基于模糊聚类和粗糙集的电力系统短期负荷预测

电力系统短期负荷预测中存在大量的不确定因素直接影响到负荷预测结果的准确性,而粗糙集理论能有效地分析和处理各种不精确、不一致、不完整的信息,并从中发现隐含的知识,揭示潜在的规律。将模糊聚类分析和粗糙集理论结合在一起对电力系统短期负荷进行预测。首先通过模糊聚类分析,根据气温、相对湿度以及日类型等影响负荷的因素将负荷历史数据分成若干类,然后应用粗糙集理论分别建立相应的负荷预测模型。采用某电网提供的数据进行负荷预测,结果分析表明该方法有很高的预测精度,从而说明了基于模糊聚类和粗糙集理论的电力系统短期负荷预测方法的优越性。     

数据挖掘技术用于负荷与负荷影响因素的相关性分析

电力系统短期负荷预测中存在大量的不确定因素直接影响到负荷预测结果的准确性,将模糊聚类分析和粗糙集理论结合在一起对电力系统短期负荷与影响因素进行相关性分析。通过模糊聚类分析,根据气温、相对湿度以及日类型等影响负荷的因素将负荷历史数据分成若干类,提出了一种对原始数据先进行模糊聚类,再提取规则的基于模糊集和粗糙集技术的关联规则挖掘策略,可以在一定程度内减少噪声数据的干扰,消除数据对象中的冗余属性,有利于提高规则挖掘的有效性。     

层次匹配范例推理在短期负荷预测中的应用

提出了一个改进的范例推理系统来解决电力系统短期负荷预测问题,该系统将范例推理、自组织映射以及模糊粗糙集方法进行了有效的结合.使用模糊粗糙集方法确定了范例的表示、组织方法，并通过自组织映射对历史范例进行聚类.将新问题所对应的范例与各个聚类中心进行匹配，得到最相似聚类，再在该聚类中进行二次匹配，对得到的最相似范例集进行重用、修正，从而得到最终预测结果.使用模糊粗糙集方法可以进行范例属性和匹配权重的合理选择，同时使用自组织映射对历史范例进行聚类，可以减少范例匹配次数和匹配时间.使用该方法不仅可以合理利用历史范例，而且可以通过属性选取、聚类来获取附加知识.实例验证和比较结果表明该负荷预测方法是有效可行的.     

基于粗糙集-神经网络的产业集群生命周期识别

将粗糙集理论与神经网络相结合,构建了基于粗糙集-径向基(RBF)神经网络集成的产业集群生命周期识别模型.该模型运用基于MDV(maximum discernibility value)函数与信息熵的模糊聚类算法进行连续属性离散化处理,采用粗糙集理论约简出重要指标体系,将训练样本输入RBF神经网络进行学习和训练,进而对检验样本的生命周期阶段进行判断.对我国138组产业集群样本数据的分析结果表明:基于MDV函数与信息熵的模糊聚类算法能够有效改善离散化效果,且该模型对检验样本的总体预测精度达到82.61%,从而证实了该识别模型的有效性和实用性.     

基于模糊逻辑聚类神经网络算法的中长期负荷预测

电力系统中长期负荷预测受大量不确定因素的影响,聚类方法能够将各种影响因素综合引入预测模型,提高了预测精度。采用一种由模糊逻辑单元组成的聚类神经网络用于中长期负荷预测。利用模糊集理论中的模糊逻辑算子y1完成网络运算,提高了聚类神经网络的运算速度。虽然网络采用了竞争学习作为网络的学习算法,但是它克服了一般竞争学习算法固有的死点问题,使得历史数据的聚类分析中聚类中心初始点的选取有更大的随意性。运用文中所述模型及算法综合考虑了历史负荷情况和未来不确定因素等对未来负荷变化的影响。通过与传统的方法进行中长期负荷预测比较,结果表明该方法可以提高负荷预测的精度。     

基于模糊聚类理论的水量短期预测方法

为提高城市供水系统水量负荷的预测精度,提出一种基于模糊聚类理论的城市管网水量短期负荷预测的新方法.该方法通过对负荷历史数据进行聚类、隶属度分析,利用模糊聚类参数来描述负荷与影响因素之间的关系,并应用这种确定的相关关系进行负荷预测.应用MATLAB语言进行预测仿真得到基于模糊聚类的模糊训练结果、最终预测结果和预测误差.实践表明该方法较多地考虑各种影响因素,结构简单,预测精度高.     

基于改进模糊K-M法的岩溶塌陷危险性预测

岩溶塌陷受诸多因素影响,而这些影响因素在进行安全性评价中通常用定性的数据形式给出,尽管定量预测的数学理论已相当成熟,但是处理这种大量定性数据问题却有很大的局限性.因此,研究处理定性数据的预测方法对于开展岩溶塌陷的危险性具有重要意义.模糊K-M算法采用各类中各属性值的频率作为聚类的中心,通过各属性的权重来修正目标间的距离,采用非随机的方法选取初始聚类的中心,有效地保证了复杂定性数据计算结果的精确性和可靠性.在分析武汉市岩溶塌陷影响因素的基础上,利用此方法,对武汉市岩溶塌陷危险性进行研究,结果表明该种算法具有计算过程方便及收敛速度快等优点,值得在岩溶塌陷危险性预测中推广应用.     

基于信息熵的异常检测算法

针对K-means异常检测算法检测性能低的问题,提出了一种结合信息熵与改进K-means算法的异常检测算法。该算法均匀地选出密度大于数据集平均密度的数据对象作为初始聚类中心,避免了初始中心的随机选择。在此基础上,引入了信息熵确定属性权重的方法来计算簇中数据点与该簇聚类中心的加权欧氏距离,通过对比簇中数据点的加权欧氏距离与该簇中所有数据点的平均加权欧氏距离来进行异常检测。实验表明,改进算法具有更高的检测率和更低的误检率,应用于电力负荷数据时检测率达到了90. 5%,能够有效地检测出异常的负荷数据。     

基于改进模糊聚类迭代的边坡稳定性评价方法

针对影响土质边坡稳定性因素的模糊性、复杂性、和随机性问题.通过将灰色关联分析理论与模糊聚类迭代模型相结合,得到改进的模糊聚类迭代模型,提出了一种新的边坡稳定性评价方法,并结合工程实例实现了稳定性的评价.相比于以往的研究,该模型将影响边坡稳定性的内外因素确定为六个主要因素,并用灰色关联理论得到各影响因素的权重,这样避免了传统模糊聚类模型人为的主观性带来的误差,提高了模型评价精度.为验证该方法的合理性,运用该方法计算的结果与BP神经网络预测的结果以及边坡实际情况进行对比验证,得到了较为一致的结果,表明该方法可以用于边坡的稳定性评价.     

一种基于粗糙集的K-means聚类算法

对粗糙集进行了相关研究,并提出了一种以粗糙集理论为基础的K-平均聚类算法,该算法以信息表中条件属性和决策属性的一致性原理为基础,应用粗糙集的属性约简算法消除冗余属性,利用各属性重要度确定其权值,在此基础上应用改进的K-平均算法进行聚类分析.该方法的优势在于消除了不重要的属性,赋予了各属性权值,使聚类更有效,更客观.实验结果表明,该方法是有效的.     

基于粗糙集理论的围岩稳定性模糊综合评价

影响围岩稳定性评价因素较多,且围岩破坏机理复杂,围岩稳定性评价一直受到工程界的广泛关注。本文基于粗糙集理论探讨了围岩稳定性的模糊综合评价方法,即利用粗糙集中的知识约简方法来挖掘评价指标,应用信息量概念确定评价指标的权重。实例应用结果表明该法进行围岩稳定性评价是可行的,且操作简单,结果可信。     

粗糙直觉模糊集的不确定性分析

基于粗糙直觉模糊集的基本概念和模糊熵的公理化定义,给出了直觉模糊集粗糙隶属函数的定义并讨论其基本性质,再利用粗糙隶属函数的直觉模糊熵,给出了粗糙直觉模糊集的不确定性度量,并讨论了度量的一些相关性质。     

地下空间资源质量熵权与可变模糊集组合评估

提出了地下空间资源质量的熵权--可变模糊集(EW-VFS)组合评估方法.EW-VFS采用熵权法构造了地下空间资源质量评估指标权重系数的熵值模型,基于可变模糊集理论建立了地下空间资源质量可变模糊评估模型.以北京中央商务区(CBD)为例,采用EW-VFS评估方法对地下空间资源质量进行了评估,通过数值实验验证了EW-VFS的准确性,并在GeoMo~(3D)系统中进行了建模与评估,得到了3D可视化结果.研究表明:熵权法能够根据数据本身的信息无序化程度来确定评估指标的重要性,有效地降低了评估的主观性;可变模糊评估模型通过参数的可变性,自我验证了评估方法的可靠性.     

一种粗糙模糊神经网络识别器及其应用

结合粗糙集和模糊神经网络提出了一种粗糙模糊神经网络识别器的模型.该模型根据粗糙集理论对训练样本进行建立决策表、离散决策表、约简决策表、提取分类规则等推理过程设计.粗糙模糊神经网络识别器的输入层、两个隐含层、输出层的神经元个数分别根据决策表的约简结果、离散结果和分类规则、决策属性决定.将该识别器用于车牌字符识别,实验表明:该方法比粗糙集规则匹配识别方法识别率提高了18%,比BP神经网络识别方法识别率提高了2.7%.     

基于模糊集的电力系统神经网络负荷预报研究

提出了电力系统短期负荷预报基于模糊集的神经网络方法 .该方法计及了天气和日期特征量 ,具有训练时间短预测精度高的特点 .采用两种学习算法 ,依据模糊集概念用某地区电网实际数据建立样本集后 ,对ANN进行了训练 ,通过分析比较得出了优化模型 .计算事例表明用该方法是可行和有效的     

基于粗糙集和主成分分析结合的短期负荷预测

采用神经网络进行负荷预测,为了进一步减少输入变量的个数,减小网络结构,在基于粗糙集理论约简的基础上,采用能消除变量间相关性的主成分分析法对负荷影响因素约简,并且通过实例研究证明了此法的有效性。     

Extension of information entropy-based measures in incomplete information systems

Rough set theory[1, 2], developed by professorPawlak, was conceived as a valid mathematical theoryto deal with inexact, uncertain or vague knowledge inmany applicants such as data mining, machine learningand decision support.Although rough set theory, using the concept of in-discernibility relation as its basic principle, provides aformal theoretical mechanism and a series of tools onknowledge reduction and knowledge acquisition throughset algebra, researchers realize that rough set theory isd…