人工智能技术在电力系统中的应用

《人工智能技术在电力系统中的应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、人工智能技术在电力系统中的应用1人工智能描述人工智能(ArtificialIntelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。“人工智能”一词最初是在1956年Dartmouth学会上提出的。从那以后,研究者们发展了众多理论和原理,人工智能的概念也随之扩展。人工智能是

2、一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。例如繁重的科学和工程计算本来是要人脑来承担的，现在计算机不但能完成这种计算,而且能够比人脑做得更快、更准确，因之当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”,可见复杂工作的定义是随着时代的发展和技术的进步而变化的,人

3、工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，一方面又转向更有意义、更加困难的目标。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机,人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。除了计算机科学以外,人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理计算机视觉、智能机器人、自动程序设计等方。近年来

4、，随着人工智能理论技术的不断发展，以模糊技术、人工神经网络和遗传算法为代表的智能理论方法在电力系统领域得到了十分广泛的应用。众所周知，电力系统是由各类发电装置、输配电线路、变压器以及用电装置等一系列单元组合而成的大规模动态系统，电力系统本质上是一个非线性动态大系统，存在着许多极为复杂的工程计算和非线性优化问题，例如：电力网络的无功优化调度、电力系统规划运行、发电机组的优化组合、电力系统最优潮流计算、电力市场的交易定价等一系列问题。而这些问题都是多参数，多约束的非凸优化问题。长期以来，电力系统自动化研究者一直在寻找高效可靠的方法

5、来解决这些问题。然而有许多电力系统中存在的问题无法得到快速与精确的结果。其主要原因在于：(1)电力系统中的有些问题还无法建立精确切实的数学模型，包括不能完全用数学来表示反映问题实质的约束条件；(2)随着问题的规模和复杂程度的增加，利用现有的算法和计算机条件，无法在较短的时问内获得满意的计算结果；(3)许多问题的条件具有模糊性，对于系统的了解还不够精确，此外在求解问题的过程中需要专家的知识经验。这些都无法用精确的数学形式表示出来。与传统的计算方法相比较,人工智能方法对于复杂的非线性系统问题求解有着极大的优势。它弥补了传统方法的单

6、纯依靠数学求解的不足，解决了某些传统计算方法难于求解或不能解决的问题。下面就结合电力系统的具体应用针对人工智能的几面进行综述。2人工智能方技术在电力系统中的应用应用于电力系统的人工智能技术可以传统上可以分为专家系统、人工神经网络、模糊集理论和启发式搜索四类。2.1专家系统(ExpertSystem,ES)的应用专家系统是一个具有大量规则、经验与专门知识的程序系统,它运用由某领域专家们所提供的知识和经验来进行判断推理，并模拟专家的决策过程,以解决各种需要专家决策的复杂问题。专家系统最常利用产生式规则，即所谓的IF—THEN规则，

7、当IF后所给出的事实或条件满足，则执行THEN后的结果或操作。一般来讲，通常专家系统中的规则是在已有事实基础上建立的，运用规则执行结果,并根据新的情况调整建立新的规则。实用的专家系统由知识库、数据库、推理机、咨询解释、知识获取和人机接口6个部分组成。2.2神经网络(ANN)的应用神经网络具有灵活有效的学习方式，以及完全分布式的存储结构,尤其适于进行大规模的并行信息处理，对非线性系统具有很强的建模逼近能力，模式识别能力，可以对任意复杂状态或过程进行分类和识别。具有各类功能，才能够掌握系统的本质特征。根据具体问题的不同，已经有多种

8、神经网络结构及其训练算法在电力系统中得到了应用。如利用BP神经网络进行了电力系统短期负荷预测，在保证有足够的训练样本的前提下，对预测模型进行合理分类，构造了相应于不同季节的周预测、日预测模型,并对输入变量的选择，特别是对温度的选取问题进行了讨论；利用人工神经网络和元件关联分析