2016全国膜会议报告计算.pptVIP

膜计算应用问题----机器人控制 公开问题---移动机器人膜控制器 并行分布式实现问题 多线程数值膜系统仿真器 仿真器计算效率和并行问题: 膜控制器计算效率取决于仿真器 路径规划+膜系统仿真器：软硬件平台 硬件化数值膜系统：摆脱Windows多任务功能局限, 实现并行快速计算 基础知识---移动机器人膜控制器 膜系统: (酶)数值、其他数值P系统？ 控制器: PID, 滑模控制, 预测控制，等等 执行器: 移动机器人 (导航、定位、路径规划、环境地图创建SLAM、环境感知, 等等) 软件: P系统仿真器、机器人仿真软件，等 硬件: P系统硬件平台 膜计算故障诊断 SNP解决故障诊断 问题的探讨 背景 继电保护之间的动作配合是复杂的多对多关系； 电网规模很大，节点数多； 后果 停电区域较大，需要建立多个SNP模型来反映这些关系； 维数大，状态爆炸，诊断速度下降； 思考 SNP如何对复杂/大规模电网进行建模？ SNP可以有效地避免其他方法出现的维数大状态爆炸的问题吗？ 复杂电网的冲击 背景 SNP推理模型变迁阀值设置，设置方法主要依靠经验； 后果 人为依靠经验，主观性太强，缺乏客观理论依据； 思考 从电网角度来看：如何依靠历史经验/数据或基于电网的特点给出较为精确的阈值设定？ 从模型角度来看：依靠学习方法自动调整阈值 阈值设定的困惑 背景 故障诊断主要用离散变量（开关量）信息诊断，忽略了连续变量（电气量）丰富的故障诊断信息； 后果 离散变量的诊断容错性在理论上一直受到质疑与诟病，但是连续变量可以有效地弥补该缺陷； 思考 电气量如何转化为SNP可识别的输入变量？ 电气量和开关量如何在SNP中共存？ 连续变量的弥补 背景 在线诊断一直是故障诊断的终极目标，是保证电网安全和实时运行的重要保证； 后果 对模型的快速诊断和推理提出了高标准、高要求； 思考 SNP的快速推理性和建模如何保证？ SNP的在线学习算法？ 在线诊断的挑战 背景 SNP推理模型具有其自身的优势，如图形化模型直观简洁，矩阵推理易于理解等。但是其建模过程繁琐，且目前主要集中于故障元件识别，故障定位、故障恢复等能力上还有待提高； 后果 过于强调逻辑性限制了适用范围； 推理繁琐降低了诊断速度； 思考 优势互补，将其它智能技术与SNP模型融合，如利用机器学习具有其预测能力的优势，形成优势互补 适用范围的局限 背景 目前膜计算故障诊断方法主要基于SNP框架，且侧重于传统电网中诊断结果的准确性； 后果 没有深度挖掘出膜计算的潜力; 思考 值得探索：细胞型、组织型是否同样适用 于故障诊断？有何优势？ 其他性能指标：诊断速度、计算复杂度和故障元件误报率等； 大规模新能源接入电网后的故障诊断？ 膜计算优势的深度挖掘 背景 算法目前集中于手工推理和Matalab仿真； 后果 实用化开发度弱; 思考 实用软件系统开发; 硬件实现，如基于FPGA的硬件实现等 实用化平台的开发 SNP解决故障诊断问题的基础知识 快速进入课题的秘诀——两大法宝 电力系统专业知识 ——继电保护 膜计算 —FRSNPS 膜计算在电力系统故障诊断中的应用 脉冲值取区间[0, 1]的实数（模糊数），表示神经元 内脉冲的位势值，而不再是SNPS中取值为任意自然数，表示神经元内所包含脉冲的个数； 每个神经元表示一个模糊命题（命题神经元）或者一条模糊产生式规则（规则神经元）；相应地， 等于命题的模糊真值或模糊产生式规则的确定性因子； 每个神经元只包含一条点火规则，形如 ； 不考虑时间延迟，即所有神经元一直处于开放状态； 神经元扩展为两大类：命题神经元和规则神经元。 FRSNPS与SNPS的区别 模糊产生式规则：一般表示为 IF- THEN 形式，其基本形式是：IF P THEN Q 或 P→Q 其中，P是产生式的前项，称为前件模糊命题，表示该产生式的前提条件，如果前提条件包含多个条件，通常这些条件由逻辑连接词AND或OR 构成不同的组合；Q 是产生式的后项，称为后件模糊命题，通常表示结论或操作，即当前件命题 P所指的条件满足时，应得出的结论或执行的操作。 FRSNPS—模糊产生式规则 FRSNPS—模糊产生式规则 继电保护原理 由于线路的特殊性，线路的每级保护又分别