专家系统及其应用

专家系统及其应用

摘要：电力系统负荷预测是电力生产管理的重要环节之一，本文详细综述了BP 网络、RBF网络以及小波神经网络在电力负荷预测领域的研究和应用现状，并指出目前神经网络还存在的一些问题。

关键词：人工智能，专家

0．引言

电力系统负荷预测是电力生产管理的重要环节之一，按预测周期长短可以分为长期、中期和短期负荷预测。其中短期负荷预测中的日负荷预测对于电力系统的实时运行调度至关重要：依据准确的日负荷预测数据，可以经济合理地安排机组启停，减少旋转备用容量，合理安排检修计划，降低发电成本，提高经济效益，有利于保持电网的安全稳定性，有利于提高经济效益和社会效益。因此日负荷预测结果的准确性对电力系统的安全稳定运行和经济性具有重要影响。许多学者对此进行了研究，继而提出了相应的预测方法并及时地将数学领域的最新研究成果应用到负荷预测中去，使预测水平得到了迅速提高，预测研究取得了较大进展。近几年来，随着电力改革的深入和电力市场的逐步建立，无论是电网的安全运行和经济运行，还是发电公司的竞价上网、电力公司或供电公司的购电计划的制定等，都与短期负荷预测特别是日负荷预测曲线有着密切的关系。

1．人工智能概述

1.1 人工智能的基本概念

人工智能（Artificial Intelligence，简称AI）这一术语是1956年在美国的Dartmouth大学召开的世界第一次AI会议上由麻省理工学院的青年数学教师John McCarthy提议而使用的。AI这一学科至今已有50多年的历史，在国际上已确认AI是当代高科技的核心之一。

其基本含义是：AI是用机器（计算机或智能机）来模仿人类的智能行为。AI也叫机器智能，是研究如何使机器具有认识问题与解决问题的能力，研究如何使机器具有感知功能（如视、听、嗅）、思维功能（如分析、综合、计算、推

理、联想、判断、规划、决策）、行为功能（如说、写、画）及学习、记忆等功能。AI是使技术适应于人类的钥匙，是自动化技术向智能技术方向发展的关键，也是揭示人类智能和人脑奥秘的有力工具。

人工智能的理论基础有三个方面：数学理论（离散数学、模糊数学等）；思维科学理论（认知心理学、逻辑或抽象思维学、形象或直感思维学等）；计算机工程技术（软件技术和硬件技术）。

由于大规模电力系统一般具有先进的自动控制水平，且电力系统研究的大量问题已具备相应的数学模型和数值算法，因此在AI早期对电力部门的吸引力不大。随着专家系统应用的巨大成功亦启发电力部门研究人员去尝试，很快发现AI在电力系统的应用潜力也是很大的，同时加上电力系统具备AI应用的技术基础，因此AI在电力系统的应用研究发展很快。人工智能在电力系统中的应用主要在故障诊断、报警处理和恢复控制三个方面，主要方法是专家系统，其它有人工神经网络、模糊控制、遗传算法等。

1.2 人工智能的研究内容

要了解人工智能的研究内容，必须先搞清楚什么是人类的智能。“智能”词源来自拉丁语Legere，字面意思是采集、收集和汇集，并由此进行选择。而Intellegere意思是从中进行选择，进而理解、领悟和认识。

因此，人工智能的研究内容应包括三个方面：

1．知识表达(Knowledge Representation)：

——研究如何在机器中表示知识，使知识形式化、模型化，用以建立合适的符号逻辑系统。

2．知识获取(Knowledge Acquisition)：

——研究机器如何从各种知识源获取知识。

3．知识处理(Knowledge Inference)或问题求解(Problem Solving)：

——运用存贮于机器中的知识进行相应知识处理，并推出结论。

2．神经网络在电力系统负荷预测中的应用

2.1 电力系统负荷预测概况

过去几十年来，国内外学者对电力系统短期负荷预测进行了较充分的研究。这些研究可分为3类：①负荷预测传统算法(时间序列法、回归方法等)的研究，研究重点放在负荷序列本身的规律上；②负荷预测现代算法(专家系统、神经网络等)的研究，研究重点放在用新的技术替代传统方法，其中以BP神经网络应用最为广泛，取得了比传统负荷预测更好的效果；③负荷预测的应用研究，重点是各种预测方法的结合，分析影响负荷的各种因素，特别是天气因素[1]。

目前已有的负荷预测方法包括回归法、时间序列法、神经网络法、灰色方法和模糊方法等，根据不同的预测要求用于不同的场合。应用较多的为神经网络预测，它实际上是一种非线性拟合的方法，对于训练样本分布较全且预测点在样本空间附近的短期日负荷预测有较好的效果。

神经网络理论是利用神经网络的学习功能，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。一般而言，神经网络理论(ANN)应用于短期负荷预测要比应用于中长期负荷预测更为适宜。因为短期负荷变化可认为是一个平稳随机过程，而长期负荷预测与国家或地区的政治、经济政策等因素密切相关，通常会有些大的波动，而并非一个平稳随机过程。进入上世纪90年代以来，国内外利用人工神经网络进行负荷预测的研究达到了高潮。2.2 神经网络概述

人工神经网络，英文名称是Artificial Neural Network，简称ANN。

人工神经网络是采用物理可实现的手段来模仿人脑神经系统结构和功能的系统。

人工神经网络是由大量的简单计算单元（即人工神经元）广泛连接而成的大规模并行分布处理网络。

人工神经网络的主要模型有：误差反向传播(BP)模型、Hopfield网络模型(离散和连续)、Kohonen自组织特征映射模型、逆向传播(CNP)模型、自适应谐振理论(ART)模型、双向联想记忆模型。

ANN的实现方式有：硬件实现（采用大规模集成电路技术，将大量人工神经元连接成网络，制成神经网络计算机），软件模拟（基于传统的计算机，通过数值计算软件来模拟人工神经网络，将知识以权矩阵方式存储在数据文件中）。

ANN的主要用途有：模式识别和分类、函数逼近与控制过程仿真建模、语音和图像处理、优化问题、预测问题和过程控制。ANN在电力系统中的应用领域有：报警处理和故障诊断、静态和暂态安全评估、发电机模型的仿真和控制、过程控制和自动化、大机组组合优化和经济运行、短期负荷预测、配电网线损计算。

采用神经网络进行预测．要解决的问题主要有以下两个[2]：

1 ）ANN结构确定要保证经过足够多的样本学习后ANN能够任意精确地逼近被预测的非线性系统，并且具有简单的结构形式和最少的可调参数。目前，如何确定神经网络的结构，如网络的层数，每层神经元的数量，神经元的连接方式仍是还没有解决的问题。只能靠在实际应用中的经验或通过大量的实验获得，现在大多文献研究的重点在于如何构成预测样本、如何构成输入层数据等。

2 ）ANN训练算法的改进基于误差反向传播算法的BP神经网络在负荷预