数据挖掘建模及其在电力决策支持中的应用研究

摘要

信息技术的飞速发展和全球化的市场竞争为现代企业带来了新的复杂的决策问题,决策环境的不断变化与预测困难程度的加剧,使得传统决策理论与方法面临着巨大的挑战。新一代决策支持系统研究越来越具有重要的理论和实践意义。
　　 本文以电力决策支持系统为应用背景,提出了新颖的集成知识管理、决策支持、人工智能和数据挖掘功能的智能决策系统框架结构。重点研究了决策系统中知识分析工作台相关知识发现模型与算法,即大量存在于电力系统中的一类复杂类型数据-时间序列数据挖掘的模型。主要内容和创新点如下:
　　 借鉴计算机图形学和地图学中的多边形曲线约简思想,将非结构化的时间序列数据进行整合,综合滑动窗口算法在线运算能力和Douglas-Peucker算法高精度的特点,提出了新型时间序列在线多边形约简算法。该算法基于多项式回归分析技术,提供了最小均方误差意义下的时间序列分割,同时既可以实现很高的重构精度,也可用不高的特征空间维数实现高压缩比数据索引。严格的数学证明和实验表明,这种算法对系统的时间和空间复杂性要求很低,适用于电力系统这类数据量巨大的实时系统分析。提出了时间序列线性平均算法,给出了详细理论证明,为后续研究提供了有力的支持。综合符号机器学习的思想,引入生物学DNA分析技术,提出了随机投影方法,通过严格的数学证明和实际性能试验,表明该方法在时间序列特征描述和信息发掘应用中有广阔的发展前景。
　　 在序列间的相似性问题中,迄今典型应用的相似测度是欧几里德距离或者在此基础上的一些改进。本文运用文本信息处理中的非线性弯曲概念,提出了基于动态时间弯曲的时间序列相似性测度和相应的搜索算法。算法对时间序列存在的间隙、偏移或振幅差异的有很强的鲁棒性。通过多边形边界约简和线性平均技术,对时间序列进行降维处理,解决了基于时间弯曲的计算复杂性问题。基于新型相似测度模型,提出了电力市场价格突变预测方法和实现流程,分析了电价突变的影响因素,给出了在动态时间弯曲下的电价突变数据挖掘预测方法。试验结果表明,本文提出的方法有很高的预测精度和可信度。
　　 特征模式挖掘是时间序列研究的核心问题。本文提出了基于云模型形态概念的时间序列模式挖掘技术。使用云模型概念,将时间序列形态特征用语言原子集合来表示,实现定量数据的定性描述。运用“软或”方法,实现了电力价格数据的概念性语言描述,构建了电价概念树结构,算法可以在不同概念层次上对时间序列的特征进行搜索、挖掘。将云特征挖掘方法应用于伴有突变情况的电价预测问题,通过对海量历史数据的学习,将历史经验建构电价数据概念树集,筛选出电价突变的影响因素。通过空间索引技术,使得决策支持系统能实时访间和搜索相似条件下的可行操作方法,给出决策建议。
　　 为了解决决策信息的缺失、数据量庞大、冗余等问题,本文提出了基于容差粗集关系的决策约简和规则发现模型。在经典粗集理论的基础上,提出了在容差关系上的粗集概念,这种带容差的粗集可以直接处理连续特征量,对不相关事物以及非约简集属性不灵敏,且对噪声数据与数据遗失有一定的包容性,可以有效的解决电力系统实时数据的不完整、数据量巨大等问题。同时利用遗传算法对容差的相似阈值以及权重因子进行优化选择。分类实验表明本算法无论在分类精度还是噪声抑制方面都有良好的性能。对电力客户的数据进行分析的基础上,形成客户信用评价的规则库,通过规则库的比较来制定相应的策略,实现了容差粗集模型在电力客户信用度管理中的应用。
　　 最后,提出了一种集成知识管理、决策支持、人工智能和数据挖掘为一体的电力企业决策支持系统平台架构。明确的阐述了实现这种平台所对应的目标和框架结构,提出了知识仓库的基本架构和架构内各模块的功能和相互间的业务流程。知识分析工作台使用了本文提出的各种时间序列数据挖掘模型,实验结果验证了该原型系统的有效性和可行性。

目录

文摘

英文文摘

第1章 引言

1.1 研究背景

1.1.1 行业背景

1.1.2 学术背景

1.1.3 研究意义

1.1.4 选题背景

1.2 数掘挖掘与软计算综述

1.2.1 数据挖掘简介

1.2.2 软计算简介

1.2.3 软计算在数据挖掘中的应用

1.2.4 结论

1.3 数据挖掘在电力行业中的研究现状

1.3.1 数据挖掘在电力行业中的应用

1.3.2 结论

1.4 论文结构与安排

1.4.1 论文内容

1.4.2 技术路线

1.4.3 研究方法

1.5 本文主要创新

第2章 时序数据约简建模与应用

2.1 相关工作

2.2 多边形逼近约简

2.2.1 数学模型

2.2.2 理论证明

2.3 分段平均约简模型

2.3.1 数学模型

2.3.2 理论证明

2.4 实时约简算法

2.5 随机投影降维

2.5.1 数学模型

2.5.2 理论证明

2.6 模型验证试验

2.6.1 发电机DCS运载参数实验

2.6.2 实时分段平均算法实验

2.7 本章小结

第3章 新型距离测度模型与电力价格突变预测

3.1 电力价格预测

3.1.1 相关工作简述

3.1.2 电力价格预测方法论

3.2 电力价格突变

3.2.1 价格突变定义

3.2.2 识别价格突变的主要因素

3.3 新型距离测度研究

3.3.1 动态时间弯曲

3.3.2 动态编程技术

3.4 快速动态时间弯曲

3.4.1 边界定理

3.4.2 分段平均动态时间弯曲

3.4.3 验证试验

3.5 基于形态特征相似搜索的突变预测

3.5.1 相似性搜索

3.5.2 突变发生器验证试验

3.6 本章小结

第4章 云特征挖掘模型与电价预测

4.1 云模型基本概念

4.1.1 云模型

4.1.2 云运算

4.1.3 云变换

4.2 云模型特征发现算法

4.2.1 定义

4.2.2 特征获取

4.3 带有突变分析的电价预测模型

4.3.1 模型结构

4.4 云模型特征发现模型在电价突变中的应用

4.5 本章小结

第5章 容差粗集模型与客户信用度分析

5.1 粗集的基本知识

5.1.1 信息表

5.1.2 不可分辨关系

5.1.3 集合的下近似及上近似

5.1.4 约简与核

5.1.5 决策系统

5.2 粗集模型概述

5.2.1 代数粗集模型

5.2.2 概率粗集模型

5.3 容差粗集

5.4 遗传算法与参数选择

5.4.1 染色体表示

5.4.2 初始种群和适应函数选择

5.4.3 遗传操作

5.4.4 验证实验

5.5 容差粗集模型在电力用户信用度分析中应用

5.5.1 电力客户信用分析

5.5.2 基于容差粗集方法的客户信用分析

5.6 本章小结

第6章 电力企业决策支持应用平台实例

6.1 决策系统建设目标和要求

6.1.1 知识的存贮和提取

6.1.2 分析任务管理

6.1.3 新知识的反馈和存贮

6.2 PEDSS的基本架构

6.2.1 知识获取模块

6.2.2 反馈环

6.2.3 数据/知识预处理模块

6.2.4 知识仓库存贮模块

6.2.5 知识分析工作台

6.2.6 通讯管理

6.3 PEDSS平台的技术设计

6.3.1 Web Services介绍

6.3.2 使用Web服务的优势

6.4 系统框架设计

6.4.1 用户接口

6.4.2 知识分析工作台

6.4.3 网络通讯

6.5 系统实现

6.5.1 软件配置

6.5.2 实例举例

6.6 本章小结

第7章 结论与展望

7.1 本文的主要贡献

7.2 未来研究重点

参考文献

致谢

个人简历 在读期间发表的学术论文与研究成果