论文题目: 数据挖掘和人工智能理论在短期电力负荷预测中的应用研究
论文类型: 博士论文
论文专业: 电气工程,电力系统及其自动化
作者: 冯丽
导师: 邱家驹
关键词: 短期电力负荷预测,数据挖掘,人工智能,信息理论,聚类分析,分类,关联规则挖掘,粗糙集理论,遗传优化算法,模糊分类系统,模糊神经网络
文献来源: 浙江大学
发表年度: 2005
论文摘要: 电力系统短期负荷预测是电力部门的一项重要工作。它关系到电力系统的调度运行和生产计划,准确的负荷预测有助于提高系统的安全性和稳定性,能够减少发电成本。随着电力市场的建立和发展,短期负荷预测将发挥越来越重要的作用。 本文从改进负荷预测历史数据的准确度和相关性,降低神经网络输入矢量冗余度,以及优化神经网络模型结构的角度出发,探讨了电力系统负荷的组成和特点,分析了与电力负荷预测相关的各种因素对短期电力负荷预测影响,研究了短期电力负荷预测的现状和存在的问题,并在此基础上进行了系统深入的研究和探索,主要的研究工作如下: 电力负荷是一个随机非平稳过程,其负荷观测值由于受到各种因素的影响,可能会存在某些“坏数据”或“不良数据”,这些数据夹杂在正常的负荷数据中参与神经网络的训练,严重影响了负荷预测的精度。本文在传统聚类算法—CURE的基础上,引入信息熵的概念,提出了一种新型的电力负荷离群数据挖掘算法,实现了对不良数据的准确辨识和修正,还可为电力调度部门提供有用的信息。 通过对历史负荷数据规律性,以及负荷与各种外界环境因素关联性的分析,发现良好的负荷模式分类可为电力负荷预测提供更为全面准确的历史样本数据。为此本文提出了一种基于多目标遗传优化算法的模糊分类系统,它解决了传统模糊分类系统在多维输入矢量情况下的维数灾难问题,并兼顾了分类规则的准确性和可解释性。同时,在此算法中采用关联挖掘算法来缩小遗传优化算法的寻优空间,改善遗传算法的搜索性能,取得了较好的分类效果。它可为电力负荷预测提供更为准确全面的训练数据,有效改善负荷预测(特别是历史数据相对较少的节假日负荷预测)的精度。
论文目录:
摘要
Abstract
目录
图表目录
第一章 绪论
1．1 概述
1．2 短期电力负荷预测的发展和现状
1．2．1 短期电力负荷预测的发展过程
1．2．2 短期电力负荷预测的传统方法
1．2．3 短期电力负荷预测的研究现状
1．3 数据挖掘
1．3．1 数据挖掘定义
1．3．2 常用数据挖掘算法
1．4 本文的主要工作
参考文献：
第二章 基于离群数据挖掘的负荷数据预处理
2．1 引言
2．2 离群数据挖掘算法比较
2．2．1 基于统计的方法
2．2．2 基于聚类的方法
2．2．3 基于人工神经网络的方法
2．3 基于CURE的电力负荷离群数据挖掘算法
2．3．1 CURE算法的基本步骤
2．3．2 对CURE算法进行改进的几个基本点
2．3．3 信息论的基本概念
2．3．4 电力负荷异常数据辨识
2．3．5 异常数据修正
2．4 基于离群数据挖掘的电力负荷数据校正
2．4．1 数据集的产生
2．4．2 基本参数选择
2．4．3 算法性能比较
2．5 小结
参考文献：
第三章 电力负荷模式分类
3．1 概述
3．2 负荷模式
3．2．1 电力负荷模式分析
3．2．2 影响负荷水平的气象条件
3．3 基于模糊规则的分类系统
3．3．1 电力负荷模式类别定义
3．3．2 模糊规则的生成
3．3．3 模糊推理
3．4 基于模糊规则的分类系统面临的问题
3．5 小结
参考文献：
第四章 基于多目标遗传分类优化算法的电力负荷预测
4．1 多目标优化问题
4．1．1 多目标优化问题的基本定义
4．1．2 遗传算法
4．1．3 遗传算法与多目标优化
4．2 常见多目标优化算法
4．2．1 多目标优化算法的分类
4．2．2 各种多目标优化算法的基本特点
4．3 基于多目标遗传优化算法的分类系统
4．3．1 关联规则挖掘
4．3．2 启发式规则选择
4．3．3 基于多目标遗传优化算法的模糊规则寻优计算
4．4 基于多目标遗传优化的电力负荷模式分类实例分析
4．4．1 基本参数设置
4．4．2 分类性能分析
4．4．3 负荷预测性能比较
4．5 小结
参考文献：
第五章 基于粗糙模糊神经网络的短期电力负荷预测
5．1 概述
5．2 粗糙集理论基础
5．2．1 信息系统
5．2．2 不可分辨关系
5．2．3 集合的近似
5．2．4 近似的度量
5．2．5 辨别矩阵和辨别函数
5．2．6 属性的约简和核
5．2．7 属性的相对约简
5．2．8 属性的依赖度和重要性
5．2．9 决策规则
5．3 基于粗糙集理论的负荷预测模型
5．3．1 相关因素的确定
5．3．2 属性约简
5．4 粗糙模糊神经网络
5．4．1 模糊神经网络
5．4．2 粗糙集与模糊集
5．4．3 粗糙集与神经网络
5．4．4 粗糙模糊神经网络设计
5．5 小结
参考文献：
第六章 短期电力负荷预测实例分析
6．1 最佳约简集计算
6．2 根据最佳约简集建立决策规则
6．3 神经网络输入矢量
6．4 神经网络输出矢量
6．5 算法性能分析
6．6 小结
第七章 本文主要结果总结
作者攻读博士学位期间发表的有关学术论文
致谢
发布时间: 2005-07-14
参考文献
- [1].非侵入式电力负荷分解与监测[D]. 黎鹏.天津大学2009
- [2].电力时间序列的混沌识别与短期预测[D]. 王桓.湖南大学2009
- [3].电力系统负荷区间预测[D]. 方仍存.华中科技大学2008
- [4].电力系统负荷模型结构与参数辨识的研究[D]. 张红斌.华北电力大学（北京）2003
- [5].基于群集智能与算法融合的电力负荷组合预测[D]. 陆宁.华中科技大学2010
- [6].基于多指标模型的电力负荷预测研究[D]. 叶世杰.重庆大学2010
标签：短期电力负荷预测论文; 数据挖掘论文; 人工智能论文; 信息理论论文; 聚类分析论文; 分类论文; 关联规则挖掘论文; 粗糙集理论论文; 遗传优化算法论文; 模糊分类系统论文; 模糊神经网络论文;