畢業論文基于遺傳算法的復雜電網故障診斷方法的研究(編輯修改稿)

　

【文章內容簡介】 計；5) 電力系統的無功優化；6) 暫態穩定控制與運行監測系統。人工神經網絡在電力系統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依然是現在的研究發展趨勢。圖3就是人工神經網絡在電力系統故障診斷中的模型。圖3 三層前向人工神經網絡模型 基于優化技術的方法隨著電力系統的不斷進步，專家們研究出很多故障診斷方法技術。雖然都還不夠成熟，理論體系尚不夠完整，但前景很不錯，值得進一步研究。其中基于優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學模型，將其描述成為01的整數規劃問題。主要包括遺傳算法，粒子群算法，模擬退火算法以及免疫進化算法等，其中遺傳算法就是本文研究的重點。基于優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故障診斷。另外基于優化技術的也存在許多的不足，主要有以下幾方面：1) 在形成目標函數的過程中，對于如何建立一個合理的電力系統故障診斷的解析模型，在考慮到多級的后備保護時會有些困難。2) 因為在 尋求最優解的過程中，存在一些隨機因素的影響，導致優化技術有時會丟失最優解。3) 因為優化技術需要迭代計算，所以其診斷速度是一個很大的影響因素。 其他技術除了以上這些故障診斷技術。還有以下相關診斷技術：模糊集理論、小波分析法、Petri網絡以及粗糙集理論技術等一些，同時從數據采集的層面上進行區分還有很多相關技術方法，另外也通過多種方法結合創造出更適合現代復雜的電網系統的故障診斷技術，例如遺傳算法與模擬退火技術相結合或是專家系統與人工神經網絡結合的一種診斷方式，如圖4所示就是人工神經網絡專家系統結合的一種新方法。圖4 人工神經網絡專家系統的總體結構 本章小結在研究遺傳算法在電力系統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域的識別原理。然后簡單介紹了故障診斷中專家系統以及人工神經網絡，并說明其特點與存在的問題，以及未來的發展趨勢。最后還給出了目前存在的其他一些故障診斷方法。通過本章的知識，我們明確了電力系統故障診斷的地位以及重要性。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，然后搜索出最優解的方法，并出版發行了很具影響的《Adaptation in Natural and Artificial Systems》一書，（SGA）。 遺傳算法的基本原理 基本概念遺傳算法（GA）是一種隨機的搜索方法，它借鑒于生物界的進化規律（優勝略汰與適者生存）演化而來的。主要特點是不存在函數連續性和求導的限制，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解能力和內在的隱并行性。采用概率化的尋找最優解方法，能自動調整搜索方向并獲取指導優化的搜索范圍，沒有規則的約束性。GA的這些性質，被廣泛的應用于現代社會的各個領域，是現代智能計算中的重要技術分支。 遺傳算法特點遺傳算法（GA）具有以下一些特點：1) 與傳統的一些優化算法不同，遺傳算法不是從單個解數據進行的，是從問題的串集解開始搜索。這樣的覆蓋面積大，利于整體選擇最優。2) 遺傳算法對搜索范圍內的多個解開始篩選評估，能同時處理種群中的多個個體，減少了一定的風險，同時也讓遺傳算法更好的實現優化。3) 遺傳算法只用適應函數值來篩選個體，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。適應度函數在它的定義域內可以任意的設置，不受連續可微的限制。4) 遺傳算法采用的是概率的變化規律來處理其搜索方向。5) 遺傳算法具有自主的學習以及適應性，并且有著良好的自我組織能力。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。最后對篩選出來的解進行操作處理，得到新的解。 遺傳算法的原理遺傳算法是優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。然后按照這些解的優異性來進行排列，通過遺傳算子中的交叉以及變異來對其運算求解出新的預備解，一直重復該過程，直到求出滿足收斂為止。主要包括兩個方面：1) 怎樣從現有的解集中篩選出一些解（選擇算子）來產生其后代。2) 使用哪種遺傳算子來對篩選出的解進行運算操作。 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。所以使用隨機性的方法來構成匹配集是一種相對來說很好的方法。但是必須要保證適應值在匹配集中的串數值較大，這樣才能有繁殖的機會。目前有一種比較好的方法就是采用隨機的方式兩兩競爭，這樣保證了所加入匹配集中的那些串有比較大的適應值。除了兩兩競爭的方法外，還有窗口法以及輪轉法等。 交叉與變異交叉的主要目的是可以把兩個串中較優良的遺傳到下一代的某個串中去，使該串擁有優于其上一代的性能。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。尋求最優的搜索過程主要就是通過交叉來得以實現的，它是遺傳算法中最重要的算子，所以一般說它發生的概率會比較大。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據得以恢復。因為在遺傳中，如果出現某一代的串的某些數字均是0，那么它的后代的所有串中該位數將一直為0，不會有1的出現，不論選擇和交叉的如何進行。就是說l這個數字信息丟失了，必須通過變異才可將這個1恢復。但變異的概率應比較小，如果發生的概率達到50%以上，那么遺傳算法就會變成隨機搜索了，GA的一些重要的計算能力和數據特性將不會存在了。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。對于C和D中的數字：C＝1 l|0 0 1 0 1|1 1 1 0 1 ；D＝l 0|0 1 1 1 0|0 1 1 1 1 ，其中，第3位與第8位是斷點，就是交叉點。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字發生變化。比如A改變成A：A=0 1 0 1 1 0 1A=0 1 1 1 1 0 1A是 A的第三位數字發生變異后的結果。變異可在串的一位或者是多個位上發生，但通常使用一位變異的方法。變異的概率Pm一般來說都給得比較小，一般在千分之一和十分之一之間，所以變異的數字的位置都是隨機確定。 收斂判據遺傳算法的收斂判據是屬于啟發式的，常規的數學方法在數學上都有著比較嚴格的收斂判據。遺傳算法的范圍比較廣，因為其沒有使用梯度等一些信息。可是遺傳算法同時要形成數學上嚴格的收斂判據是比較困難的。目前所使用的判據比較多，比如從最優解的方面所確定的收斂判據，在連續得到的解集中的最優解無變化就會認定GA是收斂的；或者通過所使用的計算機容量限制與計算時間來確定的判據，就是所給與的每一代解集中的串的數量與迭代的次數；或者是解集中的最優解的適應度跟其平均適應度之差所占的百分比小于所給定的允許值等判據。 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）。 簡單遺傳算法（SGA）簡單遺傳算法（SGA）的基本運算過程如下：1) 初始化：首先令進化代數的計數器初始值t=0，然后設置最大的進化代數T，隨機的生成M個單位讓它們作為初始的種群P(0)。2) 個體評價：計算出種群P(t)中的每一個個體的適應度。3) 選擇運算：選擇操作就是建立在種群中每一個個體的適應度評估的基礎之上，將選擇算子作用到群體。選擇運算的主要目的就是把優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。4) 交叉運算：交叉是指把兩個父代個體的一部分結構加以更換重組然后生成的新個體的操作。將交叉算子作用到種群中。GA中起關鍵作用的就是交叉算子。5) 變異運算：將變異算子作用到種群。就是對群體中的個體串的一些基因上的基因做出相應的變動。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)。6) 終止條件判斷：若t=T,則以進化過程中得到的最大適應度個體作為最優解，最后計算終止。簡單遺傳算法的步驟如圖5所示。圖5 遺傳算法方框圖在遺傳算法的優化準則中，通常會根據處理的問題不同而有不一樣的確定方法，一般的判斷條件用有以下幾種規則：1) 在群體中的個體的最大適應度值高于初始預設值；2) 在群體中的個體的平均適應度值高于初始預設值；3) 代數高于初始預設值。 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。不同于簡單遺傳算法，高級遺傳算法的變異概率以及交叉概率是可變的，通過遺傳算法的原理可知，在迭代之前，變異概率比較小，交叉概率比較大，這樣才能確定計算過程的穩定進行。在迭代的后期，解群中的 串 已漸漸的趨于穩定，可能收斂于局 部的最優解，這時交 叉的作用已經開始慢慢減小，其發生的概率 可降低，而變異的 概率應該給定得略大點，方便之后有機會跳出局部的最優解，進入新的搜索范圍。本文采用的交叉 概率以及變異概率隨迭代次數的增加而改變的方程是：兩式中：：迭代的次數：交叉概率在第t次 迭代時的數值：交叉 概率的初 始值：變異概率在第t次迭代時的數值：變異 概率的初 始值：允許的最大迭代次數可以發現，交叉概率是隨著迭代的次數增加而呈現出線性遞減趨勢的。而變異的概率是隨著迭代次數的增加而呈現線性增加的趨勢。簡單遺傳算法和高級遺傳算法有很多差異，主要的區別有如下兩點：1) 簡單遺傳算法只有變異和交叉，但是高級遺傳算法中還有很多新的算子，實現其算子的方式是不一樣的。2) 簡單遺傳算法中的變異和交叉算子它們發生的概率是固定不變的，但是高級遺傳算法的概率則具有可變性。在高級遺傳算法開始計算的時候，一般來說給定的交叉算子概率Pc的值比較大，而變異算子的概率Pm值較小，通過計算，交叉算子概率Pc減小和變異算子概率Pm增大，一直到Pm和P