基于数据挖掘技术的电力负荷预测研究
|
摘要
本文在概要介绍电力负荷预测研究现状之后，首先对电力负荷预测系统架构模式展开讨论，并在其基础上重点展开了基于数据挖掘技术的电力负荷预测研究。主要工作由两大部分组成：
第一部分包括第二章，主要展开了电力负荷预测系统架构模式的研究。我们通过对常见的电力负荷预测系统架构模式进行分析，从智能决策支持的角度，提出了一个新型通用的电力负荷预测系统架构模式——基于数据挖掘技术的电力负荷预测系统架构模式。
第二部分包括第三章至第五章，重点是在第一部分所建立的通用框架的基础上，从数据挖掘的角度展开电力负荷预测研究。
第三章，我们从负荷预测中的知识支持需求出发，重点针对电力负荷预测建模关键属性选择问题展开讨论，提出了基于信息熵的负荷预测最佳属性集发现方法。
第四章，我们对神经网络应用于电力负荷预测的优势及目前存在的不足展开讨论，提出了基于模糊遗传神经网络的电力负荷预测方法。
第五章，我们针对基于规则推理的专家系统负荷预测方法存在的瓶颈问题展开讨论，基于关联规则挖掘技术实现知识获取，提出了基于模糊关联规则挖掘的电力负荷预测方法。
论文最后在第六章对全文所开展的研究工作进行总结，并指明了未来的研究方向。
After briefly describing the current research situation of electric power load forecasting, the dissertation firstly discusses the architecture model of electric power load forecasting system. And then, the dissolution focuses its emphasis on the research of electric power load forecasting based on data mining technology. Main work of this research consists of two parts:
Part I , including chapter 2, studies the architecture model of electric power load forecasting system. By analyzing the current architecture model, we put forward on a
new and universal architecture model-an architecture model of electric power
load forecasting system based on data mining technology.
Part II is composed of chapter 3 to chapter 6. We mainly discuss electric power load forecasting based on data mining technology.
Firstly, in chapter 3, we mainly discuss the question of the selection of key attributes in load forecasting model-building. We put forward on a method of mining best attribute set using information entropy.
Secondly, in chapter 4, by the analyzing the advantages and the key points of using artificial neural network model for electric power load forecasting, we put forward on a method of electric power load forecasting based on fuzzy genetic neural network.
Thirdly, in chapter 5, to solve the main problem of electric power load forecasting based on expert system, a method of electric power load forecasting based on fuzzy association rules mining is put forward on.
In chapter 6, research results of this dissertation are summarized, and some directions for further research are also provided.
第一部分包括第二章，主要展开了电力负荷预测系统架构模式的研究。我们通过对常见的电力负荷预测系统架构模式进行分析，从智能决策支持的角度，提出了一个新型通用的电力负荷预测系统架构模式——基于数据挖掘技术的电力负荷预测系统架构模式。
第二部分包括第三章至第五章，重点是在第一部分所建立的通用框架的基础上，从数据挖掘的角度展开电力负荷预测研究。
第三章，我们从负荷预测中的知识支持需求出发，重点针对电力负荷预测建模关键属性选择问题展开讨论，提出了基于信息熵的负荷预测最佳属性集发现方法。
第四章，我们对神经网络应用于电力负荷预测的优势及目前存在的不足展开讨论，提出了基于模糊遗传神经网络的电力负荷预测方法。
第五章，我们针对基于规则推理的专家系统负荷预测方法存在的瓶颈问题展开讨论，基于关联规则挖掘技术实现知识获取，提出了基于模糊关联规则挖掘的电力负荷预测方法。
论文最后在第六章对全文所开展的研究工作进行总结，并指明了未来的研究方向。
After briefly describing the current research situation of electric power load forecasting, the dissertation firstly discusses the architecture model of electric power load forecasting system. And then, the dissolution focuses its emphasis on the research of electric power load forecasting based on data mining technology. Main work of this research consists of two parts:
Part I , including chapter 2, studies the architecture model of electric power load forecasting system. By analyzing the current architecture model, we put forward on a
new and universal architecture model-an architecture model of electric power
load forecasting system based on data mining technology.
Part II is composed of chapter 3 to chapter 6. We mainly discuss electric power load forecasting based on data mining technology.
Firstly, in chapter 3, we mainly discuss the question of the selection of key attributes in load forecasting model-building. We put forward on a method of mining best attribute set using information entropy.
Secondly, in chapter 4, by the analyzing the advantages and the key points of using artificial neural network model for electric power load forecasting, we put forward on a method of electric power load forecasting based on fuzzy genetic neural network.
Thirdly, in chapter 5, to solve the main problem of electric power load forecasting based on expert system, a method of electric power load forecasting based on fuzzy association rules mining is put forward on.
In chapter 6, research results of this dissertation are summarized, and some directions for further research are also provided.
引文
[1]赵希正著．中国电力负荷特性分析与预测．北京：中国电力出版社，2002
[2]蔡自兴，徐光佑．人工智能及其应用(第二版)．清华大学出版社，1996
[3]牛东晓．电力负荷预测技术及应用．北京：中国电力出版社．1998
[4]Lotufo A.D.P, Minussi C.R. Electric power systems load forecasting: a survey. In:Proceedings of 1999 PowerTech Conference, Budapest, Hungary, 1999:p36
[5]魏伟，牛东晓．负荷预测技术的新进展．电力系统自动化，1999，23(18)：p32-35
[6]Ho K-L. Short Term Load Forcasting Using a Multilayer Neural Network with an Adaptive Learning Algorithm. IEEE PWRS, 1992, 7(10),p50-61
[7]丁军威，孙雅明．基于混沌学习算法的神经网络短期负茶预测．2000，24(2)：p32-35
[8]陈耀武，汪乐宁，龙洪玉．基于组合式神经网络的短期电力负荷预测模型．中国电机工程学报，2001，21(4)：p79-82
[9]郑岗，刘斌，周勇等．基于神经元网络的短期电力负荷预测．西安理工大学学报，2002(02)：p32-35
[10]Ho K-L, Hsu Y Y, Lee C E, et al. Short Term Load Forcasting of Taiwan Power System Using a Knowledge-Based Expert System. IEEE PWRS, 1990, 5(4), p46-57
[11]Hsu Y Y, Ho K-L. Fuzzy Expert System: An Application to Short Term Load Forcasting. IEEE Proceedings, 1992, 139(6), p20-28
[12]严华，吴捷，马志强等．模糊集理论在电力系统短期负荷预测中的应用．电力系统自动化．2000，24(11)，p67-72
[13]赵振宇，徐用懋著．模糊理论和神经网络的基础与应用．清华大学出版社，1996
[14]阎平凡，张长永编著．人工神经网络与模拟进化计算．清华大学出版社，2000
[15]陈文伟编著．决策支持系统及其开发(第二版)．清华大学出版社，2000
[16]韩立岩，汪培庄著．应用模糊数学．首都经济贸易大学出版社，1998
[17]陈红．电力系统短期负荷预测系统的实现．电力系统自动化，1997，21(12)：p58-60
[18]侯凯元，杨石虹．地区电网短期负荷预测系统的研究．电力系统及其自动化学报．2001，013(005)：D36-38，45
[19]严华，吴捷．智能化的短期负荷预测系统．电力自动化设备，2000，20(2)：p7-10
[20]Jiawei llan，Micheline Kamber著，范明，孟小峰等译．数据挖掘概念与技术．机械工业出版社，2001
[21]钟晓，马少平，张钹等．数据挖掘综述．模式识别与人工智能，2001，14(1)：p48-55
[22]W H Inmon. Building the Data Warehouse, 2nd ed. New York:Jonh Wiley&Sons, 1996
[23]王堋．数据仓库技术与联机分析处理．北京：科学出版社，1999
[24]Pawlak Z, Grzymala-Busse J, Slow inski R, et al. Rough sets. Communication of the ACM, 1995, 38 (11), p88-95
[25]Ivo Duntsch , Gunther Gediga . UncertainLy measures of rough set prediction. Artificial Intelligence, 1998: p106, 109-137
[26]Hu X , Cercone N Learning in relation database .. A Rough set approach. International Journal of Computational Intelligence, 1995, 11(2) : p323-338
[27]常犁云，王国胤，吴渝．一种Rough Set理论的属性约简及规则提取方法．软件学报，1999，10(11)：p1206-1211
[28]Miao Duoqian, Wang Jue. An information-based algorithm for reduction of knowledge. IEEE ICIPS'97, 1997:p1155-1158
[29]苗夺谦，王钰，粗糙集理论中概念与运算的信息表示，软件学报，1999，10(2)：p113-116
[30]苗夺谦，胡桂荣，知识约简的一种启发式算法，计算机研究与发展，1999，36(6)：681-684
[31]王国胤，于洪，杨大春．基于条件信息熵的决策表约简．计算机学报，2002，25(7)，p759-766
[32]Dimitras A I, Slowinski R, Susmaga R, Zopounidis C. Business failure prediction using rough sets. European Journal of Operational Research, 1999, 114 (2): 263-280
[33]张玲，张钹．遗传算法机理的研究．软件学报，2000，11(7)：p945-952
[34]Muhlenbein H. How genetic algorithms really work:Mutation and hillclimbing. In: Parallel Problem Solving from Nature. Amsterdam: Elsevier Science, 1992: p15-25
[35]胡小兵，吴树范，江驹．模糊理论在遗传算法中的运用．模式识别与人工智能，2001，14(1)：p109-113
[36]康重庆，程旭．一种规范化的处理相关因素的短期负荷预测新策略．电力系统自动化，1999，23(18)：p32-35
[37]王清毅，张波．目前数据挖掘算法的评价．小型微型计算机系统，2000，21(1)：p75-78
[38]R. Agrawal,et al. Mining association rules between sets of items in large database. Proc. ACM SIGMOD int'1 conf. management of data, Washington, DC, 1993 (5): p207-216
[39]R. Srikant, R. Agrawal. Mining quantitative association rules in large relational tables. In:Prov. 1996 ACM SIGMOD int'1 Conf. Management Data. Montreal, Canada, 1996:p1-12
[40]Srikant R, Agrawal R. Mining quantitative association rules in large relational tables. In:Proceedings of the ACM SIGMOD Conference on Management of Data, 1996
[41]张朝晖，陆玉昌等．发掘多值属性的关联规则．软件学报，1998，9(11)：p801-805
[42]杨明，孙志辉．一种划分多值属性的关联规则挖掘算法．计算机工程，2002，28(6)：p13-14
[43]T. Fukuda , Y. Morimoto , S. Morishita , T. Tokuyama . Data mining using two-dimensional optimized association rules : Scheme, algorithms, and visualizat-ion. In Proc. 1996 ACM-SIGMOD Int. Conf. Management of Data, Montreal, Canada, 1996.6:p13-23
[44]朱绍文，王泉德，黄浩．一种多概念层数值关联规则采掘方法．计算机科学，2001，28(2)：p104-107
[45]王玮，陈恩红，王煦法．关联规则的相关性研究．计算机工程，2000，26(7)：p6-8
[46]王玮，陈恩红，王煦法．连续数据的分割及关联规则发现．计算机工程，2000．26(9)，p17-18，29
[47]张保稳，何华灿．有效支持度和模糊关联规则挖掘．小型微型计算机系统，2002(09)，p78-80
[48]李德毅， 邸凯昌．用语言云模型发掘关联规则．软件学报．2000，11(2)：p143-158
[49]D.W. Cheung, et al. Maintenance of discovered association rules in large databases:an incremental updating technique. In:Proceedings of the 12th
internation conference on data engineering ,New Orleans Louisiana, 1995:p106-113
[50]沈海澜，王加阳，蒋外文等．模糊关联规则挖掘在电力负荷预测中的应用．计算机工程，2003(12)
[2]蔡自兴，徐光佑．人工智能及其应用(第二版)．清华大学出版社，1996
[3]牛东晓．电力负荷预测技术及应用．北京：中国电力出版社．1998
[4]Lotufo A.D.P, Minussi C.R. Electric power systems load forecasting: a survey. In:Proceedings of 1999 PowerTech Conference, Budapest, Hungary, 1999:p36
[5]魏伟，牛东晓．负荷预测技术的新进展．电力系统自动化，1999，23(18)：p32-35
[6]Ho K-L. Short Term Load Forcasting Using a Multilayer Neural Network with an Adaptive Learning Algorithm. IEEE PWRS, 1992, 7(10),p50-61
[7]丁军威，孙雅明．基于混沌学习算法的神经网络短期负茶预测．2000，24(2)：p32-35
[8]陈耀武，汪乐宁，龙洪玉．基于组合式神经网络的短期电力负荷预测模型．中国电机工程学报，2001，21(4)：p79-82
[9]郑岗，刘斌，周勇等．基于神经元网络的短期电力负荷预测．西安理工大学学报，2002(02)：p32-35
[10]Ho K-L, Hsu Y Y, Lee C E, et al. Short Term Load Forcasting of Taiwan Power System Using a Knowledge-Based Expert System. IEEE PWRS, 1990, 5(4), p46-57
[11]Hsu Y Y, Ho K-L. Fuzzy Expert System: An Application to Short Term Load Forcasting. IEEE Proceedings, 1992, 139(6), p20-28
[12]严华，吴捷，马志强等．模糊集理论在电力系统短期负荷预测中的应用．电力系统自动化．2000，24(11)，p67-72
[13]赵振宇，徐用懋著．模糊理论和神经网络的基础与应用．清华大学出版社，1996
[14]阎平凡，张长永编著．人工神经网络与模拟进化计算．清华大学出版社，2000
[15]陈文伟编著．决策支持系统及其开发(第二版)．清华大学出版社，2000
[16]韩立岩，汪培庄著．应用模糊数学．首都经济贸易大学出版社，1998
[17]陈红．电力系统短期负荷预测系统的实现．电力系统自动化，1997，21(12)：p58-60
[18]侯凯元，杨石虹．地区电网短期负荷预测系统的研究．电力系统及其自动化学报．2001，013(005)：D36-38，45
[19]严华，吴捷．智能化的短期负荷预测系统．电力自动化设备，2000，20(2)：p7-10
[20]Jiawei llan，Micheline Kamber著，范明，孟小峰等译．数据挖掘概念与技术．机械工业出版社，2001
[21]钟晓，马少平，张钹等．数据挖掘综述．模式识别与人工智能，2001，14(1)：p48-55
[22]W H Inmon. Building the Data Warehouse, 2nd ed. New York:Jonh Wiley&Sons, 1996
[23]王堋．数据仓库技术与联机分析处理．北京：科学出版社，1999
[24]Pawlak Z, Grzymala-Busse J, Slow inski R, et al. Rough sets. Communication of the ACM, 1995, 38 (11), p88-95
[25]Ivo Duntsch , Gunther Gediga . UncertainLy measures of rough set prediction. Artificial Intelligence, 1998: p106, 109-137
[26]Hu X , Cercone N Learning in relation database .. A Rough set approach. International Journal of Computational Intelligence, 1995, 11(2) : p323-338
[27]常犁云，王国胤，吴渝．一种Rough Set理论的属性约简及规则提取方法．软件学报，1999，10(11)：p1206-1211
[28]Miao Duoqian, Wang Jue. An information-based algorithm for reduction of knowledge. IEEE ICIPS'97, 1997:p1155-1158
[29]苗夺谦，王钰，粗糙集理论中概念与运算的信息表示，软件学报，1999，10(2)：p113-116
[30]苗夺谦，胡桂荣，知识约简的一种启发式算法，计算机研究与发展，1999，36(6)：681-684
[31]王国胤，于洪，杨大春．基于条件信息熵的决策表约简．计算机学报，2002，25(7)，p759-766
[32]Dimitras A I, Slowinski R, Susmaga R, Zopounidis C. Business failure prediction using rough sets. European Journal of Operational Research, 1999, 114 (2): 263-280
[33]张玲，张钹．遗传算法机理的研究．软件学报，2000，11(7)：p945-952
[34]Muhlenbein H. How genetic algorithms really work:Mutation and hillclimbing. In: Parallel Problem Solving from Nature. Amsterdam: Elsevier Science, 1992: p15-25
[35]胡小兵，吴树范，江驹．模糊理论在遗传算法中的运用．模式识别与人工智能，2001，14(1)：p109-113
[36]康重庆，程旭．一种规范化的处理相关因素的短期负荷预测新策略．电力系统自动化，1999，23(18)：p32-35
[37]王清毅，张波．目前数据挖掘算法的评价．小型微型计算机系统，2000，21(1)：p75-78
[38]R. Agrawal,et al. Mining association rules between sets of items in large database. Proc. ACM SIGMOD int'1 conf. management of data, Washington, DC, 1993 (5): p207-216
[39]R. Srikant, R. Agrawal. Mining quantitative association rules in large relational tables. In:Prov. 1996 ACM SIGMOD int'1 Conf. Management Data. Montreal, Canada, 1996:p1-12
[40]Srikant R, Agrawal R. Mining quantitative association rules in large relational tables. In:Proceedings of the ACM SIGMOD Conference on Management of Data, 1996
[41]张朝晖，陆玉昌等．发掘多值属性的关联规则．软件学报，1998，9(11)：p801-805
[42]杨明，孙志辉．一种划分多值属性的关联规则挖掘算法．计算机工程，2002，28(6)：p13-14
[43]T. Fukuda , Y. Morimoto , S. Morishita , T. Tokuyama . Data mining using two-dimensional optimized association rules : Scheme, algorithms, and visualizat-ion. In Proc. 1996 ACM-SIGMOD Int. Conf. Management of Data, Montreal, Canada, 1996.6:p13-23
[44]朱绍文，王泉德，黄浩．一种多概念层数值关联规则采掘方法．计算机科学，2001，28(2)：p104-107
[45]王玮，陈恩红，王煦法．关联规则的相关性研究．计算机工程，2000，26(7)：p6-8
[46]王玮，陈恩红，王煦法．连续数据的分割及关联规则发现．计算机工程，2000．26(9)，p17-18，29
[47]张保稳，何华灿．有效支持度和模糊关联规则挖掘．小型微型计算机系统，2002(09)，p78-80
[48]李德毅， 邸凯昌．用语言云模型发掘关联规则．软件学报．2000，11(2)：p143-158
[49]D.W. Cheung, et al. Maintenance of discovered association rules in large databases:an incremental updating technique. In:Proceedings of the 12th
internation conference on data engineering ,New Orleans Louisiana, 1995:p106-113
[50]沈海澜，王加阳，蒋外文等．模糊关联规则挖掘在电力负荷预测中的应用．计算机工程，2003(12)
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |