人工智能最优潮流算法综述
摘要：最优潮流是一个典型的非线性优化问题，且由于约束的复杂性使得其计算复杂，难度较大。目前人们已经拥有了分别适用于不同场合的各种最优潮流算法，包括经典法和人工智能法。其中人工智能算法是近些年人们开始关注的，一种基于自然界和人类自身有效类比而从中获得启示的算法。这类算法较有效地解决了全局最优问题，能精确处理离散变量，但因其属于随机搜索的方法，计算速度慢难以适应在线计算。本文着力总结新近的人工智能算法，列举其中具有代表性的遗传算法、模拟退火算法、粒子群算法等以及其相应的改进算法，以供从事电力系统最优潮流计算的人员参考。
关键词：最优潮流；智能算法；遗传算法；粒子群算法；
0.引言
所谓最优潮流(Optimal Power Flow，OPF)，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，所能找到的在满足所有指定约束条件的前提下，使系统的某一个或多个性能指标达到最优时的潮流分布。为了对电力系统最优潮流的各种模型更好地进行求解，世界各国的学者从改善收敛性能和提高计算速度的角度，提出了求解最优潮流的各种计算方法，包括经典法和人工智能法。其中最优潮流的经典算法是基于线性规划、非线性规划以及解耦原则的计算解法，是研究最多的最优潮流算法。目前，已经运用于电力系统最优潮流的算法有简化梯度法、牛顿法、内点法等经典算法；而随着计算机的发展和人工智能研究水平的提高，现在也逐渐产生了一系列基于智能原理的如遗传算法、模拟退火算法和粒子群算法等人工智能算法，两类算法互补应用于最优潮流问题中。
1.概述
人工智能算法，亦称“软算法”，是人们受到自然界（包括人类自身）的规律启迪，根据探索其外在表象和内在原理，进行模拟从而对问题求解的算法。
电力系统最优潮流问题研究中，拥有基于运筹学传统优化方法的经典算法，主要有包括线性规划法和非线性规划法，如简化梯度法、牛顿法、内点法和解耦法等解算方法，这类算法的特点是以一阶或二阶梯度作为寻找最优解的主要信息。这些经典优化算法依赖于精确的数学模型，但精确的数学模型比较复杂，难以适应实时控制要求，而粗略的数学模型又存在较大误差。
而随着科学技术领域中多学科的交叉和渗透，优化算法领域逐渐出现了一系列人工智能优化算法，也称之为基于随即搜索的优化方法，其中以遗传算法、模拟退火算法和粒子群算法等为代表。由于基于随机搜索的优化方法具备全局寻优能力，对函数性态的依赖性小，可解决寻找全局最优解的问题和离散变量处理上的困难，近年来在最优潮流领域中迅猛发展并得到广泛研究。
2.最优潮流人工智能算法
2.1.遗传算法(GA)
遗传算法是效仿基于自然选择的生物进化、模仿生物进化过程的随机方法。算法采纳了自然进化模型，其基本操作主要有选择、交叉和变异三种。用遗传算法进行0PF计算首先对控制变量进行编码而形成进化的个体，随机产生若干个符合OPF约束条件的个体作为初始种群，计算每个个体的适应度函数值，按照某种选择策略从中选择出第一代父体进行交叉和变异操作，产生新的子代，验证每个子代是否符合OPF的约束条件，若符合则进入下一代，否则重新产生一个符合约束条件的个体来补充，如此重复进行计算直到符合终止条件。遗传算法OPF能够在全局收敛至最优解或近似最优解，但计算
量大，整个算法的收敛速度较慢。另外，对于较大的电力系统来说，控制变量多，而且变量的变化范围大，随机或经交叉和变异产生的个体较难符合OPF潮流平衡约束条件，因而使得遗传算法0PF很难应用于大规模电力系统。
文献[ 3 ]提出一种基于遗传算法的最优潮流模型，本文提出基于以节点电压幅值、网络拓扑图的一个支撑树的各支路两端节点电压相角差及可调变压器变比为编码对象,采用实数染色体编码法,将遗传算法引入到最优潮流问题中。
文献[ 4 ]提出了一种基于学习策略的遗传算法用于解决最优潮流问题。文献中提到的学习策略使得种群中的普通个体可以向优良个体学习其优秀的基因结构，从而提高了个体的适应度，加快了算法的寻优速度，增强了算法的搜索能力。
文献[ 2 ] 对传统遗传算法的一些遗传操作做了一些改进，提出的适应性函数的构造和终止进化准则的改进措施，并通过对IEEE30节点电网数据进行电力系统最优潮流的优化计算，其结果表明：基于改进遗传算法的电力系统最优潮流明显提高了电网的电压合格率，同时降低了有功网损，加快了计算速度。
文献[ 5 ]基于传统遗传算法，在保留最优个体的遗传算法以及受蜜蜂种群繁殖进化的机制启发下，提出了一种基于单蜂王交配的遗传算法，通过算例仿真表明其有效性和可行性，但算法随机性质仍存在一定问题，对算法效率影响较大。
2.2.模拟退火算法(SA)
模拟退火法是1982年Kirkpatrick等将固体退火思想引入组合优化领域而提出的一种大规模组合优化问题的有效近似算法。该算法是基于热力学的退火原理建立随机搜索算法，使用基于概率的双向随机搜索技术。当基于邻域的一次操作使当前解的质量提高时，模拟退火法接受这个被改进的解作为新的当前解；在相反的情况下，则以一定的概率接受这个变差的解作为当前解。模拟退火算法收敛性较好，计算精度高，但是参数的确定不太方便，另外计算时间也比较长，一般只能做离线研究，不能满足在线应用的需要。
文献[ 7 ]提出了模拟退火算法在输电网络扩展规划中的应用，该文献先用直流潮流模型建立该问题的非线性整数规划模型，然后用模拟退火算法求解该模型的最优解，其中对退火算法作了相应的改进如无需初始可行解，简化新解方式，用增量计算目标函数，采用稀疏矩阵技术等。算例分析得出，算法虽然对较大规模系统难找出全局最优，但搜索局部最优速度快，可不断试验调整控制参数，具有很大灵活性。
文献[ 8 ]提出了一种基于自适应模拟退火遗传算法，该方法基于模拟退火算法思想，与遗传算法结合，通过拉伸目标函数的适应度使优秀个体在产生后代时具有明显的优势，从而加速寻优的过程。该算法进行IEEE30试验系统计算，结果表现出一定的灵活性和有效性。
2.3.粒子群算法(PSO)
粒子群算法是演化优化算法的一种，最初通过图形化模拟二维空间鸟群觅食行为转化而来。它模拟鸟群在飞行过程中个体根据自身的经验和同伴的经验调整自身的飞行来发现食物或栖息地，从而达到最快或者最省力的目的。PSO算法将其推广到N维空间，将单个的鸟称为“粒子”或“个体”，每个粒子均代表优化问题的一个候选解，它可以遍历整个粒子空间来发现全局的最优解。该算法本质上属于迭代的随机搜索算法，具有并行处理特征，鲁棒性好，易于实现。该算法原理上可以以较大的概率找到优化问题的
全局最优解，计算效率较高，己成功地应用于求解电力系统中各种复杂的优化问题。
文献[ 9 ]将粒子群优化算法与混合罚函数结合，限制了最优潮流的约束条件，是粒子群算法的寻优速度加快，迭代次数减少。并对IEEE9节点模型和IEEE30节点模型进行了仿真计算，优化结果相对于二次规划法和线性规划法具有较好的精度和较优的收敛性能。文献[ 10 ]提出了的改进粒子群算法，也采用了自适应罚函数来处理最有潮流问题中的各种约束，并与遗传算法进行比较验证其有效性。
文献[ 11 ][ 12 ]提出了一种结合混沌变量良好的遍历特性及混沌优化特点的混沌粒子群优化方法，该方法利用混沌对初始值的敏感性和遍历特性，有效地克服了PSO算法的局部收敛问题。文献[ 13 ]提出的一种新的考虑电压稳定约束的混沌粒子群优化算法，将L指标作为电压稳定指标，并建立了一种用混沌粒子群优化算法来求解含电压稳定约束的最优潮流计算，克服常规粒子群优化算法容易早熟而陷入局部最优解的缺点。
文献[ 14 ]提出一种带赌轮选择的双种群粒子群优化算法,以2个种群并行搜索过程扩大了整个粒子群的搜索范围，使得寻找到最优点的概率明显提高，有效避免了搜索陷入局部极值从而导致算法早熟的问题，同时概率选择机制使得粒子可以在较好的可行解邻近范围内高强度搜索，增强了算法的局部搜索能力。
2.4.人工免疫算法（AIS）
人工免疫系统对外来抗原的识别过程是一个寻找能够与抗原结合力最大的抗体的过程。根据免疫系统响应的作用原理，许多学者提出了不同的人工免疫算法来解决最优潮流问题。人工免疫算法具有较好的优化性能，它作为一种崭新的优化方法逐渐引起了人们的注意，不过由于起步较晚，其应用研究的深度和广度还有待于进一步加强。
文献[ 15 ]基于人工免疫算法进行电力系统最优潮流计算的应用，模拟了免疫系统中抗体亲和力成熟的过程，增加了免疫记忆与抑制、免疫补充等算子，与遗传算法相比，该算法具有较快的收敛速度和良好的全局搜索能力，能够有效地搜索到全局最优点。
文献[ 16 ]提出了一种改进的人工免疫算法来进行最优潮流计算，采用基于矢量距的设计体系，突破了传统免疫算法易于陷入局部最优的困境，能够有效地搜索到全局最优点，并且具有较好的收敛性，不容易出现维数灾难。
文献[ 17 ]提出的改进人工免疫算法中，采用了基于亲和度计算的选择机制，对抗体进行抑制和促进选择，始终保持了群体的多样性，有效地避免了陷入局部最优解。此外，本文还采用了记忆机制，使原有抗原迅速激发并产生大量抗体，提高了计算速度，加强了局部搜索能力。
2.5.其他智能算法
随着计算机的发展和人工智能的进一步研究，运用于电力系统最优潮流的智能算法出现了多样化的趋势，除了上述几种较为常见的新型智能算法外，还有许多如人工鱼群算法、搜寻者算法、禁忌搜索算法，蚁群算法等人工智能算法。
蚁群算法是受到蚂蚁在觅食过程中能发现蚁巢到食物的最短路径这种搜索机制的启发而发展起来的一种群体智能算法。文献[ 18 ]研究了蚁群算法的进展，对蚁群算法的起源和发展历史、算法理论研究的主要内容和方法、基于算法的改进以及应用范畴等，进行了系统的总结与综述，并对这一新型现代启发式算法的发展方向进行了展望。文献[ 19 ]提出了基于混合连续蚁群算法的最优潮流算法，该方法将蚁群优化算法(ACO)的正
反馈特性与实数遗传算法(GA)的进化策略相结合，克服了基本蚁群算法只适用于离散问题的局限性，并提高了寻优的效率，同时采用动态调整罚函数策略，有效提高了算法的全局收敛能力和计算精度，采用优进策略，提高了算法的收敛速度。
人工鱼群算法是一种基于模拟鱼群行为的随机搜索优化算法，主要利用了鱼的觅食、聚群和追尾行为，从构造单条鱼的底层行为做起，通过鱼群中各个体的局部寻优达到全局最优值在群体中突现出来的目的。文献[ 20 ]提出了基于人工鱼群优化算法(AFSA)的最优潮流(OPF)计算方法，算法结合动态调整罚函数的方式，将最优潮流问题转化为一个无约束求极值问题，有效提高了算法的全局收敛能力和计算精度，，并与粒子群算法和遗传算法进行了比较，仿真结果表明，该算法能够更好地获得全局最优解。
搜寻者优化算法是研究人类在随机搜索时所采用的交流、协作、记忆、推理、学习等智能行为，结合搜索和进化思想，不断更新搜寻者的位置，求得问题的最优解。文献[ 21 ]将搜寻者算法应用到最优潮流计算中，选取发电机机端电压、变压器分接头位置和可投切电容器组等控制变量构建初始矩阵，对IEEE30、IEEE57标准系统进行测试，有效地搜索到最优解且具有较好的全局寻优能力。
3.结束语
目前，电力系统网络互联、实时控制、FACTS以及电力市场等的出现向电力系统最优潮流提出了更高的要求，需要计算速度更快、收敛性更好、鲁棒性更强的算法。新兴的人工智能算法为电力系统最优潮流问题注入了活力，因其区别于经典法的独特优点，以及计算机和人工智能研究的飞速发展。各种人工智能算法中还出现有了相互融合、各取所长的综合算法，这些都体现了人工智能算法的灵活性和巨大潜力。但由于这类算法仍处于发展前期，其计算时间长等缺点仍然影响其在最优潮流中的广泛运用。在以后的OPF研究中，须针对所研究问题的实际情况和特点，根据经典法和智能法的各自优缺点，将不同算法进行合理的整合，各取所长，研究出具有快速计算、可靠收敛的算法，满足新形势下电力系统发展的需要。
4.参考文献
[1] 安宇,王明.电力系统最优潮流分析[J].中国电力教育,2010,111(16):254-255.
[2] 周文华.基于改进遗传算法的电力系统最优潮流[J].科技信息，2008，35：21-22
[3] 彭慧敏,赵菁,谢维廉.基于遗传算法的最优潮流[J].贵州工业大学学报,2003,32(1):45-48
[4] 余健明,刘恒,王海燕，等.基于学习策略的遗传算法在最优潮流中的应用[J].西安理工大学学报，2007，23（4）：370-374
[5] 卢雪燕,周永权,廖向阳.基于单蜂王交配的遗传算法在最优潮流计算中的应用[J].中国高新技术企业,2008:98-99
[6] 段金长.改进遗传算法在电力系统无功优化中的应用[J].电网与水力发电进展，2008，24（6）：15-20
[7] 刘学智,袁荣湘,刘涤尘.模拟退火算法在输电网络扩展规划中的应用[J].电力系统及其自动化学报,2010,22(2):11-14
[8] 乐秀皤,覃振成,尹峰.基于自适应模拟退火遗传算法的多目标最优潮流.继电器，2005，33（7）：10-15
[9] 崔鹏程,陈明榜, 向铁元.基于粒子群优化算法与混合罚函数法的最优潮流计算[J]. 中国农村水利水电,2007,2:90-92
[10] 段启平,贺成才. 基于改进粒子群优化算法的电力系统有功最优潮流[J]. 华中电力,2008,1:18-24
[11] 刘自发，葛少云，余贻鑫．基于混沌粒子群优化方法的电力系统无功最优潮流[J]．电力系统自动化，2005，29 (7)：53—57．
[12] 赵志学,罗可,唐江桦. 改进混沌PSO算法的电力系统最优潮流计算[J]. 计算机工
程与应用,2009,45(25):205-211
[13] 刘航英,邱晓燕,李华.基于改进粒子群算法的计算及电压稳定约束的最优潮流计算[J]. 机电信息,2009,30:75-77
[14] 李婷,赖旭芝,吴敏. 基于双种群粒子群优化新算法的最优潮流求解[J]. 中南大学学报,2007,38(1):133-137
[15] 杨建宁,孙玉坤,李自成,等. 基于免疫算法的电力系统最优潮流计算[J]. 中国农村水利水电,2007,5:104-107
[16] 李秀卿,王水英,葛广林,等. 改进免疫算法在电力系统有功优化中的应用[J].2007,27(4):55-60
[17] 肖力.基于改进免疫算法的电力系统最优潮流计算[J].继电器,2007,35(18):21-24
[18] 马军建,董增川,王春霞,等. 蚁群算法研究进展[J]. 河海大学学报,2005,33(2):139-143
[19] 陈厚合，吕志远，朱景明.基于混合连续蚁群算法的最优潮流研究
[J].东北电力大学学报,2009,29(6):54-59
[20] 刘耀年,李迎红,张冰冰,等. 基于人工鱼群算法的最优潮流计算[J]. 电工电能新技术,2006,25(4):30-33
[21]陈维荣,张倩,王劲草,等. 搜寻者优化算法在最优潮流中的应用[J]. 电力系统及其自动化学报,2009,21(1):64-67
最优控制综述 摘要：本文主要阐述了关于最优控制问题的基本概念。最优控制理论是研究和解决从一切可能的控制方案中寻找最优解的一门学科，解决最优控制问题的主要方法有古典变分法、极大值原理和动态规划，同时本文也介绍了最优控制理论在几个研究领域中的应用，并对最优控制理论做了一定的总结。 关键字：最优控制；最优化；最优控制理论 Abstract: This article mainly elaborated on the basic concept of optimal control problems. Optimal control theory is studied and solved from all possible solutions to find the optimal solution of a discipline, to solve optimal control problems of the main methods are classical variational method, with the maximum principle and dynamic programming principle. At the same time, this paper also introduces the application of optimal control theory in several research fields, and a summary of optimal control theory. Key Words: Optimal control; optimization; optimal control theory 1.引言 最优控制是现代控制理论的重要组成部分，它研究的主要问题是：在满足一定约束条件下，寻求最优控制策略，使得性能指标取极大值或极小值。最优控制是使控制系统的性能指标实现最优化的基本条件和综合方法。可概括为：对一个受控的动力学系统或运动过程，从一类允许的控制方案中找出一个最优的控制方案，使系统的运动在由某个初始状态转移到指定的目标状态的同时，其性能指标值为最优。最优控制是最优化方法的一个应用。从数学意义上说，最优化方法是一种求极值的方法，即在一组约束为等式或不等式的条件下，使系统的目标函数达到极值，即最大值或最小值。 最优控制理论是研究和解决从一切可能的控制方案中寻找最优解的一门学科，基本内容和常用方法包括动态规划、最大值原理和变分法。这方面的开创性工作主要是由贝尔曼（R.E.Bellman）提出的“动态规划”和庞特里亚金等人提出的“极大值原理”，到了60年代，卡尔曼（Kalman）等人又提出了可控制性及可观测性概念，建立了最优估计理论。这方面的先期工作应该追溯到维纳（N.Wiener）等人奠基的控制论（Cybernetics）。最优控制理论的实现离不开最优化技术。控制系统最优化问题，包括性能指标的合理选择以及最优化控制系统的设计，而性能指标在很大程度上决定了最优控制性能和最优控制形式。最优化技术就
基于规则的专家系统 1.基于规则的专家系统有5个部分组成：知识库、数据库、推理引擎、____和用户界面 A.解释设备 B.外部接口 C.开发者接口 D.调试工具 2.前向（正向）推理是数据驱动的。推理从已知的数据开始，依次执行每条可执行的规则，规则所产生的新的事实被加入到数据库中，直到没有规则可以被执行为止。请根据以下的数据库和知识库推出有哪些元素被加入到数据库中 A. N X Y Z B. L X Y Z C. N L X Z
D. L N X Y 3.关于专家系统，以下说法错误的是 A.允许不精确的推理，但不能处理不完整、不确定和模糊的数据 B.当数据不完账或模糊时，有可能会出错 C.当需要新知识时，很容易实现调整。 D.提供知识与处理过程明确分离的机制 4.对于规则的专家系统的缺点，下列说法错误的是 A.规则之间的关系不明确 B.低效的搜索策略 C.没有学习能力 D.没有统一的结构 5.对于规则的专家系统的优点，下列说确的是 A.规则之间的关系透明
B.高效的搜索策略 C.处理不完整、不确定的知识 D.具备学习能力 基于规则的专家系统中的不确定性管理 6.专家系统中不确定性知识的来源一般分为4种：弱暗示、____、未知数据，以及合并不同专家观点时的困难 A.不完整的信息 B.不一致的信息 C.不确定的信息 D.不精确的语言
7.有一同学，考试成绩数学不及格的概率是0.15，语文不及格的概率是0.05，两者都不及格的概率为0.03，在一次考试中，已知他数学不及格，那么他语文不及格的概率是多少？ A.0.2 B.0.25 C.0.4 D.0.6 8.掷三枚骰子，事件A为出现的点数之和等于5的概率为 A.1/18 B.1/36 C.1/72 D.1/108 9.下列哪个符合著名的贝叶斯公式 A.P(Ai/B) = P(Ai) x P(B/Ai) /Σ(P(Aj) x P(B/Aj)) B.P(Ai/B) = P(Ai) x P(Ai/B) /Σ(P(Aj) x P(B/Aj)) C.P(Ai/B) = P(B) x P(B/Ai) /Σ(P(Aj) x P(B/Aj))
基于内点法的最优潮流计 算 Prepared on 24 November 2020
摘要 内点法是一种能在可行域内部寻优的方法，即从初始内点出发，沿着中心路径方向在可行域内部直接走向最优解的方法。其中路径跟踪法是目前最具有发展潜力的一类内点算法，该方法鲁棒性强，对初值的选择不敏感，在目前电力系统优化问题中得到了广泛的应用。本文采用路径跟踪法进行最优求解，首先介绍了路径跟踪法的基本模型，并且结合具体算例，用编写的Matlab程序进行仿真分析，验证了该方法在最优潮流计算中的优越性能。 关键词：最优潮流、内点法、路径跟踪法、仿真
目次
0、引言 电力系统最优潮流，简称OPF（Optimal Power Flow）。OPF问题是一个复杂的非线性规划问题，要求满足待定的电力系统运行和安全约束条件下，通过调整系统中可利用控制手段实现预定目标最优的系统稳定运行状态。针对不同的应用，OPF模型课以选择不同的控制变量、状态变量集合，不同的目标函数，以及不同的约束条件，其数学模型可描述为确定一组最优控制变量u，以使目标函数取极小值，并且满足如下等式和不等式。 {min u f(x,u) S.t.?(x,u)=0 g(x,u)≤0 （0-1）其中min u f(x,u)为优化的目标函数，可以表示系统运行成本最小、或者系统运行网损最小。S.t.?(x,u)=0为等式约束，表示满足系统稳定运行的功率平衡。g(x,u)≤0为不等式约束，表示电源有功出力的上下界约束、节点电压上下线约束、线路传输功率上下线约束等等。 电力系统最优潮流算法大致可以分为两类：经典算法和智能算法。其中经典算法主要是指以简化梯度法、牛顿法、内点法和解耦法为代表的基于线性规划和非线性规划以及解耦原则的算法，是研究最多的最优潮流算法, 这类算法的特点是以一阶或二阶梯度作为寻找最优解的主要信息。智能算法主要是指遗传算法和模拟退火发等，这类算法的特点是不以梯度作为寻优信息，属于非导数的优化方法。 因此经典算法的优点是能按目标函数的导数信息确定搜索方向，计算速度快，算法比较成熟，结果可信度高。缺点是对目标函数及约束条件有一定的限
薛晓东建模方法综述本刊Ｅ－ｍａｉｌ：ｂｊｂ＠ｓｘｉｎｆｏ．ｎｅｔ综述 中部分可能是彼此相关的变量。 （２）现场数据采集与处理。采集被估计变量和原始辅助变量的历史数据。现场数据必须经过过失误差检测和数据协调．保证数据的准确性。由于神经网络建模一般用于静态估计，应该采集系统平稳运行时的数据。并注意纯滞后的影响。 （３）辅助变量精选—输入数据集降维。通过机理分析．可以在原始辅助变量巾找出相关的变量，选择响应灵敏、测量精度高的变量为最终的辅助变量。更为有效的方法是主元分析法，即利用现场的数据作统计分析计算，将原始辅助变量与被测量变量的关联度排序．实现变量精选。 （４）神经网络模型的结构选择。根据系统特点选择模型的类型．即线性、非线性和混合型等。 从理论上看，神经网络与传统控制理论的结合使控制系统具有相当程度的智能。利用网络的学习能力和任意非线性映射能力．通过对样本数据对的训练．神经网络可以实现对复杂系统的辨识和控制。诚然如此，目前神经网络控制的研究大多仍停留在数学仿真和实验室研究阶段．极少用于实际系统的控制。主要由于神经网络存在以下的局限性：一是存在局部极小值问题．造成网络局部收敛；二是学习速度慢，训练时间长；三是理想的训练样本提取困难。影响网络的训练速度和训练质量；四是网络结构不易优化，特别是隐层节点数目的选取常常带有盲目性；五是尚未从理论上完全解决神经网络学习算法的收敛性。 近年来兴起的小波网络是神经网络模型与小波分析理论。以及这两者的结合所产生的，是研究非线性问题所需要的极其重要的科学工具。小波分析在理论上保证了小波网络在非线性函数逼近中所具有的快速性、准确性和全局收敛性等优点。随着小波网络的不断发展，它们的巨大理论价值和广泛的应用前景为越来越多的学者所公认，尤其是在非线性系统辨识巾的应用潜力越来越大。小波网络的形式和设计方法多种多样：如文献［３］是利用小波函数（或尺度函数）替换普通神经网络中的激励甬数；文献［４］则是从多分辨分析的角度利用正交小波基构造网络；文献［５］则重点讨论了高维小波网络的设计问题。其中以紧支正交小波和尺度函数构造的正交小波网络具有系统化的设计方法，能够根据辨识样本的分布和逼近误差要求确定网络结构和参数；此外，如正交小波网络【６Ｊ还能够明确给出逼近误差估计．网络参数获取不存在局部最小问题等优点。 ３．２模糊辨识方法 对于非线性时变动态系统的辨识，是实际中经常遇到的困难。目前常见的有两种方法【７】：一是用线性模型来近似描述非线性系统，显然这对于有严重非线性的系统误差较大；二是根据被控对象已知的信息，选择与之相近的非线性数学模型。显然有其局限性。由于模糊模型易于表达非线性的动态特性，因此模糊模型辨识方法被认为是解决此类问题的一种可行方法。由输人输出数据求取对象动态模型的模糊辨识方法由两部分组成：前提结构辨识和参数辨识，而参数辨识又分为前提参数辨识和结论参数辨识。Ｔ＿Ｓ模型是由蚀蛹和Ｓｕｇｅｎｏ提出的一种动态系统的模糊模型辨识方法【ｓｌ，是以局部线性化为出发点．具有结构简单、逼近能力强的特点，已成为模糊辨识中的常用模型，而在Ｔ－－Ｓ模型的基础上又发展了一些新的辨识方法。 ３．３基于遗传算法的非线性系统辨识 遗传算法是由美国Ｈｏｌｌａｎｄ教授提出，是一种通过模拟自然进化过程搜索最优解的方法。其基本思想是基于Ｄａｒｗｉｎ进化论和Ｍｅｎｄｅｌ的遗传学说。模拟自然界生物进化过程，在解空间中进行大规模、全局、并行搜索，适者生存，劣者淘汰，从而直接对 １７０解群进行操作，而与模型的具体表达方式无关。遗传算法不依赖于梯度信息或其他辅助知识．能够快速有效地搜索复杂、高度非线性和多维空间．为非线性系统辨识的研究与应用开辟一条新途径。文献［９］利用改进的遗传算子，提出一种辨识系统参数的方法．有效地克服了有色噪声的干扰．获得系统参数的无偏估计。文献［１０］给出一种南遗传算法（ＧＡ）、进化编程（ＥＰ）相结合的辨识策略。可以一次辨识出系统的结构和参数．主要思想是用ＧＡ操作保证搜索是在整个解空问进行的，同时优化过程不依赖于种群初值的选取．用ＥＰ操作保证求解过程的平稳性，该方法比分别用ＧＡ和ＥＰ的效果都好。文献［１１］给出一种基于遗传算法的非线性系统模型参数估计的算法。 ４结语 系统辨识的应用价值已在实践中得到验证，从理论上讲，辨识技术可以应用于控制、预报、滤波、信号处理和形成自适应控制等，还可以用于故障诊断和故障检测。可以说．所有需要在线或离线应用过程模型的领域中，都能采片Ｉ辨识技术。因此，辨识的应用研究正在不断深入、应用领域不断扩大。也正因为如此，建模的方法也在飞速的发展．系统辨识的发展方向将是成为综合多学科知识的科学，从而建立更加精确的模型。 参考文献 ［１］方崇智。萧德云．过程辨识［Ｍ］．北京：清华大学出版社，１９８８． ［２］杨斌，田永青，朱仲英智能建模方法巾的数据预处理【Ｊ］．信息与控制，２００２，３ｌ（４）：３８０—３８４． ［３］ＺＨＡＮＧＱ．Ｗａｖｅｌｅｔｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥＴｒａｎｓ．ＮｅｕｒａｌＮｅｔｗｏｒｋｓ。１９９２．３（６）：８８９—８９８． ［４］ＢＡＨＡＶＩＫＲＢａｎｄＳＴＥＰＨＡＮＯＰＯＵＬＯＳＧ．Ｗａｖｅｎｅｔ：ａｍｕｌｔｉ—ｒｅｓｏｌｕｓｉｏｎ，ｈｉｅｒａｅｈｉｅａｌｎｅｕｒａｌｎｅｔｗｏｒｋｗｉｔｈｌｏｃａｌｉｚｅｄｌｅａｒｎｉｎｇ［Ｊ］．ＡＩＣｈＥＪｏｕｎａｌ．１９９３．３９（１）：５７—８１． ［５］ＺＨＡＮＣ，Ｑ．Ｕｓｉｎｇｗａｖｅｌｅｔｎｅｔｗｏｒｋｉｎｎｏｎｐａｒａｍｅｔｆｉｃｅｓｔｉｍａｔｉｏｎ【ＪＪ．１ＥＥＥＴｍｎｓ．ＮｅｕｒａｌＮｅｔｗｏｒｋｓ，１９９７，８（２）：２２７—２３６． ［６］王海清．宋执环，李平．采用正交小波网络的非线性系统辨识方法［Ｊ］．控制理论与应用．２００１，１８（２）：２００—２０４． ［７］张化光．何希勤．模糊自适应控制理论及其应用［Ｍ］．北京：北京航空航天大学Ｈ；版社，２００２． ［８］李十勇．模糊控制?神经控制和智能控制论［Ｍ］．哈尔滨：哈尔滨工业大学出版社，１９９８． ［９］李茶玲，孙德保．遗传算法在系统辨识中的应用［Ｊ］．华中理工大学学报，１９９８．２６（７）：５７—５８． ［１０］李孝安．一种基于遗传算法与进化编程的系统辨识方法［Ｊ］．控制与决策，１９９６，ｌｌ（３）：４４）４－４０７． ［１１］姜波。江秉文．基于遗传算法的非线性系统模型参数估计［Ｊ］．控制理论与应用，２０００，１７（ｉ）：１５０－－１５２． （实习编辑：薛艳） 第一作者简介：薛晓东．男，１９８１年１２月生，２００４年毕业于太原理丁大学自动化专业．助理工程师．山西省化工设计院。山 西省太原市，０３０００Ｉ．
人工智能之机器学习常见算法 摘要机器学习无疑是当前数据分析领域的一个热点内容。很多人在平时的工作中都或多或少会用到机器学习的算法。这里小编为您总结一下常见的机器学习算法，以供您在工作和学习中参考。 机器学习的算法很多。很多时候困惑人们都是，很多算法是一类算法，而有些算法又是从其他算法中延伸出来的。这里，我们从两个方面来给大家介绍，第一个方面是学习的方式，第二个方面是算法的类似性。 学习方式 根据数据类型的不同，对一个问题的建模有不同的方式。在机器学习或者人工智能领域，人们首先会考虑算法的学习方式。在机器学习领域，有几种主要的学习方式。将算法按照学习方式分类是一个不错的想法，这样可以让人们在建模和算法选择的时候考虑能根据输入数据来选择最合适的算法来获得最好的结果。 监督式学习： 在监督式学习下，输入数据被称为训练数据，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中垃圾邮件非垃圾邮件，对手写数字识别中的1，2，3，4等。在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与训练数据的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归（LogisTIc Regression）和反向传递神经网络（Back PropagaTIon Neural Network） 非监督式学习： 在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means 算法。 半监督式学习： 在此学习方式下，输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预
电力系统最优潮流算法综述 赵 爽 任建文 华北电力大学 河北省 保定市 071003 摘 要 在电力系统中，实现系统的安全经济运行对国民经济发展具有重大的意 义。最优潮流是同时考虑网络的安全性和系统的经济性的一种实现电力系统优化的 问题。由于其安全约束条件众多、数学模型求解复杂，故难以实现经济性与安全性 的统一，因此一直是研究的热点问题。从理论出发论述了研究电力系统最优潮流问 题的意义，回顾近20年来国内外关于最优潮流的逐步发展的过程，介绍求解最优潮 流的线性方法、非线性方法和其他新型方法，并对主要的优化方法列出具有代表性 的文献，指出其优缺点，提出最优潮流有待深入研究的方向。 关键词 电力系统 最优潮流 线性算法 非线性算法 中国图书分类法分类号 TM The Summarize of Optimal Power Flow Methods of the Power System Zhao Shuang Ren Jianwen North China of Electric Power University Baoding Hebei 071003 Abstract: In the power system, the realization of the safety and economic function is important to the national economic. Optimal power flow is a problem to realize the optimization of the system which the safety of the network and the economic of the system are considered at the same time. For many restricted safe conditions and the complex of the mathematic models, it is difficult to realize the unite of the economic and security, so this question is the hotspot all along. This paper discusses the meaning of making research on the optimal power flow problem of power system. The research history and actuality on optimal power flow problem home and abroad are also summarized. And it introduces the linear method、the non-linear method and other new methods to solve the optimal power flow. Furthermore, some research directions that need to study in depth are put forward. Key words power system optimal power flow linear method non-linear method 1 引言 电力系统最优潮流的发展可以回溯到60年代初基于协调方程式的经典经济调度方法。
用水量预测方法综述 摘要：本文阐述了研究用水量预测方法的目的和意义，简要的介绍了六种目前常用的预测方法，并指出了每种方法的优缺点, 最后对不同情况水量预测方法的择优进行了分析和探讨。 关键词: 用水量预测人工神经网络预测方法择优 一、引言 水是人类赖以生存的基础，没有水，就没有生命。 随着经济建设的发展、产业和人口的增加，我国城市、工业、农业各方面用水量都在迅速增长，缺水城市和地区的范围日益扩大。全国640个城市中有333个城市缺水，其中严重缺水的有108个[1]。同时，水污染是我国面临的又一严峻的问题。缺水、水污染己经对我国的经济建设构成了严重的威胁[2]。因此，水资源规划和供水系统的优化调度变得越来越重要，作为供水管理前提和基础的用水量预测方法的研究也得到了快速的发展。 二、研究用水量预测方法的目的和意义 水量预测工作是水资源管理中掌握未来发展趋势的关键。而合理预测城镇规划期限内的用水量，使其与城镇发展实际相接近，对城镇今后的建设和发展具有极其重要的意义。通过预测未来的用水量，一方面，我们可以大致估计城市和农村的缺水量，着手寻找解决方案，减少经济损失。另一方面，用水量预测是水资源管理规划的重要内容。我国水资源开发利用分好几个部门，如不做好预测工作，就难以制定中长期水资源开发利用的总体规划和供水规划，就会影响国民经济计划的实现。所以预测用水量，无论在经济效益上还是宏观调控上都有重要意义。 三、用水量预测分类以及相应预测方法 用水量的预测方法按用水部门性质可分为生活用水预测、工业用水预测、农业灌溉用水预测、渔业用水预测等几方面。生活用水量的预测方法有综合分析定额法、趋势法和分类分析权重估算法，在预测时，可根据实际情况选用一种为主，其他亏法进行检验、校核。趋势预测法、分块预测法、相关法、分行业重复利用率提高法等是较为常见的工业需水量预测方法. 四、几种常用的用水量预测方法[3] a)自回归移动平均模型ARMA法 ARMA模型是自回归模型和移动平均模型的综合，它通过对相应数学模型的分析研究，能更本质地认识动态数据的内在结构和复杂特性。ARMA模型将预测对象时间序列加工成一个白噪声序列进行处理，所以它可对任何一个用水过程进行模拟，且预测速度快，能得到较高的预测精度。然而，ARMA模型具有预测周期短、所用数据单一的缺点，只能给出下一周期用水量的预测值，且无法剖析形成这一预测值的原因及合理的
最新文件---------------- 仅供参考--------------------已改成-----------word文本 --------------------- 方便更改 一、选择题(每题1分，共15分) 1、AI的英文缩写是 A)Automatic Intelligence B)Artifical Intelligence C)Automatice Information D)Artifical Information 2、反演归结（消解）证明定理时，若当前归结式是（）时，则定理得证。 A)永真式B)包孕式（subsumed）C)空子句 3、从已知事实出发，通过规则库求得结论的产生式系统的推理方式是 A)正向推理B)反向推理C)双向推理 4、语义网络表达知识时，有向弧AKO 链、ISA 链是用来表达节点知识的（）。 A)无悖性B)可扩充性C)继承性 5、(A→B)∧A => B是 A)附加律B)拒收律C)假言推理D)US 6、命题是可以判断真假的 A)祈使句B)疑问句C)感叹句D)陈述句 7、仅个体变元被量化的谓词称为 A)一阶谓词B)原子公式C)二阶谓词D)全称量词 8、MGU是 A)最一般合一B)最一般替换C)最一般谓词D)基替换 9、1997年５月，著名的“人机大战”，最终计算机以3.5比2.5的总比分将世界国际象棋棋王卡斯帕罗夫击败，这台计算机被称为（） A）深蓝B）IBM C）深思D）蓝天 10、下列不在人工智能系统的知识包含的4个要素中 A)事实B)规则C)控制与元知识D)关系
11、谓词逻辑下，子句, C1=L∨C1‘, C2= ? L∨C2‘,若σ是互补文字的（最一般）合一置换，则其归结式C=（） A) C1’σ∨C2’σB)C1’∨C2’C)C1’σ∧C2’σD)C1’∧C2’ 12、或图通常称为 A）框架网络B)语义图C)博亦图D)状态图 13、不属于人工智能的学派是 A)符号主义B)机会主义C)行为主义D)连接主义。 14、人工智能的含义最早由一位科学家于1950年提出，并且同时提出一个机器智能的测试模型，请问这个科学家是 A)明斯基B).扎德C)图林D)冯.诺依曼 15.要想让机器具有智能，必须让机器具有知识。因此，在人工智能中有一个研究领域，主要研究计算机如何自动获取知识与技能，实现自我完善，这门研究分支学科叫（）。 A)专家系统B)机器学习C)神经网络D)模式识别 二、填空题(每空1.5分，共30分) 1、不确定性类型按性质分：，， ，。 2、在删除策略归结的过程中删除以下子句：含有的子句;含 有的子句;子句集中被别的子句的子句。 3、对证据的可信度CF（A）、CF（A1）、CF（A2）之间，规定如下关系： CF（~A）=、CF（A1∧A2 ）=、 CF（A1∨A2 ）= 4、图：指由与组成的网络。按连接同一节点的各边的逻辑关系又可分为与。 5、合一算法：求非空有限具有相同谓词名的原子公式集的 6、产生式系统的推理过程中，从可触发规则中选择一个规则来执行，被执行的规则称为。 7、P(B|A) 表示在规则中，证据A为真的作用下结论B为真的。 8、人工智能的远期目标是， 近期目标是。
1.什么是潮流计算？潮流计算的主要作用有哪些？ 潮流计算是根据给定的电网结构、参数和发电机、负荷等元件的运行条件，确定电力系统各部分稳态运行状态参数的计算。 对于正在运行的电力系统，通过潮流计算可以判断电网母线电压、支路电流和功率是否越限，如果有越限，就应采取措施，调整运行方式。对于正在规划的电力系统，通过潮流计算，可以为选择电网供电方案和电气设备提供依据。潮流计算还可以为继电保护和自动装置整定计算、电力系统故障计算和稳定计算等提供原始数据。 2.潮流计算有哪些待求量、已知量？ （已知量： 电力系统网络结构、参数； 决定系统运行状态的边界条件 待求量：系统稳态运行状态 例如各母线上的电压（幅值及相角）、网络中的功率分布以及功率损耗等）通常给定的运行条件有系统中各电源和负荷点的功率、枢纽点电压、平衡点的电压和相位角。 待求的运行状态参量包括电网各母线节点的电压幅值和相角，以及各支路的功率分布、网络的功率损耗等。 3.潮流计算节点分成哪几类？分类根据是什么？ （分成三类：PQ节点、PV节点和平衡节点，分类依据是给定变量的不同） PV节点（电压控制母线）：有功功率Pi和电压幅值Ui为给定。这种类型节点相当于发电机母线节点，或者相当于一个装有调相机或静止补偿器的变电所母线。 PQ节点：注入有功功率Pi和无功功率Qi是给定的。相当于实际电力系统中的一个负荷节点，或有功和无功功率给定的发电机母线。 平衡节点：用来平衡全电网的功率。平衡节点的电压幅值Ui和相角δi是给定的，通常以它的相角为参考点，即取其电压相角为零。 一个独立的电力网中只设一个平衡节点。 4.教材牛顿-拉夫逊法及有功-无功分解法是基于何种电路方程？可否采用其它类型方程？ 基于节点电压方程，还可以采用回路电流方程和割集电压方程等。但是后两者不常用。
潮流例题：根据给定的参数或工程具体要求（如图），收集和查阅资料；学习相关软件（软件自选：本设计选择Matlab进行设计）。 2.在给定的电力网络上画出等值电路图。 3.运用计算机进行潮流计算。 4.编写设计说明书。 一、设计原理 1．牛顿-拉夫逊原理 牛顿迭代法是取x0 之后，在这个基础上，找到比x0 更接近的方程的跟，一步一步迭代，从而找到更接近方程根的近似跟。牛顿迭代法是求方程根的重要方法之一，其最大优点是在方程f(x) = 0 的单根附近具有平方收敛，而且该法还可以用来求方程的重根、复根。电力系统潮流计算，一般来说，各个母线所供负荷的功率是已知的，各个节点电压是未知的（平衡节点外）可以根据网络结构形成节点导纳矩阵，然后由节点导纳矩阵列写功率方程，由于功率方程里功率是已知的，电压的幅值和相角是未知的，这样潮流计算的问题就转化为求解非线性方程组的问题了。为了便于用迭代法解方程组，需要将上述功率方程改写成功率平衡方程，并对功率平衡方程求偏导，得出对应的雅可比矩阵，给未知节点赋电压初值，一般为额定电压，将初值带入功率平衡方程，得到功率不平衡量，这样由功率不平衡量、雅可比矩阵、节点电压不
平衡量（未知的）构成了误差方程，解误差方程，得到节点电压不平衡量，节点电压加上节点电压不平衡量构成新的节点电压初值，将新的初值带入原来的功率平衡方程，并重新形成雅可比矩阵，然后计算新的电压不平衡量，这样不断迭代，不断修正，一般迭代三到五次就能收敛。 牛顿—拉夫逊迭代法的一般步骤： （1）形成各节点导纳矩阵Y。 （2）设个节点电压的初始值U和相角初始值e 还有迭代次数初值为0。 （3）计算各个节点的功率不平衡量。 （4）根据收敛条件判断是否满足，若不满足则向下进行。 （5）计算雅可比矩阵中的各元素。 （6）修正方程式个节点电压 （7）利用新值自第（3）步开始进入下一次迭代，直至达到精度退出循环。 （8）计算平衡节点输出功率和各线路功率 2．网络节点的优化 １）静态地按最少出线支路数编号 这种方法由称为静态优化法。在编号以前。首先统计电力网络个节点的出线支路数，然后，按出线支路数有少到多的节点顺序编号。当由n 个节点的出线支路相同时，则可以按任意次序对这n 个节点进行编号。这种编号方法的根据是导纳矩阵中，出线支路数最少的节点所对应的行中非零元素也２）动态地按增加出线支路数最少编号在上述的方法中，各节点的出线支路数是按原始网络统计出来的，在编号过程中认为固定不变的，事实上，在节点消去过程中，每消去一个节点以后，与该节点相连的各节点的出线支路数将发生变化(增加，减少或保持不变)。因此，如果每消去一个节点后，立即修正尚未编号节点的出线支路数，然后选其中支路数最少的一个节点进行编号，就可以预期得到更好的效果，动态按最少出线支路数编号方法的特点就是按出线最少原则编号时考虑了消去过程中各节点出线支路数目的变动情况。 3．MATLAB编程应用 Matlab 是“Matrix Laboratory”的缩写，主要包括：一般数值分析，矩阵运算、数字信号处理、建模、系统控制、优化和图形显示等应用程序。由于使用Matlab 编程运算与人进行科学计算的思路和表达方式完全一致，所以不像学习高级语言那样难于掌握，而且编程效率和计算效率极高，还可在计算机上直接输出结果和精美的图形拷贝，所以它的确为一高效的科研助手。 二、设计内容 1.设计流程图
潮流计算的基本算法及使用方法 一、 潮流计算的基本算法 1. 牛顿－拉夫逊法 1．1 概述 牛顿－拉夫逊法是目前求解非线性方程最好的一种方法。这种方法的特点就是把对非线 性方程的求解过程变成反复对相应的线性方程求解的过程，通常称为逐次线性化过程，就是牛顿－拉夫逊法的核心。 牛顿-拉夫逊法的基本原理是在解的某一邻域内的某一初始点出发，沿着该点的一阶偏 导数——雅可比矩阵，朝减小方程的残差的方向前进一步，在新的点上再计算残差和雅可矩阵继续前进，重复这一过程直到残差达到收敛标准，即得到了非线性方程组的解。因为越靠近解，偏导数的方向越准，收敛速度也越快，所以牛顿法具有二阶收敛特性。而所谓“某一邻域”是指雅可比方向均指向解的范围，否则可能走向非线性函数的其它极值点，一般来说潮流由平电压即各母线电压(相角为0，幅值为1)启动即在此邻域内。 1．2 一般概念 对于非线性代数方程组 ()0=x f 即 ()0,,,21=n i x x x f ()n i ,2,1= (1－1) 在待求量x 的某一个初始计算值() 0x 附件，将上式展开泰勒级数并略去二阶及以上的高 阶项，得到如下的线性化的方程组 ()()()() ()0000=?'+x x f x f (1－2) 上式称之为牛顿法的修正方程式。由此可以求得第一次迭代的修正量 ()() ()[]()()0 1 00x f x f x -'-=? (1－3) 将() 0x ?和() 0x 相加，得到变量的第一次改进值()1x 。接着再从() 1x 出发，重复上述计算 过程。因此从一定的初值() 0x 出发，应用牛顿法求解的迭代格式为 ()()()()() k k k x f x x f -=?' (1－4) ()()()k k k x x x ?+=+1 (1－5) 上两式中：()x f '是函数()x f 对于变量x 的一阶偏导数矩阵，即雅可比矩阵J ；k 为迭代
一、粒子群算法 粒子群算法，也称粒子群优化算法（Particle Swarm Optimization），缩写为PSO，是近年来发展起来的一种新的进化算法(（Evolu2tionary Algorithm - EA）。PSO 算法属于进化算法的一种，和遗传算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的交叉(Crossover) 和变异(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。 优化问题是工业设计中经常遇到的问题,许多问题最后都可以归结为优化问题.为了解决各种各样的优化问题,人们提出了许多优化算法,比较著名的有爬山法、遗传算法等.优化问题有两个主要问题:一是要求寻找全局最小点,二是要求有较高的收敛速度.爬山法精度较高,但是易于陷入局部极小.遗传算法属于进化算法(EvolutionaryAlgorithms)的一种,它通过模仿自然界的选择与遗传的机理来寻找最优解.遗传算法有三个基本算子:选择、交叉和变异.但是遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码,另外三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验.1995年Eberhart博士和kennedy博士提出了一种新的算法;粒子群优化(ParticalSwarmOptimization-PSO)算法.这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视,并且在解决实际问题中展示了其优越性. 粒子群优化(ParticalSwarmOptimization-PSO)算法是近年来发展起来的一种新的进化算法(Evolu2tionaryAlgorithm-EA).PSO算法属于进化算法的一种,和遗传算法相似,它也是从随机解出发,通过迭代寻找最优解,它也是通过适应度来评价
中长期负荷预测方法综述 摘要:负荷预测是电力系统规划、供电、调度等部门的重要的基础工作,讨论了负荷预测的特点、分类及各种成熟的负荷预测技术,研究了现代负荷预测技术的发展动态,并指出未来主要的研究方向。 中长期负荷预测各种预测方法都具有其各自的优缺点和适用范围,在实际预测工作中,必须根据实际情况,着重从预测目标、期限、精确度等诸多方面作出合理选择,寻求能获取所需精度的预测方法。本文针对电力系统中长期电力负荷预测方法做出分析。 关键字：负荷预测、中长期负荷、负荷预测方法、负荷预测综述 正文：负荷预测是从已知的电力需求出发,通过对历史数据的分析, 并考虑政治、经济、气候等相关因素,对未来的用电需求做出估计和预测。负荷预测是电力系统规划、供电、调度等部门的重要的基础工作。对于经济合理地安排发电机组的启停及检修计划,保持电网安全稳定运行以及未来电网的增容和改建等有十分重要的用。 电力系统负荷预测是电力系统安全经济调度、规划、设计研究的基础和前提，准确的负荷预测结果将意味着在满足供电质量要求的条件下对系统建设资金最大可能限度的利用和有限投资的最大社会经 济效益的获得,负荷预测工作因而引起了人们的普遍关注随着电力 系统的迅速发展尤其是我国电力工业市场化改革的推行负荷预测 工作面临如何准确合理地考虑电力工业市场化后对实际电力负荷从大小到特性上的影响和给整个系统运行规划带来的变化的难题可以
设想在强大的市场压力和竞争机制作用下适用于电力市场环境下 的负荷预测理论和算法必将获得突破性研究成果 随着我国国民经济的快速发展和人民生活水平的不断提高,人们对电量需求量以及电能质量的要求也越来越高。、 一、基于参数模型的中长期电力负荷预测方法 1.趋势外推方法。将已有的各年度的电力负荷看作一个时间序列,利用最小二乘拟合等方法寻求电力负荷与时间的函数关系,并利用这个函数关系预测以后年度的电力负荷。趋势外推方法可以保证对历史数据的拟合是最好的,但不能保证外推效果的可靠性。 2.回归分析方法。回归分析预测是电力系统负荷预测的一种常用方法,根据回归分析涉及变量的多少,可以分为单元回归分析和多元回归分析。在回归分析中,随机变量是自变量,非随机变量是因变量,由给定的多组自变量和因变量资料究二者之间的关系,形成回归方程。回归方程求得后,给定各自变量数值,就可求出因变量值。回归方程根据自变量和因变量之间的函数形式,又可分为线性回归方程和非线性回归方程。在负荷回归分析法方法简单、预测速度快、外推性好,对于历史预测问题中,回归方程的因变量一般是电力系统负荷,自变量是影 响电力系统负荷的各种因素,如经济、人口、气候等。上未出现的情况有较好的预测性。但它对数据的要求高,特别是历史数据残缺或存在较大误差的情况下,预测效果很不理想;用线性方法描述比较复杂
P-Q分解法潮流计算方法改进综述 摘要：本文介绍了P-Q分解法潮流计算方法的数学模型，简化假设及特点，总 结了P-Q分解法在低压配电网络中，随着支路R/X比值的增大所带来的迭代次数 增大和不收敛性的解决方法，及该方法在不同假设条件下收敛性，并提出了自己 的见解。 关键词： P-Q分解法；收敛性；大R/X比支路 1 潮流计算的数学模型 P-Q分解法又称为快速解耦法，是基于牛顿-拉夫逊法的改进，其基本思想是：把节点功率表示为电压向量的极坐标方程式，抓住主要矛盾，把有功功率误差作 为修正电压向量角度的依据，把无功功率误差作为修正电压幅值的依据，把有功 功率和无功功率迭代分开进行【1】。 对一个有 n 个节点的系统，假定第1个为平衡节点，第 2~m+1号节点为PQ 节点，第m+2~n号节点为PV节点，则对于每一个PQ或PV节点，都可以在极坐 标形式下写出一个有功功率的不平衡方程式： 这些假设密切地结合了电力系统的某些固有特点，作为电力系统潮流计算广泛使用的一 种算法，P-Q分解法无论是内存占用量还是计算速度方面都比牛顿-拉夫逊法有了较大的改进，主要反映在以下三点： ① 在修正方程式中，B’和B’’二者的阶数不同。B’为n-1 阶，B ‘’为m阶方阵，简化了牛 顿法的一个n+m-1的方程组，显著减少了方程组的求解难度，相应地也提高了计算速度。 ②用常系数矩阵B’和B’’代替了变系数雅可比矩阵，而且系数矩阵的元素在迭代过程中 保持不变。系数矩阵的元素是由导纳矩阵元素的虚部构成的，可以在进行迭代过程以前，对 系数矩阵形成因子表，然后反复利用因子表对不同的常数项△P/V 或△Q/V进行前代和回代 运算，就可以迅速求得电压修正量，从而提高了迭代速度，大大地缩短了每次迭代所需的时 间【2】。 ③用对称的B’和B’’代替了不对称的雅可比矩阵，因此只需要存储因子表的上三角部分，这样减少了三角分解的计算量和内存【2】。 3 P-Q分解法的收敛性改进 在各种文献中，都有对P-Q分解法从不同方面提出了讨论和改进，有些是对硬件的改进，如使用并行算法和相应的并行软件来替代原来的串行处理，有些是对算法程序做出了改进， 方法众多，不在此累述。但是我注意到，在实际应用中，由于理论与实际复杂多变的差别， 一些网络如果不满足P-Q分解法的前提假设，可能会出现迭代次数增加或不收敛的情况，而 一些病态系统或重负荷系统，特别是放射状电力网络的系统，也会出现计算过程的振荡或不 收敛的情况。针对此类异常网络，从网络参数改进的角度出发，对此做出了总结。 3.1 大R/X比支路的处理 一般来说，110KV以上的高压电力网中，输电线支路易满足R< 智能优化算法的统一框架 指导老师：叶晓东教授 姓名：李进阳 学号：2 班级：电磁场与微波技术5班 2011年6月20日 目录 1 概述 (3) 2群体智能优化算法.................................. 错误!未定义书签。 人工鱼群算法 (4) 蚁群算法 (5) 混合蛙跳算法 (9) 3神经网络算法 (10) 神经网络知识点概述 (10) 神经网络在计算机中的应用 (11) 4模拟退火算法 (15) 5遗传算法.......................................... 错误!未定义书签。 遗传算法知识简介 (17) 遗传算法现状 (18) 遗传算法定义 (19) 遗传算法特点和应用 (20) 遗传算法的一般算法 (21) 遗传算法的基本框架 (26) 6总结 (28) 7感谢 (29) 1概述 近年来，随着人工智能应用领域的不断拓广，传统的基于符号处理机制的人工智能方法在知识表示、处理模式信息及解决组合爆炸等方面所碰到的问题已变得越来越突出，这些困难甚至使某些学者对强人工智能提出了强烈批判，对人工智能的可能性提出了质疑。众所周知，在人工智能领域中，有不少问题需要在复杂而庞大的搜索空间中寻找最优解或准优解。像货朗担问题和规划问题等组合优化问题就是典型的例子。在求解此类问题时，若不能利用问题的固有知识来缩小搜索空间则会产生搜索的组合爆炸。因此，研究能在搜索过程中自动获得和积累有关搜索空间的知识，并能自适应地控制搜索过程，从而得到最优解或准有解的通用搜索算法一直是令人瞩目的课题。智能优化算法就是在这种背景下产生并经实践证明特别有效的算法。 2群体智能优化算法 自然界中群体生活的昆虫、动物,大都表现出惊人的完成复杂行为的能力。人们从中得到启发,参考群体生活的昆虫、动物的社会行为,提出了模拟生物系统中群体生活习性的群体智能优化算法。在群体智能优化算法中每一个个体都是具有经验和智慧的智能体 (Agent) ,个体之间存在互相作用机制,通过相互作用形成强大的群体智慧来解决复杂的问题。自 20世纪 90年代模拟蚂蚁行为的蚁群算法(ACO)提出以来,又产生了模拟鸟类行为的微粒群算法 ( PSO)、模拟鱼类生存习性的人工鱼群算法、模拟青蛙觅食的混合蛙跳算法 ( SFLA)等。这些群体智能优化算法的出现,使原来一些复杂的、难于用常规的优化算法进行处理的问题可以得到解决,大大增强了人们解决和处理优化问题的能力,这些算法不断地用于解决工程实际中的问题,使得人们投入更大的精力对其理论和实际应用进行研究。群体智能优化算法本质上是一种概率搜索,它不需要问题的梯度信息具有以下不同于传统优化算法的特点: ①群体中相互作用的个体是分布式的,不存在直接的中心控制,不会因为个别个体出现故障而影响群体对问题的求解,具有较强的鲁棒性; ②每个个体只能感知局部信息,个体的能力或遵循规则非常简单,所以群体智能的实现简单、方便; ③系统用于通信的开销较少,易于扩充; ④自智能优化算法综述
相关主题
文本预览