改进范例推理在短期负荷预测中的应用

范例推理是人工智能领域中一种新兴的推理方法，基于范例的推理就是充分利用以前的经验进行推理，求解新问题的过程。文中针对短期负荷预测具有明显周期性的特点，提出了基于范例推理的短期负荷预测方法。首先说明了范例的表示、组织方法，然后选择合适的量度方法进行范例的检索、匹配，最后将得到的最相似范例集进行重用、修正，得到最终预测结果。在范例表示中，使用粗糙集方法为范例属性特征的选择及权重的确定问题提供了一个合理的方法。经实例验证和比较，基于范例推理的负荷预测方法在提高预测精度方面具有明显的优越性。     

基于模糊粗糙集和神经网络的短期负荷预测方法

针对采用神经网络进行电力系统短期负荷预测时其网络输入变量的选择是影响预测效果的关键问题，该文提出使用模糊粗糙集理论解决这一问题：对采集到的信息进行特征提取、形成决策表；利用模糊粗糙集理论进行属性约简、去除冗余信息；用得到的属性作为BP网络的输入进行训练预测。该方法既全面考虑了影响负荷预测的历史时间序列、气象等各种因素，为合理地选择神经网络的输入变量提供了一种新的方法，又避免了由于输入变量过多而导致神经网络拓扑结构复杂、训练时间长等不足。计算实例表明，文中提出的方法是有效且可行的。     

粗糙集理论在短期电力负荷预测中的应用

影响负荷预测精度的因素众多,为了找到负荷值与各种外在因素之间的关系,利用粗糙集理论对各条件属性进行属性约简分析,从而找到与负荷直接相关的因素,然后将它作为神经网络的输入量进行负荷预测。遗传算法用于属性约简的寻优计算和神经网络的权值修正,经仿真分析证明预测精度和速度都得到改善。     

粗糙集理论及其在短期电力负荷预测中的应用

影响负荷预测精度的因素众多,为了找到负荷值与各种外在因素之间的关系,利用粗糙集理论对各条件属性进行属性约简分析,在属性约简算法中采用遗传算法进行寻优计算,找到与负荷直接相关的因素,然后将它作为模糊神经网络的输入矢量进行负荷预测.经仿真分析证明预测精度和速度都得到改善.     

基于事例推理原理的陕西省电网短期负荷预测

利用基于事例推理的短期负荷预测系统,确定了负荷预测事例的特征及事例表示方式,同时还确定了选择最佳相似事例的方法,使预测结果的可用性得以提高。对陕西电网进行了仿真计算,结果表明采用本文方法得到的预测精度有了显著提高。     

霍普金斯统计在短期负荷预测中的应用探讨

提出了一种评价电力负荷受各相关因素影响的分析方法。该方法利用霍普金斯统计获取地区年度负荷霍普金斯统计值曲线,通过该曲线综合评价气候变化、季节更替、降雨量、温度等因素对电力负荷的影响程度。在此基础上,根据霍普金斯统计值选择和调整输入节点、样本集空间大小等预测策略,实现与支持向量机短期负荷预测方法的有效结合,并对96个时刻点的日负荷曲线进行仿真预测,结果表明,霍普金斯统计方法在分析地区负荷影响因素的应用中是有效可行的。     

基于事例推理的电力系统短期负荷预测

短期负荷预测对于电力系统安全、稳定、经济地运行有重要意义。将粗糙集信息熵理论和统计学主成分分析方法用在负荷事例属性的约简上,分别针对负荷数据的重要性和相关性进行了有效处理。这样,不仅减少了事例重用过程的训练时间,还有效控制了次要负荷因素对重要因素的干扰;在事例修正过程中,针对非正常日提出一些有效的修正方案。最后,用河北省保定供电公司2000~2004年的负荷数据对该方案验证,结果表明,提出的预测方案是有效,可行的。     

维纳滤波在短期负荷预测中的应用

针对大型特种钢铁企业所产生的冲击负荷影响地区负荷曲线的问题,介绍了一种利用维纳滤波对冲击负荷进行预处理的方法。对负荷曲线进行了频谱分析,得出维纳滤波具有过滤冲击负荷、消除毛刺使预测曲线光滑易于人工调整的优点。根据用维纳滤波在江苏苏州电网短期负荷预测中的实践,经过维纳滤波后的负荷曲线光滑平顺,可以提高预测算法的准确率。     

决策树在短期电力负荷预测中的应用

提出用C45决策树方法解决负荷预测的样本多样性问题。并进行短期负荷预测。通过计算信息增益找出决策树的最佳生成方案,对连续属性计算其熵值找出最佳分段点进行离散化,阐述了规则的生成及其在短期电力负荷预测中的应用方法,算例结果表明,计算精度较高。     

人工神经网络在电力系统短期负荷预测中的应用

提出了基于多层前馈神经网络误差择向传播（BP）模型的电力系统短期负荷预测的方法,根据电力系统短期负荷变化的特性建立了既反映电力系统负荷连续性、周期性及其负荷的变化趋势,又包含天气变化对系统负荷的影响的日负荷模型,以此作为对BP神经网络进行训练的向量样本集。通过实例表明ANN应用于电力系统短期负荷预测的是平行的,有效的,其预报结果比传统的负荷预测方法更准确。     

网格化的电力系统短期负荷预测的MDRBR模型

针对大电网的短期负荷预测,建立了按地域划分的网格化电力系统短期负荷预测模型.各子网格根据自身的历史负荷和气象条件建立对网格更为有效的负荷预测模型,并采用了面向粗糙集的默认规则挖掘算法(MDRBR--mining default rules based on rough set)构造各单一预测模型,从而获得更加准确的预测结果.文中首先描述了MDRBR算法,然后分析研究了网格化的日负荷多层规则网络构造过程,并给出了基于MDRBR算法的日负荷预测过程以及对某地历史数据的负荷预测结果.分析结果表明,该网格化负荷预测模型能更加准确地得出预测结果,有效地减少噪声,计算简单,且规则搜索效率高.     

突变期电力负荷预测方法及其应用

为提高天气突变期电力负荷预测的精确度,分析了气象敏感因素对突变期电力负荷的影响,提出了负荷-天气突变修正策略,结合数据挖掘模型,并利用组合预测方法相对于单一预测模型的优势,设计了一种基于组合预测的突变期电力负荷预测方法.统计结果表明该方法显著提高了突变期的负荷预测精确度,对安徽电网电力总负荷的预测结果证明了该方法的有效性和优越性.     

基于粗糙集数据挖掘的配电网小区空间负荷预测方法研究

提出了一种新颖的配电网空间负荷预测方法,采用粗糙集(RS)数据挖掘方法对可能影响小区用地决策的相关属性进行约简,去除冗余属性,克服了以往方法受人为因素影响较大的弱点,得出决定小区用地类型的决策规则,从而得到每个小区适于发展各类负荷的程度,再运用全局最优的土地分配算法来计算各小区内各类负荷的增长,克服了仿真法不能得到整个土地最优分配方案决策的弱点.最后用实例说明了该方法的有效性.     

应用软计算和数据挖掘的短期负荷预测

负荷预测分为坏数据处理和预测建模2个步骤，目前尚无一种系统化的有效方法对坏数据进行精确的辨识。模糊系统是多因素短期负荷预测建模的一种较好的方法，但其结构辨识是一个难点，文中将数据挖掘思想和软计算方法相结合，较好地解决了上述问题，并对实际数据加以分析，获得了良好效果。     

短期负荷预测的组合数据挖掘算法

给出了一种短期电力负荷预测的组合数据挖掘算法.通过日负荷特性分析,在设定长度的最近历史日期中选择与预测日天气最相似的为基准日,通过该模式下天气相似日的相关影响因素差异与相应负荷变化率关联规则挖掘建模,挖掘模型算法采用C4.5和CART算法的基于BP网络加权组合,算法还基于范例推理给出节假日调整因子校正节假日的影响,设计出一种高精确度短期负荷预测系统.实际应用结果表明该组合算法预测精确度高、效果良好.     

电力负荷的模糊粗糙集预测方法研究

通常空间电力负荷的影响因素较多 ,小区划分较小时模糊推理规则将成倍增加 ,为此引入了粗糙集理论的属性约简方法简约预测因子 ,即采用粗糙集理论的不可分辨性关系约简可能影响小区用地决策的距离和环境等相关属性 ,得出决定小区用地类型的决策推理规则库 ;为克服模糊理论确定权重系数的主观性 ,应用粗糙集理论中属性重要度分析计算了各条件属性对各用地类型的不同权重。重庆江北某区域空间电力负荷预测的结果显示 ,粗糙集与模糊集理论相结合能节约存储空间且能提高预测速度     

基于增量约简算法确定电力负荷预测模型输入参数

针对电力系统中有众多因素影响负荷预测精度的问题,文中引入粗糙集理论中的属性约简算法来挖掘与待预测量相关性大的各属性,保证预测模型输入参数的合理性,解决了神经网络模型输入参数的确定问题.针对基于区分矩阵约简算法是NP问题的弱点,提出了基于属性优先级函数的启发式约简算法(RAPHF);针对负荷预测过程中样本数据是滚动更新的特点,在RAPHF的基础上提出了具有动态挖掘能力的粗糙集增量算法RAPHF-I.通过短期负荷预测的实例研究,证实了文中改进算法的有效性.     

神经网络短期负荷预报模糊化改进

提出了一种简洁实用的基于模糊集的神经网络电力系统短期负荷预报方法 ,计及了天气和日期特征量 ,具有较高的预测精度。采用两种学习算法 ,用实际数据对ANN进行了训练 ,通过比较得出了优化模型。计算实例表明用该方法是可行的、有效的