基于事例推理的负荷预测.pdfVIP

基于事例推理的负荷预测 屈 利 (中山供电局) 摘 要：人工智能中的事例推理是解决短期负荷预测问题的新方法。事例推理是将历史经验作为代替规则专家系统的“知识”存储在事例库中 的预测问题 。 对于新 ， 系统从事例库中检索出相似事例，并将数据 (来 自相似事例集)输入到神经网络中训练，这样既有效克服了大数据量训练的盲 目性 ， 大大减少了 网络输入的节点数，提高训练效率，又提高了预测精度。在事例修正中，针对非正常目的预测误差较大的问题 ， 本文给出了统一的修正公式。经实例验证比较 表明，该方案是有效可行的。 1事例推理的基本原理 事例的特征，并以此组建事例库作为事例推理的检索知识资源。在短期 模仿是人类学习活动的基本特点，事例推理 (cseBasedReafioning， 负荷预测系统中，事例由以下几部分组成：①事例编号；②预测点的时 CBR)是遵循这一特点的人工智能新方法。CBR系统是通过访问知识库 间；③预测点在一天中所属的时段：④星期类型(工作目、星期六或星期 中过去相似问题的求解而获得当前问题解决的～种推理模式。与单独依 天)；⑤季节类型；⑥负荷条件：⑦温度条件：⑧ 日期类型(正常曰或节假 赖于问题领域中的一般性知识、或在问题与结论之间建立一般性联系的 日)； 传统AI方法所不同的是，CBR可以借用以往成功的经验给出问题的解。 在事例库中，事例可用对象来表示，对象是属性和方法的封装。在事例 以往的推理系统是建立在规则的基础之上的，对于医疗诊断，设备故障 的对象表示中，属性表示问题的特征，方法则表示事例推理过程，包括事例 诊断等有限规则的系统，知识获取相对较容易，规则推理不失为一个行 检索匹配、调整、重用和保存。一个负荷事例可定义为如下结构的对象： 之有效的AI方法；但对于预报预测系统，由于其所要输入输出的数据都 ClassCasef 是海量的，所以很难凭借专家的经验给出精确的推理规则。事例推理有 CaselD； ／／事例编号 效的解决了这个问题。 Time； ／／预测点的时间 从系统结构上看，CBR是一个闭合的自更新的循环过程，这个过程 Period； ／／预测点在一天中所属的时段 一 般 由以下几个步骤 (见图1)组成： WeekType；／／星期类型(工作 日、星期六或星期天) SeasonType； ／／季节类型 LoadCondition；／／负荷条件 TempCondition；，／温度条件 DayType； ／／预测 日日期类型 (iE常日或节曰) Restore0： ／／事例存储函数 March0： ／／事例相似性匹配函数 Similarity；／／相似度1