成为电力系统研究的新方向。
[1]王万森．人工智能原理及其应用（第2版）[M]．电子工业出版社，2007
[2]赵迪，元亮，原宗辉．电力系统无功优化的综述[J]．中国电力教育，2008
[3]蔺红，等．改进遗传算法在电力系统无功优化中的应用[J]．水力发电，2007
[4]苏玲．基于混沌搜索的遗传算法在电力系统无功优化中的研究[D]．华北电力大学，2004
[5]刘玉田，马莉．基于Tabu搜索方法的电力系统无功优化[J]．电力系统自动化，2000
[6]陈宏伟，张兴凯，王宽．电力系统无功优化的研究现状和展望[J]．电气应用，2006
[7]张昆，潘云江，柴芬义．遗传算法在电力系统无功优化中的应用综述[J]．电力情报，2001
[8]沈璐，毕天姝，黄少锋，杨奇逊．配电网故障恢复方法综述[J]．能量管理系统及配网自动化，2003
[9]蒋雷海，万芳茹，徐泰山．电力系统故障恢复方法简述[J]．电力自动化设备，2002
[10]侯荣升，王材赣．基于Petri网的电力系统故障域搜索[J]．江西电力职业技术学院学报，2008
[11]林济铿，等．电力系统黑启动初始方案的自动形成[J]．电力系统自动化，2008
[12]邱荣福，吕学勤，陈树果．配电网络重构算法研究与展望[J]．中国高等学校电力系统及其自动化专业第二十六届学术年会暨中国电机工程学会电力系统专业委员会2010年年会论文集，2010
[13]许立雄．基于粒子群优化算法的配电网络重构[D]．四川大学硕士学位论文，2006
[14]唐群纲．配网故障定位和重构的启发式及遗传算法[D]．重庆大学硕士学位论文，2007
[15]牛东晓，顾曦华．遗传粒子群混合算法在配电网络重构多目标优化中的应用[J]．华北电力技术，2007
[16]廖鹏，黄民翔．使用PSO寻优的遗传算法在配网重构中的应用[J]．机电工程，2007
2.框架知识表示法、面向对象知识表示法在电力系统的应用
一、框架表示法及其在电力系统中的应用
框架表示法是在框架理论基础上发展起来的一种结构化知识表示方法[1]。
在框架理论中，框架是知识的基本单位，把一组有关的框架连接起来便可形成一个框架系统。
在框架系统中，系统的行为由该系统内框架的变化来实现，系统的推理过程有框架之间的协调来完成。
一个框架由框架名和若干个槽组成，槽值描述框架所表示实体的各个属性。
每个槽又可由多个侧面组成，各个侧面从不同方面描述槽的特性。
在较为复杂的框架中，槽可以看成为子框架，其本身可进一步分层次，框架之间的联系方式分为纵向和横向两种联系；
框架之间通过泛化关系（Isa链、Ako链或Part-of链）连结成上下层的纵向联系；
而框架中的槽值（同一框架中的2个槽值或不同框架之间的槽值）之间建立的关系形成框架之间的横向联系。
框架之间通过这2种联系方式产生关联，从而组成框架系统（或称框架网络）。
不同的框架网又可通过信息检索网络组成更大的系统，代表一套完整的知识。
在框架的层次型结构中，上位框架为抽象度高的信息，下位框架为具体的信息，最下位框架对应于各个事例[2]。
在框架系统中，问题求解主要是通过对框架的继承、匹配与填槽来实现的。
当求解问题时，需要先把该问题用框架表示出来，然后利用框架之间的继承关系，把它与知识库中已有的框架进行匹配，找出一个或多个候选方案，并在这些候选方案引导下进一步获取附加信息，填充尽量多的槽值，已建立一个描述当前情况的实例。
电力系统由发电厂、升降压变电站、各种电压等级的输电线路及用户的用电设备组成，它具有明显的层次型结构特点[2]。
针对某一变电站而言，其电气设备的拓扑关系也具有层次关系。
可用母线框架、线路框架等分别表示变电站中的相应设备。
由这些框架相互关联构建变电站框架。
文献[2]介绍了一种基于框架理论的变电站操作票自动生成系统。
该系统用框架知识袁示法描述电力系统的设备参数，建构了一个直观的、层次分明的数据结构。
通过融合框架理论于面向对象的语言VC++中，开发了集通用、实用、智能于一体的操作票专家系统。
本系统的知识库中存放着电力系统设备操作方面的用框架理论表示的专家知识，用户可通过人机接口进行修改或增删，以确保其知识能适应实际情况的变化。
数据库中存放着基于框架理论变电站（发电厂）设备参数的原始数据和推理过程中得到的各种中间信息，其中设备参数的原始数据可通过人机接口进行修改。
推理机通常包括推理机制和控制策略，而框架结构的推理主要包括匹配和填槽操作，此次对知识的搜索采用深度优先搜索正向推理算法，由于开操作票问题的搜索空间较小，因而能够达到良好的快速性和有效性。
另外系统还包括图形管理模块和操作票管理模块以及系统管理模块。
综上，框架表示法的特点：
结构性（善于表示结构性知识，能够把知识内部结构关系及知识间的特殊关系表示出来）；
深层性（能用来表达事物间复杂的深层关系）；
继承性（下层框架继承上层框架的槽值，也可以进行补充和修改，减少知识的冗余，较好的保证知识的一致性）；
自然性（与实体的相关特性集中在一起，直观自然）。
缺点：
缺乏框架的形式理论，缺乏过程性知识表示、清晰性难以保证。
框架表示法经常与产生式表示法结合起来使用，来弥补各个表示法的不足。
二、面向对象知识表示法在电力系统中应用
面向对象知识表示方法是一种把面向对象的思想应用于人工智能的知识表示方法中，是建立在对象概念基础上的知识表示方法。
在面向对象技术中常用的基本概念有对象、类、封装和继承。
面向对象的知识表示方法将多种单一的知识表示方法（规则、框架、过程）按照面向对象程序设计方法组成一种混合知识表达形式，即以对象为中心，将对象的属性、动态行为和特征、相关领域知识和数据处理方法等有关知识“封装”在表达对象的结构中[3]。
面向对象的基本特征有模块性、继承性、封装性、多态性、易维护性、便于增量设计。
基于以上特点，面向对象知识表示法在电力系统故障诊断[3]、电力系统继电保护[4]和电网规划建模[5]等方面有所应用。
下面根据文献[3]说明面向对象知识表示法在电力系统中的应用方法。
知识表征：
电网故障诊断专家系统主要依据断路器跳闸保护动作信息，在电网拓扑结构知识的基础上进的，按元件的类型不同可将故障分为3种类型，即线路故障、变压器故障和母线故障。
由于目前的SCADA系统中无保护动作信息，当需要保护动作信息时，需询问调度员。
因此在故障诊断过程中，要根据电网报警信息，并与通过人机交互获得的保护动作信息相结合，经过某种推理机制（正向、反向或混合推理），才能得到最终的诊断信息。
在这个过程中所需要的知识复杂多样，有电网拓扑结构知识、保护动作知识和有关的故障诊断知识时，采用面向对象的方法来表示，可将电网故障诊断知识表示为线路故障、变压器故障和母线故障，每种故障又按各个不同的元件故障分类。
使用这种方法表示故障诊断知识时，将电网拓扑结构、保护动作和有关诊断知识融为一体，统一用类和对象来表示，并用C++等语言编程实现。
知识推理：
面向对象的知识推理的特
升级会员 