人工智能在电力系统中的应用

人工智能孟安波第1页第一章概述人工智能是那些与人思维有关活动，诸如决策、问题求解和学习等自动化(Bellman,1978）；人工智能是一种计算机能够思维，使机器具有智力激感人心新尝试（Haugeland,1985）；人工智能是那些使知觉、推理和行为成为也许计算研究（Winston,1992）；人工智能是有关人造物智能行为，而智能行为包括知觉、推理、学习、交流行为（Nilsson，1998）。像人同样思考系统、像人同样行动系统、理性地思考、行动系统（StuartRussell,2023）。1.1人工智能定义第2页1.2人工智能研究途径与研究领域专家系统(ExpertSystems)人工神经网络(ArtificialNeuralNetworks)含糊逻辑(FuzzyLogic)进化算法(如：遗传算法GeneticAlgorithm,粒子群SwarmParticle,禁忌搜索TabuSearch,模拟退火算法SimulatedAnnealing,)多智能体系统(Multi-agentsystem)

心理模拟，符号推演生理模拟，神经计算行为模拟，控制进化群体模拟，仿生计算第3页1.3人工智能在电力系统应用领域机组启停UnitCommitment维护计划Maintenancescheduling负荷预测LoadForecasting发电控制与保护Generationcontrolandprotection时尚优化OptimalPowerFlowAnalysis电力系统安全分析SecurityAnalysis电力系统稳定分析StabilityAnalysis无功优化分派Vardispatchandplanning控制优化Optimizationofself-adaptivecontrol第4页继电保护Relayingprotection经济调度Economicdispatch变电所运行控制Substationswitchingandcontrol系统恢复供电Systemreconfigurationandrestoration电力质量控制PowerqualityControl系统设计优化SystemDesignOptimization电力规划planningforelectricPower电气设备故障诊断Faultdiagnosisforelectricfacilities1.3人工智能在电力系统应用领域第5页第二章神经网络及其在电力系统中应用

人工神经网络是集脑科学、神经心理学和信息科学等多学科交叉研究领域，是近年来高科技领域一种研究热点。它研究目标是通过研究人脑组成机理和思维方式，摸索人类智能奥秘，进而通过模拟人脑构造和工作模式，使机器具有类似人类智能。它已在模式识别、机器学习、专家系统等多种方面得到应用，成为人工智能研究中活跃领域。本章将简要介绍神经网络基本概念、模型以及学习算法以及应用实例。第6页2.1神经网络基本概念及组成特性

神经元及其突触是神经网络基本器件。因此，模拟生物神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“处理单元”。有时从网络观点出发常把它称为“节点”。人工神经元是对生物神经元一种形式化描述。神经元主要由三部分组成：（1）细胞体;（2）轴突;（3）树突第7页2.2人工神经网络特性

高度并行性

ANN是由许多相同简单处理单元并联组合而成，虽然每个单元功能简单，但大量简单处理单元并行活动，使其对信息处理能力与效果惊人。高度非线性全局作用

ANN每个神经元接收大量其他神经元输入，并通过并行网络产生输出，影响其他神经元。网络之间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非线性映射。从全局观点来看，网络整体性能不是网络局部性能简单迭加，而体现出某种集体性行为。良好容错性与联想记忆功能

ANN通过本身网络构造能够实现对信息记忆。而所记忆信息是存放在神经元之间权值中。从单个权值中看不出所储存信息内容，因而是分布式存放方式。这使得网络具有良好容错性，并能进行聚类分析、特性提取、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。十分强自适应、自学习功能

ANN能够通过训练和学习来取得网络权值与构造，展现出很强学习能力和对环境自适应能力。第8页2.3人工神经网络学习办法

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种“教师”，他可对给定一组输入提供应有输出成果，这组已知输入-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差值（误差信号）来调整系统参数非监督学习（无教师学习）环境教师学习系统输入盼望输出实际输出误差信号第9页2.3人工神经网络分类

前向网络中，各神经元节点接收前一层输出信号，并将本层输出作为下一层输入，其特点是信号流向是从输入流向输出。在ANN实际应用中，80％～90％ANN模型是采取BP网络或它变化形式，它也是前向网络关键部分、体现了ANN精髓部分。

前向神经网络第10页2.3人工神经网络分类

反馈神经网络…………输出输入反馈网络中，输出信号通过与输入连接而返回到输入端，从而形成一种回路。在前向网络中，有单层感知器、自适应线性网络和BP网络。在反馈网络中，有离散型和连续型霍普菲尔德网络。第11页2.4BP神经网络

2.4.1BP神经网络概述

BP网络神经网络是目前应用最为广泛和成功神经网络之一。它是在1986年由Rumelhant和McClelland提出一种多层网络“逆推”学习算法。其基本思想是，学习过程由信号正向传输与误差反向传输两个过程组成。正向传输时，输入样本从输入层传入，经隐层逐层处理后传向输出层。若输出层实际输出与盼望输出不符，则转向误差反向传输阶段。误差反向传输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所有单元，从而取得各层单元误差信号，此误差信号即作为修正各单元权值根据。这种信号正向传输与误差反向传输各层权值调整过程是周而复始地进行。权值不停调整过程，也就是网络学习训练过程。此过程始终进行到网络输出误差减少到能够接收程度，或进行到预先设定学习次数为止。

第12页2.4.2BP神经网络应用领域函数逼近：用输入矢量和对应输出矢量训练—个网络逼近一种函数；模式识别：用一种特定输出矢量将它与输入矢量联系起来；分类：把输入矢量以所定义合适方式进行分类；数据压缩：减少输出矢量维数方便于传输或存放。2.4BP神经网络第13页2.4.3BP网络模型与构造BP网络具有一层或多层隐含层，其主要差异也体现在激活函数上BP网络激活函数必须是处处可微，BP网络经常使用是S型对数或正切激话函数和线性函数W1B1F1W2B2F2PA1ikjs1xrA2s1x1s2x1s2xs1s1xqs2xqrxq112.4BP神经网络第14页2.4.4BP神经网路几个常见激活函数

阀值型A-101fA-101-bf不带偏差阀值型激活函数带偏差阀值型激活函数

2.4BP神经网络第15页2.4.4BP神经网路几个常见激活函数

线形型不带偏差线性激活函数带偏差线形型激活函数

2.4BP神经网络A-101fA-101f-b第16页2.4.4BP神经网路几个常见激活函数

2.4BP神经网络A-101fA-101f对数S型激活函数

双曲正切S型激活函数

对数S型函数关系为：双曲正切S型函数关系：

Sigmoid型第17页2.4.5BP网络学习2.4BP神经网络BP算法学习目标是对网络连接权值进行调整，使得调整后网络对任一输入都能得到所盼望输出。学习过程由正向传输和反向传输组成。正向传输用于对前向网络进行计算，即对某一输入信息，通过网络计算后求出它输出成果。反向传输用于逐层传递误差，修改神经元间连接权值，以使网络对输入信息通过计算后所得到输出能达成盼望误差要求。第18页2.4.5BP网络学习2.4BP神经网络设输入为P，输人有r个，隐含层内有s1个神经元，激话函数为F1，输出层内有个s2神经元，对应激活函数为F2，输出为A，目标矢量力T。kji隐含层输出层输入层第19页2.4.5BP网络学习2.4BP神经网络1、信息正向传递（1）隐含层中第i个神经元输出为：

（2）输出层第k个神经元输出为

（3）定义误差函数为：第20页2.4.5BP网络学习2.4BP神经网络1、误差反向传输（1）输出层权值变化：

对从第i个输入到第k个输出权值有：其中：：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；：神经网络实际输出；：输出层神经元传递函数导数；：误差；第21页2.4.5BP网络学习2.4BP神经网络1、误差反向传输（2）输出层阀值变化：其中：！注意：输出层权值变化与输出层阈值变化差异第22页2.4.5BP网络学习2.4BP神经网络1、误差反向传输（3）隐含层权值变化：

对从第j个输入到第i个输出权值有：其中：（4）隐含层阈值变化：第23页2.4.6BP网络限制与不足及改善2.4BP神经网络1不足需要较长训练时间对于某些复杂问题，BP算法也许要进行几小时甚至更长时间训练。这主要是由于学习速率太小所造成。可采取变化学习速率或自适应学习速率加以改善。完全不能训练这主要体现在网络出现麻痹现象上。在网络训练过程中，当其权值调得过大，也许使得所有或大部分神经元加权总和偏大，这使得激活函数输入工作在S型转移函数饱和区，从而造成其导数非常小，从而使得对网络权值调整过程几乎停顿下来。通常为了避免这种现象发生，一是选用较小初始权值，二是采取较小学习速率，但这又增加了训练时间。第24页2.4.6BP网络限制与不足及改善2.4BP神经网络1不足局部极小值BP算法能够使网络权值收敛到一种解，但它并不能确保所求为误差超平面全局最小解，很也许是一种局部极小解。这是由于BP算法采取是梯度下降法，训练是从某一起始点沿误差函数斜面逐渐达成误差最小值。对于复杂网络，其误差函数为多维空间曲面，就像一种碗，其碗底是最小值点。不过这个碗表面是凹凸不平，因而在对其训练过程中，也许陷入某一小谷区，而这一小谷区产生是一种局部极小值。由此点向各方向变化均使误差增加，以致于使训练无法逃出这一局部极小值。第25页2.4.6BP网络限制与不足及改善2.4BP神经网络1改善增加动量项

标准BP算法在调整权值时，只按t时刻误差梯度下降方向调整，而没有考虑t时刻此前梯度方向。为了提升训练速度，能够在权值调整公式中加一动量项，其中a为动量系数：动量项反应了此前积累调整经验。当误差梯度出现局部极小时，虽然但，使其跳出局部极小区域，加快迭代收敛速度。目前，大多数BP算法中都增加了动量项，以至于有动量项BP算法成为一种新标准算法。第26页2.4.6BP网络限制与不足及改善2.4BP神经网络1改善可变学习速度反向传输算法

（1）假如平方误差（在整个训练集上）在权值更新后增加了，且超出了某个设置百分数（典型值为1%～5%），则权值更新被取消，学习速度被乘以一种因子（0<<1），并且动量系数（假如有话）被设置为0。

（2）假如平方误差在权值更新后减少，则权值更新被接收，并且学习速度将乘以一种大于1因子。假如动量系数过去被设置为0，则恢复到此前值。第27页2.4.6BP网络限制与不足及改善2.4BP神经网络1改善引入陡度因子——避免饱和

误差曲面上存在着平坦区。其可预付调整迟缓原因在于S转移函数具有饱和特性。假如在调整进入平坦区后，设法压缩神经元净输入，使其输出退出转移函数饱和区，就可变化误差函数形状，从而使调整脱离平坦区。实现这一思绪详细作法是在转移函数中引进一种陡度因子。

第28页2.5使用MATLAB神经网络工具箱MATLAB神经网络工具箱大大减少了开发多种神经网络应用难度。设计者只需要调用有关函数即可，甚至通过NNTOOL图形界面，不用编写一行程序，就可完成一种神经网络设计仿真。本节主要介绍NNTOOL图形工具，神经网络程序设计见2.6。

第29页2.5使用MATLAB神经网络工具箱第一步在MATLAB命令下打开nntool界面第30页2.5使用MATLAB神经网络工具箱第二步通过Import从工作空间或通过NewData手动输入训练样本第31页2.5使用MATLAB神经网络工具箱第三步点击newnetwork建立神经网络该页面用来建立神经网络构造，主要设置参数有：神经网络类型、训练函数、各层神经元数目及对应传递函数等第32页2.5使用MATLAB神经网络工具箱第四步设置训练参数点击train进入trainingparameters页设置训练参数，主要包括训练代数、允许误差、显示频度等。第33页2.5使用MATLAB神经网络工具箱第四步点击train进入trainingparameters页设置训练参数，主要包括训练代数、允许误差、显示频度等。第34页2.5使用MATLAB神经网络工具箱第五步训练已经建立好神经网络点击trainnetwork开始训练。训练过程会显示误差随代数变化。第35页2.5使用MATLAB神经网络工具箱第六步

仿真验证，进入simulate页,设置输入,点击simulatenetwork。第36页2.6神经网络在电力系统应用实例实例1：短期电力负荷预测实例2：变压器故障诊断第37页2.6.1实例1神经网络在负荷预测中应用问题描述以广东某都市2023年7月20日到7月30日负荷值以及2023年7月21日到7月31日气象特性状态作为网络训练样本，来预测7月31日电力负荷为例第38页2.6.1实例1神经网络在负荷预测中应用日期7月20日7月21日7月22日7月23日7月24日7月25日电力负荷0.24520.22170.25250.20230.21150.23350.14660.15810.16270.11050.12010.13220.13140.14080.15070.12430.13120.15340.22430.23040.24060.19780.20230.22140.55230.51340.55020.50210.55320.56230.66420.53120.56360.52320.57360.58270.70150.68190.70510.68190.70290.71980.69810.71250.73520.69520.70320.72760.68210.72650.74590.70150.71890.73590.69450.68470.70150.68250.70190.75060.75490.78260.80640.78250.79650.80920.82150.83250.81560.78950.80250.8221气象特性—0.24150.23850.22160.23520.2542—0.30270.31250.27010.25060.3125—0010.50广东某地域7月20日—25日二十四小时电力负荷表第39页

2.6.1实例1神经网络在负荷预测中应用日期7月26日7月27日7月28日7月29日7月30日7月31日电力负荷0.23680.23420.21130.20230.21230.21190.14320.13680.12120.11210.12570.12150.16530.16020.13050.12070.13430.16210.22050.21310.18190.16050.20790.21610.58230.57260.49520.45560.55790.61710.59710.58220.53120.50220.57160.61590.71360.71010.68860.65530.70590.71150.71290.70980.68980.66730.71450.72010.72630.71270.69990.67980.72050.72430.71530.71210.73230.70230.74010.72980.80910.79950.77210.75210.80190.81790.82170.81260.79560.77560.81360.8229气象特性0.26010.25790.23010.22340.23140.23170.31980.30990.28670.27990.29770.2936000.5100广东某地域7月26日—31日二十四小时电力负荷表第40页2.6.1实例1神经网络在负荷预测中应用学习样本分析与处理在预测日前一天中，每隔2个小时对电力负荷进行一次测量，这样一天能够得到12组负荷数据，将前一天实时负荷数据作为网络样本数据;另外电力负荷还与环境原因有关，因此本例中还考虑了气温和天气。即最高、最低气温和天气特性，能够通过天气预报得到预测日最高、最低气温和天气特性(晴天、阴天、雨天)，能够用0、0.5、1分别表达晴天、阴天、雨天，将预测当天气象特性作为网络输入变量，这样输入变量P就是一种15维向量,即n=15；目标向量就是预测日当天12个负荷值，即输出变量T为一种12维向量，m=12。由于在输入数据中各类型数据大小、单位都不统一，这样大大增加了系统运算量、运算时间还减少了精度甚至也许使神经元趋于饱和不能继续运算。为了避免神经元饱和性,在确定输入和输出变量后,应对其进行归一化处理,将数据处理为一定范围之间。这样就减少了运算量，提升运算速度和时间。归一化方式很多，MATLAB中也有归一化函数可对数据进归一化和反归一化

第41页2.6.1实例1神经网络在负荷预测中应用2.确定网络构造第42页2.6.1实例1神经网络在负荷预测中应用2.确定网络构造MATLAB实现函数net=newff(minmax(P),[10,12],{‘tansig’,‘logsig’},‘trainlm’)含义：Newff:建立BP神经网络结构函数参数意思指该网络隐含层、输出层神经元数目分别为10个与12个；传递函数分别为正切S函数与对数S函数；训练函数选用增加动量项BP算法；minmax(P)指定输入样本范围，使得网络初始权值合理化。Net储存返回神经网络，注意此时神经网络还没有开始训练，只是指定了网络结构而已；注意输入是预测日头天历史负荷数据与预测日天气数据，而输出是预测日需要预测二十四小时负荷。第43页2.6.1实例1神经网络在负荷预测中应用3.设置训练参数训练网络前，必须设置训练参数，MATLAB神经网络设置训练参数示例如下：net.trainParam.show=10; 解释：每10代显示一次net.trainParam.lr=0.05; 解释：设置训练速率 net.trainParam.mc=0.9; 解释：

设置动量因子net.trainParam.epochs=100000;解释：

设置训练代数net.trainParam.goal=0.01;解释：

设置目标误差注意！上面net指是上一步已经建立好BP神经网络第44页2.6.1实例1神经网络在负荷预测中应用4.训练构建好神经网络利用MATLAB神经网络工具箱train函数即可对前面指定好网络构造与训练参数神经网络进行训练，train函数调用格式如下：Net=Train(net,P,T)解释：P表达训练样本输入矢量；T表达训练样本输出矢量，为训练目标；右边参数net指得尚未开始训练神经网络，左边变量net指得练好神经网络保存位置第45页2.6.1实例1神经网络在负荷预测中应用5.仿真训练好神经网络利用MATLAB神经网络工具箱sim函数即可对使用train函数训练好神经网络进行仿真，方便验证训练效果是否达成预期目标误差，sim调用格式如下：A=sim(net,P)解释：P表达训练样本输入矢量；参数net指得练好神经网络A指得是当训练好神经网络net取得输入P时实际输出得到实际输出A后，与训练样本目标输出T相比较，即可得到误差第46页2.6.1实例1神经网络在负荷预测中应用5.仿真过程与成果下面是采取增加动量项BP算法训练函数traingdm、隐层为10个神经元预测成果。左边是训练过程误差曲线，横坐标是训练代数，纵坐标是误差，该曲线是训练过程中自动产生；右边是实际输出与目标输出负荷曲线,横坐标是小时，纵坐标是负荷，注意负荷已经被正规化了。第47页2.6.1实例1神经网络在负荷预测中应用5.仿真过程与成果下面是采取自适应学习速率训练函数trainlm、隐层为10个神经元预测成果。左边是训练过程误差曲线，横坐标是训练代数，纵坐标是误差，该曲线是训练过程中自动产生；右边是实际输出与目标输出负荷曲线,横坐标是小时，纵坐标是负荷，注意负荷已经被正规化了。第48页2.6.1实例1神经网络在负荷预测中应用6.训练成果数据表

预测值实际值误差误差绝对值电力负荷0.22560.21190.01370.01370.16270.12150.04120.04120.10570.1621-0.05640.05640.22030.21610.00420.00420.51820.6171-0.09890.09890.54630.6159-0.06960.06960.70110.7115-0.01040.01040.73290.72010.01280.01280.69830.7243-0.02600.02600.74400.72980.01420.01420.80740.8179-0.01050.01050.82540.82290.00250.0025平均误差

0.0300第49页2.6.1实例1神经网络在负荷预测中应用7.主要源码%定义训练样本%P为输入矢量，T为输出目标矢量，注意样本组成。P=[0.24520.14660.13140.22430.55230.66420.70150.69810.68210.69450.75490.82150.24150.30270;

0.22170.15810.14080.23040.51340.53120.68190.71250.72650.68470.78260.8325

0.23850.31250;

0.25250.16270.15070.24060.55020.56360.70510.73520.74590.70150.80640.81560.22160.27011;0.20230.11050.12430.19780.50210.52320.68190.69520.70150.68250.78250.78950.23520.25060.5;0.21150.12010.13120.20230.55320.57360.70290.70320.71890.70190.79650.80250.25420.31250;0.23350.13220.15340.22140.56230.58270.71980.72760.73590.75060.80920.82210.26010.31980;0.23680.14320.16530.22050.58230.59710.71360.71290.72630.71530.80910.82170.25790.30990;0.23420.13680.16020.21310.57260.58220.71010.70980.71270.71210.79950.81260.23010.28670.5;0.21130.12120.13050.18190.49520.53120.68860.68980.69990.73230.77210.79560.22340.27991;0.20230.11210.12070.16050.45560.50220.65530.66730.67980.70230.75210.77560.23140.29770]‘T=[0.22170.15810.14080.23040.51340.53120.68190.71250.72650.68470.78260.8325;

0.25250.16270.15070.24060.55020.56360.70510.73520.74590.70150.80640.8156;0.20230.11050.12430.19780.50210.52320.68190.69520.70150.68250.78250.7895;0.21150.12010.13120.20230.55320.57360.70290.70320.71890.70190.79650.8025;0.23350.13220.15340.22140.56230.58270.71980.72760.73590.75060.80920.8221;0.23680.14320.16530.22050.58230.59710.71360.71290.72630.71530.80910.8217;0.23420.13680.16020.21310.57260.58220.71010.70980.71270.71210.79950.8126;0.21130.12120.13050.18190.49520.53120.68860.68980.69990.73230.77210.7956;0.20230.11210.12070.16050.45560.50220.65530.66730.67980.70230.75210.7756;0.21230.12570.13430.20790.55790.57160.70590.71450.72050.74010.80190.8136]'第50页2.6.1实例1神经网络在负荷预测中应用7.主要源码%创建一种新bp前向神经网络%newff--生成一种新bp前向神经网络net=newff(minmax(P),[10,12],{‘tansig’,‘logsig’},‘trainlm’)；%设置训练参数net.trainParam.show=10; %每10代显示一次net.trainParam.lr=0.05; %训练速率net.trainParam.mem_reduc=3; net.trainParam.mc=0.9; %动量因子net.trainParam.epochs=100000;%训练代数net.trainParam.goal=0.01; %目标误差第51页2.6.1实例1神经网络在负荷预测中应用7.主要源码%训练bp前向神经网络[net,tr]=train(net,P,T);

%仿真A=sim(net,P)％计算仿真误差E=T-A SSE=sse(E)第52页2.6.2实例2基于神经网络变压器故障诊断1.问题提出及处理方案电力变压器安全运行对确保供电可靠性具有主要意义，现有试验办法中，油中溶解气体(DGA)分析对设备早期潜伏性故障较为敏感。但一般采取几个分析办法都有缺陷，如特性气体分析法仅定性说明气体含量与对应故障关系，不利于诊断实现；IEC三比值法和日本改良电协研法均采取比值编码法，存在编码缺损等问题。因此，很有必要摸索一种更方便、更可靠诊断办法，以提升诊断正确率．由于神经网络(ANN)具有并行处理、学习和记忆、非线性映射、自适应能力和鲁棒性等固有性质，使其非常适合应用在电气故障诊断领域。为此，本实例针对变压器故障特点，研究采取合适构造和算法神经网络，用以实现变压器故障精确诊断。第53页2.6.2实例2基于神经网络变压器故障诊断2.变压器故障诊断ANN设计网络输入层节点数就是一种模式所包括特性量数。在油色谱分析领域中，基于油中溶气体类型与内部故障性质对应关系，以油中5种特性气体为根据判断变压器故障办法。其特性量为H2，CH{，C2H4，C2H2，C2H6，这样点数N为5网络输入层定，如图3所示。在对变压器故障识别时，变压器故障类型选择为：中低温过热、高温过热、低能放电和高能放电。当考虑正常情况也作为一种类型时。一种M为5节点网络输出层被确定。第54页2.6.2实例2基于神经网络变压器故障诊断2.变压器故障诊断ANN设计第55页2.6.2实例2基于神经网络变压器故障诊断3.变压器故障诊断训练样本第56页2.6.2实例2基于神经网络变压器故障诊断4.ANN网络训练与分析

在试验测试中，搜集了30组变压器样本，并随机取出20组样本用于神经网络训练，其他样本作为仿真。第57页2.6.2实例2基于神经网络变压器故障诊断5.结论神经网络诊断要比三比值法精确。通过改善学习训练算法，可在同等收敛要求下，取得较高精度假如输入模式与训练样本偏离较大，则网络也许得犯错误结论。这反应了网络不具有此种症状知识，因此，可将该样本作为新样本加入训练样本集训练网络，使之取得更多知识对溶解气体分析法存在问题，将人工神经网络应用于变压器故障诊断；根据变压器故障特点，采取了动量因子技术神经网络BP算法，使诊断网络具有较强学习能力、泛化能力和适应能力第58页第三章遗传算法及其在电力系统中应用3.1概述遗传算法基本思想是基于Darwin进化论和Mendel遗传学说。Darwin进化论最主要是适者生存原理。它以为每一物种在发展中越来越适应环境。物种每个个体基本特性由后裔所继承，但后裔又会产生某些异于父代新变化。在环境变化时，只有那些能适应环境个体特性方能保存下来。Mendel遗传学说最主要是基因遗传原理。它以为遗传以密码方式存在细胞中，并以基因形式包括在染色体内。每个基因有特殊位置并控制某种特殊性质。因此，由基因产生个体对环境具有某种适应性。基因突变和基因交叉可产生更适应于环境后裔。通过存优去劣自然淘汰，适应性高基因构造得以保存下来。由于遗传算法不依赖于被优化对象数学模型，不需要导数信息，属于全局多点随机搜索算法，因此，目前被广泛应用于多种复杂优化中。第59页3.2遗传算法特点与长处

（1）自组织、自适应和学习性。

（2）遗传算法按并行方式搜索一种种群数目标点，而不是单点。

（3）遗传算法不需要求导或其他辅助知识，而只需要影响搜索方向目标函数和适应度函数。

（4）遗传算法强调概率转化规则，而不是确定转换规则。

（5）遗传算法对给定问题能够产生出许多潜在解，最后选择能够由使用者确定第60页3.3生物进化理论和遗传学基本概念染色体——生物细胞中具有很多微小丝状化合物，它是遗传物质主要再体，由多种遗传因子——基因组成。个体——指染色体带有特性实体。如：人就是一种个体，人多种不一样特性能够用具有不一样遗传信息染色体体现，不一样染色体能决定人特性不一样特性。种群——染色体是带有特性个体集合称为种群。该集合内个体数称为群体大小。有时个体集合也称为个体群。如：人类就是一种种群，种群中由多种各样不一样性格，不一样外观特性人组成。第61页3.3生物进化理论和遗传学基本概念进化——生物在其延续生存过程中，逐渐适应其生存环境，使得其品质不停得到改良，这种生命现象称为进化。生物进化以种群形式进行。如：如人从猿人进化到今天富有智慧当代人，这一种过程就是进化过程。适应度——在研究自然界中生物遗传和进化现象时，生物学家使用适应度这个术语来衡量某个物种对于生存环境适应程度。对于生存环境适应程度较高物种将取得更高繁殖机会。而对于生存环境适应度较低物种，其繁殖机会就会较少，甚至灭绝。第62页3.3生物进化理论和遗传学基本概念选择——指决定以一定概率种群中选择若干个体操作。而一般而言，选择过程是一种基于适应度优胜劣汰过程。复制——细胞在分裂时，遗传物质DNA通过复制而转移到新生细胞中，新细胞继承了旧细胞基因。交叉——有性生殖生物在繁殖下一代时两个同源染色体之间通过交叉而重组，亦即在两个染色体某一相同位置处DNA被切断，其前后两串分别交叉组合形成两个新染色体。这个过程又称基因重组。第63页3.3生物进化理论和遗传学基本概念变异——在细胞进行复制过程中也许以很小概率产生某些复制差错，从而使DNA发生某种变异，产生新染色体，这些新染色体体现出来新性状。编码——DNA中遗传信息在一种长链上按一定模式排列，也即进行了遗传编码。遗传编码能够看作体现型到遗传子型映射。解码——从遗传子型到边现型映射。第64页3.4遗传算法基本操作1选择

选择是确定交叉或者交叉个体，以及被选个体将产生多少个子代个体。首先要计算适应度：（1）按百分比计算适应度，（2）基于排序适应度计算。个体染色体适应度选择概率累积概率1000110000080.0869570.0869572010111100150.0543480.1413043000000010120.0217390.16304341001110100100.1086960.2717395101010101070.0760870.34782661110010110120.1304350.4782617100101101150.0543480.53260981100000001190.2065220.73913091001110100100.1086960.847826100001010011140.1521741.000000轮盘赌选择

第65页3.4遗传算法基本操作2交叉

再生之后主要遗传操作交叉，在生物学上称为杂交，可视为生物之因此得以进化之所在,随机产生一种交叉点位置，父体1和父体2在交叉点位置之右部分基因码交换，形成子个体1和子个体2。类似地完成其他个体交叉操作。单点交叉父体1：0001/01011父体2：1110/10110子体1：1110/01011子体1：0001/10110个体间单点交叉第66页3.4遗传算法基本操作3变异

作用：假如只考虑交叉操作实现进化机制，在大多情况下是不行，这与生物界近亲繁殖影响进化历程是类似。由于种群个体数是有限，通过若干代交叉操作，由于源于一种较好祖先子个体逐渐充满整个种群额现象，问题会造成过早收敛，当然，最后取得个体不能代表问题最优解。为了避免过早收敛，有必要在进化过程中引入具有新遗传基因码发生了突变，这对于保持生物多样性是非常主要。实现：模仿生物变异遗传操作，对于二进制基因码组成个体种群，实现基因码小概率翻转，即达成变异目标变异父体1：000101011子体1：000001011变异操作第67页3.5遗传算法进化过程示意一般而言，一种世代简单进化包括了适应度选择和再生、交叉和变异操作。将上面所有种群遗传算法综合起来，初始种群第一代进化过程如下列图所示。初始种群通过选择操作，适应度较高8号和6号个体分别复制出2个，使硬度较低2号和3号遭到淘汰，接下来按一定概率选择了4对父个体分别完成交叉操作，在随机确定“/”位置实行单点交叉生成4对子个体。最后按小概率选中某个个体基因码位置，产生变异。这样通过上述过程形成了第一代种群。后来一代一代地进化过程如此循环下去，每一代结束都产生新种群。演化代数主要取决于代表问题解得收敛状态，末代种群众最佳个体作为问题最优近似解。第68页3.5遗传算法进化过程示意初始种群变异交叉选择、复制00011000000101111001000000010110011101001010101010（8）（5）（2）（1）（7）11100101101001011011110000000110011101000001010011（12）（5）（19）（10）（14）0001/1000001110/00101101100/00000110011101001010/1010101110/0101101001/0110111001/11010011000000010001/0100111110100000100100101101001000001100111010000011010100001010110111001101111001101001100000001101001001111101000001001001011010010000011001110100000110101000010101101110011011110111010011000000011010010011第69页3.6一种典型遗传算法流程框图N初始化参数停顿看待优化参数进行N位二进制编码初始化种群模型仿真，计算适应度用轮盘赌法选择个体，并保存适应度最佳10%个体按0.85交叉概率用单点交叉法进行交叉操作按0.01变异概率变异是否满足算法结束条件显示优化后成果开始Y解码第70页3.7MATLAB遗传算法工具箱使用

遗传算法工具箱MATLABGeneticAlgorithmToolbox意在提供设计允许遗传算法环境，和神经网络工具箱同样，遗传算法工具箱也提供了一套基于MATLAB函数供开发者使用，利用该工具箱，可大大节省开发时间。第71页3.7MATLAB遗传算法工具箱使用

遗传算法工具箱MATLABGeneticAlgorithmToolbox意在提供设计允许遗传算法环境，和神经网络工具箱同样，遗传算法工具箱也提供了一套基于MATLAB函数供开发者使用，利用该工具箱，可大大节省开发时间。第72页3.7MATLAB遗传算法工具箱使用一种典型遗传算法LIND=8;%染色体长度NVAR=2;%优化变量数目NIND=10;%种群数目GGAP=0.9;%代差，指得是上代最佳10%个体不参与下一代复制操作XOV=0.7;%设置交叉率MUTR=0.0175;%设置变异率MAXGEN=30;%优化代数%指定编码方式，变量范围，交叉方式FieldD=[LINDLIND;11;10001000;11;00;00;00];Chrom=crtbp(Nind,Lind*NVAR);

%创建初始化种群%计算适应度ObjV=objfun(bs2rv(Chrom,FieldD));

第73页3.7MATLAB遗传算法工具箱使用对FieldD解释FieldD=[LINDLIND;11;10001000;11;00;00;00];

解释：两列对应两个变量，上面设置含义指染色体长度为8；1-1000是变量范围，[1000]’指是二进制编码与单点交叉第74页3.7MATLAB遗传算法工具箱使用对Chrom=crtbp(NIND,LIND*NVAR)解释

解释：crtbp函数运行成果是产生由10个个体组成初始种群；其中每行表达一条染色体，即种群中一种个体，由于被优化变量为2个，每个变量编码长度是8，故每行由16位0、1组成随机字符串；一共10行表达10条染色体。第75页3.7MATLAB遗传算法工具箱使用对ObjV=objfun(bs2rv(Chrom,FieldD))解释;

Bs2rv函数是对产生初始种群进行解码，也就是根据FieldD变量设置把初始种群由二进制表达染色体转化成10进制；Objfun是开发人员根据实际应用编制适应度函数，注意该函数并不是被优化对象数学模型，而是用来评价个体性能好坏函数，尤其值得注意是适应度函数必须满足两个条件：1是适应度函数必须是正，2是其值越大表达性能越好。第76页3.7MATLAB遗传算法工具箱使用一种典型遗传算法续当遗传算法初始参数设置完成，就转入遗传进化：Gen=0;%计数器whileGen<MAXGEN%优化循环SelCh=select(’sus’,Chrom,FitnV,GGAP);%复制操作SelCh=recombin(’xovsp’,SelCh,XOV);%交叉操作SelCh=mut(SelCh,MUTR);%变异操作ObjVSel=objfun(bs2rv(SelCh,FieldD));%计算适应度%把上一代最佳10%个体插入新种群里[ChromObjV]=reins(Chrom,SelCh,1,1,ObjV,ObjVSel);Gen=Gen+1;%计数器加一End%循环结束%优化完成后把种群解码找出里面适应度最大对应变量组合即为优化成果。Phen=bs2rv(Chrom,FieldD);

第77页3.8遗传算法在电力系统应用实例1遗传算法实现PID控制参数优化实例2遗传算法实现发电厂经济调度实例3混合遗传算法与神经网络在小电流接地系统故障选线中应用第78页3.8.1实例1遗传算法实现PID控制参数优化1初始化参数对于控制系统初始化参数有Ki、Kd、Kp以及模型参照输入ref；对于遗传算法控制有种群规模NIND、染色体长度PRECI、繁殖代数MAXGEN、交叉率、变异率。NIND=40;%种群规模MAXGEN=30;%繁殖代数NVAR=3;%参数个数PRECI=10;%变量二进制编码位数GGAP=0.9;%保存最佳个体代沟系数，如：设置GGAP=0.9就说适应度最佳10%个体直接进入下一代，其他90%个体进行交叉和变异CO=0.85；%变异概率为0.85FieldD=[rep([PRECI],[1,NVAR])];%设置编码位数，种群规模FieldD(2:3,1)=[rep([0;10],[1,1])];%设置KP取值范围FieldD(2:3,2)=[rep([0;10],[1,1])];%设置KI取值范围FieldD(2:3,3)=[rep([0;10],[1,1])];%设置KD取值范围FieldD(4:7,1:3)=rep([1;0;1;1],[1,NVAR]);%设置编码与交叉方式第79页3.8.1实例1遗传算法实现PID控制参数优化2初始化种群

待优化参数采取二进制编码，根据精度要求，每个参数用N（N为任意正整数）位二进制表达，3个参数KP、KI、KD组成一种由3N位二进制编码染色体。种群初始化程序如下：Chrom=crtbp(NIND,NVAR*PRECI)第80页3.8.1实例1遗传算法实现PID控制参数优化3解码

解码时，按每个参数对应二进制位数均匀地把个体截开，根据每个参数搜索范围进行解码。

解码代码如下:A=bs2rv(Chrom,FieldD)第81页3.8.1实例1遗传算法实现PID控制参数优化4适应度选择

遗传算法在进化搜索中基本不利用外部信息，仅以适应度函数为根据，利用种群中每个个体适应度值来进行搜索，因此适应度函数至关主要，直接影响到遗传算法收敛速度以及能否达成最优解。适应度函数一般由目标函数变换而成。对于PID控制系统而言，PID控制目标就是使系统性能达成最优，系统性能评价办法多样，在MATLAB中较易实现是通过评价系统时域方面各项动态性能指标来确定系统性能好坏，即对系统给定参照输入量，观测输出超调量mp，调整时间ts，峰值时间tp。mp越小，系统跟参照输入偏差越少；tp、ts越小，系统迅速性能越好。PID调整器寻优，就是寻找合适PID参数，使得各动态性能指标最小，以满足实际控制系统性能要求。第82页3.8.1实例1遗传算法实现PID控制参数优化5对适应度几点说明适应度必须是正数且其值愈大表达性能愈好；w1，w2，w3，w4是mp，tp，ts，f四个指标在适应度函数中权值，对各个性能指标偏重会有所不一样；T1，T2，T3，T4分别是mp，ts，tp，f性能盼望值，对mp，ts，tp，,f起到约束作用，加入T1，T2，T3，T4能够消除各个指标物理量，把性能指标归一化；要计算mp，ts，tp，f，就必须先要将解码后Kp、Ki、Kd代入仿真模型中，通过仿真得到输出数据，然后对数据进行运算分析；仿真模型得到系统输出数据程序是：[t,x,y]=sim('test')%对模型“test”仿真，将数据送入工作空间，仿真时间为t，模型状态量为x，模型输出量为y第83页3.8.1实例1遗传算法实现PID控制参数优化6复制

为了避免上一代中最佳成果丢失，本文把上一代种群中适应度最大10%染色体不参与交叉和变异，而直接进入下一代种群，其他90%个体由交叉和变异两种遗传算子产生子代个体，复制办法采取轮盘赌选择法。其对应程序如下：SelCh=select('rws',Chrom,FitnV,GGAP)%“rws”是轮盘赌选择法，“select”是选择操作命令。根据适应度FitnV，代沟系数GGAP，对种群Chrom用轮盘赌选择法选择参与交叉和变异个体。第84页3.8.1实例1遗传算法实现PID控制参数优化7交叉与变异

个体复制后进行交叉操作，交叉操作是随机选择个体编码位数，以这个位数为交叉点，按照交叉概率在种群中选择进行交叉个体，在个体之间两两进行编码交换，从而产生新个体。一般而言，交叉概率应取得比较大，这样能够加快种群更新量，经交叉操作后个体按照变异概率进行变异操作，变异是按照变异概率选择进行变异操作个体，随机确定个体编码某一位码元，使该码元翻转；。变异概率应取得很小，这样能够确保种群稳定性。第85页3.8.1实例1遗传算法实现PID控制参数优化7交叉与变异交叉变异程序如下：SelCh=recombin('xovsp',SelCh,CO);%“xovsp”是单点交叉法，“recombin”是交叉操作命令。对选择后种群按照0.85交叉概率进行个体两两交叉。SelCh=mut(SelCh)“mut”%是变异操作命令，默认交叉概率是0.01。对“selch”按0.01概率进行变异。JS1%“JS1”是计算适应度函数m文献，运行该文献计算经交叉和变异后个体适应度[ChromObjVCh]=reins(Chrom,SelCh,1,1,ObjVCh,ObjVSel)%将上一代最佳10%个体插入目前代第86页3.8.1实例1遗传算法实现PID控制参数优化8停顿条件停顿条件能够设为下列两种情况：1、判断性能指标是否达标来确定运算是否停顿。如mp<T1,ts<T2,tp<T3,f<T4时停顿操作，输出寻优成果；2、达成预设繁殖代数后停顿算法操作输出寻优成果。办法1在没有先验数据前提下很难确定达标标准，有也许在执行算法过程中因性能无法达标而陷入死循环。另外，最优参数是一种潜在数据，我们也很难估计最优参数能使系统性能达成一种如何高度，假如我们要求了硬性指标使算法停顿，就很也许错过了最优参数。办法2是通过达成指定繁殖代数来结束算法，繁殖代数越大寻优成果就越接近最优解，算法用时也越长；反之，寻优成果越差，算法用时越短，因此在合适设置繁殖代数，确保寻优精确和优化时间尽也许少前提下能够克服办法一两个缺陷。第87页3.8.1实例1遗传算法实现PID控制参数优化9三峡机组PID参数优化仿真成果

三峡机组模型从最低水头61m到最高水头113m各个空载工况进行频率扰动试验，但由于工况点甚多，本文选用了3个工况点进行试验，分别是61米水头，91米水头，和113米水头进行+-2Hz扰动。bt,Td,Tn搜索范围为从0—10，种群规模NIND=40、染色体长度PRECI=10、繁殖代数MAXGEN=40、交叉率为0.85、变异率为0.01，执行优化程序后得到下列成果

第88页3.8.1实例1遗传算法实现PID控制参数优化9三峡机组PID参数优化仿真成果

水头（m）BTTDTN超调量(%)调整时间ts（s）峰值时间tp（s）震荡次数f610.10642.89930.958651.2713.443810.15232.75950.38941.1210.682.811130.19972.54250.26280.999.322.28261m水头空载扰动每代最佳个体进化趋势

61m水头下空载扰动第89页3.8.2实例2遗传算法实现发电厂经济调度1问题提出电力系统经济调度是在负荷需求满足条件下使发电机运行总费用最低发电机功率分派电力系统是一种非线形系统,传统经济调度是利用拉格朗日函数法进行解算,但必须要求机组耗量特性函数单调递增,而实际特性曲线是一条具有波动形式曲线,显然不能满足该要求遗传算法对目标函数特性要求宽松,因此用它解算电力系统经济调度时无须将发电曲线近似化,从而能够避免产生较大误差第90页3.8.2实例2遗传算法实现发电厂经济调度电力系统经济调度数学模型目标函数

Pi和fi(Pi)分别为第i台发电机出力和费用函数;ai,bi,ci是第i台发电机费用函数fi系数第91页3.8.2实例2遗传算法实现发电厂经济调度电力系统经济调度数学模型约束条件

经济调度问题需满足平衡约束和发电机运行极限

式中,和分别为第i台发电机最小和最大出力;PD为总负荷需求;PL为线路总传输损耗.第92页3.8.2实例2遗传算法实现发电厂经济调度适应度函数选用第93页3.8.2实例2遗传算法实现发电厂经济调度优化成果机组号输出功率下限(pu)输出功率上限(pu)cbaed10.21.010070244.40020.050.55038940.62004.230.52.0502451051506.3各个时段负荷调度成果耗量特性第94页3.8.2实例2遗传算法实现发电厂经济调度思考1如何把约束问题转化为非约束问题?2如何把目标函数转化为适应度函数?3市场条件下,还需要考虑哪些原因?第95页3.8.3实例3混合遗传算法与神经网络在小电流接地系统故障选线中应用1问题提出小电流接地系统中发生单相接地时,由于故障点电流很小,并且三相之间线电压仍然保持对称,在一般情况下,都允许再继续运行1～2h,而无须立即跳闸;为了避免故障深入扩大成两点或多点接地故障,应及时发出信号,及时消除故障。但在现场运行中,单一故障选线办法(五次谐波分量法、零序导纳法)精确度较低,原因在于:小电流接地系统零序阻抗大,并受故障接地过渡阻抗影响,故障电流小,故障线路与非故障线路区分不显著;受多种干扰原因影响,故障选线装置测量到故障特性量(如零序电流、零序功率方向等)具有很大含糊性和不确定性第96页3.8.3实例3混合遗传算法与神经网络在小电流接地系统故障选线中应用2处理方案

BP网络在电力系统各个领域有广泛应用,但在小电流接地选线中还没有较为成熟应用,这是由小电流接地选线故障特点及BP网络容易陷入局部极小点以及学习能力有限所共同决定。针对此问题,本实例将遗传优化神经网络用于故障选线中,通过对故障时多种特性量综合鉴别,来大幅度提升故障选线精确率。第97页3.8.3实例3混合遗传算法与神经网络在小电流接地系统故障选线中应用3算法原理及网络模型遗传优化神经网络构造图第98页3.8.3实例3混合遗传算法与神经网络在小电流接地系统故障选线中应用4网络输入、输出量选用输入量选用

根据馈电线路数K,每条馈线输入数据共有N个,则共有K×N个输入节点,每条馈线输入数据分别为:零序测量导纳零序电流幅值五次谐波分量序分量测量值第99页3.8.3实例3混合遗传算法与神经网络在小电流接地系统故障选线中应用4网络输入、输出量选用输出量选用

在此网络中,共选用K+1个输出节点,代表1至K条馈线,第K+1个节点代表母线,传统输出1代表有故障,0代表不故障绝对关系灵活化,其值能够取[0,1]区间任一数值,再将其输出数值进行判断,大于0.5判为故障,不大于0.5判为不故障。第100页3.8.3实例3混合遗传算法与神经网络在小电流接地系统故障选线中应用5网络学习及训练

选用一种有10条馈电线路输电系统,如图

对此网络进行学习训练。假设选用50个隐含节点,则根据上述原理,生成一种有4×10×50+50×11位个体,然后根据遗传优化神经网络算法原理,进行网络训练。在此实际网络中,例如,当L3馈线发生接地短路时,则神经网络抱负输出为[0010000000],神经网络实际输出为yi(i=1,2,⋯,10),为求取其适应度函数值,先求取方差S,则其适应度函数取为f=100/S可见,其适应度函数越高,方差越小,与标准选线成果也就越接近。进仿真试验,选线精确率达90%第101页3.8.3实例3混合遗传算法与神经网络在小电流接地系统故障选线中应用6结论与传统选线办法(五次谐波分量法、零序导纳法)相比,此办法根据多种判据综合判定,采取了遗传算法进行神经网络优化,避免了神经网络容易陷入局部最小问题,大大提升了接地选线精确性。伴随馈电线路增加及隐含层接点数目标增加,会大大加大算法计算量,考虑到单相接地故障允许运行1～2h,伴随计算机速度不停加快,此问题已不是很主要,故在现场运行中是可行。第102页第四章含糊理论及其在电力系统中应用含糊数学产生不但形成了一门崭新数学学科，并且也形成了一种崭新思维办法，它告诉我们存在亦真亦假命题，从而打破了以二值逻辑为基础传统思维，使得含糊推理成为严格数学办法。伴随含糊数学发展，含糊理论和含糊技术将对于人类社会进步发挥更大作用。第103页第四章含糊理论及其在电力系统中应用4.1引言用数学眼光看世界，可把我们身边现象划分为：确定性现象：如水加温到100oC就沸腾，这种现象规律性靠典型数学去刻画；随机现象：如掷筛子，观看那一面向上，这种现象规律性靠概率统计去刻画;含糊现象：如“今每天气很热”，“小伙子很帅”，…等等。此话精确吗？有多大水分？靠含糊数学去刻画。

第104页第四章含糊理论及其在电力系统中应用4.2含糊推理

含糊推理采取含糊逻辑给定输入到输出映射过程。含糊推理包括5个方面输入变量含糊化，即把确定输入转化为由从属度描述含糊集；在含糊规则前件中应用含糊算子（与、或、非）；根据含糊蕴含运算由前提推断结论；合成每一种规则结论部分，得出总结论；反含糊化，即把输出含糊量转化为确定输出。第105页第四章含糊理论及其在电力系统中应用4.2.1输入变量含糊化

输入变量是输入变量论域内某一种确定数，输入变量含糊化后，变化为由从属度表达0和1之间某个数。含糊化常由从属度函数求得。第106页第四章含糊理论及其在电力系统中应用4.2.2应用含糊算子

输入变量含糊化后，我们就懂得每个规则前件中每个命题被满足程度。假如给定规则前件中不止一种命题，则需要含糊算子取得该规则前件被满足程度。含糊算子输入是两个或多种输入变量经含糊化后得到从属度值，其输出是整个前件从属度，常用含糊逻辑与算子有min(含糊交)和prod（代数积），常用或算子有max（含糊并）probor（代数积）。第107页第四章含糊理论及其在电力系统中应用4.2.3含糊蕴含

含糊蕴含能够看作一种含糊算子，其输入是规则前件被满足程度，输出是一种含糊集，规则“假如x是A，则y是B”表达了A与B之间含糊蕴含关系，记为A->B。第108页第四章含糊理论及其在电力系统中应用4.2.4含糊合成

含糊合成也是一种含糊算子，该算子输入是每一种规则输出含糊集，输出是这些含糊集经合成后得到一种综合输出含糊集。常用含糊合成算子有max,probor,sum。第109页第四章含糊理论及其在电力系统中应用4.2.5反含糊化

反含糊化把输出含糊集化为确定数值输出，常用反含糊化办法有下列五种：中心法二分法输出含糊集极大值平均值输出含糊集极大值最大值输出含糊集极大值最小值第110页第四章含糊理论及其在电力系统中应用4.3利用MATLAB建立含糊推理系统过程4.3.1含糊工具箱介绍利用含糊逻辑工具箱图形顾客界面GUI很容易建立起含糊推理系统，工具箱主要有5个GUI工具：FIS编辑器：处理含糊系统高层次问题，如系统中有多少输入和输出变量；从属度函数编辑器：定义每个变量从属度函数形状及参数规则编辑器：编辑推理系统规则规则观测器和取面观测器：用来观测规则和输出曲面它们之间是动态连接，便及其所作修改能及时地体目前观测器上。第111页第四章含糊理论及其在电力系统中应用4.3利用MATLAB建立含糊推理系统过程4.3.2实例描述下面通过一种详细小费给定实例，来说明含糊工具箱操作步骤。对国外饭店小费给定问题，给定小费根据是饭店服务态度与饭菜质量，将服务态度划分为三个档次：差、好、较好，将饭菜质量分为两个档次，味道好差、美味，给予小费也分为三个档次：较少、平均水平、较多。一次详细饭店活动应给多少小费由下面三条规则来确定：Ifserviceispoororfoodisrancidthentip=cheap;Ifserviceisgoodthentip=average;Ifserviceisexcellentorfoodisdeliciousthentip=generous;第112页4.3利用MATLAB建立含糊推理系统过程4.3.3FIS编辑器在MATLAB下输入FUZZY可打开FIS编辑器。通过Edit下可添加含糊系统中两个输入变量服务service和食物food，以及输出变量消费tip。第113页4.3利用MATLAB建立含糊推理系统过程4.3.4从属度函数编辑器单击输入或输出任意一种图标即可打开从属度函数编辑器，然后进行从属度设置，如service变量选择从属度函数类型（高斯型）和数量（3）。第114页4.3利用MATLAB建立含糊推理系统过程4.3.5规则编辑器在View下选择Editrule即可打开规则编辑器，此时编辑器下半部给出了规则