基于粗糙集和灰色系统模型的短期负荷预测方法研究

论文摘要

本文主要研究利用粗糙集理论和神经网络、灰色理论来进行短期负荷预测方法分析。提出了基于粗糙集理论的遗传神经网络短期负荷预测方法,该方法通过粗糙集理论中的属性约简对神经网络的输入进行了筛选,找到与预测量相关性大的影响因素作为输入量,减少了神经网络的工作量。为了解决神经网络自身收敛速度慢和容易陷入局部极小的缺陷,利用具有全局搜索能力强等优点的遗传算法与之相结合。又提出了基于灰色系统的相关因素敏感模型短期负荷预测方法,该算法针对GM(1,1)模型在电力负荷呈非指数函数增长和对天气突变时预测精度差的缺点,提出了一种直接考虑气温、日天气类型等多种相关因素的短期负荷预测新策略。实验证明了以上两种算法在精度上都能得到了提高,在短期负荷预测中是可行的、有效的。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题背景和研究意义
• 1.1.1 选题背景
• 1.1.2 研究负荷预测问题的意义
• 1.2 国内外的研究动态
• 1.3 本文所作的工作和论文主要内容
• 第二章 电力系统负荷分析
• 2.1 负荷预测的分类
• 2.2 负荷预测的原理和特点
• 2.2.1 负荷预测的原理
• 2.2.2 负荷预测的特点
• 2.3 负荷预测的内在规律
• 2.3.1 电力负荷的周期性
• 2.3.2 电力负荷的连续性
• 2.4 负荷预测的外在特性
• 2.4.1 温度对负荷的影响
• 2.4.2 降雨量对负荷的影响
• 2.4.3 节假日对负荷的影响
• 2.5 负荷预测的误差分析
• 第三章 粗糙集的理论基础
• 3.1 引言
• 3.1.1 粗糙集理论概述
• 3.1.2 粗糙集理论的特点
• 3.2 粗糙集理论的基本概念
• 3.2.1 知识的含义
• 3.2.2 信息系统
• 3.2.3 等价关系
• 3.2.4 分类
• 3.2.5 集合的近似
• 3.2.6 属性的依赖度和重要性
• 3.2.7 逼近精度
• 3.2.8 可辨识矩阵
• 3.3 知识的化简
• 3.3.1 属性的约简
• 3.3.2 属性的核
• 3.4 离散化算法
• 3.4.1 离散化问题的描述
• 3.4.2 Semi-Naive Scaler 算法
• 3.5 属性约简算法
• 第四章 基于粗糙集的遗传神经网络短期负荷预测方法
• 4.1 BP 神经网络算法
• 4.1.1 BP 神经网络
• 4.1.2 BP 算法学习过程
• 4.1.3 BP 算法的缺点和改进算法
• 4.2 遗传算法
• 4.2.1 遗传算法的基本思想
• 4.2.2 遗传算法的重要组成部分
• 4.2.3 遗传算法在BP 神径网络学习中的应用
• 4.3 基于粗糙集的遗传神经网络短期负荷预测方法
• 4.3.1 预测模型输入量的选取
• 4.3.2 网络权值的优化
• 4.3.3 利用优化后的BP 网络进行预测
• 4.3.4 实例分析
• 4.4 结论
• 第五章 基于灰色系统的相关因素敏感模型短期负荷预测方法分析
• 5.1 灰色系统理论
• 5.1.1 灰色系统
• 5.1.2 灰色系统的特点
• 5.1.3 灰色预侧模型GM（1,1）的建模过程
• 5.1.4 GM（1,1）模型的改进
• 5.2 基于灰色系统的相关因素敏感模型短期负荷预测方法
• 5.3 灰色模型新策略的验证分析
• 5.4 结论
• 第六章 结论与展望
• 参考文献
• 致谢
• 在学期间发表的学术论文和参加科研情况