包立公， 張瑞祥

（1.內(nèi)蒙古烏蘭察布電力勘測設(shè)計(jì)所，內(nèi)蒙古集寧012000；2.西北電力設(shè)計(jì)院自動(dòng)化室，陜西西安710075）

人工神經(jīng)網(wǎng)絡(luò)在各個(gè)領(lǐng)域得到了廣泛的應(yīng)用，尤其是在智能系統(tǒng)中的非線性建模及其控制器的設(shè)計(jì)、模式分類與模式識別、聯(lián)想記憶和優(yōu)化計(jì)算等方面更是得到人們的極大關(guān)注。1991年7月在美國召開了第一屆神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)中應(yīng)用的國際學(xué)術(shù)會議，使得神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)中的應(yīng)用得到了世界范圍的廣泛關(guān)注。目前就電力系統(tǒng)而言，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)應(yīng)用到發(fā)電、輸電、配電和用電的各個(gè)方面。

1人工神經(jīng)網(wǎng)絡(luò)原理和技術(shù)特點(diǎn)

人工神經(jīng)網(wǎng)絡(luò)(ANN)是二十世紀(jì)80年代中后期世界范圍內(nèi)迅速發(fā)展的一個(gè)前沿研究領(lǐng)域，是一門高度綜合的交叉學(xué)科，它的研究和發(fā)展涉及神經(jīng)生理科學(xué)、數(shù)理科學(xué)、信息科學(xué)和計(jì)算機(jī)科學(xué)等眾多領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)是模擬人腦組織結(jié)構(gòu)和人類認(rèn)知過程的信息處理系統(tǒng)。它由人工模擬的大量簡單的神經(jīng)元以一定的方式連接而成，單個(gè)人工神經(jīng)元實(shí)現(xiàn)輸入到輸出的非線性關(guān)系，它們之間的連接組合使得人工神經(jīng)網(wǎng)絡(luò)具有復(fù)雜的非線性特性。人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的自組織、自學(xué)習(xí)能力。它通過現(xiàn)場大量的標(biāo)準(zhǔn)樣本學(xué)習(xí)與訓(xùn)練，自動(dòng)調(diào)整各神經(jīng)元之間的連接權(quán)和閥值，使獲取的知識隱式分布在整個(gè)網(wǎng)絡(luò)上，并實(shí)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)的模式記憶。和其他信息處理方法相比，人工神經(jīng)網(wǎng)絡(luò)具有諸多優(yōu)點(diǎn)：強(qiáng)大的知識獲取能力和信息容錯(cuò)能力；學(xué)習(xí)能力強(qiáng)，可以實(shí)現(xiàn)知識的自組織，適應(yīng)不同信息處理的要求；神經(jīng)元之間的計(jì)算具有相對獨(dú)立性，便于并行處理，執(zhí)行速度快。正是由于人工神經(jīng)網(wǎng)絡(luò)有極強(qiáng)的非線性擬合能力和自學(xué)習(xí)能力，且具有聯(lián)想記憶、魯棒性強(qiáng)等性能，使人工神經(jīng)網(wǎng)絡(luò)對于電力系統(tǒng)這個(gè)存在著大量非線性的復(fù)雜大系統(tǒng)來說有很大的應(yīng)用潛力，很多難以列出方程式或難以求解的復(fù)雜的非線性問題，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法則可迎刃而解。

2人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)中的應(yīng)用

2.1故障診斷

目前神經(jīng)網(wǎng)絡(luò)用于電力系統(tǒng)的故障診斷，主要集中在對電網(wǎng)的故障處理。電網(wǎng)中的每一類故障都會產(chǎn)生一組警報(bào)信息，不同類別的故障具有不同的警報(bào)組合。因而可以將警報(bào)處理和故障診斷表示為模式識別問題，這樣就適用于人工神經(jīng)網(wǎng)絡(luò)來進(jìn)行處理。用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的基本原理是：將故障警報(bào)信息進(jìn)行數(shù)字量化作為神經(jīng)網(wǎng)絡(luò)的輸入量。神經(jīng)網(wǎng)絡(luò)的輸出量代表故障診斷的結(jié)果。首先對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，即將特定故障對應(yīng)的警報(bào)模式作為樣本，建立較全的樣本庫，然后用所有的樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，這樣就可以將樣本庫的知識以網(wǎng)絡(luò)的形式存儲在神經(jīng)網(wǎng)絡(luò)的連接權(quán)中，最后通過神經(jīng)網(wǎng)絡(luò)輸入量計(jì)算就可以完成故障診斷。故障診斷中神經(jīng)網(wǎng)絡(luò)所采用的模型大多為反向傳播算法（BP）模型，這主要是由于對BP模型的研究比較成熟，使用比較可靠。文獻(xiàn)[1]較早提出了用BP進(jìn)行警報(bào)處理和故障診斷方法。該方法將警報(bào)信息作為神經(jīng)網(wǎng)絡(luò)的輸入量，故障作為神經(jīng)網(wǎng)絡(luò)的輸出量。用于識別電網(wǎng)發(fā)生的故障。這種方法的缺點(diǎn)是不能用于大規(guī)模系統(tǒng)。

除電網(wǎng)故障診斷外，人工神經(jīng)網(wǎng)絡(luò)還被應(yīng)用于電力系統(tǒng)設(shè)備的故障診斷，包括變壓器、發(fā)電機(jī)、電纜、斷路器、絕緣子等。

變壓器的故障診斷是人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)應(yīng)用研究中較早提出的一個(gè)課題。當(dāng)變壓器內(nèi)部出現(xiàn)異常時(shí)，都會在絕緣油中產(chǎn)生異常氣體，將反映變壓器絕緣油的特征元素以及油溫、油壓、各種噪聲和繞組直流電阻、絕緣電阻介質(zhì)損等信號匯集成一個(gè)樣本集，對人工神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，網(wǎng)絡(luò)投入實(shí)際運(yùn)行后，即能對各種可能出現(xiàn)的異常故障作出正確的診斷。文獻(xiàn)[2]應(yīng)用6個(gè)神經(jīng)網(wǎng)絡(luò)組成模塊化結(jié)構(gòu)的變壓器故障診斷系統(tǒng)，該系統(tǒng)可正確判斷變壓器內(nèi)部焊接不良、繞組擊穿、鐵芯接地等各種故障，正確率可達(dá)到90%以上。

文獻(xiàn)[3]基于一種聯(lián)想記憶神經(jīng)網(wǎng)絡(luò)，通過網(wǎng)絡(luò)的聯(lián)想能力快速準(zhǔn)確地進(jìn)行電機(jī)早期故障的雙向診斷，有效地處理各種模式并存的故障診斷問題，使診斷系統(tǒng)具有良好的魯棒性。

文獻(xiàn)[4]利用人工神經(jīng)網(wǎng)絡(luò)判斷高壓電纜絕緣破壞前的電暈放電波形和一般噪聲波形的區(qū)別，經(jīng)過學(xué)習(xí)對故障波形判斷的準(zhǔn)確率在99%以上。

文獻(xiàn)[5]提出了一種以振動(dòng)信號小波包能譜熵為特征量的斷路器故障神經(jīng)網(wǎng)絡(luò)診斷方法。利用小波包分解原理將高壓斷路器振動(dòng)信號分解到不同頻段中，計(jì)算各頻段的能譜熵值，以此構(gòu)造小波包能譜熵向量作為神經(jīng)網(wǎng)絡(luò)的輸入向量，并利用遺傳算法對網(wǎng)絡(luò)的連接權(quán)值進(jìn)行了優(yōu)化,試驗(yàn)結(jié)果表明了該方法的有效性，改進(jìn)后的神經(jīng)網(wǎng)絡(luò)具有新故障模式的識別功能。

文獻(xiàn)[6]根據(jù)絕緣子在線檢測的特點(diǎn),提出了基于改進(jìn)ART2神經(jīng)網(wǎng)絡(luò)的絕緣子故障在線診斷技術(shù),解決了傳統(tǒng)ART2神經(jīng)網(wǎng)絡(luò)聚類中心漂移問題，杜絕了絕緣子故障漏判的發(fā)生． 仿真實(shí)驗(yàn)結(jié)果表明，應(yīng)用改進(jìn)的ART2神經(jīng)網(wǎng)絡(luò)可有效實(shí)現(xiàn)絕緣子故障在線檢測，獲得較好的診斷結(jié)果。

2.2智能控制

勵(lì)磁控制是控制發(fā)電機(jī)端電壓和無功功率的重要組成部分，是重要的實(shí)時(shí)連續(xù)控制系統(tǒng)，對維持電力系統(tǒng)的穩(wěn)定性起主要作用，完成該功能的部分又稱為電力系統(tǒng)穩(wěn)定器(PSS)。由于大容量機(jī)組的投入和快速勵(lì)磁系統(tǒng)的應(yīng)用，系統(tǒng)的動(dòng)態(tài)穩(wěn)定性問題愈來愈突出，應(yīng)用4層BP網(wǎng)絡(luò)對發(fā)電機(jī)運(yùn)行方式和系統(tǒng)干擾進(jìn)行精確在線識別，并以此為基礎(chǔ)設(shè)計(jì)一種最優(yōu)勵(lì)磁調(diào)節(jié)器模型，這種調(diào)節(jié)器比固定點(diǎn)線性勵(lì)磁方式具有更強(qiáng)的穩(wěn)定性能和較好的動(dòng)態(tài)品質(zhì)。采用改進(jìn)型神經(jīng)網(wǎng)絡(luò)由2個(gè)子神經(jīng)網(wǎng)絡(luò)綜合構(gòu)成：一個(gè)是應(yīng)用遞推最小二乘算法的線性神經(jīng)網(wǎng)絡(luò)；一個(gè)是應(yīng)用動(dòng)態(tài)BP算法的動(dòng)態(tài)遞歸網(wǎng)絡(luò)。對基于相控整流直流傳動(dòng)系統(tǒng)的自適應(yīng)控制實(shí)現(xiàn)策略的進(jìn)行仿真，結(jié)果表明該自適應(yīng)控制器性能好于傳統(tǒng)的PID控制器?；谌斯ど窠?jīng)網(wǎng)絡(luò)的自適應(yīng)勵(lì)磁控制和動(dòng)態(tài)電阻制動(dòng)的綜合控制器，線路故障失去700 MW電源時(shí)，穩(wěn)定控制切換負(fù)荷誤差小于0.5 MW的比例達(dá)到81.5%，最大誤差在2～3 MW之間的僅為1%，顯示了較好的控制特性。

2.3繼電保護(hù)

神經(jīng)網(wǎng)絡(luò)技術(shù)在繼電保護(hù)領(lǐng)域中應(yīng)用的優(yōu)勢和特點(diǎn)非常明顯。它的并行處理能力能加快保護(hù)的計(jì)算速度和判別速度；它的魯棒性和容錯(cuò)性可極大地提高數(shù)字保護(hù)抗干擾能力和容錯(cuò)能力，提高數(shù)字保護(hù)抗電流互感器（TA）飽和的能力以及適應(yīng)電力系統(tǒng)故障暫態(tài)過程的能力，提高數(shù)字保護(hù)整體的安全性、可靠性和穩(wěn)定性。到目前為止，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)被應(yīng)用于線路保護(hù)、變壓器保護(hù)、母線保護(hù)、發(fā)變組保護(hù)等多個(gè)繼電保護(hù)領(lǐng)域。

在線路保護(hù)方面，文獻(xiàn)[7]采用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)電流保護(hù)，該保護(hù)能識別故障情況，解決電流保護(hù)的靈敏度補(bǔ)償和故障方向的識別問題。

應(yīng)用神經(jīng)網(wǎng)絡(luò)理論的保護(hù)裝置是神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)融為一體的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)。例如在雙側(cè)電源系統(tǒng)里，兩側(cè)系統(tǒng)電勢夾角變化，此時(shí)發(fā)生經(jīng)過渡電阻短路就是一個(gè)非線性問題，傳統(tǒng)的距離保護(hù)很難作出正確判斷，而用經(jīng)過對訓(xùn)練樣本進(jìn)行學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)保護(hù)裝置就可以正確判別。文獻(xiàn)[8]利用了人工神經(jīng)網(wǎng)絡(luò)的優(yōu)越性來實(shí)現(xiàn)自適應(yīng)距離保護(hù)。設(shè)計(jì)的距離保護(hù)網(wǎng)絡(luò)由2個(gè)獨(dú)立子網(wǎng)絡(luò)組成：振蕩識別子網(wǎng)絡(luò)ANNl、故障檢測子網(wǎng)絡(luò)ANN2。2個(gè)子網(wǎng)絡(luò)輸出的結(jié)果經(jīng)過綜合判斷后，給出系統(tǒng)所處的狀態(tài)，在故障發(fā)生時(shí)，按故障類型發(fā)出保護(hù)跳閘命令并給出保護(hù)啟動(dòng)、系統(tǒng)有無振蕩等信號。

文獻(xiàn)[9]利用人工神經(jīng)網(wǎng)絡(luò)模式識別技術(shù)，實(shí)現(xiàn)了超高壓輸電線路方向高頻保護(hù)，建立了3層BP網(wǎng)絡(luò)。該保護(hù)通過對被保護(hù)線路電壓、電流特征值的學(xué)習(xí)，不僅能自適應(yīng)地識別輸電線路在各種運(yùn)行方式和故障條件下的故障方向及故障相別，而且在整個(gè)時(shí)域上都具有準(zhǔn)確的識別能力，克服了各種方向高頻保護(hù)的缺陷，滿足了作為超高壓輸電線路主保護(hù)的要求。

人工神經(jīng)網(wǎng)絡(luò)避免了常規(guī)差動(dòng)保護(hù)整定方法的不靈活性和原理上的不足，有工程實(shí)用價(jià)值，文獻(xiàn)[10]提出了基于BP網(wǎng)絡(luò)的差動(dòng)保護(hù)。仿真結(jié)果表明，神經(jīng)網(wǎng)絡(luò)用于差動(dòng)保護(hù)是合理、可行的。

在變壓器保護(hù)方面，文獻(xiàn)[11]建立了基于徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)的變壓器保護(hù)。檢驗(yàn)結(jié)果表明，所建立的神經(jīng)網(wǎng)絡(luò)對變壓器所發(fā)生的故障狀態(tài)的響應(yīng)時(shí)間小于10 ms。并且該方法克服了常規(guī)保護(hù)及目前變壓器保護(hù)中的缺點(diǎn)，能夠?qū)ψ儔浩魈幱趧?lì)磁涌流狀態(tài)進(jìn)行正確判斷，具有很好的工作性能，能夠正確識別變壓器所處的各種狀態(tài)。

在母線保護(hù)方面，文獻(xiàn)[12]提出的一種基于神經(jīng)網(wǎng)絡(luò)模型的母線保護(hù)，將母線上各TA的不同特性全部放入到神經(jīng)網(wǎng)絡(luò)中，并將從各TA獲得的同步采樣電流值作為神經(jīng)網(wǎng)絡(luò)的輸入，依據(jù)此模型可以區(qū)分不同情況下的母線內(nèi)部故障和外部故障。

2.4優(yōu)化運(yùn)算

電力系統(tǒng)優(yōu)化問題通常具有大規(guī)模、非線性等特點(diǎn)，常規(guī)優(yōu)化方法往往難以求解。人工神經(jīng)網(wǎng)絡(luò)在處理非線性、多變量、多約束的電力系統(tǒng)優(yōu)化問題方面有其特有的優(yōu)勢。

文獻(xiàn)[13]把Hopfield網(wǎng)絡(luò)應(yīng)用于梯級水電站實(shí)現(xiàn)實(shí)時(shí)優(yōu)化調(diào)度，克服了梯級水電站經(jīng)濟(jì)調(diào)度約束條件復(fù)雜、計(jì)算量大、優(yōu)化問題具有非線性特性等缺陷。

文獻(xiàn)[14]提出了一種城市電網(wǎng)規(guī)化中多階段變電站規(guī)劃優(yōu)化的新算法。該算法先用貪心法快速求解目標(biāo)年新建變電站的座數(shù)和各變電站（包括已有變電站）的目標(biāo)年容量，再利用Hopfield神經(jīng)網(wǎng)絡(luò)算法計(jì)算新建變電站的位置和各變電站（包括已有變電站）在各規(guī)劃階段的供電范圍，最后確定各變電站在各階段的真實(shí)容量及投建計(jì)劃。

文獻(xiàn)[15]提出利用兩級人工神經(jīng)網(wǎng)絡(luò)進(jìn)行系統(tǒng)無功/電壓控制。第一級人工神經(jīng)網(wǎng)絡(luò)檢測出系統(tǒng)中無功/電壓越限的節(jié)點(diǎn)，第二級是給出校正對策。為了加速樣本訓(xùn)練收斂速度，還提出一種加速B-P算法，使系統(tǒng)收斂速度大為提高。

文獻(xiàn)[16]提出利用多層Hopfield神經(jīng)網(wǎng)絡(luò)求解機(jī)組組合優(yōu)化問題。通過構(gòu)造合適的能量函數(shù)使得單層Hopfield神經(jīng)網(wǎng)絡(luò)可以解決某一時(shí)刻的機(jī)組出力問題，與之相對應(yīng)的多層神經(jīng)網(wǎng)絡(luò)可以解決任意時(shí)間段的機(jī)組出力問題。通過對已有文獻(xiàn)的算例進(jìn)行計(jì)算比對，所得結(jié)果和遺傳算法基本一致，但Hopfield神經(jīng)網(wǎng)絡(luò)通過解微分方程組來確定最優(yōu)解，計(jì)算時(shí)間相對較少。

文獻(xiàn)[17]在傳統(tǒng)混沌神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，提出了一種具有衰減混沌噪聲的混沌模擬退火神經(jīng)網(wǎng)絡(luò)模型，該模型結(jié)合了Hopfield神經(jīng)網(wǎng)絡(luò)與模擬退火算法的優(yōu)點(diǎn)，從而使該模型可以有效地解決高維、離散、非凸的非線性約束優(yōu)化問題。對電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配問題的應(yīng)用表明，該模型的算法是可行和有效的。

2.5負(fù)荷預(yù)測

負(fù)荷預(yù)測是人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)應(yīng)用研究的一個(gè)主要領(lǐng)域。由于負(fù)荷和影響負(fù)荷變量之間的關(guān)系難以用精確的數(shù)學(xué)模型加以描述，因此增加了模型的復(fù)雜性。而人工神經(jīng)網(wǎng)絡(luò)不依賴于輸入變量和預(yù)測負(fù)荷之間的明確的表達(dá)式，輸入變量和預(yù)測負(fù)荷之間的關(guān)系是通過訓(xùn)練過程得到。此外，該技術(shù)還適于解決時(shí)間序列預(yù)測問題 （尤其是平穩(wěn)隨機(jī)過程的預(yù)測）。因此，人工神經(jīng)網(wǎng)絡(luò)技術(shù)在電力系統(tǒng)負(fù)荷預(yù)測中的應(yīng)用理論是可行的。

文獻(xiàn)[18]提出的混合模型神經(jīng)網(wǎng)絡(luò)短期負(fù)荷預(yù)測方法同時(shí)具有人工神經(jīng)網(wǎng)絡(luò)捕獲各種變化趨勢、逼近非線性關(guān)系的優(yōu)點(diǎn)以及傳統(tǒng)電力系統(tǒng)負(fù)荷預(yù)測線性模型方法的快速收斂、實(shí)時(shí)跟蹤的優(yōu)點(diǎn)，取得了較好的預(yù)測效果。文獻(xiàn)[19]根據(jù)電力系統(tǒng)短期負(fù)荷變化的特性，提出了BP模型在實(shí)際負(fù)荷預(yù)測應(yīng)用中方法和步驟，對BP網(wǎng)絡(luò)、樣本空間、收斂性等作了有針對性的研究，結(jié)果表明：多層神經(jīng)網(wǎng)絡(luò)應(yīng)用于電力系統(tǒng)短期負(fù)荷預(yù)測是可行和有效的，其預(yù)報(bào)結(jié)果比傳統(tǒng)的負(fù)荷預(yù)測方法更準(zhǔn)確、經(jīng)濟(jì)、效果更好。

文獻(xiàn)[20]根據(jù)廣東省電力市場競價(jià)規(guī)則和競價(jià)模式，針對電力負(fù)荷預(yù)測，利用布朗二次多項(xiàng)式指數(shù)平滑法和常規(guī)BP網(wǎng)絡(luò)和遞推合成神經(jīng)網(wǎng)絡(luò)的方法開發(fā)了滿足負(fù)荷預(yù)測標(biāo)準(zhǔn)的預(yù)測模型，通過實(shí)例證明了預(yù)測模型是合理的、可用的。

3結(jié)束語

當(dāng)代科學(xué)技術(shù)發(fā)展的重要趨勢就是各學(xué)科的相互滲透和交叉，電力系統(tǒng)中仍然存在著很多的非線性問題，用傳統(tǒng)的方法，難以得到滿意地解決，而人工神經(jīng)網(wǎng)絡(luò)理論作為一種人工智能的方法，則能夠滿意的解決此類問題。因此，隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，更多且更復(fù)雜的電力系統(tǒng)非線性問題都可以得到解決。

[1]CHAN E.Application of Neural Network Computing in Intelligent Alarm Processing[C].IEEE Conference PICA’89，Seattle，1989.

[2]楊啟平，藍(lán)之達(dá).基于人工神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷[J].變壓器，2000，37（3）：33-36.

[3]何雨儐，薛模根.基于神經(jīng)網(wǎng)絡(luò)的電機(jī)狀態(tài)監(jiān)測與早期故障診斷[J].電工技術(shù)學(xué)報(bào)，1997，12（5）：41-44.

[4]張津春，茶幡淳.采用人工神經(jīng)網(wǎng)絡(luò)技術(shù)對高壓線纜絕緣破壞預(yù)測的研究[J].河北工業(yè)大學(xué)學(xué)報(bào)，1998，27（3）：53-58.

[5]陳偉根，鄧幫飛.小波包能譜熵與神經(jīng)網(wǎng)絡(luò)在斷路器故障診斷中的應(yīng)用[J].重慶大學(xué)學(xué)報(bào)，2008，31（7）：744-748.

[6]張海龍，關(guān)根志.基于改進(jìn)ART2神經(jīng)網(wǎng)絡(luò)的絕緣子故障在線診斷[J].湖南大學(xué)學(xué)報(bào)，2008，35（10）：41-45.

[7]房鑫炎，鐘 聰，沈芳良.基于人工神經(jīng)網(wǎng)絡(luò)自適應(yīng)電流保護(hù)[J].繼電器，2000，28（5）：16-19.

[8]都洪基，鄧 烽，蘇煒宏.基于人工神經(jīng)網(wǎng)絡(luò)的自適應(yīng)距離保護(hù)[J].繼電器，2002，30（2）：38-41.

[9]王 鋼，李 遙，劉眾仆，等.基于ANN的超高壓輸電線路方高頻保護(hù)[J].電力系統(tǒng)自動(dòng)化，1998，22（5）：18-21．

[10]賈德香，韓 凈．神經(jīng)網(wǎng)絡(luò)差動(dòng)保護(hù)技術(shù)[J].電工技術(shù)，2003（3）：11-12．

[11]胡香玲，馮 浩，華 亮.基于RBF神經(jīng)網(wǎng)絡(luò)的變壓器保護(hù)[J].電氣應(yīng)用，2005，24（10）：59-62．

[12]羅 建，李亞軍.基于神經(jīng)網(wǎng)絡(luò)模型的母線保護(hù)[J].電力系統(tǒng)自動(dòng)化，2002，26（11）：41-44.

[13]陳祥光，裴旭東.人工神經(jīng)網(wǎng)絡(luò)技術(shù)及應(yīng)用[M].北京：中國電力出版社，2003.

[14]高煒欣，羅先覺.基于Hopfield神經(jīng)網(wǎng)絡(luò)的多階段配電變電站的規(guī)劃優(yōu)化[J].電工技術(shù)學(xué)報(bào)， 2005，20（5）：58-64.

[15]岑文輝，李國有，孔 慧.應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行無功/電壓控制[J].中國電機(jī)工程學(xué)報(bào)，1992，12（3）：60-65.

[16]高煒欣，穆向陽，湯 楠，等.Hopfield神經(jīng)網(wǎng)絡(luò)在機(jī)組組合問題中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2009，29（4）：1028-1031.

[17]毛亞林，張國忠，朱 斌，等.基于混沌模擬退火神經(jīng)網(wǎng)絡(luò)模型的電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配[J].中國電機(jī)工程學(xué)報(bào)，2005，25（3）：65-70.

[18]賴曉平.混合模型神經(jīng)網(wǎng)絡(luò)在短期負(fù)荷預(yù)測中的應(yīng)用[J].控制理論于應(yīng)用，2000，17（1）：69-72.

[19]胡 暉，楊 華，胡 斌.人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)短期負(fù)荷預(yù)測中的應(yīng)用[J].湖南大學(xué)學(xué)報(bào),2004，31（5）：51-53.

[20]林艷妮.電力市場發(fā)電側(cè)競價(jià)上網(wǎng)研究[D].重慶：重慶大學(xué)，2004.