论文摘要
粗糙集理论是集合论的扩展,是一种新的软计算方法,可以有效地分析和处理不完备信息,近年来被成功地应用于人工智能、数据挖掘、模式识别等诸多领域。本文主要对粗糙集中的核心问题——连续属性离散化和知识约简问题进行了研究。并且结合配网自动化,运用粗糙集的理论方法对电力变压器故障进行了诊断分析,同时结合神经网络对电力负荷进行了有效预测。本文系统地阐述了粗糙集的基本理论和概念,在这些基本理论的框架下,主要做了以下几个方面的研究:1.粗糙集连续属性离散化。介绍了基于布尔逻辑与粗糙集相结合的离散化方法和基于属性重要性的离散化方法。第一种算法能够求得较为完备的离散化划分,但基于粗糙集和集合论的代数运算,计算量大,不利于处理大量数据信息。基于属性重要性的启发式离散化算法,它能够处理大量的数据,但求得的离散划分并非最优。2.粗糙集理论的属性约简。介绍了基于可辨识矩阵与逻辑运算的属性约简算法,该算法能够获得较为完备的属性约简集,但是计算复杂度度高。接着在MIBARK算法基础上,引入基于属性重要性和适应度的算法。该算法将属性重要度作为启发信息,采用Gini指标函数参与信息熵的计算,以适应度作为算法结束的条件,避开了计算信息决策表的核,复杂度最坏的情况为O(n~2),降低了计算的复杂性。3.利用粗糙集对电力变压器故障进行诊断。利用粗糙集进行数据预处理,然后以ID3算法构建决策树,改进了经典决策树算法的局限性;同时利用粗糙集结合神经网络,基于DGA色谱分析对故障进行诊断定位,有效提高了故障诊断的准确性。4.基于粗糙集与神经网络的电力负荷预测。介绍了不完备数据情况下的负荷预测,采用补齐算法对数据进行补齐,然后利用改进的约简离散算法对属性进行处理,最后用神经网络对属性进行训练,得到预测结果。算例表明取得了满意的结果。
论文目录
摘要Abstract目录第一章 绪论1.1 研究领域介绍1.1.1 粗糙集理论及其特点简介1.1.2 粗糙集理论的应用及发展1.1.3 粗糙集计算平台1.2 本文的研究方向1.2.1 粗糙集连续属性的离散化1.2.2 属性的约简1.2.3 粗糙集理论在电力变压器故障诊断和电力负荷预测中的应用1.3 论文的研究结构概述第二章 粗糙集理论基本概念2.1 知识的表达2.2 上下近似集与粗糙集2.3 属性的依赖度2.4 属性重要性2.5 属性约简和核心2.6 可辨识矩阵与决策规则第三章 粗糙集决策表的离散化与属性约简引言3.1 离散化问题的描述3.2 基于布尔逻辑与粗糙集相结合的离散化方法3.3 基于属性重要性的离散化算法3.3.1 基于属性重要性的离散算法描述3.3.2 实例分析3.4 基于可辨识矩阵与逻辑运算的属性约简3.5 MIBARK（Mutual information-based algorithm for reduction of knowledge）算法3.6 基于信息熵的一种适应度改进属性约简算法3.7 本章小结第四章 基于粗糙集的电力变压器故障诊断引言4.1 电力变压器故障诊断方法介绍4.2 基于粗糙集与决策树相结合的故障诊断4.2.1 决策树ID3算法4.2.2 利用粗糙集理论方法对样本信息进行预处理4.2.3 基于粗糙集的故障诊断决策树构建4.2.4 实际算例分析4.3 基于粗糙集与神经网络的故障诊断方法4.3.1 IEC三比值法4.3.2 基于粗糙集的样本数据预处理4.3.3 利用BP神经网络进行训练4.3.4 实际算例分析4.4 本章小结第五章 基于粗糙集理论与神经网络的电力系统负荷预测引言5.1 电力负荷预测发展现状5.2 粗糙集与神经网络相结合5.3 基于粗集理论的负荷预测模型5.3.1 决策表缺省数据补齐5.3.2 决策表数据离散化处理5.3.3 决策表数据约简5.3.4 利用BP神经网络训练进行负荷预测5.3.5 算例计算分析5.3.6 网络性能分析5.4 本章小结第六章 结束语6.1 论文总结6.2 进一步工作与展望附录1 实际中变压器故障诊断中的样本实例附录2 约简后的样本选择训练集合附录3 原始的样本故障数据表附录4 利用属性重要性离散算法离散后的决策数据表参考文献作者攻读硕士学位期间发表的论文致谢
相关论文文献
标签：粗糙集论文; 属性离散化论文; 属性约简论文; 变压器故障诊断论文; 电力负荷预测论文; 人工神经网络论文;
