基于粗糙集与支持向量机的电力短期负荷预测研究

论文摘要

电力负荷预测是保障电力生产系统安全、节约能源及使生产效益最大化的重要管理手段,而对于短期负荷的预测则是电力负荷预测中的关键。目前电力短期负荷预测中常用的神经网络方法,预测精度虽然较高,但存在经验最小化、网络结构参数难以确定、局部最优及泛化能力不强的缺点。本课题综合分析国内外研究现状,在探讨负荷预测常用手段的基础上,提出结合粗糙集和支持向量机两种技术的方法,它具有支持向量机的小样本学习能力强、全局最优、泛化能力好的优点,又由粗糙集简化了支持向量机输入向量的维数,能够解决神经网络中存在的问题。该方法采取对异常数据进行完备化、平滑化和归一化等预处理手段,通过研究基于改进的二进制分辨矩阵属性约简算法和支持向量回归训练模型,对短期负荷进行预测,同时还采用南昌市2005～2007年历史负荷数据进行仿真实验,分析实验结果表明:1.采用软件滤波方法对历史数据进行预处理,可以保证数据的完备性和平滑性;2.基于改进的二进制分辨矩阵粗糙集结合支持向量回归模型的预测方法,不但可以简化样本数量和维数,而且能缩短训练时间,同时能进一步提高预测准确度。基于粗糙集与支持向量机相结合对短期负荷进行预测的技术,不仅为指导电力生产调度及营销等工作提供了理论依据,而且具有良好的社会经济效益与应用前景。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 负荷预测的研究背景和研究意义
• 1.1.1 负荷预测的研究背景
• 1.1.2 短期负荷预测研究的意义
• 1.2 国内外研究现状及发展趋势
• 1.2.1 数学统计的短期负荷预测方法
• 1.2.2 人工智能的短期负荷预测方法
• 1.3 课题研究内容与组织结构
• 1.3.1 课题研究内容
• 1.3.2 论文组织结构
• 第2章 粗糙集基本理论与知识约简
• 2.1 Rough集理论
• 2.1.1 集合论的等价关系和等价类
• 2.1.2 信息系统和不分明关系
• 2.1.3 上近似、下近似和边界
• 2.1.4 连续属性离散化
• 2.1.5 属性和属性值约简
• 2.2 属性约简算法
• 2.2.1 基于分辨矩阵约简算法
• 2.2.2 基于二进制分辨矩阵的约简算法
• 2.3 属性值约简
• 2.4 本章小结
• 第3章 支持向量机基本理论
• 3.1 统计学习理论基础
• 3.1.1 VC维
• 3.1.2 经验风险最小化
• 3.1.3 结构风险最小化
• 3.2 支持向量机
• 3.3 支持向量机回归
• 3.3.1 支持向量机回归概念
• 3.3.2 支持向量机回归核函数
• 3.4 支持向量机模型选择
• 3.5 本章小结
• 第4章 负荷特性分析与历史数据处理
• 4.1 电力负荷的构成与原理
• 4.1.1 电力负荷的构成
• 4.1.2 负荷预测的原理
• 4.1.3 负荷预测的基本要求
• 4.1.4 负荷预测的步骤
• 4.2 负荷的基本模型分析
• 4.3 历史数据处理
• 4.3.1 数据处理的意义
• 4.3.2 短期负荷数据采样及周期
• 4.3.3 负荷输入样本数据预处理
• 4.3.4 气象、日期数据处理
• 4.4 本章小结
• 第5章 基于粗糙集和支持向量机的短期负荷预测
• 5.1 历史数据分析
• 5.2 输入样本数据特征提取
• 5.3 基于支持向量机的电力系统短期负荷预测
• 5.3.1 样本数据分类
• 5.3.2 SVR训练
• 5.4 短期负荷预测的主要评价指标
• 5.4.1 预测误差
• 5.4.2 预测准确率
• 5.4.3 预测结果分析
• 5.5 本章小结
• 第6章 结论与展望
• 6.1 结论
• 6.2 需要进一步解决的问题
• 致谢
• 参考文献
• 攻读学位期间的研究成果