粗集理论在电力系统负荷预测中的应用

电力负荷预测的准确性对于电力系统的合理规划与建设意义重大.影响负荷预测准确性的最主要因素是原始数据的不确定性.文章应用粗集理论研究了历史数据不确定性影响下的电力系统中长期负荷预测问题.在结合具体实例的基础上,应用粗集理论给出了从负荷预测建模、缺失数据补齐、有效数据筛选到决策规则生成、最终得出负荷预测结果的一完整的预测过程.算例分析表明,应用粗集理论解决数据不确定性影响下的电力负荷预测是可行的.     

基于随机森林遥相关因子选择的月径流预报北大核心CSCD

流域径流过程与大尺度气候因子之间存在遥相关关系,如何从众多的水文、气象、大气环流及洋流等因子中找出与径流密切关联的因子,是中长期径流预报的一个难题。将基于贝叶斯优化的随机森林模型应用于对水文、气象、气候因子构成的高维度因子集进行因子选择,根据变量重要性评分挑选对月径流影响较大的预报因子,构建广义回归神经网络、极限学习机、支持向量回归径流预报模型。将该方法应用到金沙江流域,相较于线性相关法,基于随机森林输入因子选择的方法提高了模型泛化性能;遥相关因子的引入既实现了流域月径流高精度预报,又从物理机制上提供了支撑。     

南水北调东线工程江苏段中长期优化调度研究

在南水北调东线工程主要水源中长期来水预报精度不高且预见期有限的情况下,对调水系统进行科学调度和滚动决策是江苏段综合效益能否充分发挥的关键。本文提出了基于余留期调度成本函数的两阶段随机优化调度方法,在考虑预报不确定性条件下实现工程的中长期滚动调度决策。首先分析各工程单元调度运行规则,基于水量平衡原理提出系统调水成本计算方法;然后分析主要水源历史来水规律,建立余留期成本函数定量表示余留期调水成本;最后针对不同来水条件分别建立两阶段决策模型,滚动生成中长期水量调度方案。结果表明,两阶段决策模型能够克服中长期预报不确定性对调度决策的不利影响,通过多水源互济互调、水源和线路选择有效降低调水成本。     

基于灰色关联分析的模糊支持向量机方法在径流预报中的应用研究

针对径流时间序列固有的非线性和随机性特点,提出基于灰色关联分析的模糊支持向量机预报方法。该方法在传统支持向量机任意逼近的非线性映射能力上,引入模糊隶属函数来考虑气候和流域下垫面条件变化下不同时期径流样本对预报结果的影响。预报因子选取是中长期径流预报的一大难点,考虑到相关系数法只能衡量因子间线性相关程度的不足,本文采用灰色关联分析来量化预报因子与预报对象的关联程度,并按关联度大小从众多的相关因子中挑选出对径流过程影响显著的预报因子。将该方法应用于金沙江上游控制站石鼓站的月径流预报中,与GRNN神经网络模型和A-FSVM模型的预报结果比较表明,该方法能提高径流中长期预报的精度,是一种有效的径流时间序列预测模型。     

模糊专家系统用于短期负荷预测修正的初步探讨

针对人工神经网络短期负荷预测方法的不足,考虑天气中的日平均气温以及特殊事件等影响负荷变化的主要因素,利用专家经验,模仿专家处理问题的方法,设计了一个模糊专家系统,对负荷预测结果进行修正,以提高负荷预测精度.通过合理选择模糊推理规则的形式,有效地减少了规则的数目,使人工总结专家经验并确定模糊推理规则成为可能,并减少了计算量,提高了算法速度.     

证据理论和粗集在变电站故障诊断中的应用

由于证据理论存在如基本概率人为给定而导致强烈主观性等固有缺陷,文中首先分析了粗集理论与证据理论的关系,确定了粗集是证据理论的基础,进而描述了基于粗集和证据理论的变电站故障诊断的特殊过程,并研究了基于上述理论的变电站故障诊断推理算法.通过在变电站故障诊断专家系统的不确定知识决策规则中应用该算法,表明此算法能增强推理过程的稳定性,并具有较强的鲁棒性,是一种处理不确定和不完整信息的有效方法.     

一种随机模糊系统的信息融合故障诊断方法

在随机模糊系统的故障诊断中,信息的不确定性常常会引起系统输出的不确定。针对此问题,本文结合模糊推理及可能性理论提出了一种新的融合故障诊断方法。首先对可能性合成规则进行分析,利用随机模糊变量对传感器信息的不确定性进行表示,利用模糊推理和可能性合成规则对多源不确定性信息进行融合处理,用融合结果进行故障判决,最后以电梯故障诊断为例,对所提方法的有效性进行了验证。     

一种模糊模型的混合建模方法及在短期负荷预测中的应用

提出了一种将粗糙集理论和正交最小二乘算法相结合建立短期负荷预测模糊模型的新方法。该方法采用粗糙集理论选择模型输入变量并对其进行划分，由样本数据的离散化结果确定模糊推理规则及其逻辑前件参数，进而采用改进的正交最小二乘算法去掉冗余模糊规则和确定模糊推理规则后件参数。最后，应用该文建模方法对实例进行了模拟计算，并与其它建模方法进行了比较，结果表明该文方法比其它方法更有效。     

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     

基于联合主成分分析的宜昌站径流中长期预报

中长期径流预报对于水资源规划管理、水库及水电站调度均具有重要意义,本文主要采用降水、径流和气象数据,应用主成分分析、气象因子遥相关分析等方法,利用东亚降水区域的联合主成分,对宜昌站径流进行中长期预报。运用主成分对宜昌站径流进行局域回归,预报取得了较好的效果。     

基于粗糙集理论建立短期电力负荷神经网络预测模型

选择模型输入变量和网络结构是采用神经网络建立负荷预测模型的关键步骤，该文提出了一种基于粗糙集理论的解决方法。此方法采用粗糙集理论对各种影响负荷预测的因素变量进行识别，以此确定预测模型的输入变量；在此基础上通过属性约简和属性值约简获得推理规则集，再以这些推理规则构筑神经网络预测模型，并采用加动量项的BP学习算法对网络进行优化。此方法能遵循一定的理论原则建立负荷预测模型以避免盲目性。最后通过实例计算证明此方法是可行和有效的。     

电力系统中长期负荷预测的最大模糊熵模型研究

根据模糊数学理论和熵的性质，建立了应用于电力系统中长期负荷预测的模糊熵模型。该模型采用最大模糊熵的高斯聚类算法，根据历史年各项经济和人口指标，将其进行分类，然后将预测年各项指标与各类的特征指标相比较，从而预测出该年的负荷增长率。实际算例表明建立在模糊熵基础上的这种模型是有效的。     

面向属性的决策规则挖掘算法的研究与应用

粗集理论是一种新型处理模糊和不确定知识的数学工具,其中属性约简是它的核心内容。粗集理论的主要思想是在保持分类能力不变的前提下,通过属性约简,导出问题的决策或分类规则。深入研究粗集理论,在属性约简过程中加入了启发式信息,大大提高了挖掘效率,得出了一种新的决策规则挖掘算法。实例分析表明,该算法能够发现良好的决策规则。     

基于RS和GA的动态模糊神经网络在短期电力负荷预测中应用

分析和探讨了粗糙集（RS）理论、遗传算法（GA）、模糊神经网络相结合的短期负荷预测方法。首先,对采集到的信息进行特征提取,然后利用模糊粗糙集理论中的信息熵进行属性简化、去掉冗余信息．最后用得到的属性作为模糊神经网络的输入进行训练预测。在模糊神经网络内部引入递归环节,构成了动态模糊神经网络DFNN（Dynamic Fuzzy Neural Network）,并采用具有全局寻优能力的遗传算法训练网络,克服了单纯BP算法易陷入局部最优解的缺点。用该方法与常用BP神经网络及Fuzzy法分别对某电网进行一周的日负荷预测．实例的对比分析表明了该方法收敛速度、预测精度和网络规模等方面都有较大改善。     

基于粗糙集理论的真空断路器故障诊断方法

真空断路器的故障和征兆总是存在着随机性、模糊性和不确定性。以粗糙集理论为基础的,用于真空断路器故障诊断。通过以故障征兆为条件属性集,以故障为决策属性集,建立故障诊断的决策表,通过约简决策表,剔除冗余条件属性,建立起征兆与故障的决策规则,从而快速、准确地诊断真空断路器的故障。     

基于模糊粗糙集理论的综合数据挖掘方法在空间负荷预测中的应用

基于模糊粗糙集理论，提出了一种综合数据挖掘方法，并将其应用于空间负荷预测中。基于规则约简方法提出了循环采样方法，采用数据库知识获取技术按采集的样本属性值将样本聚类，根据聚类中心对连续取值的属性设定模糊值，根据决策属性的包含度对模糊粗糙规则进行筛选，并采用数据库知识获取技术实现了用地类型的转换。算例结果表明该方法简单灵活，可用于短期、中期和长期空间负荷预测中。     

基于模糊控制的多机系统暂态稳定分析

电力系统暂态稳定性的研究,对保证电网的安全与稳定具有重要的意义。文中提出了一种基于模糊控制的多机系统暂态稳定分析方法,该方法将模糊控制和电力系统稳定性理论有机的结合在一起,以模糊集合论、模糊语言变量及模糊逻辑推理为基础,将发电机励磁系统的控制策略转化为模糊规则的形式,从而实现对多机系统的模糊控制。通过Matlab软件对三机系统进行数值仿真表明,与独立设计的AVR/PSS励磁控制器相比,以△ω、△ω为输入变量的模糊控制能更加有效的提高系统的暂态稳定性能,系统在不同的故障情况下具备较强的鲁棒性。     

Short-term load forecasting for special days in anomalous loadconditions using neural networks and fuzzy inference method

Conventional artificial neural network (ANN) based short-term load forecasting techniques have limitations in their use on holidays. This is due to dissimilar load behaviors of holidays compared with those of ordinary weekdays during the year and to insufficiency of training patterns. The purpose of this paper is to propose a new short-term load forecasting method for special days in anomalous load conditions. These days include public holidays, consecutive holidays, and days preceding and following holidays. The proposed method uses a hybrid approach of ANN based technique and fuzzy inference method to forecast the hourly loads of special days. In this method, special days are classified into five different day-types. Five ANN models for each day-type are used to forecast the scaled load curves of special days, and two fuzzy inference models are used to forecast the maximum and the minimum loads of special days. Finally, the results of the ANN and the fuzzy inference models are combined to forecast the 24 hourly loads of special days. The proposed method was tested with actual load data of special days for the years of 1996-1997. The test results showed very accurate forecasting with the average percentage relative error of 1.78%     

电力应急队伍调度决策研究

应急队伍调度在电力应急指挥平台管理中有着至关重要的作用,但是目前关于应急队伍调度决策的研究还非常少。引入Mamdani型模糊推理系统理论,建立了电网应急队伍调度辅助决策模型。根据大面积停电事故的相关统计数据设定了模型参数,提出了一种综合的应急队伍需求评估的指标体系和基于Mamdani型模糊推理的应急队伍需求评估分级方法,通过实例验证该方法为电力应急辅助决策系统提供了一套有效的调度计算方法。     

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.