基于增量约简算法确定电力负荷预测模型输入参数的研究.pdfVIP

基于增量约简算法确定电力负荷预测模型输入参数的研究 张晓星 周淙 孙才新 刘育明 (重庆大学高电压与电工新技术教育部重点实验室，重庆400030) 摘要：对于电力系统众多因素影响负荷预测精度问题，本 稳定性都会受到影响，随着数据量增大而计算量也 文引入粗糙集理论中的属性约简算法来挖掘与待预测量相 会急剧增加：文献【7】采用遗传算法从所有规约集 关性大的各属性，保证预测模型输入参数的合理性。解决 中寻找最小属性集，该方法需要种群数量大，迭代 了神经网络模型输入参数的确定问题。针对基于区分矩阵 次数多。为此，作者引入粗糙集理论中的属性优先 约简算法是NP问题的弱点．提出了基于属性优先级函数 级启发式约简算法来选择与待预测负荷量相关性 的RAPHF算法：针对负荷预测过程中样本数据是滚动更大的参数作为神经网络预测模型的输入，充分保证 新的特点，在RAPHF算法的基础上提出了具有动态挖掘了预测模型输入参数的合理性，为神经网络模型的 能力的粗艟集增量算法RAPHF-I．通过短期负荷预测的实预测精度提供了保证，并且能有效地减少神经网络 例研究，证实了本文改进算法的有效性。 摸型的计算工作量。由于负荷预测过程中，样本数 据是变动的，常规粗糙集并没有对增量数据的处理 关键词t负荷预测粗糙集属性约简增量算法神经网络 能力，为此本文提出了具有动态挖掘能力的粗糙集 增量算法，具有随着负荷样本集的变动动态确定神 1引言 经网络输入参数的功能。 神经网络广泛应用于短期负荷预测，取得了良 好的效果。为了得到精确的预测结果，往往将气象 2属性优先级启发式约简算法 RAPHF 因素及节假日信息作为神经网络的输入参数…，这 在一定程度上提高了预测精度，但网络输入参数过 粗糙集把客观世界或对象世界抽象为一个信 多将导致网络的结构复杂、训练费时，同时容易陷 息系统，也称属性——值系统： 入局部最小”J。现有方法一般是根据经验选择输 s=‘U，A，v，挣 入变量，无法体现出各输入变量对于输出值影响的 其中，U就是一组论域，U=k，J：，…，‘}；A 重要性程度，不能恰当地反映输入输出之间的实际 是属性的集合。 A又可进一步划分为两个不相交 关系。 的集合：条件属性集C和决策属性集D． Set)理论是波兰数学家 租糙集(Rough A=CUD；V是属性的值域集，V=饥，U，…．匕】． Z．Pawlak于1982年提出的一种有效的数据挖掘方 其中K是属性A的值域；f是信息函数， 法．其特点是不需要预先给定属性的数量描述，能 f：UxA-÷y。单个决策属性的决策表如表1所示。 够直接从给定的数据中提取出简洁易懂且有效的 Yf； 其中，(耳，。，)∈”Ⅳ，，(而。o，)E 决策规则。很多学者研究将租糙集理论和神经网络 结合””，取得一定的成果．神经网络不能确定重