本文關鍵詞：基于信息熵和變精度粗糙集優(yōu)化的支持向量機降溫負荷預測方法　出處：《電網(wǎng)技術》2017年01期 　論文類型：期刊論文

  更多相關文章： 變精度粗糙集 信息熵 不確定支持向量機 中長期降溫負荷預測

【摘要】：降溫負荷持續(xù)增長已成為中國南方夏季最大負荷屢創(chuàng)新高的重要原因。提出了一種基于信息熵和變精度粗糙集優(yōu)化的不確定支持向量機方法,用于中長期降溫負荷預測。方法通過挖掘數(shù)據(jù)中的相互關系去除冗余信息,從輸入屬性變量集中尋找核心變量。該方法利用基于信息熵改進的變精度粗糙集對支持向量機的條件屬性進行約簡,得到最小決策表,并將該最小決策表中對應的變量作為支持向量機預測模型的輸入屬性變量,進行年最大降溫負荷預測。且隨著預測年份的推移,該支持向量機預測模型的輸入屬性變量亦將隨之滾動更新,能夠為電網(wǎng)規(guī)劃與運行人員提供不同預測時期降溫負荷預測需重點關注的影響因子。最后,利用廣東省實際數(shù)據(jù)對廣東電網(wǎng)"十二五"和"十三五"年最大降溫負荷進行預測,結(jié)果表明,所提的預測方法預測效果良好,預測精度穩(wěn)定,對于中長期預測過程中的各種不確定因素的影響具有較好的魯棒性,真正實現(xiàn)了中長期降溫負荷的動態(tài)預測。
[Abstract]:The continuous increase of cooling load has become an important reason for the maximum load in southern China to reach new highs in summer. An uncertain support vector machine (SVM) method based on information entropy and variable precision rough set optimization is proposed. It is used for medium and long term cooling load forecasting. Methods the redundant information is removed by mining the interrelation in the data. This method uses variable precision rough set based on information entropy to reduce the conditional attributes of support vector machine and obtains the minimum decision table. The corresponding variables in the minimum decision table are used as the input attribute variables of the SVM forecasting model to forecast the annual maximum cooling load, and with the passage of the predicted year. The input attribute variables of the SVM forecasting model will be updated with it, which can provide the power network planning and operation personnel with the influence factors which need to be paid more attention to in different forecasting periods of cooling load forecasting. Finally. Based on the actual data of Guangdong Province, the maximum cooling load of Guangdong Power Grid in the 12th Five-Year Plan and the 13th Five-Year Plan is forecasted. The results show that the proposed forecasting method has good prediction effect and stable prediction precision. It has good robustness to the influence of various uncertain factors in the process of medium and long term forecasting, and realizes the dynamic forecasting of medium and long term cooling load.
【作者單位】： 華南理工大學電力學院;
【基金】：國家自然科學基金青年基金資助項目(50907023) 中國南方電網(wǎng)有限責任公司科技項目(K-GD2012-006)~~
【分類號】：TM715
【正文快照】： 并將該最小決策表中對應的變量作為支持向量機預測模型的輸入屬性變量,進行年最大降溫負荷預測。且隨著預測年份的推移,該支持向量機預測模型的輸入屬性變量亦將隨之滾動更新,能夠為電網(wǎng)規(guī)劃與運行人員提供不同預測時期降溫負荷預測需重點關注的影響因子。最后,利用廣東省實際

【相似文獻】

相關期刊論文 前10條

1 劉軍;;應用變精度粗糙集獲取柴油機故障有效監(jiān)測點[J];振動、測試與診斷;2009年01期

2 黃仙;方璐;;基于變精度粗糙集的電力設備故障診斷[J];現(xiàn)代電力;2009年02期

3 梁俊奇;;變精度粗糙集與粗糙集屬性約簡特征比較[J];洛陽理工學院學報(自然科學版);2010年02期

4 趙慧敏;梅檢民;肖云魁;喬龍;陳祥龍;;基于雙譜和變精度粗糙集理論的柴油機故障特征自動提取[J];振動與沖擊;2011年06期

5 何厚全;成虎;張建坤;;基于變精度粗糙集的安全生產(chǎn)監(jiān)督?jīng)Q策方法研究[J];中國安全科學學報;2013年06期

6 陳湘暉,朱善君,吉吟東;基于熵和變精度粗糙集的規(guī)則不確定性量度[J];清華大學學報(自然科學版);2001年03期

7 杜昌平;周德云;;一種基于變精度粗糙集的規(guī)則提取方法研究[J];西北工業(yè)大學學報;2006年03期

8 何健;黃沈華;楊作賓;宋立軍;;基于變精度粗糙集的故障特征選擇方法[J];艦船電子工程;2010年03期

9 沈仁發(fā);鄭海起;金海薇;康海英;董自衛(wèi);;變精度粗糙集在齒輪故障診斷中的應用[J];振動.測試與診斷;2011年03期

10 徐金良;劉海鵬;陳五星;;基于變精度粗糙集的柴油發(fā)電機排氣閥故障診斷方法研究[J];閥門;2011年06期

相關博士學位論文 前1條

1 黎文航;基于變精度粗糙集理論的焊接動態(tài)過程知識建模方法研究[D];上海交通大學;2007年

相關碩士學位論文 前10條

1 侯佳佳;擴展優(yōu)勢關系下變精度粗糙集的增量方法[D];河北大學;2015年

2 操海燕;變精度粗糙集屬性約簡及應用研究[D];廣西大學;2008年

3 李倩;基于信息熵和變精度粗糙集的規(guī)則不確定性度量[D];河北大學;2009年

4 張先韜;序信息系統(tǒng)中基于變精度粗糙集的知識發(fā)現(xiàn)[D];重慶理工大學;2012年

5 唐小龍;多粒度變精度粗糙集的若干問題[D];廣西民族大學;2015年

6 王新霞;基于模糊邏輯的變精度粗糙集理論及其應用[D];哈爾濱工程大學;2009年

7 林泰崴;變精度粗糙集的研究及在數(shù)據(jù)庫中的應用[D];福州大學;2005年

8 覃志華;可變精度粗糙集合模型研究與應用[D];中南大學;2005年

9 楊燕燕;變精度粗糙集屬性約簡理論與算法[D];華北電力大學;2013年

10 閆先明;基于變精度粗糙集的網(wǎng)絡隱蔽通道檢測的研究[D];南京理工大學;2011年

，

本文編號：1394165