導語：如何才能寫好一篇神經網絡的基本功能，這就需要搜集整理更多的資料和文獻，歡迎閱讀由公文云整理的十篇范文，供你借鑒。

篇1

[關鍵詞]股指期貨；BP神經網絡；價格預測

[中圖分類號]F832 [文獻標識碼]A [文章編號]1005-6432（2013）30-0121-02

2010年4月16日，中國正式推出了首個股指期貨合約——滬深300股指期貨，該合約的推出結束了國內證券市場沒有避險工具的時代。股指期貨不僅具有價格發(fā)現、套期保值的基本功能，與此同時還具有投機、套利等資產配置功能。近幾年來，學術界和投資界也越來越重視對股指期貨價格預測的研究。股指期貨市場是一個復雜的非線性動態(tài)系統，存在著非線性和不確定性，采用傳統的計量經濟學方法預測其價格，必然會存在許多困難。國內現有的文獻資料中，鮮有對股指期貨價格進行預測的文章，但存在許多對單一股票價格預測的文章，如付成宏，傅明等（2004）[1]在基于RBF神經網絡的基礎上對上海石化這只股票價格進行預測，得出了該模型對于股價格的短期預測效果很好，還有張慧斌，高秀萍（2011）[2]在基于Elman神經網絡的基礎上對浦發(fā)銀行股價在時間序列上作了若干天的預測，實驗結果取得了較高的精度和較為穩(wěn)定的預測效果和較快的收斂速度，這表明該模型對個股的預測短期是可行和有效的。為此，本文在基于BP神經網絡的基礎上，擬利用Matlab2011A軟件對滬深300股指期貨的每日收盤價進行實際模擬與預測。

1 BP神經網絡模型概述

BP神經網絡，即誤差反向傳播神經網絡，是多層前饋神經網絡的一種，它與其他多層前饋神經網絡相比，多出了一層隱含層。它其實反映了一種歐式空間的映射，即加入神經網絡的輸入節(jié)點的數目為N，且該神經網絡的輸出節(jié)點為M，那么該神經網絡其實就是從N維的歐式空間到M維的歐式空間的一個映射。

篇2

本研究應用神經網絡的原理，基于BP網絡使用MATLAB語言建立一個剩余油分布的預測系統。該系統通過學習在地理坐標和孔隙度之間建立一個非線性函數關系，以此來預測任何區(qū)域的孔隙度，再通過孔隙度與剩余油飽和度之間的關系達到剩余油分布預測的目的。

關鍵詞：神經網絡；剩余油分布；BP網絡；預測

中圖分類號：TP183文獻標識碼：A文章編號：1009-3044(2008)36-2706-03

BP Artificial Neural Networks for the Remaining Oil Prediction

SHI Xiao-song, CHENG Guo-jian

(School of Computer Science, Xi'an Shiyou University, Xi'an 710065, China)

Abstract: After a majority of our oilfield and secondary recovery, we just get 30% of the total reserves, which means that 60% to 70% of the remaining residual oil in the ground become remaining oil . China's 2007 crude oil output grew only by 1.6 percent to 12.872 million tons. Clarifying the law of distribution of the remaining oil and improving oil recovery is not only an economic effect, but also a National oil strategic issue.

In this study, we used MATLAB language to establish a forecast system of distribution of remaining oil based on BP network. After studying, this system can get a nonlinear function between the geographical coordinates and porosity. We can get the regional porosity using this system. Then using the relationship the porosity and the remaining oil, we can known the distribution of the remaining oil.

Key words: artificial neural networks; distribution of remaining oil; BP network; prediction

1 引言

我國多數油田經過一次、二次采油后，僅能采出地下總儲量的30%左右，這意味著有60%～70%的剩余石油仍然殘留在地下成為剩余油。對剩余油分布預測的研究可以提高石油開發(fā)的效率和節(jié)約開發(fā)成本。人工神經網絡是計算機中重要的一門學科，它具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入－輸出數據，分析掌握兩者之間潛在的規(guī)律，最終根據這些規(guī)律，用新的輸入數據來推算輸出結果。本文就是用人工神經網絡，基于已知的數據來預測剩余油的分布。神經網絡技術有著逼近任意非線性映射的能力，通過學習獲知系統差分方程中的位置非線性函數，這使得它在系統建模和預測中有著很好的應用。

2 剩余油分布預測的研究

從20世紀80年代開始，研究剩余油分布和提高采收率問題已引起世界各石油生產國的普遍關注。針對剩余油分布的研究方法在各個層面都有了一定的突破。目前，剩余分布的研究方法主要有：地質方法，油藏工程、試井及數值模擬方法和室內實驗技術等。

2.1 剩余油分布預測的研究現狀

目前，國內外對剩余油研究的重點主要集中在三個方面：1）對生于有分布的描述；2）對剩余油飽和度的測量與監(jiān)測技術的研究；3）對剩余油挖潛技術的研究。

2.2 剩余油分布預測要用到的主要參數

影響剩余油分布的因素很多，通常劃分為兩類：地質因素和開發(fā)因素。地質因素主要包括有：油藏非均質性、構造、斷層等。開發(fā)因素主要包括有：注采系統的完善程度、注采關系和井網布井、成產動態(tài)。前者屬于內因，后者屬于外因。它們的綜合作用就導致了目前剩余油分布的多樣性。

剩余油飽和度是描述剩余油的重要概念。某種流體的飽和度是指：儲層巖石孔隙中某種流體所占的體積百分數。它表示了孔隙空間為某種流體所占據的程度。巖石中由幾相流體充滿其孔隙，則這幾相流體飽和度之和就為1(100%)。隨著油田發(fā)開油層能力的衰減，即使是經過注水侯還會在地層孔隙中存在著尚未驅盡的原油，這些油在巖石孔隙中所占體積的百分比稱為剩余油飽和度

3 人工神經網絡

人工神經網絡（Artifical Neural Network,ANN），亦稱為神經網絡（Neural Networks,NN），是由大量處理神經單元（神經元Neuros）廣泛互聯而成的網絡，是對人腦的抽象、簡化和模擬，反應人腦的基本特征。神經網絡的基本功能有聯想記憶、非線性映射、分類與識別、優(yōu)化計算、知識處理等。ANN在解決復雜的或是非線性問題時，具有獨特的性能。近年來，國內外眾多學者將其應用到石油等領域，取得了不少成果。人工神經網絡具有以下幾個特征：1）并行分布處理；2）非線性映射； 3）通過訓練進行學習，神經網絡是通過研究過去的數據記錄進行訓練的，一個經過適當訓練的神經網絡具有歸納全部數據的能力，因此，神經網絡能夠解決那些由數學模型或描述規(guī)則難以處理的控制過程問題；4）適應與綜合； 5）分類與識別，神經網絡可以很好地解決對非線性曲面的逼近問題，因此比傳統的分類器具有更好的分類與識別能力。

目前，BP算法已經成為應用最多且最主要的一種訓練前饋人工神經網絡的學習算法，也是前饋網絡得以廣泛應用的基礎。BP算法的學習目的是對網絡的連接權值進行調整，使得調整后的網絡對任一輸入都能得到所期望的輸出。BP算法的基本思想是學習過程由正向傳播和反向傳播組成。正向傳播用于對前饋網絡進行計算，即對某一輸入信息，經過網絡計算后求出它的輸出結果；反向傳播用于逐層傳遞誤差，修改神經元間的連接權值，以使網絡對輸入信息經過計算后所得到的輸出能達到期望的誤差要求。BP網絡算法的指導思想是：網絡權值的修正與閾值的修正，使誤差函數沿梯度方向下降。

圖1給出了整個BP算法學習過程的流程圖。

篇3

【摘要】 目的： 探討矽肺纖維化同生物活性介質之間的關系。方法： 利用Delphi語言編制了BP人工神經網絡模型計算機程序，建立并分析了矽肺膠原纖維預測的數學模型。結果： 選定網絡隱含層節(jié)點為9，初始權值閾值約為(-0.2，0.2)，最大相對誤差為4%，最小相對誤差為0.2%。 結論： 應用神經網絡具有較好的預測效果，可為臨床醫(yī)學研究提供一個很好的研究思路。

【關鍵詞】 BP神經網絡； 生物活性介質； 矽肺； 膠原纖維； 預測

矽肺是塵肺中最嚴重的一種類型，是由于長期吸入超過一定濃度的含有游離二氧化硅的粉塵，肺內發(fā)生廣泛的結節(jié)性纖維化。矽肺纖維化的預測困難，診斷滯后。目前，矽肺的發(fā)病機理仍然不完全清楚，尚無有效的早期診斷（篩檢）方法，也無早期診斷的特異性指標和特異性的治療藥物和方法。一經傳統的后前位胸大片確診，肺部病變已經無法逆轉。因此，尋找早期診斷(篩檢)特異性的生物介質組合，對預防、治療乃至最終消除矽肺具有重要意義。矽肺的發(fā)病與細胞因子（Cytokine，CK）網絡調控有密切聯系，高宏生等用系統生物學的方法論證了細胞因子對矽肺纖維化的網絡調控關系［1，2］，論證了細胞因子復雜非線性致炎致纖維化的網絡調控假說。王世鑫等用判別方程的方法，通過診斷肺纖維化正確率。矽肺纖維化與不同活性介質、基因表達等多種因素密切相關［3］，因此預計是一個多目標決策問題。傳統的預測方法是用多元線性回歸來進行預測，統計者千方百計的想找出決策目標和各因素之間找出一個線性的公式關系，試圖想用一個嚴格的數學模型公式表達出相應的關系。實際上，具有良好的非線性的神經網絡可以預測矽肺纖維化結果。本研究圖基于神經網絡的方法預測生物活性介質網絡調控的矽肺纖維化。

1 神經網絡的基本理論

人工神經網絡是基于對人腦組織結構、活動機制的初步認識提出的一種新型信息處理體系。通過模仿腦神經系統的組織結構以及某些活動機理，人工神經網絡可呈現出人腦的許多特征，并具有人腦的一些基本功能。從本質上講，人工神經網絡是一種大規(guī)模并行的非線性動力系統。它具有許多引人注目的特點：大規(guī)模的復雜系統，有大量可供調節(jié)的參數；高度并行的處理機制，具有高速運算的能力；高度冗余的組織方式等。

在預測領域中應用最廣泛的還是BP網絡。BP網絡的學習算法是一種誤差反向傳播式網絡權值訓練方法。實質就象最小二乘法一樣，BP算法是在樣本空間中耦合這樣一個曲面，即使所有的樣本點均在這個曲面上，若這樣的曲面不存在，就找到離樣本點的距離之和最小的曲面作為近似解。

BP網絡的學習過程包括：正向傳播和反向傳播。當正向傳播時，輸入信息從輸入層經隱單元處理，后傳向輸出層，每一層神經元的狀態(tài)只影響下一層的神經元的狀態(tài)。如果在輸出層得不到希望的輸出，則轉入反向傳播，將誤差信號沿原來的神經連接通路返回。返回過程中，逐一修改各層神經元連接的權值。這種過程不斷迭代，最后使得信號誤差達到允許的誤差范圍之內。如圖1所示為3層神經網絡結構圖。

輸入層

隱含層

輸出層

圖1 神經網絡結構

設3層BP神經網絡，輸入向量為X=(x1，x2，…xn)T ；隱層輸出向量為Y=(y1，y2，…ym)T ，輸出層向量為O=(o1，o2，…ol)T ，期望輸出向量為d=(d1，d2，…dl)T 。

對于輸出層，有ok =f(net)，netk=m j=0wjkyj ，k=1，2，…l

對于隱層，有yj =f(net)，netj=n i=0vijxi ，k=1，2，…m

f(x)=1 1+e-x ，BP學習算法權值調整計算公式為：

Δwjk=η(dk-ok)ok(1-ok)yj

Δvij=η(l k=1δ0k wjk)yj(1-yj)xi

δ0k =(dk-ok)ok(1-ok)

η∈(0，1)

2 應用實例

2.1 矽肺預測的影響因素

大量研究表明，肺泡巨噬細胞和肺泡上皮細胞在肺組織炎癥反應及纖維化病變的啟動、發(fā)展過程中起到最為關鍵的作用，主要是通過分泌細胞因子、炎性介質等生物活性物質，發(fā)揮直接或間接的生物學作用。這些CK包括：白介素（interleukin，IL）、腫瘤壞死因子（tumor necrosis factor ，TNF）、轉化生長因子（transforming growth factor，TGF）等。根據分泌細胞因子不同將Th 細胞分為Th1 和Th2 兩種類型。Th1主要分泌白介素-2（interleukin-2，IL-2）、白介素-12（interleukin-12，IL-12）、白介素-18（interleukin-18，IL-18）、干擾素-γ（Interferon-γ，IFN-γ）等，主要介導細胞免疫應答，與炎癥有關，具有抗纖維化作用，可抑制成纖維細胞的增殖及纖維的生成。Th2主要分泌白介素-4 （interleukin-4，IL-4）、白介素-5 （interleukin-5，IL-5）、白介素-10 （interleukin-10，IL-10）、白介素-13（interleukin-13，IL-13）、單核細胞趨化蛋白-1 （monocyte chemoattractant protein-1，MCP-1）等，而Th2主要介導體液免疫反應，可促進成纖維細胞的增生，導致膠原蛋白合成增加，并抑制膠原蛋白的降解，最終導致細胞外的基質蛋白沉積和纖維生成。Th1 型和Th2 型免疫應答之間存在著交互的負反饋作用，維持著正常的免疫平衡。其負反饋調節(jié)通常就是靠產生的細胞因子起作用的，即一型CK可以下調另一型CK的功能。Th1/Th2型CK失衡可導致機體對損傷的異常反應。總之，矽肺病人存在CK網絡的平衡紊亂，其錯綜復雜的調控機制可能參與矽肺的發(fā)生和發(fā)展［6~9］，如圖2所示。

圖2 細胞因子網絡調控圖

2.2 矽肺預測的BP網絡模型的設計

本研究運用神經網絡的模型方法，對矽肺預測進行設計，得出其預測模型。

2.2.1 輸入層、隱含層、輸出層的設計

矽肺纖維化輸入層的確定：根據meta分析和微分方程網絡模型確定生物活性介質為輸入層。

轉貼于

對于矽肺預測，應當依據其關鍵要素來確定輸入層各因素，在神經網絡模型中，輸入層可以選定白介素（interleukin，IL）、腫瘤壞死因子（tumor necrosis factor ，TNF）、轉化生長因子（transforming growth factor，TGF）等。根據分泌細胞因子不同將Th 細胞分為Th1 和Th2 兩種類型。Th1主要分泌白介素-2（interleukin-2，IL-2）、白介素-12（interleukin-12，IL-12）、白介素-18（interleukin-18，IL-18）、干擾素-γ（Interferon-γ，IFN-γ）作為輸入層，輸入單元數為8，隱含層節(jié)點的確定參考下面單元計算公式：

c=n+m+a

其中c 為隱層單元數，n為輸入神經元個數，m 為輸出神經元個數，a 為1~10之間的常數。本研究中，隱層單元數計算如下：

8+2+1≤c≤8+2+10

即：4.33≤c≤13.33

根據c 的計算值，由小到大改變節(jié)點數訓練并檢驗其精度，當節(jié)點數的增加誤差不進一步減小時，其臨界值即為應采用的值。最后，經過網絡的實際訓練結果比較，選定網絡隱含層節(jié)點為9，此時網絡能較快地收斂至所要求的精度。

2.2.2 初始權值的確定

在神經網絡模型中，初始權值選取對于輸出結果是否最接近實際，及是否能夠收斂、學習時間的長短等關系很大。初始權值太大，使得加權之后的輸入和N落在了網絡模型的s型激活函數的飽和期中，從而會導致φ′(·)非常小，而由于當 φ′(·)0時，則有δ0，使得Δwji 0，最終使得調節(jié)過程沒有什么效果。所以權值及閾值的初始值應選為均勻分布的小數經驗值，約為(-2.4/F，2.4/F)之間，其中F為所連單元的輸入層節(jié)點數。本模型輸入端節(jié)點數為11，所以初始值約為(-0.2，0.2)，可隨機選?。?］。

2.2.3 目標值及學習步長的選取

對矽肺預測之前，應先根據影響矽肺預測的因素進行綜合預測。在實際操作時，還應結合經驗值。若Sigmoid函數選取反對稱函數——雙曲正切函數，綜合評估指標的目標值D的范圍也應在［-1，1］之間，也即是綜合指標的無量綱數值在［0，1］之間。通常輸出單元的局部梯度比輸入端的大，所以輸出單元的學習的步長應比輸入單元小一些［5］。

通過以上分析可得網絡模型結構如圖3。利用Delphi語言編制了BP人工神經網絡模型計算機程序進行訓練集樣本訓練，訓練輸入節(jié)點數為8，表1為矽肺預測輸入訓練樣本和檢測樣本，當誤差給定E＝0.00005，學習步長為0.1，經200次訓練，網絡精度達到要求，如表2和圖4所示。表1 矽肺預測輸入訓練樣本和檢測樣本表2 訓練樣本訓練次數網絡誤差

樣本經200次訓練后，網絡誤差滿足精度要求，隱含單元到各輸入單元的權值和閾值及輸出單元到各隱含單元的權值和閾值調整為表3和表4所示。

由于矽肺預測神經網絡模型經訓練后，網絡精度已經達到要求，可以用檢驗樣本檢測預測效果，如表5所示。

從預測結果看，最大相對誤差為4.0%，最小相對誤差為0.2%，預測效果非常明顯，該網絡的檢驗性能穩(wěn)定，可以很好的對矽肺進行預測。表3 隱含單元到各輸入單元的權值和閾值表4 輸出單元到各隱含單元的權值和閾值表5 檢驗樣本及矽肺預測結果

3 討論

本研究通過采用神經網絡的方法，探討矽肺纖維化同生物活性介質之間的關系，并建立了矽肺纖維化的影響因素和Ⅰ型膠原、Ⅲ型膠原的BP神經網絡，從預測效果看，能夠較準確的預測矽肺纖維化。但還應當看到神經網絡應用到預測還有許多不盡如意的問題，主要的弱點之一是它是一種黑盒方法，無法表達和分析被預測系統的輸入與輸出間的關系，因此，也難于對所得結果作任何解釋，對任何求得數據做統計檢驗； 二是采用神經網絡作預測時，沒有一個便于選定最合適的神經網絡結構的標準方法，只能花大量時間采用湊試法，從許多次實驗中找出“最合適”的一種。本研究在矽肺預測上運用神經網絡建模上進行了初步的探討，對網絡模型的拓展性、收斂性等問題還有待于進一步的研究 。

參考文獻

1 高宏生， 伍瑞昌， 張雙德， 等. 基于meta分析和微分方程模型的肺纖維化細胞因子調控網絡研究. 軍事醫(yī)學科學院院刊，2008，32（3）：312~316.

2 高宏生，楊霞，丁朋，等. 應用meta分析肺纖維化TNF-α的時空變化. 武警醫(yī)學院學報，2008，17（8）：561~562.

3 劉萍 王世鑫 陳蕾，等. 矽肺患者血清克拉拉細胞蛋白和表面活性蛋白D的改變. 中華勞動衛(wèi)生職業(yè)病雜志， 2007， 25(01):18~21.

4 韓力群.人工神經網絡理論、設計及應用.化學工業(yè)出版社，2001.

5 何海龍，王青海，王精業(yè).神經網絡在裝備保障性評估中的應用. 系統工程理論與實踐，2003，9：111~116.

6 Kohonen T.Self-Organization and Associative Memory. Berlin Heidelberg:Springer-Verlag，1984.

7 Lapedes A，Farber.Nonlinear signal processing using neural networks :prediction and system modelling［R］.Technical Report LA-UR-87-2662，Los Alam os National Laboratory.Los Alamos.NM，1987.

8 Wang CH， Mo LR， Lin RC， et al. Artificial neural network model is superior to logistic regression model in predicting treatment outcomes of interferon-based combination therapy in patients with chronic hepatitis C.Intervirology，2008，51(1):14~20.

9 Kato H， Kanematsu M， Zhang X，et al. Computer-aided diagnosis of hepatic fibrosis: preliminary evaluation of MRI texture analysis using the finite difference method and an artificial neural network.AJR Am J Roentgenol， 2007，189(1):117~122.

10 Piscaglia F， Cucchetti A， Benlloch S，et al. Prediction of significant fibrosis in hepatitis C virus infected liver transplant recipients by artificial neural network analysis of clinical factors. J Gastroenterol Hepatol， 2006，18(12):1255~1261.

篇4

關鍵詞人工神經網絡供暖熱網預測外時延內時延反饋型BP網絡Elman網絡

一些復雜的生產過程，如熱網供熱，由于其反應機理非常復雜，具有很強的非線性、大滯后、時變性和不確定性，難以建立被控對象的數學模型，至今仍很少實現閉環(huán)控制，只好有經驗的操作人員進行調節(jié)。操作人員雖然沒有被控對象的數學模型，但是由于他們比較熟悉供暖熱網和設備，且在長期的現場工作中積累了豐富的操作經驗，他們通過觀察儀表指示的變化，如熱網的從、回水溫度、室外溫度等參數，并且預估某些參數將要發(fā)生的變化，然后調整供熱負荷，以保證熱網供暖正常。這種人工控制方式一般也能達到較好的控制效果，但是由于操作人員的經驗與能力的不同，或由于人的疲勞、責任心等原因，也時常會因操作不當造成熱網供暖不正常，或在產生突發(fā)事件時，不能預測將會發(fā)展或延續(xù)擴大的嚴重故障，而引發(fā)更大的故障。

預測對于提供未來的信息，為當前人人作出有利的決策具有重要意義?，F有的預測方法如時間序列分析中的AR模型預測方法，只適用于線性預測，而且，還需要對所研究的時間序列進行平穩(wěn)性、零均值等假定，其適用范圍受到一定的限制。近年來，人工神經網絡以其高度的非線性映射能力，在某些領域的預測中得到廣泛的關注。本文利用神經網絡技術辨識供暖熱網動態(tài)預報系統的模型，并對其進行了實際訓練和測試，分別建立了外時延反饋型BP網絡模型和內時延反饋型Elman網絡的預測模型。

1外時延反饋BP網絡

多層前向網絡是研究和應用的最廣泛也是最成功的人工神經元網絡之一。多層前向網絡是一種映射型網絡。理論上，隱層采用Sigmoid激活函數的三層前向網絡能以任意精度逼近任一非線函數，神經元網絡可以根據與環(huán)境的相互作用對自身進行調節(jié)即學習，一個BP網絡即是一個多層前向網絡加上誤差反向傳播學習算法，因此一個BP網絡應有三項基本功能：（1）信息由輸入單元傳到隱單元，最后傳到輸出單元的信息正向傳播；（2）實際輸出與期望輸出之間的誤差由輸出單元傳到隱單元，最后傳到輸入單元的誤差反向傳播；（3）利用正向傳播的信息和反向傳播的誤差對網絡權系數進行修正的學習過程。目前，多層前向網絡的權系數學習算法大多采用BP算法及基于BP算法的改進算法，如帶動量項的BP算法等。BP網絡雖然有很廣泛的應用，但由于它是一個靜態(tài)網絡，所以只能用于處理與時間無關的對象，如文字識別、空間曲線的逼近等問題。熱網供暖的各項參數都是與時間有關系的，而且我們即將建立的供暖熱網預報模型必須是一個動態(tài)模型。為此，必須在網絡中引入記憶和反饋功能?？梢杂袃煞N方式實現這一功能，一是采用外時延反饋網絡，即反輸入量以前的狀態(tài)存在延時單元中，且在輸入端引入輸出量以前狀態(tài)的反饋，如圖1所示；另一種方式是采用內時延反饋網絡，既在網絡內部引入反饋，使網絡本身構成一個動態(tài)系統，如下面將要介紹的Elman網絡。

圖1處延時反饋網絡

2Elman網絡

如前所述，在BP網絡外部加入延時單元，把時間信號展開成空間表示后再送給靜態(tài)的前向網絡作為一類輸入，從而實現時間序列建模和預測。然而，這種方式大大增加了輸入節(jié)點個數因而導致了網絡結構膨脹，訓練精度下降，訓練時間過長。

Elman動態(tài)網絡是動態(tài)遞歸網絡中較為簡單的一種結構，如圖2所示。

圖2Elman網絡

由輸入層、隱含層、結構層（聯系單元層）和輸出層組成，結構層記憶隱含層過去的狀態(tài)，并在下一時刻與網絡的輸入，一同輸入隱含層，起到一步延時算子作用。因此，Elman動態(tài)遞歸網絡具有動態(tài)記憶的功能，無需使用較多的系統狀態(tài)作為輸入，從而減少了輸入層單元數。

3供熱網絡預報模型

根據研究問題的性質不同，選擇不同的網絡結構和激活函數，以便建立準確的神經網絡預報模型。外時延反饋網絡和內時延反饋網絡都將其時延單元和反饋單元視為BP網絡的輸入參數，因此可以應用BP算法訓練網絡，其隱含層和輸出層的節(jié)點激活函數可選擇tansig、purelin函數，表達式為：

tansig函數：

purelin函數：f2(x)=kx

輸出：

其中：xi----熱網輸入；

wji----由輸入層節(jié)點i隱層節(jié)點j之間的權值；

θj----隱層節(jié)點j的閾值；

wkj----由隱層節(jié)點j至輸出層節(jié)點k之間的權值；

θk----輸出層層節(jié)點k的閾值。

從成因上分析供暖熱網的影響因子，運用相關圖法或逐步回歸分析法等對初選影響因子進行顯著性分析和檢驗，剔除不顯著因子。在此基礎上，研究基于人工神經網絡的供暖熱網實時預報模型的建模和預報問題。本文選用牡丹江西海林小區(qū)鍋爐房2000年11月～2001年4月的部分測量數據進行建模及測試，預測在相應時刻的熱網供水溫度、回水溫度及室外溫度值。

3．1模型I：外進延反饋網絡

輸入參數為當前時刻與過去時刻的①室外溫度（i）（i-1）（i-2）（i-3）（i-4）;②供水流量（i）（i-1）（i-2）（i-3）（i-4）;③補水流量（i）（i-1）（i-2）（i-3）（i-4）;④供水溫度（i）（i-1）（i-2）（i-3）（i-4）;⑤回水溫度（i）（i-1）（i-2）（i-3）（i-4）;，共二十五個輸入量。輸出量為未來時刻的①室外溫度（i+1）（i+2）；②供水溫度（i+1）（i+2）；③回水溫度（i+1）（i+2）；共六個輸出量。其中每一周期間隔15min。訓練樣本為前2000個數據組，測試樣本為后2000個數據組。輸出曲線有訓練樣本與計算數據比較曲線和測試樣本與計算數據比較曲線。

網絡結構共三層，輸入層節(jié)點25個，隱層節(jié)點25個，輸出層節(jié)點6個。取學習率η=0.7，動量因子a=0.3，訓練精度ε=4.5e-3，經過1000次正反向傳播和學習，網絡訓練滿足設定條件，此時訓練計算的均方差為0.00449767。將檢驗樣本輸入訓練好的網絡模型，其檢驗結果如圖3、圖4（因篇幅所限僅給出回水溫度預報值）所示。

圖3回水溫度一步預報曲線

實線：計算數據；虛線：實際數據

圖4回水溫度二步預報曲線

實線：計算數據；虛線：實際數據

3．2模型II：內時延反饋Elman網絡。

輸入參數為當前時刻的①室外溫度（i）;②供水流量（i））;③補水流量（i）;④供水溫度（i）;⑤回水溫度（i）;，共五個輸入量。輸出量為未來時刻的①室外溫度（i+1）（i+2）；②供水溫度（i+1）（i+2）；③回水溫度（i+1）（i+1）；共六個輸出量。其中每一周期間隔15min。訓練樣本為前2000個數據組，測試樣本為后2000個數據組。輸出曲線有訓練樣本與計算數據比較曲線和測試樣本與計算數據比較曲線。

網絡結構共三層，輸入層節(jié)點25個，隱層節(jié)點25個，輸出層節(jié)點6個。取學習率η=0.7，動量因子a=0.3，訓練精度ε=4.5e-3，經過1000次正反向傳播和學習，網絡訓練滿足設定條件，此時訓練計算的均方差為0.0044999。將檢驗樣本輸入訓練好的Elman網絡模型，其檢驗結果如圖5、圖6（因篇幅所限僅給出回水溫度預報值）所示。

圖5回水溫度一步預報曲線

實線：計算數據；虛線：實際數據

圖6回水溫度二步預報曲線

實線：計算數據；虛線：實際數據

表1列出了外時延反饋網絡（模型I）與內時延反饋Elman網絡（模型II）的訓練與測試結果的部分數據。

預測模型I、II的比較表1輸入層節(jié)點數隱層層節(jié)點數輸出層節(jié)點數訓練次數訓練時間（s）訓練精度訓練樣本誤差測試樣本誤差

模型I25256415236.7010.004497673.09982.2628

模型II5256199140.5420.00449993.19741.4620

4結論

從測試結果可以看出，對同一動態(tài)系統預測模型的辨識，外時延反饋網絡與內時延反饋Elman網絡的逼近能力基本相同，而且都具有很強的跟蹤能力。但是Elman網絡的結構要比外時延反饋網絡簡單得多，而且在訓練過程中，外時延反饋網絡延遲步數要通過多次的訓練才能找到最佳值，本預測模型就是在取到四步延遲后才得到最佳值，而Elman網絡就省卻了這一部分工作；此外在本動態(tài)系統模型的辨識過程中也可以看出，無論是采用外時BP網絡，還是采用內時延Elman網絡辨識動態(tài)系統的模型，都必須恰當的引入輸出參數的反饋，才能保證系統的動態(tài)跟蹤能力；本文選用了牡丹江西海林小區(qū)鍋爐房2000年冬季的部分測量數據進行建模及測試，用前20天的數據進行預測模型辨識，用后20天的數據進行預測模型測試，得到了比較令不滿意的預測結果，熱網供水溫度及室外溫度的預測結果也是很好的，只是由于篇幅關系同有繪出。

通過上述的系統辨識與實測，說明用外時延反饋網絡或內時延反饋Elman網絡建立供熱系統的動態(tài)預測模型是可行的，解決了供熱系統對象中非線性、大滯后、時變性等問題，為進一步的供熱系統優(yōu)化控制奠定了基礎。

參考文獻

1袁曾任，人工神經網絡及其應用，清華大學出版社，1999

2李士勇，模糊控制·神經控制和智能控制論，哈爾濱工業(yè)大學出版社，1996

3張乃堯，閻平凡，神經網絡與模糊控制，清華大學出版社，1998

4董德存，張樹京，用于NARMAX參數辨識的一種神經網絡方法，鐵道學報，1994

5謝新民，蔣云鐘等，基于人工神經元網絡的河川徑流時時預報研究，水利水電技術，1999，（9）

6李勇，孫艷萍等，用于故障預測的BP網絡模型及改進，東北電力學院淡報，1999，（1）

7郭創(chuàng)新等，一種魯棒BP算法及其在非線性動態(tài)系統辨識中的應用，信息與控制，1996，（6）

8賴曉平，周鴻興，云昌欽，混合模型神經網絡在短期負荷預測中的應用，控制理論與應用，2000，17（1）69～72

9王玉濤，夏靖波，周建常，王師，基于神經網絡模型的時間序列預測算法及其應用，信息與控制，1998，27（6）：413～417

篇5

一、計算機化

隨著計算機硬件的迅猛發(fā)展，微機保護硬件也在不斷發(fā)展。原華北電力學院研制的微機線路保護硬件已經歷了3個發(fā)展階段：從8位單CPU結構的微機保護問世，不到5年時間就發(fā)展到多CPU結構，后又發(fā)展到總線不出模塊的大模塊結構，性能大大提高，得到了廣泛應用。華中理工大學研制的微機保護也是從8位CPU，發(fā)展到以工控機核心部分為基礎的32位微機保護。

電力系統對微機保護的要求不斷提高，除了保護的基本功能外，還應具有大容量故障信息和數據的長期存放空間，快速的數據處理功能，強大的通信能力，與其它保護、控制裝置和調度聯網以共享全系統數據、信息和網絡資源的能力，高級語言編程等。這就要求微機保護裝置具有相當于一臺PC機的功能。在計算機保護發(fā)展初期，曾設想過用一臺小型計算機作成繼電保護裝置。由于當時小型機體積大、成本高、可靠性差，這個設想是不現實的?，F在，同微機保護裝置大小相似的工控機的功能、速度、存儲容量大大超過了當年的小型機，因此，用成套工控機作成繼電保護的時機已經成熟，這將是微機保護的發(fā)展方向之一。天津大學已研制成用同微機保護裝置結構完全相同的一種工控機加以改造作成的繼電保護裝置。這種裝置的優(yōu)點有：

具有486PC機的全部功能，能滿足對當前和未來微機保護的各種功能要求。尺寸和結構與目前的微機保護裝置相似，工藝精良、防震、防過熱、防電磁干擾能力強，可運行于非常惡劣的工作環(huán)境，成本可接受。采用STD總線或PC總線，硬件模塊化，對于不同的保護可任意選用不同模塊，配置靈活、容易擴展。繼電保護裝置的微機化、計算機化是不可逆轉的發(fā)展趨勢。但對如何更好地滿足電力系統要求，如何進一步提高繼電保護的可靠性，如何取得更大的經濟效益和社會效益，尚須進行具體深入的研究。

二、網絡化

計算機網絡作為信息和數據通信工具已成為信息時代的技術支柱，使人類生產和社會生活的面貌發(fā)生了根本變化。它深刻影響著各個工業(yè)領域，也為各個工業(yè)領域提供了強有力的通信手段。到目前為止，除了差動保護和縱聯保護外，所有繼電保護裝置都只能反應保護安裝處的電氣量。繼電保護的作用也只限于切除故障元件，縮小事故影響范圍。這主要是由于缺乏強有力的數據通信手段。國外早已提出過系統保護的概念，這在當時主要指安全自動裝置。因繼電保護的作用不只限于切除故障元件和限制事故影響范圍(這是首要任務)，還要保證全系統的安全穩(wěn)定運行。這就要求每個保護單元都能共享全系統的運行和故障信息的數據，各個保護單元與重合閘裝置在分析這些信息和數據的基礎上協調動作，確保系統的安全穩(wěn)定運行。顯然，實現這種系統保護的基本條件是將全系統各主要設備的保護裝置用計算機網絡聯接起來，亦即實現微機保護裝置的網絡化。這在當前的技術條件下是完全可能的。

對于一般的非系統保護，實現保護裝置的計算機聯網也有很大的好處。繼電保護裝置能夠得到的系統故障信息愈多，則對故障性質、故障位置的判斷和故障距離的檢測愈準確。對自適應保護原理的研究已經過很長的時間，也取得了一定的成果，但要真正實現保護對系統運行方式和故障狀態(tài)的自適應，必須獲得更多的系統運行和故障信息，只有實現保護的計算機網絡化，才能做到這一點。

由上述可知，微機保護裝置網絡化可大大提高保護性能和可靠性，這是微機保護發(fā)展的必然趨勢。保護、控制、測量、數據通信一體化

目前，為了測量、保護和控制的需要，室外變電站的所有設備，如變壓器、線路等的二次電壓、電流都必須用控制電纜引到主控室。所敷設的大量控制電纜不但要大量投資，而且使二次回路非常復雜。但是如果將上述的保護、控制、測量、數據通信一體化的計算機裝置，就地安裝在室外變電站的被保護設備旁，將被保護設備的電壓、電流量在此裝置內轉換成數字量后，通過計算機網絡送到主控室，則可免除大量的控制電纜。如果用光纖作為網絡的傳輸介質，還可免除電磁干擾。現在光電流互感器(OTA)和光電壓互感器(OTV)已在研究試驗階段，將來必然在電力系統中得到應用。在采用OTA和OTV的情況下，保護裝置應放在距OTA和OTV最近的地方，亦即應放在被保護設備附近。OTA和OTV的光信號輸入到此一體化裝置中并轉換成電信號后，一方面用作保護的計算判斷；另一方面作為測量量，通過網絡送到主控室。從主控室通過網絡可將對被保護設備的操作控制命令送到此一體化裝置，由此一體化裝置執(zhí)行斷路器的操作。

篇6

關鍵詞：電力系統繼電保護 發(fā)展現狀趨勢

前言：

繼電保護技術是隨著電力系統的發(fā)展而發(fā)展起來的，20世紀初隨著電力系統的發(fā)展，繼電器才開始廣泛應用于電力系統的保護。這個時期可認為是繼電保護技術發(fā)展的開端。電力系統決定著電力能源的產生、傳輸和配送。而系統中的任何一個環(huán)節(jié)出現問題都會導致設備的損壞，甚至更嚴重的后果，隨著我國電力系統規(guī)模和容量的日益增大,電力系統面臨的故障日益嚴重。一旦電力系統出現故障,那么將會造成嚴重的經濟損失和人身傷亡。繼電保護就是一種電路故障時實現瞬間切斷的自動裝置，是電力系統中不可或缺的一部分。

1.電力系統繼電保護簡介

繼電保護是電力系統不可分割的一部分，在電力系統的正常運行中起著至關重要的作用。繼電保護的基本任務是在被保護的電力系統元件發(fā)生故障的瞬間斷開電路，使故障元件及時從電力系統中斷開，最大限度地減少對電力系統元件本身的損壞。在電力系統運行中，外界因素內部因素及操作等，都可能引起各種故障及不正常運行的狀態(tài)出現。常見的故障有：單相接地、兩相接地、相間短路、短路等。另外一種情況，當電氣設備出現不正常工作時，可發(fā)出警報信號，以便操作人員進行處理，此時的繼電保護裝置允許有一定的延時動作。

繼電保護裝置應滿足可靠性、選擇性、靈敏性和速動性的要求。這四個要求之間緊密聯系，既矛盾又統一。

2.我國電力系統繼電保護現狀

由于繼電保護的安全性直接關系到電力系統的安全穩(wěn)定運行,因此對繼電保護裝置有著很高的要求。電力系統繼電保護技術經歷了漫長的發(fā)展歷程,我國電力系統繼電保護技術經歷了四個發(fā)展階段，繼電保護裝置經歷了機電式、整流式、晶體管式、集成電路式、微處理機式等不同的發(fā)展階段。各個階段的特點和結構如表1.

時期 硬件結構 特點 發(fā)展階段

20世紀50年代 機電式保護裝置 體積大、功耗大、動作慢 機電保護

20世紀60-80年代 晶體管式保護裝置 體積小、功耗小、動作快 晶體管保護

20世紀80年代 集成電路式 體積更小、性能較好 集成電路保護

20世紀90年代 微機保護 性能完善、可靠性高 微機保護

表1 繼電保護發(fā)展歷程及特點

3.繼電保護技術的發(fā)展趨勢

經過近20年的研究、應用和發(fā)展，微機保護在電力系統中取得了巨大的成功。不僅積累了豐富的運行經驗，產生了顯著的經濟效益，還大大提高了電力系統運行管理水平。電力系統繼電保護技術未來將會向計算機化，網絡化，智能化，保護、控制、測量和數據通信一體化發(fā)展。

3.1繼電保護計算機化

隨著科技的飛速發(fā)展，計算機的硬件制造水平在不斷提高，微機保護硬件水平也在不斷提高電力系統對微機保護的要求水平與日俱增，除了進行繼電保護的基本功能外，還應具有以下更多功能：大容量的故障信息和數據的長期存放功能；快速的數據處理功控制裝置和調度聯網來共享全系統的數據；具有信息和網絡資源的管理功能；高級語言編程功能等。

按照摩爾定律來計算，芯片上的集成度每隔一年半到兩年的時間翻一番。其結果是不僅計算機硬件的性能成倍增加，價格也在迅速降低。微處理機的發(fā)展主要體現在單片化及相關功能的極大增強。片內硬件資源得到很大擴充，單片機與DSP芯片二者技術上的融合,運算能力的顯著提高以及嵌入式網絡通信芯片的出現及應用等方面。這些發(fā)展使硬件設計更加方便，高性價比使冗余設計成為可能，為實現靈活化、高可靠性和模塊化的通用軟硬件平臺創(chuàng)造了條件。我國在2003年底, 220KV以上系統的微機保護已占到70.29%，線路的微機化率達到97.6%。實際運行中微機保護的正確動作率要明顯高于其他保護，一般比平均正常動作率高0.2-0.3個百分點。繼電保護裝置的計算機化是不可逆轉的發(fā)展趨勢。電力系統對微機保護的要求不斷提高，除了保護基本功能外，還應具有大容量故障信息和數據的長期存放空間，快速的數據處理功能，強大的通信功能，與其他保護、控制裝置和調度聯網以供享全系統數據、信息和網絡資源的能力、高級語言編程等。

3.2繼電保護網絡化

近年來，計算機網絡逐漸開始在電力傳輸與配電系統中得到應用和發(fā)展。與此同時，隨著電力科技的進步，電力系統對計算機保護的要求也提升到了新的層次。因此大容量的長期存放空間、高速處理數據、高效的通信與其它保護、控制裝置和調度聯網以共享全系統數據、信息和網絡資源的能力、高級語言編程等均為繼電保護發(fā)展指明了方向。國內在自適應保護領域中的研究取得了可喜的成果，但要真正實現保護對系統運行方式和故障狀態(tài)的自適應，必須獲得更多的系統運行和故障信息，也就是實現整體網絡化，因此整體網絡化是電力系統繼電保護一個重要方向。

3.3繼電保護智能化

在電力系統繼電保護中，計算機技術得到了廣泛的應用。相關的研究方法也層出不窮,近些年來人工智能技術在電力系統領域取得了廣泛的應用,引起了人們的廣泛關注。人工智能技術主要包括人工神經網絡、小波理論、遺傳算法等相關內容,下面我們對人工神經網絡做簡要的闡述。在電力系統繼電保護方面,人工神經網絡主要用來實現故障類型判別、方向保護和主設備保護等。人工神經網絡主要主要研究信息處理、自動控制和非線性優(yōu)化等相關問題。例如,在輸電線兩側系統電勢角度擺開情況下發(fā)生經過渡電阻的短路就是一個非線性問題,這時距離保護很難正確做出故障位置的判別,從而造成系統誤動或拒動。我們如果采用人工神經網絡技術來進行處理,只需要經過大量故障樣本的訓練和充分考慮各種情況,那么我們就可以在電力系統發(fā)生任何故障時進行正確的判別。人工智能技術給電力系統繼電保護的發(fā)展注入了新的活力,具有非常美好的發(fā)展前景。

3.4保護、控制、測量、數據通信一體化

保護裝置從網上獲取電力系統運行和故障的任何信息和數據，也可將它所獲得的被保護元件的任何信息和數據傳送給網絡控制中心或任一終端。因此，每個微機保護裝置不但可完成繼電保護功能。而且在無故障正常運行情況下還可完成測量、控制、數據通信功能，亦即實現保護、控制、測量、數據通信一體化。比如為了測量、保護和控制的需要，室外變電站的所有設備，如果將保護、測量、數據通信集成為一體，設計一個集合的計算機裝置，安裝在室外變電站的被保護設備附近將其電流等模擬量在此裝置轉換成數字量后，通過網絡傳輸到主控室，就可減少大量電纜。

3.5繼電保護技術改善方向

在今后技術的創(chuàng)新中，對繼電保護進行重新選型配置時，首先考慮的是可靠性、選擇性、靈敏性及快速性，其次考慮運行維護調試方便，便于統一管理。優(yōu)選經運行考驗且可靠的保護，個別新保護可少量試行，在取得經驗后再推廣運用。

4.變電所綜合自動化技術

現代計算機技術、通信技術和網絡技術為改變變電站目前監(jiān)視、控制、保護和計量裝置及系統分割的狀態(tài)提供了優(yōu)化組合和系統集成的技術基礎。高壓、超高壓變電站正面臨著一場技術創(chuàng)新。實現繼電保護和綜合自動化的緊密結合，它表現在集成與資源共享遠方控制與信息共享。以遠方終端單元、微機保護裝置為

核心，將變電所的控制、信號、測量、計費等回路納入計算機系統，取代傳統的控制保護屏，能夠降低變電所的占地面積和設備投資，提高二次系統的可靠性。綜合自動化技術相對于常規(guī)變電所二次系統，主要有以下特點：

（1）. 設備、操作、監(jiān)視微機化

（2）. 通信局域網絡化、光纜化

（3）. 運行管理智能化

結語：

電力系統中繼電保護要保證全系統的安全穩(wěn)定運行。當前，隨著電力系統的高速發(fā)展和計算機技術、網路技術及人工智能技術的進步，繼電保護技術面臨著更大的挑戰(zhàn)。未來的繼電保護技術是以計算機和微處理器為核心技術，以計算機、網絡、系統、通信、自動控制理論為關鍵技術，其發(fā)展將出現原理突破和應用革命。

參考文獻

1.許建安.電力系統繼電保護[M].北京：中國水力電力出版社，2005

2.張宇輝.電力系統微型計算機繼電保護[M].北京：中國電力出版社,2000

3.嚴興疇.繼電保護技術及其應用.科技資訊,2007

篇7

【關鍵字】人工智能；教育；進展

【中圖分類號】G40-057 【文獻標識碼】A 【論文編號】1009―8097（2008）13―0018―03

人工智能是一門綜合的交叉學科，涉及計算機科學、生理學、哲學、心理學、哲學和語言學等多個領域。人工智能主要研究用人工的方法和技術，模仿、延伸和擴展人的智能，實現機器智能，其長期目標是實現人類水平的人工智能。[1]從腦神經生理學的角度來看，人類智能的本質可以說是通過后天的自適應訓練或學習而建立起來的種種錯綜復雜的條件反射神經網絡回路的活動。[2]人工智能專家們面臨的最大挑戰(zhàn)之一是如何構造一個可以模仿人腦行為的系統。這一研究一旦有突破，不僅給學習科學以技術支撐，而且能反過來促使人腦的學習規(guī)律研究更加清晰，從而提供更加切實有效的方法論。[3]人工智能技術的不斷發(fā)展，使人工智能不僅成為學校教育的內容之一，也為教育提供了豐富的教育資源，其研究成果已在教育領域得到應用，并取得了良好的效果，成為教育技術的重要研究內容。

人工智能的研究更多的是結合具體領域進行的，其主要研究領域有：專家系統、機器學習、模式識別、自然語言理解、自動定理證明、自動程序設計、機器人學、博弈、智能決策支持系統、人工神經網絡和分布式人工智能等。[4]目前，在教育中應用較為廣泛與活躍的研究領域主要有專家系統、機器人學、機器學習、自然語言理解、人工神經網絡和分布式人工智能，下面就這些領域進行闡述。

一 專家系統

專家系統是一個具有大量專門知識與經驗的程序系統，它使用人工智能技術，根據某個領域中一個或多個人類專家提供的知識和經驗進行推理和判斷，模擬人類專家的決策過程，以解決那些需要專家決定的復雜問題。[5]專家系統主要組成部分為：知識庫，用于存儲某領域專家系統的專門知識；綜合數據庫，用于存儲領域或問題的初始數據和推理過程中得到的中間數據或信息；推理機，用于記憶所采用的規(guī)則和控制策略的程序，使整個專家系統能夠以邏輯方式協調地工作；解釋器，向用戶解釋專家系統的行為；接口，使用戶與專家系統進行對話。近幾十年來，專家系統迅速發(fā)展，是人工智能中最活躍、最有成效的一個研究領域，廣泛用于醫(yī)療診斷、地質勘探、軍事、石油化工、文化教育等領域。

目前，專家系統在教育中的應用最為廣泛與活躍。專家系統的特點通常表現為計劃系統或診斷系統。計劃系統往前走，從一個給定系統狀態(tài)指向最終狀態(tài)。如計劃系統中可以輸入有關的課堂目標和學科內容，它可以制定出一個課堂大綱，寫出一份教案，甚至有可能開發(fā)一堂樣板課，而診斷系統是往后走，從一個給定系統陳述查找原因或對其進行分析，例如，一個診斷系統可能以一堂CBI（基于計算機的教學，computer-based instruction）課為例，輸入學生課堂表現資料，分析為什么課堂的某一部分效果不佳。在開發(fā)專家計劃系統支持教學系統開發(fā)（ISD）程序的領域中最有名的是梅里爾（Merrill）的教學設計專家系統（ID Expert）。[6]

教學專家系統的任務是根據學生的特點（如知識水平、性格等），以最合適的教案和教學方法對學生進行教學和輔導。其特點為：同時具有診斷和調試等功能；具有良好的人機界面。已經開發(fā)和應用的教學專家系統有美國麻省理工學院的MACSYMA符號積分與定理證明系統，我國一些大學開發(fā)的計算機程序設計語言、物理智能計算機輔助教學系統以及聾啞人語言訓練專家系統等。[7]

目前，在教育中，專家系統的開發(fā)和應用更多的集中于遠程教育，為現代遠程教育的智能化提供了有力的技術支撐?；趯＜蚁到y構造的智能化遠程教育系統具有以下幾個方面的功能：具備某學科或領域的專門知識，能生成自己的提問和應答； 能夠分析學生的特征，評價和記錄學生的學習情況，診斷學生學習過程中的錯誤并進行補救教學；可以選擇不同的教學方法實現以學生為主體的個別化教學。[8]目前應用于遠程教育的專家系統有智能決策專家系統、智能答疑專家系統、網絡教學資源專家系統、智能導學系統和智能網絡組卷系統等。

二 機器人學

機器人學是人工智能研究是一個分支，其主要內容包括機器人基礎理論與方法、機器人設計理論與技術、機器人仿生學、機器人系統理論與技術、機器人操作和移動理論與技術、微機器人學。[9]機器人的發(fā)展經歷了三個階段：第一代機器人是以 “示教―再現”方式進行工作；第二代機器人具有一定的感覺裝置，表現出低級智能；第三代機器人是具有高度適應性的自治機器人，即智能機器人。目前開發(fā)和應用的機器人大多是智能機器人。機器人技術的發(fā)展對人類的生活和社會都產生了重要影響，其研究和應用逐漸由工業(yè)生產向教育、環(huán)境、社會服務、醫(yī)療等領域擴展。

機器人技術涉及多門科學，是一個國家科技發(fā)展水平和國民經濟現代化、信息化的重要標志，因此，機器人技術是世界強國重點發(fā)展的高技術，也是世界公認的核心競爭力之一，很多國家已經將機器人學教育列為學校的科技教育課程，在孩子中普及機器人學知識，從可持續(xù)和長遠發(fā)展的角度，為本國培養(yǎng)機器人研發(fā)人才。[10]在機器人競賽的推動下，機器人教育逐漸從大學延伸到中小學，世界發(fā)達國家例如美國、英國、法國、德國、日本等已把機器人教育納入中小學教育之中，我國許多有條件的中小學也開展了機器人教育。

機器人在作為教學內容的同時，也為教育提供了有力的技術支撐，成為培養(yǎng)學習者創(chuàng)新精神和實踐能力的新的載體與平臺，大大豐富了教學資源。多年來，我國中小學信息技術教育的主要載體是計算機和網絡，教學資源單一，缺乏前瞻性。教學機器人的引入，不僅激發(fā)了學生的學習興趣，還為教學提供了豐富的、先進的教學資源。隨著機器人技術的發(fā)展，教學機器人種類越來越多，目前在中小學較為常用的教學機器人有：能力風暴機器人、通用機器人、未來之星機器人、樂高機器人、納英特機器人、中鳴機器人等。

三 機器學習

機器學習是要使計算機能夠模仿人的學習行為，自動通過學習來獲取知識和技巧，[11]其研究綜合應用了心理學、生物學、神經生理學、邏輯學、模糊數學和計算機科學等多個學科。機器學習的方法與技術有機械學習、示教學習、類比學習、示例學習、解釋學習、歸納學習和基于神經網絡的學習等，近年來，知識發(fā)現和數據挖掘是發(fā)展最快的機器學習技術。機器學習（自動獲取新的事實及新的推理算法）是使計算機具有智能的根本途徑，對機器學習的研究有助于發(fā)現人類學習的機理和揭示人腦的奧秘。[12]

隨著計算機技術的進步和機器學習研究的深入，機器學習系統的性能大大提高，各種學習算法的應用范圍不斷擴大，例如將連接學習用于圖文識別，歸納學習、分析學習用于專家系統等，大大推動了在教育中的應用，例如在建構適應性教學系統中，用機器學習與樸素的貝葉斯分類器動態(tài)了解學生的學習偏好，有較高的準確率[13]?；诎咐耐评恚╟ase-based reasoning，CBR）是一種新興的機器學習和推理方法，其核心思想是重用過去人們解決問題的經驗解決新問題，在計算機輔助教育方面，已經出現了基于CBR的圖形仿真教育系統，并且，針對個體特征的教育教學方法研究也有所突破。[14]另外，數據挖掘和知識發(fā)現在生物醫(yī)學、金融管理、商業(yè)銷售等領域的成功應用，不僅給機器學習注入新的生機，也為機器學習在教育中的應用提供了新的前景。

四 自然語言理解

自然語言理解就是研究如何讓計算機理解人類的自然語言，以實現用自然語言與計算機之間的交流。一個能夠理解自然語言信息的計算機系統看起來就像一個人一樣需要有上下文知識以及根據這些上下文知識和信息用信息發(fā)生器進行推理的過程。[15]自然語言理解包括口語理解和書面理解兩大任務，其功能為：回答問題，計算機能正確地回答用自然語言提出的問題；文摘生成，計算機能根據輸入的文本產生摘要；釋義，計算機能用不同的詞語和句型來復述輸入的自然語言信息；翻譯，計算機能把一種語言翻譯成另外一種語言。由于創(chuàng)造和使用自然語言是人類高度智能的表現，因此對自然語言處理的研究也有助于揭開人類高度智能的奧秘，深化對語言能力和思維本質的認識。[16]

自然語言理解最早的研究領域是機器翻譯，隨著應用研究的廣泛開展，也為機器人和專家系統的知識獲取提供了新的途徑，例如由MIT研制的指揮機器人的自然語言理解系統SHRDLU就可以接收自然語言，進行人機對話，回答關于桌面上積木世界中的各種問題。同時，對自然語言理解的研究也促進了計算機輔助語言教學和計算機語言設計等方面的發(fā)展，例如“希賽可”網絡智能英語學習系統，這個基于網絡的“人-機”語境的建立，突破了普通英語教師和傳統的單機的多媒體教學軟件所能具備能力限制，也比建立于網絡的“人-人”語境更具靈活性，可以為遠程學習者提供良好的英語學習支持，在國內第一次系統地將用自然語言進行的人機對話系統應用在計算機輔助外語教學上，在國際上也是一種創(chuàng)新。[17]

五 人工神經網絡

人工神經網絡就是在對大腦的生理研究的基礎上，用模擬生物神經元的某些基本功能的元件（即人工神經元），按各種不同的聯結方式組織起來的一個網絡，其目的在于模擬大腦的某些機理與機制，實現某個方面的功能，例如可以用于模仿視覺、模式識別、聲音信號處理、控制、故障診斷等領域，人工神經元是人工神經網絡的基本單元。[18]人工神經網絡有兩種基本結構：遞歸（反饋）網絡和多層（前饋）網絡，兩種主要學習算法：有指導式學習和非指導式學習。

人工神經網絡從模擬人類大腦神經網絡的結構和行為出發(fā)，具有大規(guī)模并行、分布式存儲和處理、自組織、自適應和自學習能力，特別適合于處理需要同時考慮許多因素和條件的、不精確和模糊的信息處理問題，[19]這使人工神經網絡具有更大的發(fā)展?jié)撃?，目前已經開發(fā)和應用的人工神經網絡模型有30多種。人工神經網絡在教育中的應用大多是與教學專家系統相結合，以此來改進教學專家系統的性能，提高智能性，使其在教學過程中對突發(fā)問題具有更好的應對能力。人工神經網絡在學校管理中也得到應用，例如采用誤差反傳算法（BP）的多層感知器已應用于高校管理之中。

六 分布式人工智能(Distributed Artificial Intelligence，DAI)

分布式人工智能是分布式計算與人工智能結合的結果，研究目標是要創(chuàng)建一種能夠描述自然系統和社會系統的精確概念模型，主要研究問題是各Agent之間的合作與對話，包括分布式問題求解和多Agent系統兩個領域。[20]分布式人工智能系統一般由多個Agent組成，每個Agent又是一個半自治系統，Agent之間及Agent與環(huán)境之間進行并發(fā)活動并進行交互來完成問題求解。[21]由于分布式人工智能系統具有并行、分布、開放、協作和容錯等優(yōu)點，在資源、時空和功能上克服了單智能系統的局限性，因此獲得了廣泛的應用。

分布式人工智能中的Agent和多Agent技術在教學中的應用逐漸受到關注。在教學中引入Agent可以有效地提高教學系統的智能性，創(chuàng)造良好的學習情境，并能激發(fā)學習者的學習興趣，進行個性化教育。目前，Agent和多Agent技術多用于遠程智能教學系統，通過利用其分布性、自主性和社會性等特點，提高網絡教學系統的智能性，使教學資源得到充分利用，并可實現對學習者的學習行為進行動態(tài)跟蹤，為學習者的網絡學習創(chuàng)造合作性的學習環(huán)境。在網絡教學軟件中應用Agent技術的一個典型是美國南加利福尼亞大學（USC）開發(fā)的教學Adele（Agent for Distance Education - Light Edition） [22]。Agent技術在網絡教學軟件中取得的良好效果，促進了研究者對分布式人工智能在教育中的應用研究。

綜上所述，科學技術的發(fā)展將會推動人工智能技術在教育中應用的廣度和深度。從人工智能的應用趨勢來看，人工智能在教育中應用的擴展可以通過以下三個方面進行：一是人工智能與其他先進信息技術結合。人工智能已經與多媒體技術、網絡技術、數據庫技術等有效的融合，為提高學習效率和效度提供了有力的技術支持，而引起教育技術界廣泛關注。[23]例如人工智能技術通過與多媒體技術相結合，可以提高智能教學系統的教學效果；與網絡通訊技術相結合，可以提高和改進遠程教育的智能性。二是人工智能應用研究領域間的集成。人工智能應用研究領域之間并不是彼此獨立，而是相互促進，相互完善，它們可以通過集成擴展彼此的功能和應用能力。例如自然語言理解與專家系統、機器人的集成，為專家系統和機器人提供了新的知識獲取途徑。三是人工智能的研究和應用出現了許多新的領域，它們是傳統人工智能的延伸與擴展，這些新領域有分布式人工智能與Agent、計算智能與進化計算、數據挖掘與知識發(fā)現以及人工生命等[24]，這些發(fā)展與應用蘊藏著巨大潛能，必將對教育產生重要的影響。

技術發(fā)展不斷發(fā)揮著引導教育技術研究的作用，一種新興技術的出現總是會掀起相應的研究熱潮, 引發(fā)對技術在教育中應用的探討、評價以及與傳統技術的對比。[25] 人工智能作為一門交叉的前沿學科，雖然在基本理論和方法等方面存在著爭論，但從其研究成果與應用效果來看，有著廣闊的應用前景，值得進一步的開發(fā)和利用。

參考文獻

[1] 史忠植,王文杰.人工智能[M].北京:國防工業(yè)出版社,2007:1.

[2][11][18][19] 《計算機與信息科學十萬個為什么》叢書編輯委員會,計算機與信息科學十萬個為什么(8):人工智能[M].北京:清華大學出版社,1998:5,189,78-79,84.

[3] 任友群,胡航.論學習科學的本質及其學科基礎[J].中國電化教育,2007,(5):1-5.

[4][21] 蔡瑞英,李長河.人工智能[M].武漢:武漢理工大學出版社,2003:12-13.

[5][12][15][20][24] 蔡自興,徐光.人工智能及其應用(第三版)――研究生用書[M].北京:清華大學出版社,2007: 12-14,19-20.

[6] [荷]山尼•戴克斯特拉,[德]諾伯特•M. 西爾,[德]弗蘭茲•肖特,等.任友群,鄭太年主譯.教學設計的國際觀第2冊:解決教學設計問題[M].北京:教育科學出版社,2007:67.

[7] 任友群.技術支撐的教與學及其理論基礎[M].上海:上海教育出版社,2007:42-43.

[8] 路利娟.應用專家系統提升現代遠程教育的智能化[J].中國教育技術裝備,2007,(12):79-80.

[9] 陳懇,楊向東,劉莉等.機器人技術與應用[M].北京:清華大學出版社,2007:6.

[10] 關注機器人幼兒教育――訪鮑青山博士[DB/OL].

[13] 柏宏權,韓慶年.機器學習在適應性教學系統中的應用研究[J].南京師范大學學報(工程技術版),2007,7(4):76-79.

[14] 楊健,趙秦怡.基于案例的推理技術研究進展及應用[J].計算機工程與設計,2008,29(3):710-712.

[16] 自然語言理解[DB/OL].

[17] 賈積有.人工智能技術的遠程教育應用探索――“希賽可”智能型網上英語學習系統[J].現代教育技術,2006,16(2):26-29.

[22] Erin Shaw, W. Lewis Johnson, and Rajaram Ganeshan, Pedagogical Agents on the Web[DB/OL].

篇8

關鍵詞:智能技術;系統配置;故障診斷;

Abstract：This paper expounds the application of intelligent technology in elevator control system, including intelligent control and intelligent power grid, which can optimize the system configuration of elevator, improve the quality of fault diagnosis and enhance the efficiency of line processing.

0 引言

電梯控制系統是電梯運載的有機組成部分，能夠切實保障電梯得到平穩(wěn)、安全、有效的運行。我國傳統的控制系統主要是通過繼電器對電梯進行控制的。雖然能夠實現較為簡單的邏輯功能，然而卻存在諸多的問題和弊端。而在電梯智能化發(fā)展的背景下，智能技術能夠充分地融入控制系統中，使電梯的安全系數得到有效提升。

1 電梯的基本結構與運行原理

電梯是種垂直運送貨物和人的輸送設備，根據運行速度可分為低速電梯、快速電梯、高速電梯等三種。主要有層站部分、轎廂部分、底坑部分、井道部分、機房部分等部分組成。其操作系統具體包括拽引系統、導向系統、轎廂系統、門系統、平衡系統、拖動系統、控制系統、保護系統等部分。其中控制系統的基本功能是實時控制和操縱電梯運行，通常由選層器、平層裝置、控制屏、顯示裝置、操縱裝置等裝置構成。在電梯運行的過程中，需要乘客通過按鈕發(fā)送指令信號，并由控制系統為乘客呼叫電梯。當電梯處于啟動狀態(tài)時，各層轎門和廳門會處于閉合狀態(tài)，電梯轎廂內的關閉按鈕要想實現關門任務，就需要電梯控制系統通過向減速控制裝置和加速控制裝置分別輸入信號，從而使電梯根據實際情況，處理關門任務。而在電梯到達指定樓層后，電梯會根據電梯內的重量變化，確定乘客是否離開電梯，隨后調整電梯門閉合時間，再執(zhí)行呼梯者所發(fā)出的質量。其所涉及的應用技術主要包括指紋識別、眼球識別、安全控制、安全保護、數字監(jiān)控、報警裝置等技術。

2 電梯控制系統中智能技術的類別

智能化電網。電梯控制系統電網具體包括功率分配、電器配置、系統設計等內容，如果電力系統出現問題，譬如缺乏反饋機制，將導致電梯難以實現安全運行的目的，嚴重者甚至會影響到乘客的生命安全。我國電梯工程已經應用了多種的信息化、智能化技術。如遺傳算法、模糊算法及神經網絡法等。其中模糊算法主要以模糊數學為抓手，借助隸屬度、模糊集等方程構建電梯控制系統平臺的模糊系統。而自適應算法能夠通過分析電梯控制系統中的空間狀態(tài)或狀態(tài)空間，自適應電梯內的某種特征，使該特征可以在電梯運行中出現特定的變化。通常來講，將模糊算法與自適應算法相結合，可以形成模糊自適應算法。而遺傳算法可以模仿生態(tài)空間中的群體變異、競爭的關系，通過差分進化的方式，降低自身的復雜性，使數據收集、挖掘及整理過程更加智能。最后是神經網絡，神經網絡能夠通過模擬人類神經元的方式，構建多層的神經網絡系統，使數據分析過程更加靈活、智能。在電梯故障排查中，可通過輸入故障數據的方式，使控制系統能夠快速地分析故障的類型，提高電梯的穩(wěn)定性。

智能化控制。智能化控制是電梯控制系統中智能技術的第二大類型。主要包括“處理單元”與“系統應用”兩大組成內容。首先是處理單元。處理單元主要指智能算法硬件化，即“片上系統”。在智能算法應用的過程中，程序需要占據CPU大量的內存，且運行時間較長，如果將算法進行“硬件化”，將會提高CPU的利用率，優(yōu)化系統運行速度和時間，也能在某種程度上，降低系統功耗，提高系統運作的實效性和有效性?，F階段，我國應用在電梯控制系統中的智能化單元主要有硬件單元和軟件單元兩種，其中軟件單元主要指固定流程、算法軟件的程序包，需要技術人員設置訪問接口，以便于開發(fā)者進行相應的調用。而在軟件單元的層面上，軟件單元需要技術人員設置相應的電器接口，如總線接口、電源接口等。但根據相關研究發(fā)現，智能化單元的應用程度相對較低，需要我國相關學者及專家提高對此方面的重視。其次是操作系統。操作系統能夠為電梯處理器或CPU“并行處理”各類任務奠定基礎，可以使PC指針與處理器在各類任務中進行“自由切換”。通常來講應用在工業(yè)領域的操作系統主要有Linux、Windows、Frertos、Ucos等系統，但Linux與Windows較為龐大，難以應用在電梯操作系統中，但Ucos、Frertos等系統程序簡潔、體積較小可以嵌入在單片機與處理器中，提升電梯控制系統的智能化水平。現階段，我國電梯控制系統還主要以邏輯控制型電梯為主，部分電梯系統能夠集成簡單的計算機操作系統，譬如ucos系統。電梯控制系統在搭載控制系統后，能夠幫助開發(fā)者提升人機交互的便捷性、任務處理的實效性。而在未來科技快速發(fā)展的背景下，更多地操作系統將被廣泛應用在電梯控制系統中。

3 智能技術在電梯控制系統中的應用

在綜合探究電梯控制系統中智能技術的類型后，我們能夠初步地了解智能技術的應用方向和應用途徑。譬如智能化電網是以電力系統智能化為抓手，融入故障診斷系統、電力優(yōu)化系統、故障自適應性等內容，可以切實減少電梯故障的發(fā)生概率。而智能化控制主要從控制單元與操控系統等角度出發(fā)，提高電梯控制系統的智能化水平。然而在智能技術的具體應用中，我們需要從以下角度出發(fā)。

節(jié)能環(huán)保技術。（1）小機房電梯。由于小機房井道與面積截面相同，通常為傳統機房的一半。能夠憑借永磁同步拽引機、驅動控制技術，降低機房的建筑面積。（2）在神經網絡、模糊邏輯、專家系統等智能技術的支持下，電梯控制系統能夠通過控制輸出功率的大小，減小電梯運行的時間，降低能源消耗的程度。（3）在變壓驅動控制與同步曳引機的支持下，電梯轎廂風扇、電燈能夠獲得自動停止、熄滅的功能，可以切實減少電梯運行所耗費的電能。譬如在操縱箱、電梯層站難以為乘客提供相關服務的時候，內部的電燈會自動熄滅。（4）在神經網絡技術的支持下，電梯能夠根據電梯運行時間、荷載重量及乘客數量，自動調整運行功率，即在大荷載或電梯乘坐高峰期，電梯會自動提高輸出功率，盡量滿足乘客的乘梯需求，而當荷載量小時，電梯則會降低運行速度和輸出功率。

數字電梯技術。在現代科技快速發(fā)展的過程中，電梯控制系統能夠將傳統的數字電路發(fā)展為模擬電路，通過軟件驅動代替硬件驅動的方式，優(yōu)化電梯的運行過程，滿足乘客乘坐電梯的基本需求。（1）數字化電梯技術在應用過程中，需要實現多媒體數據傳播的功能，能夠將模擬信號轉變?yōu)閿底中盘?，提升電梯運行中網絡數據、電信數據傳播的質量。（2）研發(fā)人員需要利用數字電梯技術整合各類電梯技術，使電梯控制系統在聯網的前提下，豐富電梯固有的功能體系。譬如用戶人臉識別功能、安全控制功能、數字監(jiān)控功能、遠程報警功能等。（3）研發(fā)人員還應利用數字電梯技術實現各類智能服務功能。如語音導航、乘客引導、智能宣傳等。其中智能宣傳主要指通過人臉識別的方式，宣傳針對性較強的商業(yè)推廣信息。

模糊控制技術。模糊控制技術能夠在智能化電網中發(fā)揮出難以替代的功能和作用，可以提高電梯運行的安全系數，提高故障檢測的實效性。而在電梯運行的過程中，模糊控制技術還能發(fā)揮出突出的優(yōu)勢和作用。通常來講電梯在運行的過程中擁有不確定性和復雜性的特征，通常會出現各類突發(fā)狀況和問題。為切實提升電梯整體的穩(wěn)定性，研發(fā)人員需要通過模糊控制技術的“自主學習”，來提升電梯運行的基本性能。使電梯能夠規(guī)避各類干擾因素，提高垂直運行的質量。在具體的應用過程中，研發(fā)人員還需要使電梯控制系統擁有信息收集、數據分析、智能處理等功能。即通過收集電梯在運行過程中所產生的各類數據，明確問題類型及運行調整方向。此外，電梯控制系統還需要將各類智能調節(jié)、自動調節(jié)技術融入其中，如緩沖、限速及緊急制動等技術。

4 結語

將智能技術充分應用在電梯控制系統中，能夠切實提升電梯運行的智能化水平，增強電梯運行的安全性與舒適性。然而在智能技術應用的過程中，我們需要從電梯控制系統中的智能技術類型出發(fā)，對其進行整體地了解，隨后從電梯使用，運行的層面，探究智能技術的應用方向和方法，才能切實發(fā)揮智能技術在電梯控制系統中的應用價值。

參考文獻

篇9

關鍵詞：遠端；電力；監(jiān)控系統；開發(fā)

1 前言

一般的電力監(jiān)控系統主要是結合電腦、攝像頭、控制等技術，完成用電情況的監(jiān)測、分析用電設備的運轉維護、控制、保護等功能。借助自身高度自動化的運作，可以依據及時且精確的資料做適當的處理動作，節(jié)省不必要的電力損失及減少人力維護成本，進而提升用電設備的運轉品質，增加系統穩(wěn)定性與節(jié)省電費支出的效果。

網絡技術近年來發(fā)展迅速，網絡環(huán)境也從以前單一的封閉環(huán)境發(fā)展成為開放式的網絡環(huán)境，監(jiān)控系統也由區(qū)域網絡封閉式的機房，進而發(fā)展為可同時在不同地點進行網絡監(jiān)控，甚至不同形態(tài)的設備狀態(tài)都可以通過網絡進行監(jiān)控。本研究預期運用通用網絡瀏覽器的界面方式作為本系統的使用者界面，可預期本系統可將用電設備的用電狀態(tài)借助網絡監(jiān)控來了解，并具有無所比擬的優(yōu)勢。

2 遠端電力監(jiān)控系統的軟硬件架構

目前在個人電腦使用中最為普遍的操作系統不外乎是微軟的視窗系統。相對于其他操作系統，視窗系統具有較多的應用軟件和通訊界面的支援，并且在視窗操作系統中，開發(fā)圖形界面的軟件應用較為簡便，可以縮短產品開發(fā)時間，增加市場競爭力，所以本研究開發(fā)的網絡電力監(jiān)控系統預期將以視窗系統作為操作平臺。并通過VB程序語言開發(fā)人機界面來連接控制主機，通過RS-485通訊界面對多功能電表及控制器讀取用電參數或設備狀態(tài)，將其存入后端電腦資料庫，作為電力資料分析的來源。

本研究的系統設計是以市場導向為設計上的考量，利用智能型多功能電表監(jiān)測用電情形，并將整形多功能電表裝置加入用戶的各電源接口，利用RS-485通訊界面將三相電壓均方根值、電流均方根值、實功率、需功率、功率因數等用電數據傳回主機并存入資料庫；對于用電設備的諧波分析功能，則將通過主機讀取電壓、電流等波形進行分析。需量控制方面也是通過RS-485界面，理論上，系統可裝備256臺遠端的控制器，每臺控制器可以對多臺機械設備做個別的狀態(tài)讀取。

對于人機圖控軟件規(guī)劃，則利用資料收集系統隨時將用電資料由電表讀出并寫入資料庫，另外使用者可以通過手動輸入或修改每月用電最高需量及電價。其中，電表讀取的資料可以用來做短期負載預測、斜坡等電力品質分析，而最高需量分析的資料可用來計算并預期最佳合同容量。短期負載預測結果輸出則可以配合該時段簽訂的合同容量，當作需量控制的輸入參數，對可以控制的用電設備進行用電排程控制。

本研究中使用的多功能電表須具有量測各種電力參數，如量測三相電壓、電流有效數值及提供總功率、功率因數、總瓦時數、頻率等參數，并同時具有對外通信的界面。目前比較普遍型的智能型電表都是以工廠或是建筑大樓用電的自動化為設計基礎，基本功能都可量測超過200種以上的電力參數，并可以做狀態(tài)偵測及控制輸出。在電力參數量測的部分，可以連接至單相、三相三線式或是三相四線式的系統；電表本身可以做狀態(tài)偵測及輸出控制使用。數字輸入點可偵測斷路器或接地故障等狀態(tài)，并可以警報輸出及進行最高需量控制等工作，使用者也可以選擇加裝類比輸出或輸入模塊以執(zhí)行特殊功能。輸出模塊也可以配合電表內的Real Time Clock，可以做計時控制、事件記錄、趨勢記錄等有關時間方面的工作。一般使用者則可以在電表面盤上讀取設備用電的電力參數，也可以通過通訊界面，由個人電腦讀取，其通訊界面為RS-485或RS-232，或者采用一般工業(yè)上普遍使用的MOD-BUS通訊協定，也課余可編程控制器等整合于統一系統之內。

紫銅整體的網絡結構必須相當明確，每一個系統中的組成也必須能夠相互配合，這樣才能夠將系統的網絡效能發(fā)揮到極致，并且達到能夠多工多人監(jiān)控的目的。遠端電力監(jiān)控系統架構也就是應用分散式系統的架構概念，每項工作均由不同電腦分開處理。Web Server本身僅控制基本客戶端請求與回應，因而在開發(fā)新系統時應減少系統復雜度，并將資料庫與網絡服務器分開。

3 系統應用與討論

本文所開發(fā)的監(jiān)控系統中包含有資料收集、電能分析模塊、遠端網絡連線模塊等，電力監(jiān)控系統中包含了最佳合同容量分析計算、短期負載預測、諧波分析與負載管理等。資料收集模塊包含了電腦通訊、資料庫架構與分析等等，在最佳合同容量計算部分則采用電力公司高壓電力時間電價結構。對于短期負載部分將采用目前大部分研究采用的類神經網絡分析的方法。因而，進入監(jiān)控系統界面，即可經由網絡讀取所有電力使用的信息，包括電壓、電流、功率因素、有效功率、無效功率及有效能量等。具體來看，包括如下應用方面。

一是功率因數控制追蹤及設定。對于時間電價用戶而言，基本電費為電力公司的各時段合同容量的費用支出，即不同時段的合同千萬數乘以個別時段的合同電價綜合。超約附加費用戶在不同時段的用電最高需量超出合同容量部分的罰金計算為：超過合同容量10%以下部分以兩倍基本電費計算，超出合同容量10%以上部分則以三倍基本電費計算。功率因數調整費的目的是為了提高電力設備及線路利用率，本系統可以周期性的追蹤使用電力功率因數的變化，并借助功率因數上下限的設定來決定投入電容的數目，以提升功率因數。二是提供電能監(jiān)控系統資料庫。資料庫及儲存資料的倉庫，然而當資料過于龐雜時，則需要將資料分類再儲存，這也就是資料表。資料庫內必須有一個以上的資料表，資料表內必須設定欄位，每個欄位必須設定儲存的資料形態(tài)，因而統一資料表的每筆資料必然有可比較的特性。為了應對長時間應用電力負載與節(jié)能控制系統，系統中建立了類神經網絡培訓程序，使用者可以定期利用歷史負載資料來加以培訓學習，確保系統在環(huán)境的不斷變化下，負載數據依然能夠具有較高度的準確率。

參考文獻

[1]周永華.關于居民小區(qū)供配電設計若干問題探討[J].民營科技，2009（2）.

[2]劉健，徐洪.電力監(jiān)控系統在電力生產中的應用[J].華電技術，2009（5）.

篇10

關鍵詞：路徑規(guī)劃；條件適應；遺傳算法；人工勢場算法

中圖分類號：TP242 文獻標識碼：A 文章編號：1009-3044（2016）17-0174-03

Abstract： There are variety of solutions of Robot path planning， such as the algorithm called artificial potential field algorithm， which simulation the potential form physics concept and genetic algorithm. But some limitations with these algorithm， which only gets the best result under certain conditions. So it is necessary for us to use one algorithm under the conditions match it best， by which every algorithm can work more effective.

Key words： path planning； condition match；genetic algorithm； artificial potential algorithm

為了更加深入的學習多智能體系統，開創(chuàng)了RoboCup項目，即機器人世界杯。近幾年來，機器人足球的國際賽事越來越普及。RoboCup是其中影響最大的。而路徑規(guī)劃問題又是RoboCup3D項目中的一個熱點研究領域。所謂路徑規(guī)劃，就是在仿真環(huán)境中找到一條從起點到終點的最優(yōu)，即最短路徑。不僅要考慮到路徑長度，還要考慮到障礙物的干擾。這樣，路徑規(guī)劃問題就涉及了實時避障問題，這兩個問題是反映智能雙足機器人的自主能力的關鍵性問題。如何在各種復雜的環(huán)境中找到無碰撞的最優(yōu)路徑本身就是一個高度智能的過程。基于此問題的算法近年來也是層見疊出，新的算法和對傳統算法的改進算法不斷涌現出來。有以模擬退火算法，人工勢場算法和模糊邏輯算法為代表的傳統算法；還有圖形化的算法，如C空間圖形法，自由空間法，以及柵欄法；而最新研究的智能仿生學算法從生物處的得到啟示，從蟻群覓食中得到的蟻群算法，從動物神經網絡行為中學到的神經網絡算法，還有模擬達爾文遺傳選擇和自然淘汰的遺傳算法。以上的每種算法都有其優(yōu)缺點，柵欄算法在一定的條件下可以得到最優(yōu)解，但是解的質量取決于柵欄大小的選擇，柵欄越小，所需要的儲存空間也更大。而可視圖法每經過一定周期，就需要重新計算路徑，尋找效率較低，以上兩種方法求得的路徑為折線，不適于機器人的運動控制；人工勢場算法雖然克服了上述算法的缺點，但是存在局部最優(yōu)解的問題，即規(guī)劃路徑非全局最優(yōu)。而發(fā)展火熱的智能仿生學算法卻因為其需要大量的存儲空間以及相當高的時空復雜度而不能在實時避障問題中大顯身手，還需要我們不斷地研究發(fā)展才能應用到實際問題中。既然每種算法都有其適用范圍和不適用范圍，那我們可以就環(huán)境條件進行分類，在每種環(huán)境下使用其適用的算法，可以讓每種算法的缺點得到最大程度的縮小，而優(yōu)點得到充分放大。本文就采用能夠得到全局最優(yōu)解的遺傳算法和存在局部最優(yōu)問題的人工勢場算法。兩種方法結合，在RoboCup3D的仿真平臺上測試。3D仿真平臺是采用C/S模式設計的機器人足球比賽平臺，平臺實現對真實的物理三維世界模型的模擬，該系統主要用于研究服務器的通信，基本動作及決策系統，對球員的感知等基本功能模塊。

1 遺傳算法

1.1遺傳算法路徑規(guī)劃的具體方法

遺傳算法（Genetic Algorithm，GA）啟發(fā)于自讓進化的模型， 是一種在自然選擇和遺傳基礎上發(fā)展來的全局優(yōu)化算法。編碼、適應度函數、初始群體、控制參數和遺傳操作過程是遺傳算法的五個基本要素；而遺傳操作又包括選擇、交叉復制、變異。

障礙物的描述：

在綜合考慮障礙物的搜索范圍和搜索效率等條件的情況下，以機器人的起始點S與目標點D的連線長度|SD|為長，以|SD|/2位寬確定障礙物區(qū)域α，則區(qū)域α為障礙物搜索范圍。用集合Obstacle{}表示障礙物集合，元素為On，如第一個元素為O1，第二個元素為O2。且α內On的表示為On（xn，yn）∈α，其中xn和yn分別為第n個元素在球傳平面的橫坐標和縱坐標。

將區(qū)域α的長分為m+1等分，寬分為n+1等分，這樣α內就有了m*n個路徑點，在每一條平行于寬線的線（我們暫且稱之為橫線，m條）上有n個路徑點，在每一條橫線上取一個路徑點，這樣便形成了一條由各個橫線上的路徑點連成的一條路徑線β，我們這樣表示β：

其中Ln表示從開始點S開始第n條橫線上的一個路徑點P，xn、yn表示相應的二維坐標。

1.2建立啟發(fā)函數

啟發(fā)函數關系到遺傳迭代的方向，在最優(yōu)路徑的規(guī)劃中，我們要考慮到路徑長短，距離障礙物距離以及路徑平滑度三個因素。

路徑長度啟發(fā)函數為：

[f1=|LiLi+1|] （其中i從1到m-1）