英语原文共 13 页

一种基于改进的综合遗传算法的电网风灾应急案例自适应方法

张柏尚，李向阳，王世英

哈尔滨工业大学管理学院

关键词：基于案例的推理案例适应 、灰色关联分析、多目标遗传算法D/S证据理论、风灾突发事件

摘要：案例适应是电网风灾突发事件案例推理的一个具有挑战性和关键性的过程。统计适应方法是一种独立于领域知识、易于实现、但不适合于复杂系统问题的传统方法。因此，本文的目的是提出一种将多目标遗传算法与灰色关联分析相结合的新的案例适应方法，即灰色关联分析多目标遗传算法方法（gramoga）。与传统方法相比，从案例相似性与应急预案的对应关系入手，提出了案例适应的新思路。为了提高适应精度，本文采用基于模糊函数的选择方法对多目标遗传算法进行了改进。将框架理论与D/S证据理论相结合，扩展了框架理论，为不完全信息的案件描述和检索提供了一种新的方法。江苏南部的一个实例表明，Gramoga对电网风灾应急具有较好的适应能力。除了在案例适应方面的实际应用外，Gramoga还可以作为扩展案例库的一种新方法。

1. 介绍

近年来，台风多次袭击我国电网，不仅严重危害经济发展，而且影响社会稳定。根据情景特点快速决策、实施抢险抢修工作是决策者的重要课题。然而，在电网风灾突发事件中，由于数学分析和统计方法存在诸多复杂因素和信息不完整等问题，不能很好地解决这一问题。CBR是一种智能决策方法，它根据当前的状态进行简单推理，使该方法具有很强的学习能力，能够为问题提供决策支持。然而，CBR研究者完成案例适应仍然是一项具有挑战性的任务。因此，科学的案例适应方法的设计是将CBR应用于电网风灾突发事件的一个重要问题。风灾突发事件的案例适应属于案例适应方法的典型计算方法，因为它需要计算出应急人员的类型和数量和资源。根据计算方法，案例适应的计算方法可分为间接案例适应法和间接案例适应法。前者通过调整模型或公式获得结果；后者通过遗传算法神经网络和使案例适应成为现实。其中K-NN自适应方法独立于领域知识，易于实现，但精度较低。虽然神经网络自适应方法的精度很高，但需要预先建立模型。因此，该方法不适用于涉及多个复杂模型的电网风灾突发事件。电网风灾突发事件具有多种情景特征，其中，通过公式计算对决策结果的综合影响。因此，用简单遗传算法（SGA）来解决这个问题是非常困难的。

基于这些观察结果，本文提出了GRAMOGA在CBR中实现对电网风灾突发事件的案例适应。在Gramoga中，多对象函数包括案例相似函数（CSF）和灰色关联差分函数（GRDF）。其中，CSF用于确保适应的案例（这是Gramoga的结果）具有较高的与目标案例（当前紧急案例）的相似性；GRDF旨在确保适应案例中SCE-NARIO特征和决策特征的灰色关联系数与类似案例的灰色关联系数相似（从类似案例中检索，以适应CBR案例）。这两个功能可以确保自适应结果是令人满意的，并且基于当前场景的特征。本文的主要贡献是：

（1）针对电网风灾突发事件，提出了一种基于GRAMOGA的新型、高效的案例适应方法。

（2）采用基于模糊函数的选择法对多目标遗传算法进行了改进，并对自适应遗传算法进行了改进，取得了较好的效果。

1. 我们将D/S证据理论与框架理论相结合，以获得更精确的案例描述和检索，以减少不完全信息的干扰。

图1。格拉莫加的流动图表。

图2。场景功能和决策功能之间的功能

（4）由于Gramoga是有效和有效的，它可以作为扩展CBR案例库的另一种方法。

本文的其余部分组织如下。第2节回顾相关工作。第三节详细介绍了电网突发风电事故的CBR，包括案例表示、案例检索和基于改进的自适应遗传算法的案例自适应方法。第4节描述了评估我们提出的算法的大量实验。第5节介绍了未来改进的讨论和想法。最后，第6节给出了结论。

2.相关工作

2.1. CBR案例适应

CBR是Schank提出的一种基于以往经验的智能推理方法。与基于规则推理和基于模型推理相比，CBR更注重经验知识的内隐推理，具有更强的实用性。完整的CBR流程包括案例陈述、案例检索、案例分析和案例保存。关于CBR的大多数论文集中在案例陈述、案例检索和特征权重学习，因为案例适应在CBR中仍然是一个具有挑战性的过程。近年来，很少有研究关注案例适应。目前，根据问题呈现风格，有三种类型的适应风格，包括图片、文字和数据。适应图片通常是在医生检查，交通和拍照时应用的。一个例子是Esmat、Hossei和Saeid，他们使用案例适应来修改相关反馈中检索到的图像。这种适应包括色彩设计和智能计算。第二种类型的适应旨在处理由单词呈现的语义单词或过程。Reyes、Negny、Robles和Lann提出了一种新的工艺工程领域的方法。本文将约束满足问题算法集成在一起进行自适应，并利用自适应回路的改进来提高性能。这种方法是有吸引力的，尽管具体的适应需要为解决的问题构建方法。

由于许多自然现象和社会问题可以通过有助于预测或判断的数据来呈现，因此对数据的案例适应应用于更多领域。这种改编风格的过程可以通过两种方式执行：分类和计算。基于分类的病例适应通常应用于诊断、预测等。它将对象案例与基本案例进行比较，并根据将决策任务作为分类任务的原则区分属于一种或另一种类型的样本。研究人员通常通过将CBR与智能算法或技术相结合来实现案例适应对象，尤其是数据挖掘、支持向量机、神经网络和GA。虽然这些智能技术分类的过程和方法存在许多差异，但这些过程和方法的一个共同特点是，在进行数据分析后，确定对象案例的值属于哪个类别，然后进行定性分析。计算是实现案例自适应的另一个重要方法。基于计算的案例自适应根据解的形式可分为单值自适应和数据集自适应。基于计算的情况自适应可以分为单数值自适应的情况自适应和根据解的形式对数据集的情况自适应。前者通常用于估计事件的整体可能性；后者通常用于解决两个问题：不同阶段事件的总体情况估计和同一阶段不同侧面事件的状态估计。通过比较由KNN策略实现的特征值，输出相应的结果，建立了这种情况下自适应的机制。一些研究通过传统的相似性计算来实现KNN策略。例如，吕、刘、赵和王通过考虑社区分布和相似性，实现了基于KNN策略的案例适应方法。此外，Yan、Shao和Wang提出了一种基于遗传算法和群体决策的案例适应方法，其中遗传算法主要用于适应和群体决策，旨在提高废水处理的解决方案质量。

大多数情况下，对数据的适应都考虑了目标情况和类似情况之间的特征差异，较少关注特征对适应结果的复杂影响。与以往的方法不同，本文从特征相似性与应急预案的对应关系出发，采用对应关系机制的思想，为复杂系统中多个特征因素对结果产生综合影响的案例适应提供了一个新的视角。

2.2.

遗传算法

遗传算法（GA）是一种模拟动物染色体进化过程的优化技术，在遗传优化思想的指导下，通过迭代寻找可行解空间，得到最优解。该方法可以将解空间转化为染色体的形式，并基于概率而不是显式规则寻找最优解。由于其强大的智能计算和参数优化能力，天然气已应用于许多领域。

遗传算法由五个要素组成：编码、群体初始化、模糊函数、遗传算子和控制参数（张和翁库，2015）。虽然遗传算法具有很强的并行性和鲁棒性，但在早熟和局部收敛方面存在缺陷。因此，研究人员提出了许多提高其性能的方法。在这些方法中，大多数改进集中在编码、个体选择、交叉概率、突变概率和控制参数调整。

改进后的遗传算法主要通过选择遗传个体和设置交叉和变异算子来改进搜索解的性能。一些研究集中在改进遗传个体的方法以获得更好的表现，因为遗传个体对非春季的优势和多样性有很大的影响。传统的染色体复制技术通常包括轮盘选择（RWS）和锦标赛选择（TS）。RWS计算量大，降低了对合速度。TS可以基于fifit-ness函数的竞争进行操作，但是这种方法很简单，缺少一些潜在染色体。Chunga、Chena和Hwangb通过整合进化过程的排名选择，开发了一种并行结构的实数编码遗传算法，从而获得RWS和TS的好处。大多数论文旨在通过修改交叉操作器和变异操作器来为遗传算法找到更好的性能，因为这些操作器对基于个体选择的进化性能有更大的影响。在这些研究中，一些论文的重点是加速进化速度。Jane_和Car建议，交叉算子的设置应基于对基因组的一部分的精确评估。试验结果表明，由于遗传个体较少，该方法可以加快进化速度。Akg_na和Erdog_mu，SB利用图形处理单元开发了一种新的GA，能够加速培训过程。对交叉算子和变异算子的改进研究大多是为了获得更高的性能。在Kima、Lee和Baik的研究中，启发式交叉和非均匀突变用于提高GA参数估计的准确性和性能。王、黄、马、陈在非均匀突变算子的基础上改进了单亲遗传算法（IPGA），用于解决水电能源系统的MOED问题。该方法去除了交叉算子，只进行了突变操作，使得遗传操作比遗传算法简单，在进化过程中不产生无效后代。Qu、Xing和Alexanderb提出了一种联合进化改进的遗传算法，该算法采用了联合进化机制和改进的遗传算法。这种改进的遗传算法提供了一种有效和准确的fitness函数，改进了传统气体的遗传算子。与常规气体相比，该方法较好地避免了局部最优问题，收敛速度加快。胡等。提出了一种自适应遗传算法辅助的多目标生态水库运行模型，通过模拟二元交叉和自适应突变，采用改进的自适应遗传算法。

从以上的研究可以看出，以往的改进遗传算法从个体选择的角度出发，只关注一个方面的多样性和竞争性，而不太考虑它们。本文将设计一种新的基于模糊函数值的个体选择机制。在以往的交叉算子和变异算子的改进研究中，交叉和变异都是根据平均值以上或以下的模糊度进行的，导致了粗糙的划分；没有考虑进化世代进化的最优模糊度。本文采用一种新的交叉和突变方法，考虑进化生成对交叉概率和突变概率的影响，以加速收敛速度和避免早熟。

2.3.

灰色关联分析

邓在1982年提出了灰色系统理论，以解决涉及不完全信息和较少数据样本的问题（邓，1989）。灰色关联分析是灰色系统理论的重要组成部分。该方法主要用于确定具有高度随机性的复杂离散系统中系统特征的行为序列与影响因素的行为序列之间的相关性。与其他方法相比，灰色关联分析具有样本少、计算量小等优点。此外，该方法不需要典型分布中的数据，这有助于描述对象之间的相关性。因此，这个方法已应用于农业、工业、交通、商业、文化、教育和许多其他领域，在应急管理方面的应用较少。

较高的相关率表明主序列与次序列更为相似，其特征是曲线形状集合相似。

2.4.

D/S证据理论

现实世界中存在着大量的多源信息和不完全信息，影响着决策效率。D/S证据理论在处理不确定信息方面有两大优势：一是可以用来分析随机信息和模糊不确定信息，二是不需要预先确定影响决策的因素的先验概率和条件概率。这一理论已成功地应用于目标识别、行为决策、集体评估等。

在这个理论中，假设u是不相容事件的完备集的识别框架，可以表示为：

其中，是识别帧的一个元素，j=1，2，hellip;。，n；由识别帧的所有子集组成的集合称为u的幂，可以记录为2u

3.理论与方法

3.1. 理论

矩阵中有一个函数f:p=f（s），其中s的个数为自变量，p的个数为因变量，因为应急人员和应急设备的p值是根据电网的地形、温度、降水和损坏情况计算的。然而，由于S属性的变化会影响函数，而且S和P属性很多，所以函数f不能直接用数学公式来描述。

CBR作为一种基于经验数据的智能求解方法，适用于处理不能用数学公式表达的复杂问题。假设在电网风力灾害紧急情况下，S0的数量是情景特征，决策者必须通过获取p0来根据情况做出决策。基于CBR的电网风灾突发事件决策主要包括三个步骤：获取情景特征并将其输入原型系统；通过检索确定与当前突发事件相似的案例的情景特征和应急预案；将目标案例的情景特征与实际案例的情景特征进行比较。类似案件的关闭和目标案件的应急预案的获取。本文采用多目标遗传算法实现了案例自适应，解决了电网风灾发生中涉及多变量和多模型的问题。本文的主要思想如下（图1）：

该方法的本质是，所设计的算法在得到满意的解之前，不会停止在目标的指导下搜索优化解。在这个方法中，对象函数由CSF和GRDF组成。CSF的目标是计算多目标遗传算法生成的情况与目标情况的相似程度，确保该算法生成的情况与目标情况最相似。GRDF用于计算生成案例和类似案例中场景特征和决策特征的灰色关联系数，确保场景的灰色关联系数生成的案例中的特征和决策特征与类似案例中的特征和决策特征相似。这两个目标函数可以为优化决策值提供指导，并保证决策结果的正确性。

3.2. 方法论

3.2.1. 电网风灾突发事件案例表示方法

常见的案例表示方法包括XML方法、本体方法、树结构方法和框架方法。框架表示既有良好的结构，又有清晰的逻辑，满足了电网风灾突发事件的数量和结构要求（谢林忠，2013）。然而，由于电网风灾突发事件具有突发性和信息不完整的特点，决策者必须根据相关信息和参数来估计情景特征。因此，本文将框架法与D/S证据理论相结合，处理不完全信息，在不完全信息的情况下代表电网风灾突发事件。以输电线路修复为例，说明了该方法在实际工程中的应用。

此实例表示具有嵌套帧的输电线路维修；场景的特征是子帧、应急计划子帧和应急效果子帧以插槽的形式嵌套在输电线路维修的主帧中。在这些子框架中，情景特征子框架包括三个时段：时间、影响区域和情景描述；应急计划子框架包括四个时段：人员、设备、后勤和设备；应急效果子框架包括

资料编号：[3330]