电力系统短期负荷预测的智能模型建模方法研究

《电力系统短期负荷预测的智能模型建模方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、}一海交通人学博{j后研究I+作报告摘要电力系统短期负荷预测是电力系统调度运营和用电服务部门的一项重要的曰常工作，其预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量，它的特点可以归纳为：要预测的数据个数多、影响预测的物理因素复杂且具有随机性和预测精度要求高等。智能技术(如神经网络、模糊系统和专家系统等)是建立计及各种影响因素的短期负荷预测模型的常用方法，本文的工作主要是研究结合粗糙集理论和其它数据处理方法建立短期负荷智能预测模型的方法，其内容包括对基于粗糙集理论的知识获取方法进行了系

2、统深入的分析和研究：提出了基于信息熵的决策表连续属性变量的粗糙集离散化算法，即首先对每一个候选断点定义了信息熵，以此作为对断点重要性的量度，在此基础上给出了断点选择的祖糙集连续属性离散化算法。针对BP神经网络预测模型的学习问题，提出了基于神经元逐个优化的线性快速学习算法。对BP神经网络预测模型的建模问题，研究了采用粗糙集理论的建模方法，即采用粗糙集理论对模型输入变量进行辨识，采用粗糙集理论获取的推理规则构筑神经网络结构，该建模方法避免了在建立负荷预测模型时的盲目性。对建立TSK模糊系统预测模型，研

3、究了将粗糙集理论和正交最小二乘方法相结合的建模方法。此方法采用粗糙集理论对模型输入变量进行辨识和确定输入空间的模糊集划分，由粗糙集离散化算法得到的区域对应确定候选模糊推理规则，再采用改进的正交最小二乘算法对候选模糊规则进行选择确定最终的模糊系统。对短期F1负荷曲线预测研究了规范化预测的建模方法。研究了适宜负荷预测问题的可控聚类方法，研究了将粗糙集理论、主成分分析和可控聚类方法相结合建立规范化H负荷曲线预测模型的建模方法。关键词：短期负荷预测，日负荷预测，粗糙集，神经网络，模糊系统，主成分分析可控聚

4、类，正交最小二乘，影响因素J_=海交通大学博士后研究一I：作报告AbstractTheshoft—termloadforecastofelectticpowersystemisallimportantroutineforpowerdispatchandutilitydepartments．Itsprecisionwillinfluencetheeconomicandsecureoperationofpowersystemsandqualityofpowersupply．Thefeaturesofs

5、hort—termloadfclrecastcanbegeneralizedasfollowings：manydataneedtobeforecasted，thephysicalfactorswhichinfluenceforecastarecomplicatedandrandom，andhighprecisionofforecastisdemanded．Theartificialintelligenttechniquesareusuallywaysofbuildingforecastingmod

6、elscombinedaffectingfactors，Thisthesismainlycontributetostudythemethodofbuildingintelligentmodelforshort-termlcadforecastbymeansofroughesttheoryandsomedataprocessmethod．ItcoversasfollowsThemethodofknowledgeacquisitionbasedonroughesttheoryisstudiedanda

7、nalyzedfullyanddeeply．Itisstudiedanewroughest·discretizationalgorithmofrealattributesindecisiontablebasedoninformationentropy,thatis，ainformationentropyisdefinedforeverycandidatecutpointandtreatedasameasurementofimportance，andthenadiscretizationalgori

8、thmofcontinueattributesinroughsetforselectingcutpointsisgiven．Itissuggestedafastlearningalgorithmforfeedfowardneuralnetwclrkbasedonthelayer_bv．1ayerandneuron_bv，neuronoptimizingprocedure．Selectionofinputvariablesanddeterminationofappropriatene