人工智能在电力系统中的应用精选ppt
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
人工智能是关于人造物的智能行为，而智能行为包括
知觉、推理、学习、交流的行为（Nilsson，1998）。
像人一样思考的系统、像人一样行动的系统、理性地
思考、行动的系统（ Stuart Russell, 2003）。
1.2人工智能的研究途径与研究领域
心理模拟，符号推演 生理模拟，神经计算
行为模拟，控制进化 群体模拟，仿生计算
2.2 人工神经网络的特性
高度的并行性
ANN是由许多相同的简单处理单元并联组合而成，虽然每个 单元的功能简单，但大量简单处理单元的并行活动，使其对信 息的处理能力与效果惊人。
高度的非线性全局作用
ANN每个神经元接受大量其它神经元的输入，并通过并行网 络产生输出，影响其他神经元。网络之间的这种互相制约和互 相影响，实现了从输入状态到输出状态空间的非线性映射。从 全局的观点来看，网络整体性能不是网络局部性能的简单迭加， 而表现出某种集体性的行为。
2.1 神经网络的基本概念及组成特性
神经元及其突触是神经网络的基本器件。因此，模拟生物 神经网络应首先模拟生物神经元。在人工神经网络中，神经 元常被称为“处理单元”。有时从网络的观点出发常把它称 为“节点”。人工神经元是对生物神经元的一种形式化描述。 神经元主要由三部分构成：（1）细胞体;（2）轴突;（3）树 突
1.3人工智能在电力系统的应用领域
机组启停 Unit Commitment 维护计划 Maintenance scheduling 负荷预测 Load Forecasting 发电控制与保护 Generation control and
protection 潮流优化 Optimal Power Flow Analysis 电力系统安全分析 Security Analysis 电力系统稳定分析 Stability Analysis 无功优化分配 Var dispatch and planning 控制优化 Optimization of self-adaptive control
2.3 人工神经网络的分类 反馈神经网络
输入
……
……
输出
反馈网络中，输出信号通过与输入连接而返 回到输入端，从而形成一个回路。在前向网络 中，有单层感知器、自适应线性网络和BP网络。 在反馈网络中，有离散型和连续型霍普菲尔德 网络。
2.4 BP神经网络
2.4.1 BP神经网络概述
BP 网络神经网络是目前应用最为广泛和成功的神经网络 之一。它是在1986年由Rumelhant 和 McClelland 提出的 一种多层网络的“逆推”学习算法。其基本思想是，学习过 程由信号的正向传播与误差的反向传播两个过程组成。正向 传播时，输入样本从输入层传入，经隐层逐层处理后传向输 出层。若输出层的实际输出与期望输出不符，则转向误差的 反向传播阶段。误差的反向传播是将输出误差以某种形式通 过隐层向输入逐层反传，并将误差分摊给各层的所有单元， 从而获得各层单元的误差信号，此误差信号即作为修正各单 元权值的依据。这种信号正向传播与误差反向传播的各层权 值调整过程是周而复始地进行。权值不断调整的过程，也就 是网络的学习训练过程。此过程一直进行到网络输出的误差 减少到可以接受的程度，或进行到预先设定的学习次数为止。
环境
Βιβλιοθήκη Baidu
输入
教师
期望输出
实际输出 学习系统
误差信号
非监督学习（无教师学习）
2.3 人工神经网络的分类 前向神经网络
前向网络中，各神经元节点接受前一层的输出信号， 并将本层的输出作为下一层的输入，其特点是信号的 流向是从输入流向输出。在ANN的实际应用中，80 ％～90％的ANN模型是采用BP网络或它的变化形式， 它也是前向网络的核心部分、体现了ANN精华的部 分。
facilities
第二章 神经网络及其在电力系统 中的应用
人工神经网络是集脑科学、神经心理学和信息 科学等多学科的交叉研究领域，是近年来高科技 领域的一个研究热点。它的研究目标是通过研究 人脑的组成机理和思维方式，探索人类智能的奥 秘，进而通过模拟人脑的结构和工作模式，使机 器具有类似人类的智能。它已在模式识别、机器 学习、专家系统等多个方面得到应用，成为人工 智能研究中的活跃领域。本章将简要介绍神经网 络基本的概念、模型以及学习算法以及应用实例。
1.3人工智能在电力系统的应用领域
继电保护 Relaying protection 经济调度 Economic dispatch 变电所运行控制 Substation switching and control 系统恢复供电 System reconfiguration and
restoration 电力质量控制 Power quality Control 系统设计优化 System Design Optimization 电力规划 planning for electric Power 电气设备故障诊断 Fault diagnosis for electric
第一章 概述
1.1 人工智能定义
人工智能是那些与人的思维相关的活动，诸如决策、
问题求解和学习等的自动化(Bellman,1978）；
人工智能是一种计算机能够思维，使机器具有智力的
激动人心的新尝试（Haugeland,1985）；
人工智能是那些使知觉、推理和行为成为可能的计算
的研究（Winston, 1992）；
十分强的自适应、自学习功能
ANN可以通过训练和学习来获得网络的权值与结构，呈现出 很强的学习能力和对环境的自适应能力。
2.3 人工神经网络的学习方法
监督学习（有教师学习） 如图所示，这种学习方式需要外界存在一个“教
师” ，他可对给定一组输入提供应有的输出结果， 这组已知的输入-输出数据称为训练样本集，学习系 统（神经网络）可根据已知输出与实际输出之间的 差值（误差信号）来调节系统参数
良好的容错性与联想记忆功能
ANN通过自身的网络结构能够实现对信息的记忆。而所记忆 的信息是存储在神经元之间的权值中。从单个权值中看不出所 储存的信息内容，因而是分布式的存储方式。这使得网络具有 良好的容错性，并能进行聚类分析、特征提取、缺损模式复原 等模式信息处理工作；又宜于模式分类、模式联想等识别工作。
专家系统 (Expert Systems) 人工神经网络 (Artificial Neural Networks) 模糊逻辑 (Fuzzy Logic) 进化算法 (如：遗传算法Genetic Algorithm, 粒子群Swarm Particle,禁忌搜索Tabu Search, 模拟退火算法Simulated Annealing,) 多智能体系统 (Multi-agent system)
知觉、推理、学习、交流的行为（Nilsson，1998）。
像人一样思考的系统、像人一样行动的系统、理性地
思考、行动的系统（ Stuart Russell, 2003）。
1.2人工智能的研究途径与研究领域
心理模拟，符号推演 生理模拟，神经计算
行为模拟，控制进化 群体模拟，仿生计算
2.2 人工神经网络的特性
高度的并行性
ANN是由许多相同的简单处理单元并联组合而成，虽然每个 单元的功能简单，但大量简单处理单元的并行活动，使其对信 息的处理能力与效果惊人。
高度的非线性全局作用
ANN每个神经元接受大量其它神经元的输入，并通过并行网 络产生输出，影响其他神经元。网络之间的这种互相制约和互 相影响，实现了从输入状态到输出状态空间的非线性映射。从 全局的观点来看，网络整体性能不是网络局部性能的简单迭加， 而表现出某种集体性的行为。
2.1 神经网络的基本概念及组成特性
神经元及其突触是神经网络的基本器件。因此，模拟生物 神经网络应首先模拟生物神经元。在人工神经网络中，神经 元常被称为“处理单元”。有时从网络的观点出发常把它称 为“节点”。人工神经元是对生物神经元的一种形式化描述。 神经元主要由三部分构成：（1）细胞体;（2）轴突;（3）树 突
1.3人工智能在电力系统的应用领域
机组启停 Unit Commitment 维护计划 Maintenance scheduling 负荷预测 Load Forecasting 发电控制与保护 Generation control and
protection 潮流优化 Optimal Power Flow Analysis 电力系统安全分析 Security Analysis 电力系统稳定分析 Stability Analysis 无功优化分配 Var dispatch and planning 控制优化 Optimization of self-adaptive control
2.3 人工神经网络的分类 反馈神经网络
输入
……
……
输出
反馈网络中，输出信号通过与输入连接而返 回到输入端，从而形成一个回路。在前向网络 中，有单层感知器、自适应线性网络和BP网络。 在反馈网络中，有离散型和连续型霍普菲尔德 网络。
2.4 BP神经网络
2.4.1 BP神经网络概述
BP 网络神经网络是目前应用最为广泛和成功的神经网络 之一。它是在1986年由Rumelhant 和 McClelland 提出的 一种多层网络的“逆推”学习算法。其基本思想是，学习过 程由信号的正向传播与误差的反向传播两个过程组成。正向 传播时，输入样本从输入层传入，经隐层逐层处理后传向输 出层。若输出层的实际输出与期望输出不符，则转向误差的 反向传播阶段。误差的反向传播是将输出误差以某种形式通 过隐层向输入逐层反传，并将误差分摊给各层的所有单元， 从而获得各层单元的误差信号，此误差信号即作为修正各单 元权值的依据。这种信号正向传播与误差反向传播的各层权 值调整过程是周而复始地进行。权值不断调整的过程，也就 是网络的学习训练过程。此过程一直进行到网络输出的误差 减少到可以接受的程度，或进行到预先设定的学习次数为止。
环境
Βιβλιοθήκη Baidu
输入
教师
期望输出
实际输出 学习系统
误差信号
非监督学习（无教师学习）
2.3 人工神经网络的分类 前向神经网络
前向网络中，各神经元节点接受前一层的输出信号， 并将本层的输出作为下一层的输入，其特点是信号的 流向是从输入流向输出。在ANN的实际应用中，80 ％～90％的ANN模型是采用BP网络或它的变化形式， 它也是前向网络的核心部分、体现了ANN精华的部 分。
facilities
第二章 神经网络及其在电力系统 中的应用
人工神经网络是集脑科学、神经心理学和信息 科学等多学科的交叉研究领域，是近年来高科技 领域的一个研究热点。它的研究目标是通过研究 人脑的组成机理和思维方式，探索人类智能的奥 秘，进而通过模拟人脑的结构和工作模式，使机 器具有类似人类的智能。它已在模式识别、机器 学习、专家系统等多个方面得到应用，成为人工 智能研究中的活跃领域。本章将简要介绍神经网 络基本的概念、模型以及学习算法以及应用实例。
1.3人工智能在电力系统的应用领域
继电保护 Relaying protection 经济调度 Economic dispatch 变电所运行控制 Substation switching and control 系统恢复供电 System reconfiguration and
restoration 电力质量控制 Power quality Control 系统设计优化 System Design Optimization 电力规划 planning for electric Power 电气设备故障诊断 Fault diagnosis for electric
第一章 概述
1.1 人工智能定义
人工智能是那些与人的思维相关的活动，诸如决策、
问题求解和学习等的自动化(Bellman,1978）；
人工智能是一种计算机能够思维，使机器具有智力的
激动人心的新尝试（Haugeland,1985）；
人工智能是那些使知觉、推理和行为成为可能的计算
的研究（Winston, 1992）；
十分强的自适应、自学习功能
ANN可以通过训练和学习来获得网络的权值与结构，呈现出 很强的学习能力和对环境的自适应能力。
2.3 人工神经网络的学习方法
监督学习（有教师学习） 如图所示，这种学习方式需要外界存在一个“教
师” ，他可对给定一组输入提供应有的输出结果， 这组已知的输入-输出数据称为训练样本集，学习系 统（神经网络）可根据已知输出与实际输出之间的 差值（误差信号）来调节系统参数
良好的容错性与联想记忆功能
ANN通过自身的网络结构能够实现对信息的记忆。而所记忆 的信息是存储在神经元之间的权值中。从单个权值中看不出所 储存的信息内容，因而是分布式的存储方式。这使得网络具有 良好的容错性，并能进行聚类分析、特征提取、缺损模式复原 等模式信息处理工作；又宜于模式分类、模式联想等识别工作。
专家系统 (Expert Systems) 人工神经网络 (Artificial Neural Networks) 模糊逻辑 (Fuzzy Logic) 进化算法 (如：遗传算法Genetic Algorithm, 粒子群Swarm Particle,禁忌搜索Tabu Search, 模拟退火算法Simulated Annealing,) 多智能体系统 (Multi-agent system)