软计算方法和数据挖掘理论在电力系统负荷预测中的应用

摘要

该文概述了数据挖掘技术的有关内容,着重阐述其中两种重要的思想:分类方法与聚类分析,并详述它们的具体实现方法.该文关于负荷预测问题的研究始终贯穿了这两种思想.神经网络和模糊系统是软计算的重要基础,它们是设计智能系统的精髓.该文详细讨论了BP网、Kohonen网两种神经网络和TSK型模糊推理系统的原理、结构和算法等基本问题,其中前两者用于对负荷坏数据的处理,后者用在多因素负荷预测建模.负荷坏数据辨识是由负荷曲线抗差聚类和坏数据曲线模式分类两个顺序的过程组成的;该文通过对Kohonen网的抗差聚类和BP网模式分类的效果分析,设计由这两种网络组合而成的神经网络模型,较好地完成了坏数据辨识的任务.该文以模糊推理系统为基础,构建自适应神经—模糊系统建立预测模型.建模过程中解决了两个主要问题:模糊建模中的结构辨识问题和ANFIS系统参数辨识的收敛性问题.该文采用决策树分类方法完成结构辨识的任务,初步找出负荷变化的模式,有效减少了系统需要优化调整的参数数量;采用拟牛顿优化方法,较好地解决了大规模参数优化问题.模糊建模的难点是结构辨识中输入变量的选择和输入空间的划分.该文采用CART算法来解决结构辨识问题,它能够剔除无关变量并将输入空间划分成树状结构;在此基础上设计适当的隶属度函数,提高了参数辨识过程的精度和速度.

目录

文摘

英文文摘

第一章绪论

1.1电力系统负荷预测概述

1.1.1影响因素

1.1.2预测方法的研究现状

1.2软计算方法

1.2.1人工神经网络

1.2.2模糊系统

1.2.3遗传算法

1.3数据挖掘

1.3.1数据挖掘的概念

1.3.2数据挖掘的分类

1.3.3数据挖掘的一些问题及需要做的工作

1.4本文的主要工作

第二章软计算方法

2.1人工神经网络

2.1.1神经网络的一般化模型

2.1.2神经网络的基本学习规则

2.1.3主要的几种神经网络

2.2模糊推理系统

2.2.1模糊集合及其运算

2.2.2模糊关系

2.2.3模糊逻辑与模糊推理系统

2.3软计算中的协作和融合

第三章数据挖掘

3.1分类方法

3.1.1决策树分类技术

3.1.2反向传播神经网络分类

3.1.3其它分类算法

3.2聚类分析

3.2.1聚类方法

3.2.2聚类分析的发展趋势

第四章电力负荷数据中的坏数据辨识与调整

4.1负荷坏数据辨识与调整的基本思想

4.2负荷曲线抗差聚类

4.2.1简单的竞争学习

4.2.2竞争学习的价值函数与收敛性

4.2.3自组织特征映射与Kohonen算法

4.2.4采用Kohonen网实现负荷曲线抗差聚类

4.3含有坏数据的曲线模式的分类

4.3.1 BP算法基本计算步骤

4.3.2 BP学习算法的改进

4.3.3非正常曲线模式分类

4.4坏数据辨识的组合神经网络模型

4.5基于特征曲线的坏数据的调整

4.6实例分析

4.6.1组合神经网络训练样本集的产生

4.6.2网络运算及坏数据调整结果

第五章负荷预测的模糊系统模型

5.1基于CART算法的模糊推理系统结构辨识

5.1.1基于局部模型误差指标的树生长算法

5.1.2代价复杂性测度剪枝算法

5.1.3确定模糊推理系统的结构

5.2基于TSK模型的ANFIS网络

5.2.1 ANFIS网络结构

5.2.2决策规则模糊化及ANFIS激励强度归一化

5.3 ANFIS参数优化

5.4负荷预测建模的实例分析

5.4.1建模过程实例分析

5.4.2日负荷预测模型效果分析

第六章结语

参考文献

作者攻读博士学位期间发表的有关学术论文

致谢