混合智能建模技術(shù)及其在短期負(fù)荷預(yù)測中的應(yīng)用研究.pdf

1、對于現(xiàn)實中存在的許多復(fù)雜系統(tǒng)，由于其具有非線性、過程不確定性、時變性、時滯性與多變量耦合等特性，使得人們對其演化過程難以辨識和預(yù)測?；谲浻嬎惴椒ǖ闹悄芙＜夹g(shù)為解決這類問題提供了一個有效的途徑。 論文首先介紹了智能建模技術(shù)的概念、研究發(fā)展及其應(yīng)用情況，主要概述基于模糊推理系統(tǒng)的混合智能建模技術(shù)，并介紹了其在電力系統(tǒng)中的應(yīng)用情況。本文的主要研究成果可分為兩大部分： 第一部分主要是提出幾種進(jìn)化模糊系統(tǒng)并將其應(yīng)用于混沌時間序

2、列預(yù)測和非線性動態(tài)系統(tǒng)辨識與控制中。這部分內(nèi)容包括第二章至第四章，主要內(nèi)容如下： 第二章提出了一種基于進(jìn)化規(guī)劃和最小二乘法的自動模糊建模算法EPLSE，利用擴(kuò)展T-S模型中的后件參數(shù)，對訓(xùn)練誤差實現(xiàn)了二次修正，顯著地提高了建模精度并精簡了模糊規(guī)則基。這種建模方法在混沌非線性時間序列預(yù)測的仿真中顯示出一定的優(yōu)越性，也為第六章提出的三階段短期電力負(fù)荷預(yù)測方法提供了理論基礎(chǔ)。 第三章通過分析進(jìn)化規(guī)劃和粒子群優(yōu)兩種不同類型進(jìn)化算

3、法的各自優(yōu)缺點(diǎn)，提出了一種新型混合進(jìn)化算法EPPSO，并將EPPSO應(yīng)用于設(shè)計模糊辨識器與模糊控制器，在非線性動態(tài)系統(tǒng)的辨識與控制中得到了有效的應(yīng)用。 第四章提出了本文的核心模型一自適應(yīng)拓展模糊基函數(shù)網(wǎng)絡(luò)。該模型吸取了ANFIS建模的思想，但其在初始時首先實現(xiàn)模糊輸入空間的劃分，然后提出對初始模型進(jìn)行微調(diào)的思想，為提高模型的性能提高提供了一種新的途徑。作為一種新型優(yōu)越的進(jìn)化模糊系統(tǒng)，其在本章的混沌時間序列預(yù)測以及后續(xù)章節(jié)的負(fù)荷預(yù)

4、測中均得到了驗證。 第二部分則主要針對電力系統(tǒng)短期負(fù)荷預(yù)測(Short-Term Load Forecasting，STLF)研究，在完成異常數(shù)據(jù)辨識與修正的基礎(chǔ)上，對浙江省全年各個階段的負(fù)荷進(jìn)行了提前24小時預(yù)測。第五章至第七章的內(nèi)容主要如下： 第五章為進(jìn)行電力系統(tǒng)負(fù)荷預(yù)測的數(shù)據(jù)清理環(huán)節(jié)，主要解決電力負(fù)荷異常數(shù)據(jù)的辨識與修正問題。本章基于統(tǒng)計的方法獲得負(fù)荷歷史數(shù)據(jù)中的異常部分，然后基于人工免疫網(wǎng)絡(luò)和圖論聚類算法所獲得負(fù)

5、荷特征曲線對異常數(shù)據(jù)進(jìn)行修正。 第六章主要研究氣象敏感日的STLF問題，提出一種基于模糊推理系統(tǒng)的三階段混合智能建模技術(shù)。首先，基于最小二乘法實現(xiàn)對模糊輸入空間的劃分；然后，在第二階段，拓展單輸出模糊模型為一階T-S模糊模型，并應(yīng)用混合進(jìn)化算法EPPSO調(diào)節(jié)其前件參數(shù)，同時學(xué)習(xí)后件參數(shù)；第三階段在前面獲得的模糊模型的基礎(chǔ)上，將模型輸出誤差看作一個新的時間序列，基于氣象變量，應(yīng)用最小二乘法選取最為重要的幾個變量加入模糊模型后件，同

6、時加以辨識。對浙江省電力公司2001年全年除節(jié)假日外所有負(fù)荷日進(jìn)行了提前24小時負(fù)荷預(yù)測，其中對于氣象不敏感的春秋季應(yīng)用前兩階段所獲得的模糊模型進(jìn)行預(yù)測，全年預(yù)測結(jié)果顯示該模型非常有效。 第七章對節(jié)假日負(fù)荷提出一種新型預(yù)測方案，將預(yù)測問題分解成峰谷負(fù)荷預(yù)測和比例負(fù)荷曲線預(yù)測問題。對于峰谷負(fù)荷，應(yīng)用一種模糊線性回歸方法來預(yù)測；而對于比例負(fù)荷曲線預(yù)測，則可直接采用第四章提出的自適應(yīng)拓展模糊基函數(shù)網(wǎng)絡(luò)來進(jìn)行預(yù)測。將兩種算法所獲得的預(yù)測