《人工智能在电力系统中的应用PPT讲稿.ppt》由会员分享，可在线阅读，更多相关《人工智能在电力系统中的应用PPT讲稿.ppt（151页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、人工智能在电力系统中的应用第1页，共151页，编辑于2022年，星期三第一章第一章 概述概述人工智能是那些与人的思维相关的活动，诸如决策、问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题求解和学习等的自动化(Bellman,1978(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动人心的新尝试（Haugeland,1985Haugeland,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,19
2、92Winston,1992）；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、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、交流的行为学习、交流的行为（NilssonNilsson，19981998）。像人一样思考的系统、像人一样行动的系统、理性地思像人一样思考的系统、像人一样行动的系统、理性地思考、行动的系统考、行动的系统（Stuart Russell,2003Stuart Russell,2003）。1.1 1.1 人工智能定义人工智能定义第2页，共151页，编辑于2022年，星期三1.21.2人工智能的研究途径与研究领域人工智能的研究途径与研究领域专专家系家
3、系统统(Expert Systems)人工神人工神经经网网络络(Artificial Neural Networks)模糊模糊逻辑逻辑(Fuzzy Logic)进进化算法化算法(如：如：遗传遗传算法算法Genetic Algorithm,粒粒子群子群Swarm Particle,禁忌搜索禁忌搜索Tabu Search,模模拟拟退火算法退火算法Simulated Annealing,)多智能体系多智能体系统统(Multi-agent system)心理模拟，符号推演心理模拟，符号推演心理模拟，符号推演心理模拟，符号推演 生理模拟，神经计算生理模拟，神经计算生理模拟，神经计算生理模拟，神经计算 行
4、为模拟，控制进化行为模拟，控制进化行为模拟，控制进化行为模拟，控制进化 群体模拟，仿生计算群体模拟，仿生计算群体模拟，仿生计算群体模拟，仿生计算第3页，共151页，编辑于2022年，星期三1.31.3人工智能在电力系统的应用领域人工智能在电力系统的应用领域机组启停机组启停 Unit CommitmentUnit Commitment维护计划维护计划 Maintenance schedulingMaintenance scheduling负荷预测负荷预测 Load ForecastingLoad Forecasting发电控制与保护发电控制与保护 Generation control and G
5、eneration control and protection protection潮流优化潮流优化 Optimal Power Flow AnalysisOptimal Power Flow Analysis电力系统安全分析电力系统安全分析 Security AnalysisSecurity Analysis电力系统稳定分析电力系统稳定分析 Stability AnalysisStability Analysis无功优化分配无功优化分配 Var dispatch and planningVar dispatch and planning控制优化控制优化 Optimization of se
6、lf-adaptive Optimization of self-adaptive controlcontrol第4页，共151页，编辑于2022年，星期三继电保护继电保护 Relaying protectionRelaying protection经济调度经济调度 Economic dispatchEconomic dispatch变电所运行控制变电所运行控制 Substation switching and controlSubstation switching and control系统恢复供电系统恢复供电 System reconfiguration and System reconf
7、iguration and restoration restoration电力质量控制电力质量控制 Power quality ControlPower quality Control系统设计优化系统设计优化 System Design OptimizationSystem Design Optimization电力规划电力规划 planning for electric Powerplanning for electric Power电气设备故障诊断电气设备故障诊断 Fault diagnosis for electric Fault diagnosis for electric facil
8、ities facilities1.31.3人工智能在电力系统的应用领域人工智能在电力系统的应用领域第5页，共151页，编辑于2022年，星期三第二章第二章 神经网络及其在电力系统中神经网络及其在电力系统中的应用的应用 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。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，使人类智能的奥秘，进而
9、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。法以及应用实例。第6页，共151页，编辑于2022年，星期三2.1 2.1 神经网络的基本概念及组成特性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
10、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，神经元常被称为称为“处理单元处理单元”。有时从网络的观点出发常把它称为。有时从网络的观点出发常把它称为“节点节点”。人。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：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 1）细胞体）细胞体;（2 2）轴突）轴突;（3 3）树突）树突第7页，共151页，编辑于2022年，星期三2.2 2.2 人工神经网络的特性人工神经网络的特性 高度的并行性高度的并行性 ANNANN是由许多相同的简单处理单元并联组合而成，虽然每
11、个单元的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。与效果惊人。高度的非线性全局作用高度的非线性全局作用 ANNANN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，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输出状态空间的非
12、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。性能的简单迭加，而表现出某种集体性的行为。良好的容错性与联想记忆功能良好的容错性与联想记忆功能 ANNANN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
13、工作；又宜进行聚类分析、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。于模式分类、模式联想等识别工作。十分强的自适应、自学习功能十分强的自适应、自学习功能 ANNANN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。学习能力和对环境的自适应能力。第8页，共151页，编辑于2022年，星期三2.3 2.3 人工神经网络的学习方法人工神经网络的学习方法 监督学习（有教师学习）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如图所示，这种学习方式需要外界存在一个“教师
14、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，他可对给定一组输入提供应有的输出结果，这组已知的输入入-输出数据称为训练样本集，学习系统（神经网络）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）来调节系统参数调节系统参数非监督学习（无教师学习）非监督学习（无教师学习）环境环境教师教师学习系统学习系统输入输入期望输出期望输出实际输出实际输出误差信号误差信号第9页，共151页，编辑于2022年，星期三2.3 2.3 人工神经网络的分类人工神经网络的分类 前向网络中，各神经元节点接受前一层的输出信
15、号，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。在向是从输入流向输出。在ANNANN的实际应用中，的实际应用中，80809090的的ANNANN模型是采用模型是采用BPBP网络或它的变化形式，它也是前向网络网络或它的变化形式，它也是前向网络的核心部分、体现了的核心部分、体现了ANNANN精华的部分。精华的部分。前向神经网络前向神经网络第10页，共151页，编辑于2022年，星期三2.3 人工神经网络的分类人工神经网络的分类 反馈神经网络反馈神经网络输出输出输入输入 反馈网络中，
16、输出信号通过与输入连接而返回反馈网络中，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、自适应线性网络和单层感知器、自适应线性网络和BPBP网络。在反馈网网络。在反馈网络中，有离散型和连续型霍普菲尔德网络。络中，有离散型和连续型霍普菲尔德网络。第11页，共151页，编辑于2022年，星期三2.4 BP2.4 BP神经网络神经网络 2.4.1 BP2.4.1 BP神经网络概述神经网络概述 BP 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。它是在是在1
17、9861986年由年由Rumelhant Rumelhant 和和 McClelland McClelland 提出的一种多层网络的提出的一种多层网络的“逆逆推推”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转向误差的反向传播阶段。
18、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。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，或进行到预先设定直进行到网络输出的误差减
19、少到可以接受的程度，或进行到预先设定的学习次数为止。的学习次数为止。第12页，共151页，编辑于2022年，星期三2.4.2 BP2.4.2 BP神经网络应用领域神经网络应用领域函数逼近：用输入矢量和相应的输出矢量训函数逼近：用输入矢量和相应的输出矢量训练练个网络逼近一个函数；个网络逼近一个函数；模式识别：用一个特定的输出矢量将它与输入模式识别：用一个特定的输出矢量将它与输入矢量联系起来；矢量联系起来；分类：把输入矢量以所定义的合适方式进行分分类：把输入矢量以所定义的合适方式进行分类；类；数据压缩：减少输出矢量维数以便于传输或存储。数据压缩：减少输出矢量维数以便于传输或存储。2.4 BP2.4
20、 BP神经网络神经网络第13页，共151页，编辑于2022年，星期三2.4.3 BP网络模型与结构网络模型与结构BPBP网络具有一层或多层隐含层，其主要差别也表现在激活函数网络具有一层或多层隐含层，其主要差别也表现在激活函数上上 BPBP网络的激活函数必须是处处可微的网络的激活函数必须是处处可微的 ，BPBP网络经常使用的网络经常使用的是是S S型的对数或正切激话函数和线性函数型的对数或正切激话函数和线性函数 W1B1F1W2B2F2PA1ikjs1xrA2s1x1s2x1s2xs1s1xqs2xqrxq112.4 BP2.4 BP神经网络神经网络第14页，共151页，编辑于2022年，星期三
21、2.4.4 BP2.4.4 BP神经网路的几种常见激活函数神经网路的几种常见激活函数 阀值型阀值型A-101fA-101-bf不带偏差的阀值型激活函数不带偏差的阀值型激活函数带偏差的阀值型激活函数带偏差的阀值型激活函数 2.4 BP2.4 BP神经网络神经网络第15页，共151页，编辑于2022年，星期三2.4.4 BP2.4.4 BP神经网路的几种常见激活函数神经网路的几种常见激活函数 线形型线形型不带偏差的线性激活函数不带偏差的线性激活函数带偏差的线形型激活函数带偏差的线形型激活函数 2.4 BP2.4 BP神经网络神经网络A-101fA-101f-b第16页，共151页，编辑于2022年
22、，星期三2.4.4 BP2.4.4 BP神经网路的几种常见激活函数神经网路的几种常见激活函数 2.4 BP2.4 BP神经网络神经网络A-101fA-101f对数对数S S型激活函数型激活函数 双曲正切双曲正切S S型激活函数型激活函数 对数对数S S型函数关系为：型函数关系为：双曲正切双曲正切S S型函数关系：型函数关系：Sigmoid Sigmoid 型型第17页，共151页，编辑于2022年，星期三2.4.5 BP2.4.5 BP网络学习网络学习2.4 BP2.4 BP神经网络神经网络BPBP算法的学习目的是对网络的连接权值进行调整，使得调算法的学习目的是对网络的连接权值进行调整，使得调
23、整后的网络对任一输入都能得到所期望的输出。整后的网络对任一输入都能得到所期望的输出。学习过程由正向传播和反向传播组成。学习过程由正向传播和反向传播组成。正向传播用于对前向网络进行计算，即对某一输入正向传播用于对前向网络进行计算，即对某一输入 信息，信息，经过网络计算后求出它的输出结果。经过网络计算后求出它的输出结果。反向传播用于逐层传递误差，修改神经元间的连接权值，以使反向传播用于逐层传递误差，修改神经元间的连接权值，以使网络对输入信息经过计算后所得到的输出能达到期望的误差要网络对输入信息经过计算后所得到的输出能达到期望的误差要求。求。第18页，共151页，编辑于2022年，星期三2.4.5
24、BP2.4.5 BP网络学习网络学习2.4 BP2.4 BP神经网络神经网络设输入为设输入为P P，输人有，输人有r r个，隐含层内有个，隐含层内有s s1 1个神经元，激话函个神经元，激话函数为数为F F1 1，输出层内有个，输出层内有个s s2 2神经元，对应的激活函数为神经元，对应的激活函数为F F2 2，输，输出为出为A A，目标矢量力，目标矢量力T T。kji隐含层隐含层输出层输出层输入层输入层第19页，共151页，编辑于2022年，星期三2.4.5 BP2.4.5 BP网络学习网络学习2.4 BP2.4 BP神经网络神经网络1、信息的正向传递、信息的正向传递（1 1）隐含层中第）隐
25、含层中第i i个神经元的输出为个神经元的输出为：（2 2）输出层第）输出层第k k个神经元的输出为个神经元的输出为（3 3）定义误差函数为）定义误差函数为：第20页，共151页，编辑于2022年，星期三2.4.5 BP2.4.5 BP网络学习网络学习2.4 BP2.4 BP神经网络神经网络1 1、误差反向传播、误差反向传播（1 1）输出层的权值变化：）输出层的权值变化：对从第对从第i i个输入到第个输入到第k k个输出的权值有个输出的权值有：其中：其中：学习速率，过大容易震荡，过小调整过慢；：学习速率，过大容易震荡，过小调整过慢；：训练样本对目标输出；：训练样本对目标输出；：神经网络实际输出；
26、：神经网络实际输出；：输出层神经元传递函数的导数；：输出层神经元传递函数的导数；：误差；：误差；第21页，共151页，编辑于2022年，星期三2.4.5 BP2.4.5 BP网络学习网络学习2.4 BP2.4 BP神经网络神经网络1 1、误差反向传播、误差反向传播（2 2）输出层的阀值变化：）输出层的阀值变化：其中：其中：！注意：！注意：输出层的权值变化与输出层的阈值变化输出层的权值变化与输出层的阈值变化的差别的差别第22页，共151页，编辑于2022年，星期三2.4.5 BP2.4.5 BP网络学习网络学习2.4 BP2.4 BP神经网络神经网络1 1、误差反向传播、误差反向传播（3 3）隐
27、含层的权值变化：）隐含层的权值变化：对从第对从第j j个输入到第个输入到第i i个输出的权值有个输出的权值有：其中：其中：（4 4）隐含层的阈值变化：）隐含层的阈值变化：第23页，共151页，编辑于2022年，星期三2.4.6 BP2.4.6 BP网络的限制与不足及改进网络的限制与不足及改进2.4 BP2.4 BP神经网络神经网络1 1 不足不足需要较长的训练时间需要较长的训练时间 对于一些复杂的问题，对于一些复杂的问题，BPBP算法可能要进行几小时甚至更长的时算法可能要进行几小时甚至更长的时间的训练。这主要是由于学习速率太小所造成的。可采用变间的训练。这主要是由于学习速率太小所造成的。可采用
28、变化的学习速率或自适应的学习速率加以改进。化的学习速率或自适应的学习速率加以改进。完全不能训练完全不能训练 这主要表现在网络出现的麻痹现象上。在网络的训练过程中，这主要表现在网络出现的麻痹现象上。在网络的训练过程中，当其权值调得过大，可能使得所有的或大部分神经元的加权当其权值调得过大，可能使得所有的或大部分神经元的加权总和偏大，这使得激活函数的输入工作在总和偏大，这使得激活函数的输入工作在S S型转移函数的饱和型转移函数的饱和区，从而导致其导数非常小，从而使得对网络权值的调节过区，从而导致其导数非常小，从而使得对网络权值的调节过程几乎停顿下来。通常为了避免这种现象的发生，一是选取程几乎停顿下来
29、。通常为了避免这种现象的发生，一是选取较小的初始权值，二是采用较小的学习速率，但这又增加了较小的初始权值，二是采用较小的学习速率，但这又增加了训练时间。训练时间。第24页，共151页，编辑于2022年，星期三2.4.6 BP2.4.6 BP网络的限制与不足及改进网络的限制与不足及改进2.4 BP2.4 BP神经网络神经网络1 1 不足不足局部极小值局部极小值 BP BP 算法可以使网络权值收敛到一个解，但它并不能保证所求算法可以使网络权值收敛到一个解，但它并不能保证所求为误差超平面的全局最小解，很可能是一个局部极小解。这为误差超平面的全局最小解，很可能是一个局部极小解。这是因为是因为BPBP算
30、法采用的是梯度下降法，训练是从某一起始点沿算法采用的是梯度下降法，训练是从某一起始点沿误差函数的斜面逐渐达到误差的最小值。对于复杂的网络，误差函数的斜面逐渐达到误差的最小值。对于复杂的网络，其误差函数为多维空间曲面，就像一个碗，其碗底是最小值其误差函数为多维空间曲面，就像一个碗，其碗底是最小值点。但是这个碗的表面是凹凸不平的，因而在对其训练过程点。但是这个碗的表面是凹凸不平的，因而在对其训练过程中，可能陷入某一小谷区，而这一小谷区产生的是一个局部中，可能陷入某一小谷区，而这一小谷区产生的是一个局部极小值。由此点向各方向变化均使误差增加，以致于使训练极小值。由此点向各方向变化均使误差增加，以致于
31、使训练无法逃出这一局部极小值。无法逃出这一局部极小值。第25页，共151页，编辑于2022年，星期三2.4.6 BP2.4.6 BP网络的限制与不足及改进网络的限制与不足及改进2.4 BP2.4 BP神经网络神经网络1 1 改进改进增加动量项增加动量项 标准标准BPBP算法在调整权值时，只按算法在调整权值时，只按t t时刻误差的梯度下降时刻误差的梯度下降方向调整，而没有考虑方向调整，而没有考虑t t时刻以前的梯度方向。为了时刻以前的梯度方向。为了提高训练速度，可以在权值调整公式中加一动量项，提高训练速度，可以在权值调整公式中加一动量项，其中其中a a为动量系数：为动量系数：动量项反映了以前积累
32、的调整经验。当误差梯度出现动量项反映了以前积累的调整经验。当误差梯度出现局部极小时，虽然局部极小时，虽然 但，但，使其跳出局部极小区域，加快迭代收敛速度。目前，使其跳出局部极小区域，加快迭代收敛速度。目前，大多数大多数BPBP算法中都增加了动量项，以至于有动量项的算法中都增加了动量项，以至于有动量项的BPBP算法成为一种新的标准算法。算法成为一种新的标准算法。第26页，共151页，编辑于2022年，星期三2.4.6 BP2.4.6 BP网络的限制与不足及改进网络的限制与不足及改进2.4 BP2.4 BP神经网络神经网络1 1 改进改进可变学习速度的反向传播算法可变学习速度的反向传播算法 （1
33、1）如果平方误差（在整个训练集上）在权值更新后增加了，）如果平方误差（在整个训练集上）在权值更新后增加了，且超过了某个设置的百分数（典型值为且超过了某个设置的百分数（典型值为1%1%5%5%），则权值更新被），则权值更新被取消，学习速度被乘以一个因子（取消，学习速度被乘以一个因子（0101），并且动量系数（如果），并且动量系数（如果有的话）被设置为有的话）被设置为0 0。（2 2）如果平方误差在权值更新后减少，则权值更新被接）如果平方误差在权值更新后减少，则权值更新被接受，而且学习速度将乘以一个大于受，而且学习速度将乘以一个大于1 1的因子。如果动量系的因子。如果动量系数过去被设置为数过去被设
34、置为0 0，则恢复到以前的值。，则恢复到以前的值。第27页，共151页，编辑于2022年，星期三2.4.6 BP2.4.6 BP网络的限制与不足及改进网络的限制与不足及改进2.4 BP2.4 BP神经网络神经网络1 1 改进改进引入陡度因子引入陡度因子防止饱和防止饱和 误差曲面上存在着平坦区。其可预付调整缓慢的原因误差曲面上存在着平坦区。其可预付调整缓慢的原因在于在于S S转移函数具有饱和特性。如果在调整进入平坦区转移函数具有饱和特性。如果在调整进入平坦区后，设法压缩神经元的净输入，使其输出退出转移函后，设法压缩神经元的净输入，使其输出退出转移函数的饱和区，就可改变误差函数的形状，从而使调整数
35、的饱和区，就可改变误差函数的形状，从而使调整脱离平坦区。实现这一思路的具体作法是在转移函数脱离平坦区。实现这一思路的具体作法是在转移函数中引进一个陡度因子。中引进一个陡度因子。第28页，共151页，编辑于2022年，星期三2.5 2.5 使用使用MATLABMATLAB神经网络工具箱神经网络工具箱 MATLAB MATLAB神经网络工具箱大大降低了开发各种神经网络工具箱大大降低了开发各种神经网络应用的难度。设计者只需要调用相关函神经网络应用的难度。设计者只需要调用相关函数即可，甚至通过数即可，甚至通过NNTOOLNNTOOL图形界面，不用编写一图形界面，不用编写一行程序，就可完成一个神经网络的
36、设计仿真。行程序，就可完成一个神经网络的设计仿真。本节主要介绍本节主要介绍NNTOOLNNTOOL图形工具，神经网络程序图形工具，神经网络程序设计见设计见2.62.6。第29页，共151页，编辑于2022年，星期三2.5 2.5 使用使用MATLABMATLAB神经网络工具箱神经网络工具箱第一步第一步 在在MATLABMATLAB命令下打开命令下打开nntoolnntool界面界面第30页，共151页，编辑于2022年，星期三2.5 2.5 使用使用MATLABMATLAB神经网络工具箱神经网络工具箱第二步第二步 通过通过ImportImport从工作空间或通过从工作空间或通过New Data
37、New Data手动输入训练样本手动输入训练样本第31页，共151页，编辑于2022年，星期三2.5 2.5 使用使用MATLABMATLAB神经网络工具箱神经网络工具箱第三步第三步 点击点击new networknew network建立神经网络建立神经网络该页面用来建立神经网络结构，主要设置的参数有：神经网络类型、该页面用来建立神经网络结构，主要设置的参数有：神经网络类型、训练函数、各层神经元数目及相应的传递函数等训练函数、各层神经元数目及相应的传递函数等第32页，共151页，编辑于2022年，星期三2.5 2.5 使用使用MATLABMATLAB神经网络工具箱神经网络工具箱第四步第四步
38、设置训练参数设置训练参数 点击点击traintrain进入进入training parameterstraining parameters页设置训练参数，页设置训练参数，主要包括训练代数、允许误差、显示频度等。主要包括训练代数、允许误差、显示频度等。第33页，共151页，编辑于2022年，星期三2.5 2.5 使用使用MATLABMATLAB神经网络工具箱神经网络工具箱第四步第四步 点击点击traintrain进入进入training parameterstraining parameters页设置训练参页设置训练参数，主要包括训练代数、允许误差、显示频度等。数，主要包括训练代数、允许误差、显
39、示频度等。第34页，共151页，编辑于2022年，星期三2.5 2.5 使用使用MATLABMATLAB神经网络工具箱神经网络工具箱第五步第五步 训练已经建立好的神经网络点击训练已经建立好的神经网络点击train networktrain network开始训开始训练。训练过程会显示误差随代数的变化。练。训练过程会显示误差随代数的变化。第35页，共151页，编辑于2022年，星期三2.5 2.5 使用使用MATLABMATLAB神经网络工具箱神经网络工具箱第六步第六步 仿真验证，进入仿真验证，进入simulate页页,设置输入设置输入,点击点击simulate network。第36页，共15
40、1页，编辑于2022年，星期三2.6 2.6 神经网络在电力系统应用实例神经网络在电力系统应用实例实例实例1 1：短期电力负荷预测：短期电力负荷预测实例实例2 2：变压器故障诊断：变压器故障诊断第37页，共151页，编辑于2022年，星期三2.6.1 实例实例1 神经网络在负荷预测中的应用神经网络在负荷预测中的应用问题描述问题描述 以广东某城市的以广东某城市的20042004年年7 7月月2020日到日到7 7月月3030日的负荷值以及日的负荷值以及20042004年年7 7月月2121日到日到7 7月月3131日的气象特征状态作为网络的训练样本，日的气象特征状态作为网络的训练样本，来预测来预
41、测7 7月月3131日的电力负荷为例日的电力负荷为例 第38页，共151页，编辑于2022年，星期三2.6.1 实例实例1 神经网络在负荷预测中的应用神经网络在负荷预测中的应用日期日期7 7月月2020日日7 7月月2121日日7 7月月2222日日7 7月月2323日日7 7月月2424日日7 7月月2525日日电力负荷电力负荷0.24520.22170.25250.20160.21150.23350.14660.15810.16270.11050.12010.13220.13140.14080.15070.12430.13120.15340.22430.23040.24060.19780.
42、20190.22140.55230.51340.55020.50210.55320.56230.66420.53120.56360.52320.57360.58270.70150.68190.70510.68190.70290.71980.69810.71250.73520.69520.70320.72760.68210.72650.74590.70150.71890.73590.69450.68470.70150.68250.70190.75060.75490.78260.80640.78250.79650.80920.82150.83250.81560.78950.80250.8221气象
43、特征气象特征0.24150.23850.22160.23520.25420.30270.31250.27010.25060.31250010.50广东某地区广东某地区7 7月月2020日日2525日日2424小时电力负荷表小时电力负荷表 第39页，共151页，编辑于2022年，星期三 2.6.1 实例实例1 神经网络在负荷预测中的应用神经网络在负荷预测中的应用日期日期7月月26日日7月月27日日7月月28日日7月月29日日7月月30日日7月月31日日电电力力负负荷荷0.23680.23420.21130.20050.21230.21190.14320.13680.12120.11210.125
44、70.12150.16530.16020.13050.12070.13430.16210.22050.21310.18190.16050.20790.21610.58230.57260.49520.45560.55790.61710.59710.58220.53120.50220.57160.61590.71360.71010.68860.65530.70590.71150.71290.70980.68980.66730.71450.72010.72630.71270.69990.67980.72050.72430.71530.71210.73230.70230.74010.72980.809
45、10.79950.77210.75210.80190.81790.82170.81260.79560.77560.81360.8229气象特征气象特征0.26010.25790.23010.22340.23140.23170.31980.30990.28670.27990.29770.2936000.5100广东某地区广东某地区7 7月月2626日日3131日日2424小时电力负荷表小时电力负荷表 第40页，共151页，编辑于2022年，星期三2.6.1 实例实例1 神经网络在负荷预测中的应用神经网络在负荷预测中的应用1.学习样本的分析与处理学习样本的分析与处理在预测日的前一天中，每隔在预测日
46、的前一天中，每隔2 2个小时对电力负荷进行一次测量，这个小时对电力负荷进行一次测量，这样一天可以得到样一天可以得到1212组负荷数据，将前一天的实时负荷数据作为组负荷数据，将前一天的实时负荷数据作为网络的样本数据网络的样本数据;另外电力负荷还与环境因素有关，所以本例中还考虑了气温另外电力负荷还与环境因素有关，所以本例中还考虑了气温和天气。即最高、最低气温和天气特征，可以通过天气预报和天气。即最高、最低气温和天气特征，可以通过天气预报得到预测日的最高、最低气温和天气特征得到预测日的最高、最低气温和天气特征(晴天、阴天、雨天晴天、阴天、雨天)，可以用，可以用0 0、0.50.5、1 1 分别表示晴
47、天、阴天、雨天，将预测当天的分别表示晴天、阴天、雨天，将预测当天的气象特征作为网络的输入变量，这样输入变量气象特征作为网络的输入变量，这样输入变量P P就是一个就是一个15 15 维的维的向量向量,即即n=15n=15；目标向量就是预测日当天的目标向量就是预测日当天的1212个负荷值，即输出变量个负荷值，即输出变量T T为一个为一个1212维的向量，维的向量，m=12m=12。由于在输入的数据中各类型的数据大小、单位都不统一，这由于在输入的数据中各类型的数据大小、单位都不统一，这样大大增加了系统的运算量、运算时间还降低了精度甚至可样大大增加了系统的运算量、运算时间还降低了精度甚至可能使神经元趋
48、于饱和不能继续运算。为了避免神经元的饱和能使神经元趋于饱和不能继续运算。为了避免神经元的饱和性性,在确定输入和输出变量后在确定输入和输出变量后,应对其进行归一化处理应对其进行归一化处理,将数据处理为将数据处理为一定范围之间。这样就降低了运算量，提高运算速度和时间。归一一定范围之间。这样就降低了运算量，提高运算速度和时间。归一化的方式很多，化的方式很多，MATLABMATLAB中也有归一化函数可对数据进归一化和中也有归一化函数可对数据进归一化和反归一化反归一化 第41页，共151页，编辑于2022年，星期三2.6.1 实例实例1 神经网络在负荷预测中的应用神经网络在负荷预测中的应用2.确定网络结
49、构确定网络结构第42页，共151页，编辑于2022年，星期三2.6.1 实例实例1 神经网络在负荷预测中的应用神经网络在负荷预测中的应用2.确定网络结构确定网络结构MATLABMATLABMATLABMATLAB实现函数实现函数实现函数实现函数net=newff(minmax(P),10,12,tansig,logsig,trainlm)含义：含义：Newff:Newff:建立建立BPBP神经网络结构函数神经网络结构函数参数的意思指该网络隐含层、输出层神经元数目分参数的意思指该网络隐含层、输出层神经元数目分 别为别为1010个与个与1212个；个；传递函数分别为正切传递函数分别为正切S S函数
50、与对数函数与对数S S函数；函数；训练函数选取增加动量项的训练函数选取增加动量项的BPBP算法；算法；minmax(P)minmax(P)指定输入样本的范围，使得网络初始权值指定输入样本的范围，使得网络初始权值 合理化。合理化。NetNet储存返回的神经网络，注意此时的神经网络还没有开始训储存返回的神经网络，注意此时的神经网络还没有开始训练，只是指定了网络结构而已；练，只是指定了网络结构而已；注意输入的是预测日头天的历史负荷数据与预测日的天气注意输入的是预测日头天的历史负荷数据与预测日的天气数据，而输出是预测日需要预测的数据，而输出是预测日需要预测的2424小时负荷。小时负荷。第43页，共15