智能方法（精选12篇）
智能方法 篇1
个人信息管理(Personal Information Manegment),是指对手机联系人(通讯录或名片)、日程、任务、短信、通话记录、电子邮件以及图片、铃声等个人手机信息进行记录、保存、更新、同步、备份与恢复等管理。这些信息是我们平时日积月累起来的,十分的重要,如果这些电子设备出现问题,将带来很大的损失。其实我们只需要简单的备份一下,就可用做到万无一失了,还可以进行更好的整理。
1 备份方法
1.1 计算机线下同步
计算机线下同步,是指智能手机与桌面电脑连接,把手机里的联系人、日程、任务、短信、通讯记录、电子邮件等个人信息同步到电脑Outlook等桌面管理软件的数据备份及管理的方式。
1.1.1 同步备份
对于Windows Mobile系统来说,即通过Microsoft Active Sync与电脑的outlook同步,如图1所示,备份联系人、日程、任务等信息。对于Symbian S60来说,Nokia智能手机则是通过Nokia PC套件这个与微软的Active Sync类似的PC同步软件进行PC端管理的。S60手机虽然通过Nokia PC套件同步,同步的目的地还是Outlook程序。它的优点是自动同步,可以利用电脑来整理个人信息,然后立即同步更新到手机上。
操作:
把手机连上电脑。方式有二:一是插上数据线,WM手机只需插上USB线即可,S60手机则需在手机端出现提示后选择“同步连接”;二是开启蓝牙连接。
先了解一下是需要Outlook Express还是Microsoft Outlook,这两者之间是不一样的,建议先安装Microsoft Outlook(这个是OFFICE里其中一个组件)。要使用同步软件前先要启动一下Microsoft Outlook,设置或再去运行同步软件就可以了。个人PIM数据同步是最简单方便的方法,WM手机只需通过usb线连接电脑就可以了。
1.1.2 助手备份
即通过第三方软件,在把手机与电脑同步连接后,进行联系人、日程、任务和短信备份和恢复。这些年来应用最广的第三方同步备份软件是智能手机工作室。
操作:1)把手机连上电脑。方式同上;2)启动智能手机工作室;3)在菜单或工具栏上选择备份或恢复;4)在出现的对话框里选择你需要的备份或恢复的联系人、日程、任务、通话记录等项目,然后确认备份或恢复即可。特点:这个方法比outlook方法,多了短信和通话记录两项备份,不过少了电子邮件备份功能。
1.2 线上同步
线上同步是通过互联网将手机上的联系人(通讯录)、短信、日程表、任务、图片、铃声等个人信息数据安全、快速地保存和管理在网站服务器上,随时访问,随时管理。这种通过上网与大型信息服务商的服务器同步备份,是这几年新生的备份办法。
这个功能对手机开通上网的用户很方便。移动、联通等运营商提供的在线PIM备份服务,遵循Sym ML协议,各系统手机可以互相交叉同步备份。上千条联系人和数千条短信,需要几分钟同步。随后的同步更新时间更短。
1.3 独立备份
既不与电脑连接,又没有上网机会,怎么备份PIM数据呢?使用手机端独立备份软件,可实现没电脑、上不了网的情况下备份个人手机信息的需要。智能手机最大的优势就是系统开放,独立软件开发商和业余软件作者可以各显神通开发五花八门的软件,满足用户古灵精怪的应用需求。目前最常用和流行的手机端独立PIM备份软件。使用方法非常简单,在手机上启动PIM Backup软件,选择备份或者恢复,就可以将所有个人信息备份到手机内存卡里。各智能手机硬件厂商在推出新产品的同时,也在手机里集成提供了各有特色的独立PIM备份软件。我们还可以设定每天、周的固定时间,就可自动完成备份工恢复。特点:这类独立PIM备份软件最大的特点,就是可自定制和自动备份。而且,不仅可备份恢复PIM数据,还可备份恢复系统数据(注册表),方便手机崩溃硬启后全面恢复手机到可用状态。
2 小结
智能手机储存量大信息详细且能和电脑一起操作,最重要的信息就是大量的联系人,短信等信息。这三种备份方法建议同时使用,在紧急情况下可以立即恢复过来。
摘要：自智能手机普及以来,因其存储个人信息之便而大受其益,很多人越来越依赖于这些电子产品。然后如果设备系统更换、损坏或故障,这些信息就可能丢失。这里,就以WindowsMobile操作系统为主,兼顾塞班等其他系统,总结一下智能手机备份个人资料的办法。
关键词：智能手机,个人信息,备份
智能方法 篇2
先要承认人工智能是未来发展的必然趋势，想做鸵鸟，把脑袋埋在沙子里，拒绝接受人工智能，是不切实际的。
我们熟悉的大公司，Google、微软、阿里、百度都把自己的研发重点放在了人工智能领域。
人工智能像是关在一个房间里面怪兽，而从我们一开始利用计算机为人类服务的时候，就慢慢推开了那扇门，大公司的集中研发，则是加快了推门的速度，等到门开的够大时候，这只怪兽便会砰一下跳出来。
人工智能一旦起飞，谁都控制不住。
人工智能带给我们的便利
百度撤销了医疗事业部，用医疗领域的人工智能取代。据百度的消息，人工智能的水平已经达到了人类医生的平均水平。这就是人工智能带给我们的便利。
当你生病了，如果是小病的话，你就可以在家里打开手机，向人工智能问诊，不用早起，不用排队，不用去医院做无谓的检查。
还有日常的智能化导航、新闻个性化推荐等等，都是人工智能带给我们的福利。
人工智能对我们的冲击
相信大家还记得AlphaGo的嚣张，也不会忘了小度在最强大脑的表现，这个只是人工智能对我们认知的颠覆，他还会抢夺你手里的饭碗，让你失业。
富士康裁员那么多人，用具有人工智能的机器人顶上;
在线的百度翻译让以翻译为生的人无所适从;
自动驾驶会让专职司机失业;
银行自助业务让柜员在消失;
李开复说，因为人工智能，未来我们50%的人都得失业。他的话，并不是危言耸听。
人工智能的优势
智能方法 篇3
【关键词】人工智能；智能网络；优化方法；优化工具
伴随着知识时代以及信息社会的到来，信息正以空前的速度发展，面对庞大的信息，人类以前所依靠的自然智能越来越吃力，怎样用人工打造的智能来模仿自然智能，以实现对信息的智能处理，这是当今信息社会所面对的一个越来越重要的课题。人工智能长久以来都处在计算机科技的前沿，它是人类面对知识经济巨大挑战以及走向信息社会所必不可少的一项技术。信息社会对于智能的强烈要求是推动人工智能快速发展的强大动力。近年来，随着多媒体技术，计算机网络的发展，人工智能也迎来了蓬勃发展的全新时期。基于人工智能技术在我国网络领域的应用，我国的计算机网络呈现出越来越高的智能化，使我国的网络显现出全新的面貌。与此同时，智能网络的优化也显得越来越重要。
一、人工智能技术的概述
1.人工智能的概念
人工智能也就是所说的机器智能，简称为AI。它是由计算机学、信息论、心理学等诸多学科之间相互渗透而发展形成的一门科学。该科学通过计算机系统模拟智能活动，就科学的层面讲，人工智能可看作计算机学的分支。总体来看，人工智能极富挑战性，研究人工智能的目的是用机器来完成一些需要人类自然智能才可以完成的较复杂工作[1]。
2.人工智能的优势
毫无疑问，人类智能是最高级复杂的天然智能。然而，无数例子表明，人类思维存在着一定的局限性，这主要表现在四个层面：一是对于信息加工处理效率并不高。二是人脑容量有限且准确性比较差。三是人脑在功能及活动空间上有限。四是人在工作过程中容易受到精神状态、生理状况以及外界环境的影响。而人工智能不仅可以向人类思维那样工作，而且还能很好的克服人脑的局限性，因此人工智能体现出很大的优势。
3.人工智能的发展史
人工智能的实现需从计算机刚诞生时算起，其发展可大致分成三个阶段。
第一阶段即人工智能形成的阶段。1955年香农发明一种树形结构程序，该程序运行时，其在树中寻找与答案最接近的分支探索，从而得到正确答案，该程序标志着人工智能技术的正式起步[2]。
第二阶段即发展阶段。人工智能从该阶段由纯理论探索转变为应用研究，从而相继产生专家系统、自动程序设计以及语言理解等重要技术。
第三阶段即人工智能全新高速发展阶段。此时机器翻译全面复苏并走向市场。数百家公司加入研究，人工智能不断完善。智能机器人以及第5代计算机研制产生。人工智能发展进入全新阶段。
二、基于人工智能技术的智能网络优化的概念和内容
1.基于人工智能技术的智能网络优化的概念及意义
伴随通信技术的发展，客户数目不断增加，因此对通信质量要求也越来越高。当前基于人工智能技术的智能网络优化成为热点问题，由当前智能通信网络降低信道拥塞，从而实现通信的高质量。基于人工智能技术的智能网络优化是在对智能网络运行状况有充分了解的前提下，利用各种手段，对智能网络中不恰当的部分加以调整，从而使网络实现最佳状态。基于人工智能技术的智能网络优化是一项长期性质的工作，必须进行合理规划和建设，才能实现网络的良性运行[3]。
基于人工智能技术的智能网络优化指的是在运行的智能网络提取并分析数据。对影响网络运行的因素及网络运行过程中不确定的因素加以分析，经过参数的优化以及利用技术手段进行实时处理，从而对智能网络运行状况进行更新，以至于令当前网络的状况最佳。基于人工智能技术的智能网络优化的目的是提高智能网络的通信质量并保持智能网络的通信质量。若从网络的层面来看，基于人工智能技术的智能网络优化的目的是提高移动通信质量，同时尽量减少进行网络维护所需的成本。
2.基于人工智能技术的智能网络优化的内容
基于人工智能技术的智能网络优化即对网络运行状况有充分了解的情况下，对当前的智能网络数据来进行采集并加以分析，若发现影响网络质量的因素，应立即采取不同的技术或手段来对网络加以调整优化，从而使网络呈现最佳状态，同时优化资源。基于人工智能技术的智能网络优化的内容包括排除设备故障，维持网络均衡以及话务均衡，提升通话质量，改善智能网络运行指标，配置网络资源并建立维护智能网络的优化平台以及智能网络优化方案[4]。
三、基于人工智能技术的智能网络优化的方法
随着我国智能网络的迅猛增长，基于人工智能技术的智能网络建设愈加重要。利用快速有效的智能网络优化方法，改善基于人工智能技术的智能网络性能以及服务质量，成为当今智能网络运营商极为关注的一个问题。
1.基于人工智能技术的智能网络优化代理
目前多数基于人工智能技术的智能网络优化依赖维护人员经验以及生产商所提供的一些智能网络优化工具，很难实现智能网络优化的系统性、自动化及连续性。所以将较先进的人工智能技术与智能网络优化相结合，来开发智能网络的优化工具就显得很重要。
智能代理IA即基于庞大信息，其中包括事实，数据，领域知识经验，来模拟人脑思维的集成系统。基于人工智能技术的智能网络优化是高层次网络维护工作，在优化过程中会涉及到网络软件及硬件等各部分，并使用到多方面的技术。因不同厂商所提供的参数及采集的智能网元性能不同，因此智能网络优化应同时考虑不同厂商系统和设备的不同特点。
2.基于人工智能技术的智能网络优化过程
（1）智能建模
表征智能网络特性的即从厂家OMC所采集庞大数据，为实现基于智能网络特性评估上的网络优化，必须对这些数据加以分析，从而判断网络运行状。ISO-CMCN采取模糊隶属度，模糊智能网络性能数据，将它们描述成自然语言，从而建立能够合理描绘网络运行状况的量化模型[5]。
（2）模糊知识库
ISO-CMCN智能网络优化工具中，使用的是基于事例以及规则上的模糊知识的表达方式.所谓规则表达即将智能网络优化经验归为前提到结论的模式，并且引进模糊因子来反映知识的不确定性。事例表达即以“事例-属性”的形式描绘智能网络的优化。采用的是模糊量化方面技术。从应用角度讲模糊表达方式可有效描绘工程师具体网优化时所用的知识。
（3）信息推理
信息推理即运用经验知识以及实时信息进行问题解决的过程。IOS-CMCN设计了在规则及事例基础上的推理机。推理机自动识别优化模型后，进入规则、事例推理。应用规则推理时，以现有网络运行事件作为驱动，通过模糊知识库模拟实现优化专家的思维。应用事例进行推理时，推理机分析事件特征，根据库中典型事例，通过推理方式来进行智能网络优化处理。
四、结束语
本文介绍了基于人工智能技术的智能网络优化方法，推动了智能网络优化的自动化及智能化，降低了对人的依靠，并且提高了优化效率，为智能网络优化提供了新方法。但其仍存在一些不足之处，我们期待能够在不远的将来找到更完善更优化的方法。
参考文献
[1]任锦,彭玮.浅析人工智能技术[J].科教文汇,2010(12).
[2]杜建凤,宋俊德.蜂窝移动通信网络的智能优化方法研究[J].北京邮电大学学报,2010(24).
[3]冯隽逸.基于移动通信网络优化的智能分析优化系统[J].电脑与电信,2009(10).
[4]马旭涛.下一代网络中业务提供及其优化技术研究[J].北京邮电大学学报,2009(04).
[5]李校坡.无线局域网的智能网络优化技术研究[J].黑龙江科技信息,2010(23).
实时能效分析及智能评级方法 篇4
关键词：电力用户,能效分级,RBF神经网络
面对逐步增大的电力发展压力, 各国都在采取措施进行节能减排, 提高电力能源效率。能效电厂 (Efficiency Power Plant, EPP) 项目是通过能效测评措施降低需求侧耗能, 节约的电能相当于发电厂所发的电, 其产生的效果与建设实际电厂一样。美国加州运行EPP项目, 在维持经济持续增长的情况下, 全社会用电量降低了6%[1]。日本通过能效“领跑者”计划的实施, 使得全社会能效升级[2]。在广州, 19家企业25个EPP项目在2009年正式实施以来, 已经实施完成并测评的项目可实现年节电8.3亿千瓦时[3]。由此可见, EPP项目在各国的实施促进了节能减排, 具有显著的社会效益。
能效分级是能效分析的基础, 根据企业各能效环节的评级结果, 可制订出有针对性的节能方案, 为全社会实施节能改造及节能考核提供科学准确的依据。现有的对能效电厂的关注点主要集中在能效电厂规划建模、能效电厂的项目的节电潜力优化模型以及考虑能效电厂的项目电力系统模拟等方法上[4,5,6], 对能效分析以及能效分级的研究较少。传统的研究运用层次分析法[7]进行能效分析, 权重和结果完全依赖专家经验, 有较大的主观性。本文引入RBF神经网络方法, 以其为核心建立电力用户RBF神经网络模型对实时数据进行科学能效分析并评级。该方法兼顾了主观性和客观性, 比传统方法更迅速、准确。
1 RBF神经网络
RBF (径向基函数) 神经网络是一种局部逼近的神经网络, 具有学习速度快、逼近能力强和分类能力好的特点。RBF神经网络有3层:第1层为输入层, 神经元个数等于输入的维数;第2层为隐含层, 神经元个数根据问题的复杂度而定;第3层为输出层, 神经元个数等于输出数据维数, 其网络结构如图1所示。
RBF神经网络的学习过程分为两个阶段, 第一阶一阶段, 根据所有的样本决定隐含层各神经元的高斯基函数的中心值和标准化常数;第二阶段, 在决定隐含层参数后, 根据样本, 利用最小二乘原则, 求出输出层的权值。
在RBF网络中, 隐含层节点通过基函数实现非线性编号, 将输入空间映射到一个新空间, 输出节点在新空间实现线性加权组合。基函数一般选用高斯函数, 其是具有径向基的函数, 其中心向量被定义为网络输入层到隐含层的连接权向量, 这个特点使得隐含层对输入样本有聚类作用[8]。
高斯函数表达式
式中, x是n维输入向量;Ci是第i个基函数的中心, 与x具有相同的维数;ei是第i个隐含层节点的变量, 决定了该基函数围绕中心点的宽度;m是隐含层的节点数;是向量x-ci的范数, 通常表示x和ci之间的距离。基函数对输入信号在局部产生相应, 即当输入信号靠近基函数中央范围时, 隐含层节点将产生较大的输出, 因此这种网络具有局部逼近能力。
输入层实现了x→Ri (x) 的非线性映射, 输出层实现了Ri (x) →yk的线性映射, 输出函数即
式中, p为输出节点数;wik为隐层单元与输出层单元的连接权重。
2 实时能效评级的RBF神经网络模型
建立电力用户实时能效评级的RBF神经网络模型主要分为5个阶段: (1) 选定能够反映对象特性分级指标, 并建立科学的分级指标体系。 (2) 建立能效分级标准及分级处理。 (3) 确定RBF神经网络的理论输出值, 并建立用于训练和验证神经网络的样本集。 (4) 进行仿真, 根据网络训练结果, 确定用于能效分级的RBF神经网络结构, 及样本分界数据。 (5) 利用建立好的RBF神经网络模型对待分析的实际对象进行智能评级。
2.1 能效指标体系构建
指标体系是智能评级的基础。指标的选择好坏在智能评级中的作用举足轻重[9]。本文将指标体系划分为宏观评价指标和微观评价指标两个层级。
通过能效测评系统对某企业半年来的数据统计与分析, 初步认定能效指标集如下:宏观评价指标分别为电能能效指标、电能污染能效指标和经济能效指标;微观评价指标中, 电能能效指标可细分为4项评价指标, 电能污染指标也可细分为4项评价指标, 再加上经济能效指标, 共计9项评价指标, 分别对电力用户的电能、环境和经济3方面进行能效分析, 较全面地反映了用电企业的能效水平[10]。该企业的电力用户综合能效分析指标体系, 如图2所示。
2.2 能效指标体系标准及分级
参照电能质量标准, 将能效单项指标在标准范围内划分为3个等级, 为质量合格时的等级划分。将超出标准范围内的各能效单项指标划分为4个等级, 为质量不合格时的等级划分。这样的划分有利于在能效合格时, 精细考察能效情况, 而在能效不合格时大范围考察能效问题。从1~7级, 能效标准逐级下降, 1级为优质能效等级、2级为良好能效等级、3级为合格能效等级、4级为轻微污染能效等级、5级为轻度污染能效等级、6级为中级污染能效等级、7级为严重污染能效等级。能效指标分级标准如表1所示。
2.3 RBF神经网络理论输出级样本集
表1中各单项能效指标值为网络的输入, 即x1~x9。能效分级的等级值即为网络中的输出yk, 由于每组样本只有一个等级值, 因此网络只有一个输出K=1。RBF神经网络模型的理论输出对应于1~7级, 网络的理论值输出分别为1、2、3、4、5、6、7。
首先根据表1, 利用随机分布原理, 在各评价等级内随机生成指标, 例如对于第1等级:x1≤0.5, 0.5<x1≤1, 1<x1≤2, 2<x1≤3, 3<x1≤4, 4<x1≤5, x>5。通过上述区间内随机取值的方法可以生成任意多的样本, 同理也可生成其他等级的样本。本实例从样本集中选用350个样本作为神经网络的学习样本, 700个样本作为训练样本。
3 算例分析
本文采用Matlab R2013a分析软件进行分析。网络设置的误差容限为0.01, 经过12.23 s后, RBF网络满足要求, 此时, RBF网络的隐含层神经单元为26。图3给出了700个测试样本的详细等级分布。
在实际生产实际中, 各用电企业对象的能效等级大多分布在第1等级到第4等级之间, 因此这里着重关注这4个等级的数据分布情况。
由图3可看出, RBF模型在第1等级的平均绝对误差是0.059 8, 相关系数是0.999 026;在第2等级的平均绝对误差是0.112 0, 相关系数是0.998 236;在第3等级的平均绝对误差是0.098 7, 相关系数是0.999 223;在第4等级的平均绝对误差是0.079 8, 相关系数是0.999 001。这些数据表明, 检验样本与测试样本具有相近的拟合能力, 网络的泛化性能好。
样本的分界数据分别为1.459 8, 2.478 3, 3.534 2, 4.469 1, 5.542 1, 6.440 7。因此, 例如对于网络的输出, 值在 (0, 1.459 8) 为第一等级, 在 (1.459 8, 2.478 3) 为第二等级, 其他等级以此类推。
为验证网络适用性和实时性能, 选取2014年7月上海市某企业1~5楼办公楼所有空调的能效情况, 其中选取负荷最大日和负荷最小日的24小时实时能效, 结果如图5所示。
由图4所示, 负荷最大日与负荷最小日的能效等级都分布在第1等级与第3等级之间, 并且这两天的早上8点至晚上8点能效等级都比其他时间段内的能效等级高, 表明早上8点至晚上8点该时段的能效状况不理想。其原因在于, 这期间是工作日时段, 由于其他设备的开启, 为保持设备温度, 需要空调设备持续运转, 再者, 该企业的部分空调设备老化, 耗能增加。
对比负荷最大日与负荷最小日, 可得出负荷最小日的24小时实时能效是要普遍好于负荷最大日的实时能效, 这是因负荷最大日发生在周一, 且当日气温接近36℃, 并且其他设备由于生产任务都高速运转, 负荷最小日发生在周日, 气温是28℃, 且企业只有少量值班人员。负荷最小日的能效等级最大值出现在11点, 负荷最大日的能效等级最大值出现在12点。两日的最大值都出现在中午, 表明温度对空调能效的影响较大。
分析图4可以得出, 该模型具有较强的实时性, 且较好的反映了监测对象实时能效的变化, 适用性较高, 为节能治理提供了较好的依据。
由以上分析, 该企业可采取淘汰落后的空调, 更换为变频空调。再者, 可将部分生产挪到晚上20点后, 从而减少空调的超负荷使用时间。
4 结束语
智能马桶的使用方法和功能介绍 篇5
外形豪华大气、显示清晰、功能完备的西马智能遥控，使您操作随心所欲、方便自如，带给你无限的乐趣。 智能冲水有人性化的自动冲水功能，在您便后离开之际，其能自动冲洗，无需手动操作。即使意外断电，内置储存电池也会发挥作用，真正实现永不间歇的自动冲水功能。
2、座圈加温
采用可调式温度加热座圈，使您在寒冷的冬天如厕时倍感温暖舒适，分担了您冬日里遭到冰凉座面的担忧和烦恼，送上暖暖的关怀和无尽的爱意。 喷头自洁喷嘴每次喷水前后，都会进行自动清洗，您可以通过设定对喷头自动清洁，而且它的工作结果也绝对让您放心和赞叹，能保持真正干净卫生，您不用担心会有污物。
3、空气能清洗
过滤后的洁净温水通过喷水振动，对臂部进行空气能人性化清洗，不仅能及时清除便后残留在肛门部位的脏物，避免细菌繁殖，清洁卫生，而且力道更加柔和，人体感觉更加舒适。西马一体化智能座便器的无纸如厕，使人类文明又进了一大步。 LCD显示屏美观大方的彩色LCD显示对水温、座温进行精密的测制，并使用彩色LCD显示屏以全数字方式显示用户操作的各项功能，直观明了，突显“西马”的非凡气质。
4、智能除臭
如厕时能自动过滤和清除卫生间的异味，采用高科技触媒自动除臭装置，集中抽出便桶中的臭气，再经媒体吸引，使卫生间内空气清新，没有异味。 定时开关采用定时开关的设计，关闭时进入断电状态，当进入预先设定的时间段时自动开启，让您享受又省钱。
5、活血按摩
专门研制的具有伸缩功能的清洗装置使水枪前后往复移动，扩大了清洗范围，增强了清洗效果，有效的刺激了神经系统，具有活血按摩之功效，使您更卫生、更健康! 如意增压特制的水泵装置，使西马智能座便器在水压偏低时，随意启动水泵进行增压，使用户无水压不稳之忧。
6、节能水箱
西马一体化智能座便器中低水箱的外型线条优美，丰韵妩媚，轮廓分明，精巧细致。拥有更加小巧水箱造型的智能座便器，使您节约卫生间空间，同时用水量小，冲洗更加干净的特点。 座圈缓降利用物理阻尼原理设计的减压，缓冲装置，能有效的保证座便盖的缓慢关闭，使您不易被座圈突然落下时发出的碰撞声所干扰，充分体现了西马产品无微不至的文人关怀。
7、高效节能
在不使用时，设定进入节能状态，当有人着座时，立即回复到最佳温度，这样在睡眠或上班等家中无人时，也不会浪费电力资源。 夜间照明在夜间如厕时不用开启其他的照明影响他人是休息，利用产品在夜间开启的温馨柔和缸体微光照明方便如厕。
8、暖风烘干
采用温度可调的暖风烘干技术，使温暖舒适的烘干气流向人体臂部股沟位置发散，令清洗后的臂部迅速恢复干爽，并保持皮肤干爽，防止感染。 语音提示/MP3歌曲优美动听的语音提示，温馨引导整个如厕过程，充分体现西马的人性关怀，内置的百首风格不同的MP3歌曲，让您在美妙的听觉享受中，惬意舒适地完成整个如厕过程。
9、全智能感应
人工智能的概况及实现方法 篇6
摘要:本文在总结人工智能在电气设备领域取得成果的基础上,对存在问题提出一些看法并对今后的发展趋势作一展望。
关键词:人工智能 电气设备 优化设计 智能
中图分类号:T927文献标识码:A文章编号:1006-8937(2009)03-0108-01
随着电力系统容量的不断扩大,电网中电气设备的种类及数量也大量增加,使供电可靠性与用户要求之间的矛盾日益突出,用传统方法解决此矛盾已显得无能为力。因此寻找新的途径提高电气设备的质量及其在电网中运行的可靠性已是当务之急。人工智能是与传统学科完全不同的一门新兴前沿学科,由于它是利用计算机来模拟人类的智能活动,因此完全摆脱了传统方法的束缚,能解决传统方法难以解决甚至根本无法解决的问题。自50年代开始发展到现在,人工智能技术在理论研究方面取得了突破性进展,而且取得了明显的社会和经济效益,已被广泛应用于国防、航空、医疗、电力等领域。
1人工智能概况
1956年,麦卡锡等人第一次使用人工智能这一术语,标志着人工智能正式诞生。人工智能是控制论、信息论、系统论、计算机科学、神经生理学、心理学、数学、哲学等学科相互交叉渗透的产物,它与空间技术、能源技术一起被称为世界三大尖端技术。各领域的专家学者将人工智能与本专业技术相结合,取得了一个又一个令人注目的成果。虽然人工智能的发展经历了风风雨雨,但它已取得的成就不得不令人惊叹。人工智能的不断发展,已产生许多分支,模糊逻辑、专家系统、神经网络、遗传算法是其中最为活跃的四大分支。
2人工智能的实现
为了将人工智能的理论研究成果应用于实际,人们发明了多种方法。目前大部分的人工智能应用系统是在冯·诺依曼结构的通用数字计算机或通用算机上运行求得结果。这种用软件实现的方法灵活性强但速度较慢。从原理上讲,几乎所有的编程语言均可用于解决人工智能算法,但从编程的便捷性和运行效率考虑,最好选用“人工智能语言”。常用的人工智能语言有传统的函数型语言Lisp、逻辑型语言Prolog及面向对象语言Smalltalk、VC++及VB等。
为了缩短人工智能应用程序的开发周期,人们还研制出了多种专用开发工具,如MathWorks公司推出的高性能数值计算可视化软件Matlab中包含有神经网络工具箱,提供了许多Matlab函数。另外,还有多种专家系统工具用于开发特定领域的专家系统,如INSIGHT、GURU、CLIPS、ART等。这些实用工具为开发人工智能应用程序提供了便利条件。在硬件方面,随着微电子技术的发展,出现了非冯诺依曼结构微处理器,给人工智能信息处理带来了新的生机和活力。DSP是其中的典型产品,它放弃了冯诺依曼结构而采用了哈佛结构,即将程序指令与数据的存储空间分开,各有自己的数据与地址总线,使得处理数据和指令可以同时进行,大大提高了运行速度。在那些因受传统微处理器速度和结构限制而难以实现复杂算法及难以达到要求速度的场合,可考虑选用DSP。高速DSP芯片已被认为是模拟神经特性的理想工具,并可直接用在将来的神经网络计算机中。同时,各大芯片生产厂商已研制出各种专用模糊芯片和神经网络芯片,用专用芯片比用软件方法实现速度快得多,当系统较复杂或速度要求较高时,可选用这些专用芯片,但专用芯片的价格较昂贵。
3存在问题及对未来的展望
①从上述国内外人工智能在电气设备方面的应用现状可看到,虽然这方面的研究工作已全面展开,并已取得了一定成绩,有些经实践检验是可行的,但整体来说应用水平仍较低,大部分的工作仅停留在理论探索或仿真实验上,实际应用远远落后于理论研究,即使少数形成产品也只是对人工智能技术简单初级的应用。因此,对电气科技工作者而言,当务之急是解决科研成果向实用转化的问题,形成产品,将科学技术真正转化为现实生产力,充分利用人工智能当前已取得的研究成果为电力系统安全可靠运行服务。
②同属电气领域,各行业的发展也不平衡。从以上综述的内容来看,人工智能技术在变压器、发电机、电动机等电机行业的研究较深较广,而在断路器、接触器、继电器等电器行业的研究水平较低。实际上,电器是电力系统中将电能输送到用户的重要环节,以低压电器为例,发电机发出的电能约80%是通过低压电器分配的。
③人工智能与其它新技术一样,受实际应用的推动,不断发展和完善。其中最令人瞩目的是“人工智能混合技术”。实践已证明,混合式人工智能技术可弥补单一技术存在的缺陷,获取较优的性能,为我们的实际应用开辟更为广阔的空间。以神经网络为例,神经网络与模糊逻辑、生物细胞学、概率论相融合而产生了模糊神经网络、细胞神经网络、随机神经网络等。目前,人们又建立了与混沌有关的神经网络模型——智能模拟神经网络。小波分析与神经网络相结合的混合式神经网络在电气设备优化设计及故障诊断中已取得成效。在一些复杂场合,还用到组合技术,针对大型汽轮发电机组故障诊断问题,提出了多层次多分布式混合智能诊断方法,即用模糊逻辑进行数据预处理,用模糊神经网络等进行故障分类,用专家系统寻找故障原因和进行故障验证。可以预见,这种混合技术及组合技术的应用将是今后的发展方向。
④人工智能应用水平的不断提高,将为电气设备从设计、制造、销售、运行到维护提供一条龙服务,并且人工智能型电气设备将具有通信功能,在电力系统中不再是孤立的单元,电气设备与电气设备之间、电气设备与上位计算机之间可以进行双向数据通信。这样,将从整体上提高整个电网的运行品质。
⑤随着微电子技术、软件技术的不断进步,人工智能的实现在相当长时期内仍应保持两条腿走路。软件方面,新的开发工具不断出现,使人工智能越来越方便地运用于各种领域。硬件方面,性能更好、价格更低的人工智能芯片,如模糊芯片、神经网络芯片甚至“知识芯片”将不断涌现,模糊计算机、神经计算机等新一代计算机将出现,以代替在该领域的数字计算机,这无疑又将给人工智能的实际应用带来彻底革命。
参考文献:
[1] 王黔玲.论人工智能研究纲领的转变[J].社会科学研究,2004.
[2] 王建芳.论人工智能科学诞生的逻辑背景[J].晋阳学刊,1995.
[3] 刘晓力.认知科学研究纲领的困境与走向[J].中国社会科学,2003.
计算智能方法的优化机理研究 篇7
计算智能方法是科学家们用数学方式对自然界的进化过程或生物的某种行为进行抽象简化模拟而形成的一类优化方法。它已在众多工程领域中显示了良好的应用前景。它属于典型的随机优化算法, 同其实际应用相比, 其理论方面的研究, 还处于探索阶段。
1 遗传算法基本流程
遗传算法作为一类随机优化算法受到各学科研究人员的普遍重视。基本遗传算法的主要执行步骤为: (1) 随机产生由定长字符串 (问题解表示为数字串的形式编码) 组成的初始群体, 并计算群体中每一个体串的适应度; (2) 判断是否满足终止条件, 如满足则输出结果, 否则执行下述步骤; (3) 按给定的交叉概率执行交叉操作; (4) 按给定的变异概率执行变异操作; (5) 返回步骤 (2) 。
2 进化规划寻优机理分析
2.1 进化规划
进化规划由美国学者L.J.Fogel提出, 适用于解决目标函数或约束条件不可微的复杂的非线性实值连续优化问题。进化规划与遗传算法在原理上相似, 但在具体实现方面有差别。其中最为显著的区别是进化规划中不采用交叉算子, 仅通过变异操作来维持两代之间的联系。其基本步骤为: (1) 编码:对要求解的问题以数字串的方式进行编码; (2) 产生初始种群; (3) 应用式 (1) 对父代个体进行变异产生子个体;
(4) 计算子个体的适合度值; (5) 采用竞争选择的方法选出新一代种群, 返回 (3) , 重复此过程, 直到满足一定的收敛准则。
2.2 进化规划寻优机理
进化规划相对于其自然界生物进化的客观实际而言, 其数学基础要薄弱一些。目前很多研究集中在算法的收敛性方面。同分析标准遗传算法类似, 对采用浮点数编码的方式分析时, 认为编码长度及种群规模均在有限空间内, 且认为进化规划的Markov链是有限维的。经随机过程分析, 在经过m代进化后, 进化规划将达到如下的一个状态:
式中:PmEP为m代转移矩阵;H*为每一个状态初始概率的1× (t+1) 阶行向量;T为严格正的t×1阶转移子矩阵;Nm为t×阶转移子矩阵的多项式表达。其吸收概率为:
式 (2) 表明了一种概率收敛, 但进一步暗示了以概率1收敛。
在进化规划寻优机理研究方面, 国内学者尝试提出建立种群微分方程来研究进化规划的动态寻优过程。该研究针对进化种群, 以种群在线性能及种群离线性能作为研究对象, 综合考虑变异与选择操作对一个种群进化的影响。采用离散变量连续化处理方式, 建立相关微分方程来揭示一个有限空间内, 某一种群在线、离线性能在环境中的演化情况。通过为该微分方程的解及稳定性分析, 得出了一些有意义的结论。同样, 目前的研究都是在理想的假设条件下进行的, 旨在揭示优化过程的基本物理含义是初步的、探索性的工作。
3 蚁群算法基本理论与收敛性分析
3.1 基本蚁群算法
蚁群算法是模拟自然界中真实蚁群的觅食行为而形成的一种模拟进化算法。它采用有记忆的人工蚂蚁, 通过个体之间的信息交流与相互协作来找到从蚁穴到食物源的最短路径。蚁群算法的基本原理描述如下:
(1) 初始化蚁群算法并设定相应的参数。
(2) 选择城市。蚂蚁从某城市出发, 按照下述转移概率选择下一个城市。
式中, τij (t) 表示t时刻在路径ij上的信息量;ηij=1/dij, dij (i, j=1, 2, …n) 表示城市i和城市j之间的距离, 为启发式因子, 表示由城市i转移到城市j的期望程度;tabu (k) 为tabu表, 用以记录蚂蚁k已经走过的城市, 它随着进化过程做动态调整, 蚂蚁在后来的运动中不能选择那些已记录在tabu表中的城市;s表示蚂蚁k下一时刻所允许转移的城市, 即不在tabu表中的城市;α, β分别表示蚂蚁在运动过程中所积累的信息及启发式因子在蚂蚁选择路径的过程中所起的不同作用。蚂蚁按照上述状态转移规则选择城市并最终形成一条封闭路径, 当所有的蚂蚁完成了它们的闭合路径后, 即一次迭代结束, 利用全局信息更新规则来更新路径的信息量, 再开始下一次迭代直到达到最大迭代次数或最大停滞次数。
(3) 全局信息更新原则。算法完成一次迭代后, 各路径信息量的更新应遵循如下的全局信息更新原则:
式中:ρ表示信息残留的程度, 即信息素挥发系数;Q为常数;Lk为第k只蚂蚁在本次循环中所走过的路径的长度。
3.2 蚁群算法收敛性分析
目前, 蚁群算法在很多NP难问题的应用中取得了一定的成功, 但在理论分析方面仍有一定的欠缺。国外学者从图论、极限理论对蚁群算法进行了收敛性分析。证明过程都是比较基本、笼统的。国内学者在此方面也进行了深入的研究, 并考虑了算法中某些参数的影响。经适当的假设和分析, 可得到如下初步、基本的结论:
(1) 设蚂蚁数为m, 并令Xmin为所要求解问题的最优值 (最短路径长度) , 如果在t*次迭代时, 找到最优解X*, 则对于坌 (i, j) X*路径上的信息量τ*ij在足够长的迭代次数下, 必有:
对于任何路径ij上的信息量τij在足够长的迭代次数下, 存在:
(2) 对于任何路径ij上的信息量τij, 在有限的迭代次数下, 存在:
(1) 和 (2) 说明了对于任何路径ij上的信息量都有:
类似地, 可以证明:该算法在有限迭代次数下以概率1-ε (ε是一个很小的正数) 找到全局或局部最优解 (至少一次) 。如果迭代时间足够长, 将以概率1收敛于全局或局部最优解。
4 结束语
本文探讨了计算智能方法中的遗传算法、进化规划和蚁群算法的寻优机理及收敛性分析。这对于真正认识此类方法内在优化机制、有效进行算法改进, 进一步提高算法的解题效率提供了一定的理论基础。需要说明的是, 由于此类方法具有很强的随机、不确定性, 目前的研究大多数是在理想条件下进行的, 某些结论值得进一步商榷。总之, 计算智能方法的理论研究仍处于探索阶段, 其动态优化机理及收敛性证明有待进一步研究。
参考文献
[1]J H HOLLAND.Adaptation in Natural and Artificial Systems[M].Michigan:The University of Michigan Press, 1975.
[2]H P SCHWEFEL.Evolution and Optimum Seeking[M].America:John Wiley&Sons, 1994.
[3]DAVID B FOGEL.An Introduction to Simulated Evolutionary Opti-mization[J].IEEE Trans on Neural Networks, 1994 (1) .
[4]石立宝, 徐国禹.进化规划动态寻优机理分析[J].数学的实践与认识, 2002 (5) .
[5]MARCO DORIGO, VITTORIO MANIEZZO, ALBERTO COLORNI.Ant system optimization by a colony of cooperating agent[J].IEEE Trans.On System, Man and Cybernetics-Part B, 1996 (1) .
[6]WALTER J.GUTJAHR.A graph-based ant system and its conver-gence[J].Future Gener.Comput.Syst, 2000 (8) .
[7]THOMAS ST TZLE AND M.DORIGO.A short convergence proof for a class of ant colony optimization algorithms[J].IEEE Trans.Evol.Comput, 2002 (4) .
电气系统智能诊断方法研究 篇8
关键词：电气设备,智能诊断,研究
0 引言
随着电子、计算机技术的发展,电子设备规模越来越大,结构越来越复杂,智能故障诊断的重要性也随之凸显出来。为维护电气系统的稳定,提高快速抢修和维修保障能力,有必要研究电气系统智能诊断技术。研制智能诊断系统,实现通用电气设备智能故障诊断,对及时确诊故障原因、恢复装备性能具有重要意义。
1 电气设备智能诊断的可行性分析
在电气设备电路中,数字电路所占比例远远大于模拟电路所占比例。但在实际故障诊断中,数字电路故障率较低且诊断较为容易,而模拟电路故障率较高且原因复杂。
模拟电路故障从程度上可分为硬故障和软故障 . 硬故障常导致系统瘫痪,软故障一般引起系统性能异常,因而从理论上讲,单个元器件就可能引起无穷多个故障。
模拟电路在故障诊断方面存在的困难有五方面,一是缺少简单的故障模型 ;二是模拟元件参数容差的影响 ;三是模拟电路中广泛存在非线性问题 ;四是实际的可测点数有限 ;五是实用电路中的反馈回路导致仿真复杂。
针对电气系统混合电路故障诊断的实际困难,可以利用故障仿真技术对电气系统中任意环节进行模拟故障分析,进而获取故障知识。当前,通过故障仿真获取故障知识的途径没有受到足够重视,一方面是因为缺乏仿真方面的人员,另一方面是因为对装甲车辆这样的大型武器装备来说可能的故障太多,仿真任务过重。但是,如果前述整个过程交给计算机自动处理,尽量减少人工干涉,那么该途径就能达到真正实用的程度。
通过故障仿真获取故障知识一般分为五步。第一步,根据用户需要,对需要获取故障知识的对象进行分析,收集原始资料 ;第二步,对系统进行分解,确定故障的行为条件,明确诊断任务 ;第三步,根据行为条件人为设置故障进行仿真 ;第四步,对仿真的输出进行处理,提取典型的特征 ;第五步,将提取的典型特征和对应的故障行为条件送入故障知识库,形成故障知识。
2 智能诊断系统的总体设计
随着电气设备的更新换代,内部系统日趋复杂,故障现象与故障原因之间存在模糊性和不确定性。因此,根据实践经验以及大量的故障信息知识,在模糊集合理论、可能性分布理论和模糊逻辑推理基础上设计出一套智能计算程序,以此来解决电气设备故障诊断问题。
本系统的基本结构设计为人机界面、故障仿真系统、故障知识库、知识获取系统、综合数据库五大部分,框架结构如图1所示。
3 电路分块的方法
对于任何一个电路仿真软件来说,参与仿真的元器件数目都是有限制的 . 因此, 要对一个大型电路进行整体仿真,都是很困难、耗时很长的。此时,就要考虑将大型电路分成较小的部分来处理,即电路分块法。电路分块有两种方式 :一种是多级分解,即电路层次的划分,得到嵌套形式的电路。一种是多路分解,即在平面上对电路进行划分,得到相对独立的结果。
电气设备按照其抽象功能被划分为系统级、分系统级、模块级、电路级、分立元器件级,每个电路抽象层中又被划分成数个基本组成单元,称为元素。对电路分块的优点如下 :在故障诊断领域,对每个抽象的等级来说,对故障模型的描述都相对简单 ;仿真后得到的将是结构分明的故障知识库,而不是传统的故障字典 . 对于庞大的故障知识量来说,这不仅可以显著加快诊断速度,而且可以用较少的故障数据对故障进行充分隔离。
4 故障模型库的建立
一个电路故障多是因为某一元件出错导致的。因此,要生成有效的故障知识库,必须将每个元器件的故障模型建立起来。一般来说,软故障由于不改变电路结构,在故障注入时只需要通过简单的修改器件参数就可以实现,部分实例见表1所示。
对于线性及储能元件来说,由于故障产生的方式和原理较为简单,其硬故障也只需要进行简单的仿真语句修改。但对于晶体管、场效应管等较为复杂的器件,考虑到仿真的工作原理,如果对它们的硬故障仅进行简单的语句修改就可能产生不正确的结果。
此时则需要从器件的工作原理上进行考虑,构造器件合适的故障模型。
这里的器件及故障器件模型的描述均采用PSPICE语句,其中N表示节点号,PARAMETERS表示关键参数值,FAULT-PARAMETERS表示导致故障的参数的值。R(L、C、V)XXXXXXX表示元器件类别及编号,MODEL和LIB分别表示调用的模型和库。
元器件的硬故障是由于电路结构发生了改变,一般分开路和短路两种,此时仿真文件需要进行较大改动。由于数值仿真软件是在电网络分析的基础上工作的,电路不能存在悬空的节点,否则就无法列出电路方程 .
因此,采用无穷大的电阻串联表示开路故障,用极小的电阻并联表示短路 . 对于双端口器件来说,还要将原来的语句删除。因为这两种情况下,原来的器件语句没有任何意义,部分实例如表2所示。
5 故障知识库的生成
电路的故障模型库建立以后,用户可以通过Pspice编程技术加载Library进行人工调用,替换电路中的正常器件模型,进行仿真,形成故障仿真文件库。
但是,实际电路故障往往是由故障器件之间的相互组合形成的,因此可能出现的故障数量众多,仿真结果数目也十分巨大。如果用手工建立这样的数据库,不仅耗时耗力,而且实现难度很大。针对以上难题,又考虑到Pspice软件支持命令行启动,因此可以利用程序调用已经建立好的故障器件模型自动替代原来正常的器件模型,将每次的相关仿真文件放在一起,建立一个批处理,即一条故障知识,具体步骤如图2所示。
第一步,建立电路正常的仿真文件,即根据仿真软件的具体要求建立电路的可执行文件。
例如,利用PSPICE进行仿真时需要建立输入网表文件,而且必须包括以下五个部分。
一是描述电路类型的标题或注释 ;二是定义电路元件和模型参数的电路描述 ;三是定义分析类型的分析类型描述 ;四是规定输出形式的输出描述 ;五是程序的结束命令END。
第二步,建立对应的故障描述文件,应包含用户建立的每一个元器件所有可能的故障状态(包含正常状态)。考虑到所有组合数据过多并且实际电路同时发生几处故障的可能性很小,因此实现电路同时有一种或两种故障的所有组合即可。
第三步,利用程序控制进行替换,生成所有可能的替换结果,考虑到所有组合数据过多并且实际电路同时发生几处故障的可能性很小,因此实现电路同时有一种或两种故障的所有组合即可。
第四步,利用程序控制启动仿真软件,链接待仿真文件,输出仿真结果,即实现了故障仿真文件库的生成。
第五步,从故障仿真文件库中进行故障特征的提取。将每一种仿真情况对应的故障特征提取出来,建立一个一一对应关系,形成一个批处理。将所有批处理文件放在一起,实现故障知识库的建立。
智能车赛道类型判断方法研究 篇9
关键词：智能车,赛道识别,类型判断
智能车系统以迅猛发展的汽车电子为背景, 涵盖了控制、模式识别、传感技术、电子、电气、计算机、机械等多个学科, 它主要由路径识别、角度控制及车速控制等功能模块组成。竞赛摄像头组的技术要点中, 图像处理和赛道识别这两个环节尤其重要, 其影响到小车的最终控制。由于赛事的难度系数越来越大, 赛道类型的准确判断也成为了一大难题。本文介绍了三种比较成熟的赛道类型判断方法。
一、两点求赛道曲率[1]
如图1所示, 设智能车处于赛道中线AB上的A点处, 前进方向为赛道中心线的切线方向。在赛道中心线圆弧段的半径最小值的范围内取长度L (AB) , 在A点正前方 (纵向) 距A点L (AB) 距离的B点横向读取赛道中心线上C点之间的信息, 测出B点和C点之间的长度为L (BC) , AC的中点为D点, 赛道中心线圆弧段所在圆的圆心为O点, 设此时智能车所处的赛道曲率为k, 曲率半径为R。
由于AB是赛道中心线所在圆弧段的切线, 所以AB与AO垂直, AC为圆上的弦D为AC的中点, 由ΔABC与ΔODA相似, 可得:
K越大则弯道曲率越大, 通过对曲率k大小的判断就可以准确地分辨出赛道的类型。在获取C点的道路信息时, 要求L (AB) 不大于赛道中心线曲率半径的最小值, 这样可以保证智能车能准确地获取赛道中心线所在圆圆弧半径最小弯道的道路信息, 从而更好地控制智能车的状态[2]。
二、平均值位移法[3]
如图2所示, AB为赛道的中心线, L为赛车视野的中心线, row_1, row_2...row_max是算法需要用到的行数。在采集完一场图像并提取出中间黑线AB后, 可以获得该场中max行黑线中心的坐标值, 并记为mid[1]...mid[max]。按下式算出这max行黑线中心坐标的平均值:
然后, 求出每行相对平均值的位移, 最后求和, 公式如下:
由于SUM越大说明跑道弯曲程度越大, 因此给定SUM一个合适的阈值, 就可以正确识别出跑道当前的弯道程度。实验表明, 只要阈值取得合适, 该算法非常可靠。其中, 阈值还可以根据跑道的改变作相应的调整。
三、赛道斜率判断法
智能车比赛的赛道是由两条黑色的边线构成的, 在提取出这两条边线计算出赛道中心线之后, 可以通过测量道路的斜率和车子与道路的偏移来计算偏差, 偏移的正负也代表了车子偏向于哪一边。
如图3所示, A、B两点是赛道中心线上的两点。经过实践, 采用最小二乘法 (又称最小平方法) , 它通过最小化误差的平方和寻找数据的最佳函数匹配。[4]最小二乘法使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还适用于曲线拟合, 可以将一连串离散的点拟合成一条最接近的线。
最小二乘法是一种很有效处理方法。公式[5]如下:
式中的b就是AB两点的斜率。斜率有正负之分, 当斜率大于0时, 说明为右弯道。同理, 当斜率小于0时, 为左弯道。若对b取绝对值, 则|b|表示弯道的弯曲程度, |b|越大则弯道越弯曲。
四、结论
本文介绍的三种赛道类型判断方法在实际中均得到了广泛的应用。每种方法都有其各自优缺点:两点求赛道曲率法能够非常准确地判断出赛道类型, 但是算法复杂, 运算量大, 计算时间时长, 不利于智能车的快速反应;平均值位移法算法简介明了, 计算量小, 但是在复杂的赛道判断时, 误差较大, 有时会出现错判;斜率判断法, 运算量介于上述两种方法之间, 计算也较为简单, 判断正确率较高。
在智能车的制作过程中, 要实现准确的控制, 赛道类型的判断是极为重要的一步。只有经过不断的试验和调整才能够选出最适合的判断方法, 从而达到使智能车进行快速反应、精确控制和稳定运行的目的。
参考文献
[1]蒋旭, 吴涛.两点算法求智能车赛道曲率.新技术新工, 2014, 04.
[2]刘进, 齐晓慧, 李永科.智能车大角度弯道转向曲率连续的轨迹规划方法.中国机械工程, 2014.02.026
[3]许寰, 鲁五一, 赵治平.摄像头路径识别和小车控制策略.计算机工程与科学, 2009, 31 (5) :110-115.
[4]刘嘉豪, 刘海刚, 张建伟, 关天.智能车图像处理与识别算法研.工业控制计算, 2014, 08.
智能配电网综合评估体系与方法 篇10
1 智能配电网特征及技术体系
互动、集成、兼容、自愈以及优化是智能配电网 (在配电网三流融合与互动的基础上) 的5个重要特征。分别是: (1) 互动:就是实现零售、批发电力市场与系统运行的无缝衔接, 有效地开展电力交易, 进而优化配置资源;与此同时, 电力市场主体在市场交易的刺激下可以对电网进行安全管理, 故电力系统的正常运行水平得到大幅提升; (2) 集成:为了实现电力市场管理业务与生产管理、调度自动化、企业管理就应该不断地整合信息、优化流程, 促进完整的辅助决策支持体系的形成, 从而更加精细化与规范化地管理企业, 且电力企业的管理效率将得到不断地提升; (3) 兼容:使得电网可以同时符合分散发电以及集中发电模式, 且负荷侧与电网能够产生交互作用, 允许接入可再生能源 (风力发电) , 进而可以选用的资源范围得到有效地调节, 实现自然环境与电网的可持续发展; (4) 自愈:为了能够快速诊断、及时查出和处理故障, 电网的控制手段要以预防为主, 其可以连续的在线自我评估电网的运行情况;当发生故障时, 在少许甚至没有人工干涉的条件下, 可以迅速地对故障进行隔离、自身进行快速地恢复, 防止大范围发生停电; (5) 优化:全寿命周期环节的优化包括:运行维护、建设、资产规划等, 为了使资产的利用效率提高, 应该对设备的检修与运行进行恰当的安排, 投资成本和运行维护成本被有效地降低, 进而电网的损耗也得到一定的减少。
所以, 构建互动、集成、兼容、自愈以及优化的柔性电网是智能配电网建设的关键 (在数字化电网信息化企业的基础上) 。
2 智能配电网评估指标体系构建总体思路
评估指标体系构建原则:智能配电网评估指标体系的基础是评估指标, 以下原则是评估指标被设计时必须符合: (1) 应该突出规范性、准确性; (2) 容易进行定期的监测; (3) 可操作性、可测量性; (4) 全面性以及客观性。
评估指标体系构建思路:在研究智能配电网的过程中, 以下是其主要的几个目标: (1) 电网的可靠性和安全性得到有效地提升。逆向分布是我国能源需求与能源分布总体上的特征, 故必须构建大规模电网进行远距离输电;电网的复杂程度会伴着电网规模的扩大而加剧, 为了使得电网的安全、稳定水平得以提高, 就应该应用成熟的输变电技术; (2) 电网的运行的经济性以及协调安全。我国的电力有巨大的增长空间, 然而缺乏一次性的能源且具有极其不恰当的能源结构;土地资源紧张情况随着我国的经济飞速发展越来越严峻, 从而选择站址和线路变得更加困难。为了实现高效地利用空间资源、土地资源, 应该使用最新的输变电技术; (3) 利用电网资产的效率得到有效提高。电网企业的资产具有这样的特点:使用的部门比较多、相当分散、使用的范围广。此外, 电网资产还具有金额巨大、更新的速度快、结构复杂特点。相关的资料表明, 各个国家以及地区的电网资产利用率分别为:日本是60%, 美国是55%, 北欧国家正在努力使其达到70%左右, 而中国却低于35%。所以, 我国在资产的管理和利用方面还需要投入更多的精力。
除此之外, 一系列社会效益将会因智能配电网的发展而实现。智能配电网的构建是一个多维度、全过程、多目标的繁琐的系统工程, 故多层次性是智能配电网评估指标体系的突出特征。采用分层框架结构的指标体系的目的是为了完整地对智能配电网的发展情况进行评估。由研究智能配电网的目标与特性, 并考虑内外在因素 (设备、负荷、用户、效益等) 对智能配电网发展的影响, 设计指标时要从电能质量和可靠性、互动性和协调性、发展灵活性、技术装备水平和设备利用率以及社会效益和经济性这几个方面出发。因此, 配电网安全可靠性水平可以用供电可靠性和电能质量指标评估;智能电网发展的可持续性可以用发展协调性、互动性以及灵活性指标来评估;智能电网运营效益可以用社会效果和经济性指标评估。
3 可靠性和安全性指标设计
3.1 可靠性指标
配电网在减少故障停电方面的自愈能力可由供电自愈率指标来描述, 配电网的供电可靠性与自愈能力呈正相关。用户平均故障自愈次数和供电故障自愈率可以用来衡量该指标。
用户平均自愈次数:
供电故障自愈率:
3.2 安全性指标
各级配电网络适合将电压合格率作为判断指标, 供电质量可以用该指标来衡量, 且其可以分为4类, 依次是A、B、C、D类。由不同的配电网电压级别, A、B类电压合格率应用在高压配电网;C、D类电压合格率应用在中低压配电网。电压的合格率可由下式计算:
其中, A、B、C、D类对应的电压合格率分别为PA、PB、PC、PD。
4 指标的评分方法
成本型指标、特定型指标和效益型指标三类组成微观评估指标。成本型指标是:其分数伴随着指标取值的减小而增高;特定型指标指是:其分数当指标在中间的子区间或某个数值取值时将是最高的;效益型指标是:其分数会由于指标取值的增大而增高。恰当的评分标准可以由不同的指标理想值与指标类型来制定, 也就是指标得分与指标数值相互之间的关系。考虑到有关专家的建议, 离散的指标评分标准可采取德尔菲法获得, 并将其进行曲线拟合 (使用工具:matlab软件中的Curve fitting tool) , 联系指标数值, 最后获得评价指标的分数。
5 结语
相对于传统的配电网而言, 智能配电网在业务管理、信息共享以及能量传输等方面具有最新的特点, 国际配电网建设的水平远远超过中国, 为了使得智能配电网得到大力发展, 应该在构建智能配电网时巩固基础、看清楚发展方向, 逐渐打破限制智能配电网发展的市场、技术以及政策的瓶颈。
摘要：通过介绍智能配电网特征及技术体系、智能配电网综合评估体系构建总体思路, 并由此进行可靠性和安全性指标设计, 从而提出评分方法。
关键词：智能配电网,综合评估体系,方法
参考文献
[1]倪敬敏, 何光宇.美国智能电网评估综述[J].电力系统自动化, 2010, 34 (8) :9-13, 66.
[2]肖峻, 崔艳妍, 王建民, 等.配电网规划的综合评价指标体系与方法[J].电力系统自动化, 2008, 32 (15) :36-40.
智能教学系统的特点与设计方法 篇11
[关键词]:智能教学 多媒体 特点 设计方法
在当前，计算机技术发展引起的智能化普遍应用的情况下，深入探索智能教学环境下的教育理念、教学模式和教学方法，充分利用现有信息技术成果，研究更加先进的智能网络教学模型，不仅可行，而且也是智能网络教学系统研究、开发和应用中的一项重要内容。文章拟主要分析当前智能化教学系统的特点与设计方法。
一、智能化教学系统的特点
智能教学系统是以认知科学为理论基础，综合利用人工智能技术、教育心理学、计算机科学等多门学科的成果而形成的一种对学生实施有效教学的技术。系统的智能性主要表现为能够实现“一对一”的教学，这种教学模式被誉为是最有效果的教学方式。“一对一”的教学方式可以归结为以下三点：（1）指导教师可以采用测试和问题的方式来探测学生实时的知识状态。（2）在学生开始学习某个知识之前，指导教师能够为他设计一条从最基础知识到某一个具体知识的学习路径。（3）在教师和学生的交互过程中，教师能够了解潜在的探测此学生所具有的学习风格，并且提供风格匹配的教学材料给学生进行学习。
基于以上的实践经验以及人工智能技术，设计和开发一个基于计算机的智能教学系统来模拟人类教师的教学方式和行为已经成为可能，并且很有前景。使用具有智能性的智能教学系统，将可以有效地弥补其教育教学上的缺陷和不足，改善学生的学习效果，提高教学效率，对教育具有极大的推动作用。
二、智能教学系统的设计方法
1.智能教学系统的设计原理
进行科学的教学系统设计，必须从了解学习的发生机制和学习的本质问题入手。教学系统设计，是架设于学习理论与教育教学实践之间的一座桥梁。纵观教学系统设计的发展轨迹，可以清晰地看到学习理论对教学系统设计的影响最为深刻。每一次学习理论的发展，都必然为教学系统设计带来巨大的触动和冲击。学习理论的发展大致可以分为行为主义学习理论、认知广义学习理论、建构主义学习理论和人本主义学习理论等，所以相应地出现了基于行为主义的教学系统设计理论、基于认知主义的教学系统设计理论、基于建构主义的教学系统设计理论和基于人本主义的教学系统设计理论。
2.智能教学系统的的主要功能
智能教学系统关键在于能够对学习者的学习效果进行检验并能够给出相应的学习建议，从而实现学习过程的智能化。主要功能包括：
(l)建立教学内容的智能知识库。根据不同的教学内容，按知识体系结构进行知识点的划分，并建立学习要素的数据库。
(2)对学习过程进行评价。学习效果是学习质量的重要标志，学习过程包括在线学习、在线练习、在线测试、实践教学，收集学习过程信息，进而对学习效果进行合理评价。
(3)学习指导和建议。根据学习情况给出学习效果评价，然后根据学习效果给出学习指导和学习建议，从而使学习过程具有更强的针对性，以达到提高学习质量的目的。
(4)学习导航。及时收集学生的应答信息，并加以分析处理，评判学生的成绩；为不同的学生选择不同的教学内容，将学生不具备学习条件的知识过滤掉；帮助学生分析错误原因，判断并标示出学生当前最需要学习的知识点，提供针对性的个别辅导和适当的补充材料。
（5）教学方法。允许学生用自然语言与计算机导师进行交流，这样就突破了传统的学法指导和教法，并且教法还可以针对特定学生进行，即“一对一”教学模式。
3.智能教学系统的组成
(1)领域模型。存放传授给学生的课程专业知识，还能生成问题，提供对问题的正确解答以及求解问题的过程。领域模型一般包含两方面的知识：一是有关课程的内容，二是有关应用这些知识来求解问题的知识，即过程知识。知识表示方法有语义网络、规则等。
(2)诊断模型。利用诊断规则来分析学生的响应，判断学生己经懂得的知识或学生产生的错误概念，并传递到学生模型的当前状态中去。
(3)学生模型。准确反映学生的知识水平、学习能力等，为系统实现个别化教学提供依据。
(4)教师模型。结合教学策略和课程结构方面的知识，为学生选择问题供他们解答，监督和评价他们的行为，当学生需要时为他们选择适当的补习材料。教师模型中，交叉和解释模式以及学生模型是实现“面向个人以交互方式进行教学”的具体手段。教师模型中采用的教学策略主要有诊断或排错法、苏格拉底法、教练法等。
(5)人机接口。人机接口作为学生与系统之间交流信息的媒介，它所提供的表达知识和信息的手段必须是学生熟悉并便于使用的。
4.智能教学系统的使用
学生使用教学系统进行学习活动时，可以自己选择学习内容，也可以在教师模型的作用下由系统引导进入某一教学单元。教师利用测试结果，通过诊断模块和诊断规则来判断学生当前的认知能力，通过学生的总体认知能力来决定学生下一步的行为。
（1）教学诊断模块。主要负责判断学生对某一知识点的掌握情况，进而能判断学生的当前知识水平，为判断学生的认知能力提供依据。
（2）能力测定模块。主要负责评价学生的学习能力。在教学之前、教学期间和教学之后都要进行。通过评价取得反馈信息以修正、完善教学计划，为教师模型制定正确的教学策略提供条件，保证教学的顺利完成。它是本系统的重要部分。
（3）学生行为评定。对学生行为的评价，依据评价的目的不同，分绝对评价和相对评价两种方法，系统中以教学目标为基准进行绝对评价，以掌握学生达到教学目标的程度和诊断学生知识、能力结构中的缺欠，即根据专家知识库中的测试题目信息及学生的回答情况，给出分析结果及相应各认知能力不同层次的分数比重，为制定相应的教学策略提供数据依据。
（4）试题评定。主要是对试卷的要求进行综合评价，包括学生测试的内容是否是学习过的，是否符合教学大纲的要求，试题分数的比例是否符合难度比例、认知层次比例和各章节的分配比例。
（5）教学内容生成。系统根据学生的认知能力、当前的知识水平和学习历史，利用教学策略生成个性化教学内容。
三、结语
智能教学系统能监控学生的学习过程，实现教学各环节的知识共享与交互，从而实现学生的按需学习和教师的因材施教，体现“以学习者为中心”的教学思想。但是，目前的智能教学系统的研究可以说仍然处于基础理论的研究阶段，其主要的研究方法就是将远程教学技术与传统的智能教学系统相结合，运用人工智能技术来更加有效地实现教学的个性化和智能化。
參考文献:
[1]谢忠新，王林泉，葛元.智能教学系统中认知型学生模型的建立[J].算机工程与应用，2005，(3)：229-232.
[2]张荣梅，李福亮.基于Agent的网络智能教学系统的研究[J].现代电子技术，2007，(6)：83-85.
[3]陈燕娟.基于Web的智能教学系统的研究与实现[J].计算机技术与发展，2008，(5)：217-218.
基于模式匹配的智能稳定评估方法 篇12
暂态稳定评估(TSA)是电力系统安全运行中的关键问题,也是学术研究的持续热点之一。到目前为止,电力系统暂态稳定评估仍然是以故障的时域仿真枚举为主、暂态能量函数类方法为辅的技术架构。基于人工智能技术的暂态稳定评估方法虽然已经有近20年的研究历程,但并未脱出时域仿真法辅助筛选工具的定位,也未能获得良好的工程应用。
时域仿真法突出的优点是分析可靠性高,因此长期以来一直作为其他分析方法的检验标准。但其缺点也很突出,只能给出一个个样本的模拟,需要一次次试探性地修改扰动参数、观察计算结果,才能由稳定变化趋势给出系统暂态稳定水平的判断。因此,时域仿真法不能有效地支持智能预防控制决策的实现。
暂态能量函数法(或称直接法)积分时间短,计算速度快,能给出稳定裕度的度量。但是,一方面它对系统模型的复杂性适应能力较差,对多摆失稳问题的评估精度不足;另一方面,其评估依靠的仍然是时域仿真积分到扰动切除时刻的动态信息,因此同样无法指出运行方式变化对稳定性的影响信息,难以用于预防控制决策。
随着新能源发电的加入,大电网的不可预测性不断增强,系统结构和运行工况日益复杂,单纯依靠人的经验进行判断和决策已经难以驾驭大电网的安全运行[1,2]。基于人工智能技术的观点,系统暂态稳定性与某些描述系统运行状态的特征量之间具有某种映射关系[3,4,5,6],若能找出这些特征量,受扰动后的系统暂态稳定性评估可以归结为模式识别问题。离线仿真可以提供反映这种内在映射关系的样本,一旦通过样本学习提取出这种函数关系,就可以对新运行状态下的系统暂态稳定性进行评估[7]。所以,人工智能和模式识别技术的结合为大型电力系统的快速稳定评估提供了一种新的求解方法。
国内外学者对于基于人工智能技术的暂态稳定评估方法已经开展了大量的研究并形成了基本的算法框架[8]。文献[9,10]选取系统受扰后的动态变量作为输入特征,其最大局限性在于只能判断稳定与否,而不能指出运行方式中的哪些因素影响了稳定水平以及如何调整潮流分布有助于改善系统稳定水平。文献[8]给出选取输入特征的另一种方法,即用稳态潮流信息及其组合量并计及网络拓扑、网络规模及扰动地点的影响构成输入特征集。文献[11]提出的观点为输入特征的选择提供了新思路,即以受扰严重机组的稳定性决定全系统的稳定为理论依据,围绕这些机组构造输入特征。文献[12]提出选择极限切除时间作为评估输出,将稳定评估视为一类回归问题,与传统的稳/失稳的二值输出相比能提供稳定裕度等其他信息。
本文主要研究基于最短路的主导失稳机群辨识方法,无需稳定仿真直接基于电网结构和运行信息识别电网暂态失稳模式和机群划分,在此基础上研究功角稳定评估关键特征与拓扑的关系,提出基于拓扑的功角稳定评估算法。通过本文研究有助于建立电网运行方式、拓扑结构与稳定水平的关联关系,并为构建电网智能预防控制决策支持模型打下基础。
1 主导失稳机群辨识方法
1.1 方法思路
本文提出的基于最短路的主导失稳机群辨识方法,无需稳定仿真,直接基于电网结构和运行信息识别电网暂态失稳模式和机群划分。首先计算主导失稳发电机辨识指标对发电机进行排序,通过二分类聚类方法筛选出受扰严重的发电机集合;然后对图形式的电力网络,利用最短路搜索算法得到发电机间最短路长度构成的无故障最短路矩阵W和考虑故障点的最短路矩阵WF,利用最短路长度对受扰严重发电机集合进行拓扑分群;最后辨识主导失稳机群。该方法可为多种需要失稳分群信息的电力系统暂态稳定评估和稳定控制方法提供支持。方法的具体流程图如图1所示。
1.2 主导失稳辨识指标
1.2.1 短路电压与主导失稳机群的关系
以单机-无穷大系统模型为例分析短路电压与不平衡功率的关系,并对短路电压与主导失稳机群的关系进行机理分析。对简单的发电厂模型,即发电机经过升压变压器、2条输电线路与无穷大母线相连,忽略发电机、变压器及输电线路的电阻。
假设单回输电线路上某点发生带小电抗三相短路故障,改变故障点所在位置,使故障点沿单回线路移动,计算故障瞬间发电机的输出功率与稳态功率之比p=Pe(sc)/Pe(0)、机端电压幅值UG=UG(sc),并得到两者的关系。
仿真结果显示,发电机功率与机端电压幅值是单调递增关系,机端电压越低,输出功率越低。机端电压幅值大小可以反映发电机短路瞬时功率大小。由于调速器动作速度较慢,可以认为故障持续期间机械功率PT维持不变,等于稳态时的电磁功率Pe,即PT(sc)=Pe(0)。由此,故障期间发电机转子上的不平衡功率ΔP=PT(sc)-Pe(sc)=Pe(0)-Pe(sc),而Pe(sc)与短路电压有单调递增关系,则不平衡功率与短路电压有单调递减关系。
1.2.2 主导失稳发电机辨识指标
定义主导失稳发电机辨识指标DI:
其中,Pe(0)为发电机稳态有功功率标幺值;UG(sc)为短路瞬间机端电压幅值标幺值;Tj为发电机转子的惯性时间常数。不平衡功率ΔP与机端电压UG(sc)存在单调递减关系,所定义指标DI中的因子Pe(0)(1-UG(sc))即表征了这一关系。另一方面,发电机转子具有惯性,一般惯性越大,稳定性越好,指标DI以1/Tj的方式考虑了惯性。所以,指标DI充分反映了故障对发电机的冲击,依据指标DI可以对主导失稳机组进行辨识。
1.3 二分类聚类分析
对由指标DI构成的预聚类集合L进行聚类分析。聚类分析把样本分为几个类别,目标是使同一类别中的样本尽量相似,不同类别的样本尽可能相异。本节所采用的K-means聚类分析算法流程可以参考文献[13],本文不再介绍。
计算指标DI,进行二分类聚类分析得到受扰严重发电机集合M的方法流程如下:
a.计算每台发电机的指标DI,统计发电机数量N;
b.依据指标DI对发电机进行排序;
c.选取指标DI最大的n=k N台发电机构成预聚类集合L,设L={G1,G2,…,Gn},且有DI(G1)≥DI(G2)≥…≥DI(Gn);
d.利用K-means聚类算法基于指标DI对L进行二分类聚类分析,聚类1为受扰严重发电机群类,聚类2为稳定机群类。
通常主导失稳机群所含发电机数量不多,对于规模较大的系统(发电机数量多于100台),本文认为短路故障下系统的加速失稳机群内发电机数量不超过总数的10%,k建议取为0.1,这样就不会遗漏可能失稳的发电机,同时可以提高后续的聚类效率。对于小型的电力系统(发电机数量少于20台),k建议取为1。
1.4 最短路识别
1.4.1 电力网络规范化
进行最短路辨识,首先需要将电力网络用图论中规范的网络形式进行描述,对故障前的图形式的电力网络拓扑,写出无故障邻接矩阵。具体包括:(1)将网络中的节点转换成图论中的节点;(2)将多回平行线路等效成单回线路;(3)将输电线路和变压器用图论中的边来表示,边的权值取线路电抗值或变压器电抗值;(4)移除串联电容补偿装置,把串联补偿容抗归到相邻支路中;(5)根据节点和边信息形成邻接矩阵。
完成图的规范化后,为适应电力网络的研究,本文定义电力网络中连接2点的距离为最短路所包含的边的权值和,即最短路长度。网络的平均距离定义为所有节点对的距离平均值。
1.4.2 最短路矩阵
将电力网络转化为规范的图形式后,利用Dijkstra最短路搜索算法可以得出机组间的最短路,最短路能反映扰动前发电机之间的耦合关系强度。对于一个含有g个发电机节点的电力网络,可形成发电机节点间的最短路矩阵W=[wij],其中wij为发电机节点i和发电机节点j之间的最短路长度。
矩阵W的对角元素表示节点与节点本身间的距离,规定为无穷大。
定义发电机间平均距离为发电机节点间的最短路长度的平均值,即:
由于故障的存在会使故障所在节点从原来的网络拓扑中分离出来,并严重影响与故障节点相连支路的功率传输能力,为考虑这一影响,还需要计算考虑故障点影响的最短路矩阵WF=[wfij]。计算方法是:首先将与故障点相连的边权值设为无穷大,然后再利用最短路搜索算法求解最短路。
1.5 拓扑分群
发电机节点间的最短路长度在一定程度上表征了发电机节点之间的电气距离,可以反映2台发电机间的耦合程度。拓扑分群的目的就是根据耦合强弱,得出在故障持续期间与受扰严重发电机有较强电气耦合的机组,并根据机组间电气联系的强弱进行分群。
拓扑分群的实现步骤如下。
(1)对受扰严重机群M={G1,G2,…,Gp}中的发电机Gi,取i=1,分群号q=1。
(2)取分群Aq={Gi},判断WF第i行的每一个元素,若,取Aq=Aq∪{Gj},并进一步判断,若GjM,则M=M-{Gj};遍历第i行后转步骤(3)。
(3)判断Gi是否为M的最后一个元素,若是,则结束分群搜索;否则,取i=i+1,q=q+1,转步骤(2)继续执行搜索。
记拓扑分群得到的机群为GP={A1,A2,…,Am}。
上述分群方式仅考虑了发电机之间的最短路长度。采用的分群原则是:若2个发电机节点间的最短路小于最短路平均距离的50%,则这2台机组划分为同一机群。
1.6 主导失稳机群辨识
对主导失稳机群的识别还需要进一步计及受扰严重程度和故障消失后机群之间同步能力的影响,本文方法最后一个关键步骤———主导失稳机群辨识的步骤如下。
(1)计算GP={A1,A2,…,Am}中每一个分群Ai中所有发电机的辨识指标DI的平均值,并按这一平均值对GP中的分群进行从大到小排序,排序后的分组集合仍记为GP={A1,A2,…,Am}。
(2)如果GP中只有一个分群,则取主导失稳机群的预选机群AI为AI=A1;否则,判断是否成立,如果成立,取主导失稳机群的预选的机群AI为AI=A1∪A2,不成立则取AI=A1。其中,DIS(A1,A2)为A1分群中指标DI最大的发电机与A2分群中指标DI最大的发电机之间的最短路长度,可由故障前最短路矩阵W获得。
(3)对预选机群AI中的发电机,按辨识指标DI值从高到低进行排序,记指标DI最大的机组为GI1,根据DI大小其他机组依次标记为GI2、GI3、…、GIp,各机组对应的指标DI记为DI(GI1)、DI(GI2)、DI(GI3)、…、DI(GIp)。
(4)记为除AI的其他所有参与二分类聚类的发电机的指标DI的平均值。
(5)记主导失稳机群为I,初始化设I={GI1}。按GI2、GI3、…、GIp依次选择发电机GI j,并判断是否成立。如果成立,则I=I∪{GI j},取j=j+1,继续测算下一台发电机,直至AI内所有发电机均测试完毕或搜索停止;否则,停止搜索,输出主导失稳群I。
经过上述搜索过程,在以故障持续期间电气联系强度为依据获得的初始分群基础上,进一步考虑了故障消失后机群间电气联系强度和受扰程度的影响,改善了主导失稳发电机群的辨识精度。
2 关键特征选取
系统的分离并不依赖于全系统的能量,而是趋向于从系统其余部分分离出来的单机或成组机组的暂态能量,这些机组的稳定决定了全系统的稳定。在本文中,这样的机组被定义为主导失稳机群。若能在线推断或从离线分析结构事先知道某一故障下的主导失稳机群,就可以围绕这些机群构造反映系统稳定水平的指标。本文选取的关键特征如下:
(1)主导失稳机群是引起系统失稳的关键机群,因此选取辨识所得的主导失稳机群的稳态有功功率作为关键特征量之一,记这类特征量为A;
(2)功角失稳表现为主导失稳机群和其余机群在功角轨迹上的分离,故把主导失稳机群以外的发电机的总稳态有功功率作为关键特征,记这类特征量为B;
(3)系统稳定性与运行方式、网络拓扑有密切联系,故选取主导发电机到故障点之间k条最短路所含的支路以及与故障点相连的各条线路作为关键支路,并选取这些关键支路的稳态有功功率作为关键特征,记这类特征量为C。
3 基于实例的功角稳定评估算法
在功角稳定评估上,基于实例的学习算法有一定的应用[14,15]。基于主导失稳机群的功角稳定评估算法步骤如下。
(1)按照故障点位置和主导失稳机群对数据库中的训练样本进行分类。提取关键特征A、B、C和极限切除时间(CCT)构成训练样本集,记故障点为F、主导失稳机群为GP的训练样本子集为D(F,GP),对属于D(F,GP)的对象d,记d=[Ad,Bd,Cd],d对应的极限切除时间为CCT(d);
(2)对待评估样本进行主导失稳机群辨识,提取关键特征A、B、C,形成特征向量z,z=[Az,Bz,Cz];
(3)将z和D(F,GP)作为输入,使用KNN算法评估z的极限切除时间。
4 算例分析
以南方电网2014年丰大极限方式等值网为例,对南方电网“西电东送”主通道故障情况下的机群失稳模式进行识别和暂态稳定评估,验证本文方法的有效性。2014年丰大极限方式等值网,共有89台发电机,其中包含50台等值机和39台保留机组;共有380个节点,其中225个500 k V节点、19个220 k V节点;360条500 k V线路,138台电厂升压变压器,13台500 k V/230 k V主变压器。
以故障点500 k V节点(南宁)为例。南宁发生三相瞬时性短路故障,故障地点局部网络接线图如图2所示。
(1)计算所有发电机的主导失稳辨识指标并二分类聚类分析,得到受扰严重发电机集合。
对2014年丰大极限方式等值网的89台发电机,计算发电机的指标DI并按DI对发电机进行排序,得到指标DI最大的前10台发电机,如表1所示。根据指标DI进行机组二分类聚类,得到受扰严重机组集合为M={EQG111,EQG107}。
(2)搜索发电机间最短路并计算长度,并形成无故障最短路矩阵W和故障期间最短路矩阵WF,对受扰严重发电机集合中的发电机进行拓扑分群。
对受扰严重发电机集合M={EQG111,EQG107}中的发电机EQG111,取分群A1={EQG111}。故障期间最短路矩阵WF中EQG111所在节点对应行的每一个元素都大于,因此A1={EQG111}。
对M中发电机EQG107,取分群A2={EQG107}。故障期间最短路矩阵WF中EQG107所在节点对应行的每一个元素都大于,因此A2={EQG107}。
拓扑分群结果为:GP={{EQG111},{EQG107}}。
(3)对拓扑群进行主导失稳机群辨识。
因为
通过时域仿真,发现当故障持续时间tF为15个周期时,系统失稳,表现为EQG111相对于其他发电机加速失稳。可见,南宁节点发生故障情况下,本文所提方法准确识别了主导失稳发电机EQG111,辨识效果理想。
(4)功角稳定评估。
基于以上的辨识结果,可知南宁故障情况下主导失稳发电机是EQG111,利用所提特征提取规则,可以得到用于该故障暂态稳定评估的3类关键特征量为:发电机EQG111的稳态有功功率;所求指标DI最大的前10台发电机中,除主导机EQG111外其余发电机的稳态总有功功率;主导失稳发电机EQG111到南宁2条最短路组成支路以及与故障点相连的支路的稳态有功功率之和。
调整故障点附近发电机的出力,生成350个互异样本,取其中301个样本作为训练样本,余下的49个作为测试样本。
应用稳定评估算法对测试样本的极限切除时间进行预测,49个测试样本的极限切除时间预测结果与实际极限切除时间对比如图3所示。
5 结论
暂态稳定评估是电力系统运行中的重要问题之一,本文针对基于模式匹配的智能稳定评估方法进行了具体的介绍和算例分析,得到主要结论如下。
(1)提出了一种主导失稳机群辨识方法,通过电网结构和基本参数信息、运行方式信息,结合故障时刻的短路电压,初步实现对主导失稳机群的识别。通过机组间以及机组与故障点间拓扑联接关系的描述指标来反映发电机之间通过网络形成的动力学特性的关联性和同步特性,从而指导主导失稳发电机分群方式的辨识,进一步提高辨识的准确性。
(2)围绕主导失稳机群和网络拓扑给出了智能稳定评估,所选用的暂态稳定评估特征均为稳态特征量,不依赖时域仿真和训练样本,物理概念清晰,可以从系统运行状态直接获得。结合关键特征和基于实例的学习算法实现了对电力系统故障极限切除时间的预测。
(3)与神经网络、支持向量机等人工智能方法相比,本文方法所采用的基于实例的稳定评估方法训练过程简单且计算量非常小,新加入训练样本时无需对原有样本和实例学习算法做任何修改,样本可以动态更新并自动被下一次预测利用。