混合智能建模技术及其在短期负荷预测中的应用研究

论文摘要

对于现实中存在的许多复杂系统，由于其具有非线性、过程不确定性、时变性、时滞性与多变量耦合等特性，使得人们对其演化过程难以辨识和预测。基于软计算方法的智能建模技术为解决这类问题提供了一个有效的途径。论文首先介绍了智能建模技术的概念、研究发展及其应用情况，主要概述基于模糊推理系统的混合智能建模技术，并介绍了其在电力系统中的应用情况。本文的主要研究成果可分为两大部分：第一部分主要是提出几种进化模糊系统并将其应用于混沌时间序列预测和非线性动态系统辨识与控制中。这部分内容包括第二章至第四章，主要内容如下：第二章提出了一种基于进化规划和最小二乘法的自动模糊建模算法EPLSE，利用扩展T-S模型中的后件参数，对训练误差实现了二次修正，显著地提高了建模精度并精简了模糊规则基。这种建模方法在混沌非线性时间序列预测的仿真中显示出一定的优越性，也为第六章提出的三阶段短期电力负荷预测方法提供了理论基础。第三章通过分析进化规划和粒子群优两种不同类型进化算法的各自优缺点，提出了一种新型混合进化算法EPPSO，并将EPPSO应用于设计模糊辨识器与模糊控制器，在非线性动态系统的辨识与控制中得到了有效的应用。第四章提出了本文的核心模型—自适应拓展模糊基函数网络。该模型吸取了ANFIS建模的思想，但其在初始时首先实现模糊输入空间的划分，然后提出对初始模型进行微调的思想，为提高模型的性能提高提供了一种新的途径。作为一种新型优越的进化模糊系统，其在本章的混沌时间序列预测以及后续章节的负荷预测中均得到了验证。第二部分则主要针对电力系统短期负荷预测（Short-Term Load Forecasting，STLF）研究，在完成异常数据辨识与修正的基础上，对浙江省全年各个阶段的负荷进行了提前24小时预测。第五章至第七章的内容主要如下：第五章为进行电力系统负荷预测的数据清理环节，主要解决电力负荷异常数据的辨识与修正问题。本章基于统计的方法获得负荷历史数据中的异常部分，然后基于人工免疫网络和图论聚类算法所获得负荷特征曲线对异常数据进行修正。第六章主要研究气象敏感日的STLF问题，提出一种基于模糊推理系统的三阶段混合智能建模技术。首先，基于最小二乘法实现对模糊输入空间的划分；然后，在第二阶段，拓展单输出模糊模型为一阶T-S模糊模型，并应用混合进化算法EPPSO调节其前件参数，同时学习后件参数；第三阶段在前面获得的模糊模型的基础上，将模型输出误差看作一个新的时间序列，基于气象变量，应用最小二乘法选取最为重要的几个变量加入模糊模型后件，同时加以辨识。对浙江省电力公司2001年全年除节假日外所有负荷日进行了提前24小时负荷预测，其中对于气象不敏感的春秋季应用前两阶段所获得的模糊模型进行预测，全年预测结果显示该模型非常有效。第七章对节假日负荷提出一种新型预测方案，将预测问题分解成峰谷负荷预测和比例负荷曲线预测问题。对于峰谷负荷，应用一种模糊线性回归方法来预测；而对于比例负荷曲线预测，则可直接采用第四章提出的自适应拓展模糊基函数网络来进行预测。将两种算法所获得的预测结果相结合，即可获得最终的节假日负荷预测结果。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 引言
• 1.2 智能计算概述
• 1.2.1 智能算法的研究与发展
• 1.2.2 进化算法
• 1.3 基于模糊推理系统的智能建模技术
• 1.3.1 模糊推理系统
• 1.3.2 神经模糊系统
• 1.3.3 进化模糊系统
• 1.3.4 基于模糊集理论的智能建模技术在电力系统中的应用
• 1.4 电力系统负荷预测概述
• 1.4.1 负荷预测的意义和作用
• 1.4.2 短期电力负荷预测研究的发展和现状
• 1.5 本文的主要工作
• 第二章 基于进化规划和最小二乘辨识的自动模糊建模策略
• 2.1 引言
• 2.2 模糊推理
• 2.3 基于进化规划与最小二乘法相结合的混合算法
• 2.3.1 模糊规则基的自动生成
• 2.3.2 混合学习
• 2.3.4 新型混合学习算法EPLSE
• 2.4 仿真实验
• 2.5 本章小结
• 第三章 基于进化模糊建模技术的非线性动态系统辨识与控制
• 3.1 引言
• 3.2 粒子群优化算法
• 3.3 基于混合进化算法EPPSO的模糊建模策略
• 3.3.1 模糊推理
• 3.3.2 基于EPPSO的模糊建模策略
• 3.4 仿真实验
• 3.4.1 非线性动态系统辨识
• 3.4.2 非线性动态系统控制
• 3.5 本章小结
• 第四章 自适应拓展模糊基函数网络
• 4.1 引言
• 4.2 拓展模糊基函数网络
• 4.2.1 拓展模糊基函数网络结构
• 4.2.2 基于最小二乘法的EFBFN输入空间划分
• 4.3 自适应模糊基函数网络
• 4.3.1 群体初始化
• 4.3.2 网络设计过程
• 4.4 仿真实验
• 4.4.1 三输入非线性函数建模
• 4.4.2 Mackey-Glass混沌时间序列预测
• 4.5 本章小结
• 第五章 电力负荷异常数据辨识与修正
• 5.1 引言
• 5.2 异常数据及其处理方法概述
• 5.2.1 电力负荷异常数据的分类
• 5.2.2 异常数据的识别和修正方法
• 5.3 基于人工免疫网络的异常数据修正
• 5.3.1 异常数据辨识
• 5.3.2 异常数据修正
• 5.4 实例分析
• 5.5 本章小结
• 第六章 基于混合模糊建模技术的电力负荷预测
• 6.1 引言
• 6.2 第一阶段:负荷预测的模糊输入空间划分
• 6.2.1 用于STLF的FBFN结构
• 6.2.2 第一阶段:基于LS算法的FBFN
• 6.3 第二阶段:基于混合进化算法EPPSO的一阶T-S模糊模型
• 6.3.1 初始化
• 6.3.2 PSO算子
• 6.3.3 EP算子
• 6.4 基于气象变量的模糊模型修正
• 6.5 实例分析
• 6.5.1 测试实例介绍
• 6.5.2 STLF预测结果及讨论
• 6.6 本章小结
• 第七章 节假日短期电力负荷预测
• 7.1 引言
• 7.2 节假日负荷曲线特征
• 7.3 基于自适应拓展模糊基函数网络的比例负荷曲线预测
• 7.4 基于模糊线性回归的节假日峰谷负荷预测
• 7.5 实例分析
• 7.6 本章小结
• 第八章 总结
• 作者攻读博士学位期间发表的有关学术论文