一種快速模糊粗糙集短期負荷預測方法
【專利摘要】本發明公開了一種快速模糊粗糙集短期負荷預測方法。本發明包括如下步驟：步驟（1）采集安裝在電網中電表所記錄的電力負荷數據，然后構建初始屬性決策表；步驟（2）確定條件屬性和決策屬性的模糊隸屬函數；步驟（3）運用快速模糊粗糙集方法進行屬性約簡，獲得約簡的條件屬性；步驟（4）將約簡的條件屬性作為神經網絡的輸入數據對歸一化的歷史負荷數據進行訓練；步驟（5）用訓練得到的神經網絡進行電力系統短期負荷預測；步驟（6）對所得的預測日的最大負荷的歸一化值進行反歸一化處理，得到電力負荷短期預測結果，即預測日的最大負荷。本發明模糊粗糙集屬性約簡的計算量小，計算時間短；提高計算效率。
【專利說明】一種快速模糊粗糙集短期負荷預測方法
【技術領域】
[0001] 本發明屬于電力信息【技術領域】，具體涉及一種快速模糊粗糙集短期負荷預測方 法。
【背景技術】
[0002] 電力系統負荷預測對電力系統的安全、經濟和可靠運行具有非常重要的作用。其 中，短期負荷預測是電力系統調度管理部門制訂開停機計劃及在線安全分析的基礎，也是 電力市場中實現電能計劃管理的基礎。神經網絡具有很強的非線性擬合能力，能綜合考慮 影響負荷的各類因素，諸如天氣情況、日期類型等，所以神經網絡方法被廣泛用于電力系統 負荷預測，但是如果將各種影響因素都包含在輸入層的輸入變量中，會造成輸入變量過多， 加重網絡訓練負擔，非但不能提高預測精度，反而降低了網絡預測的性能。因此既考慮影響 負荷預測的各種因素，又適當地壓縮輸入變量，成為基于神經網絡的負荷預測方法必須解 決的問題。近幾年來，人們利用模糊粗糙集方法得到神經網絡負荷預測的輸入參數，提高了 預測精度，但是模糊粗糙集方法計算量較大，進行屬性約簡所需時間較長。
【發明內容】
[0003] 本發明的目的是針對現有技術的不足，提供一種快速模糊粗糙集短期負荷預測方 法，以使負荷預測方法更加快速、精確和實用。
[0004] 本發明解決其技術問題所采用的技術方案包括如下步驟：
[0005] 步驟（1)采集安裝在電網中電表所記錄的電力負荷數據，取每天最大負荷；并同 時獲取待預測日及其之前7天，共8天每天的平均相對濕度以及最大、最小和平均溫度相關 的天氣和日期類型數據，然后構建初始屬性決策表；
[0006] 步驟（2)確定條件屬性和決策屬性的模糊隸屬函數：
[0007] 步驟（3)運用快速模糊粗糙集方法進行屬性約簡，獲得約簡的條件屬性；
[0008] 步驟（4)將約簡的條件屬性作為神經網絡的輸入數據對歸一化的歷史負荷數據 進行訓練；
[0009] 步驟（5)用訓練得到的神經網絡進行電力系統短期負荷預測；預測前，將所有同 類數據進行歸一化處理，將歸一化的約簡條件屬性作為神經網絡輸入數據，得到預測日的 最大負荷的歸一化值；
[0010] 步驟（6)對所得的預測日的最大負荷的歸一化值進行反歸一化處理，得到電力負 荷短期預測結果，即預測日的最大負荷。
[0011] 步驟（1)所述的初始屬性決策表構建如表2所示：其中，d表示待預測日、D表示 日類型（包括工作日、周末、節假日）；Tmax、UPT ave代表日最大、最小和平均溫度，H表示 平均相對濕度；Lmax表示日最大負荷；將待預測日最大負荷作為輸出，其他屬性作為初始輸 入，其中U 1?U47為條件屬性，U48為決策屬性；
[0012] 表1初始輸入屬性集
【權利要求】
1. 一種快速模糊粗糙集短期負荷預測方法，其特征在于包括如下步驟： 步驟（1)采集安裝在電網中電表所記錄的電力負荷數據，取每天最大負荷；并同時獲 取待預測日及其之前7天，共8天每天的平均相對濕度以及最大、最小和平均溫度相關的天 氣和日期類型數據，然后構建初始屬性決策表； 步驟（2)確定條件屬性和決策屬性的模糊隸屬函數： 步驟（3)運用快速模糊粗糙集方法進行屬性約簡，獲得約簡的條件屬性； 步驟（4)將約簡的條件屬性作為神經網絡的輸入數據對歸一化的歷史負荷數據進行 訓練； 步驟（5)用訓練得到的神經網絡進行電力系統短期負荷預測；預測前，將所有同類數 據進行歸一化處理，將歸一化的約簡條件屬性作為神經網絡輸入數據，得到預測日的最大 負荷的歸一化值； 步驟（6)對所得的預測日的最大負荷的歸一化值進行反歸一化處理，得到電力負荷短 期預測結果，即預測日的最大負荷。
2. 如權利要求1所述的一種快速模糊粗糙集短期負荷預測方法，其特征在于步驟（1) 所述的初始屬性決策表構建如表1所示：其中，d表示待預測日、D表示日類型（包括工作 日、周末、節假日）；Tmax、Tmil^PTave代表日最大、最小和平均溫度，H表示平均相對濕度；Lmax 表示日最大負荷；將待預測日最大負荷作為輸出，其他屬性作為初始輸入，其中U1?U47為 條件屬性，U48為決策屬性； 表1初始輸入屬性集
3. 如權利要求1所述的一種快速模糊粗糙集短期負荷預測方法，其特征在于步驟(2) 所述的條件屬性和決策屬性的模糊隸屬函數如下： 對低溫的隸屬函數< 了采用偏小型梯形分布：
對中溫的隸屬函數Cr采用三角形分布：
對高溫的隸屬函數采用偏大型梯形分布：
對低濕度的隸屬函數U1ot采用偏小型梯形分布：
對中濕度的隸屬函數Unred采用中間型梯形分布：
對高濕度的隸屬函數Uhigh采用偏大型梯形分布：
最大負荷的模糊隸屬函數采用等距離劃分，將最大負荷分成如式（7)到式（11)所示的 5類：
根據日期類型特點將日期分為工作日、周末、節日三類；工作日的模糊隸屬函數采用式 (12)所示的偏小型梯形分布，周末的模糊隸屬函數采用式（13)所示的偏大型梯形分布；節 日的模糊隸屬函數為1，如式（14)所示；
O1,t為節日（14)。
4.如權利要求1所述的一種快速模糊粗糙集短期負荷預測方法，其特征在于步驟（3) 獲得約簡的條件屬性如下； 3-1.粗糙集相關符號定義 設X是論域U中的一個子集，如果X不能用基本集的并集準確地表示出來，則稱X為 粗糙集；所有包含在X中的基本集的并集組成X的下近似，記為K(X);所有與X的交集為 非空的基本集的并集組成X的上近似，記為If(X)，其數學定義如下：
其中X是U中的一個對象，[χ]κ表示U上的按等價關系R劃分出的包含X的等價類； P，Q為論域U上的兩個等價關系；設P，Q在U上導出的劃分分別為X，Y:Χ= (X1,…，XJ，Y= (Y1，…，YJ，則Q的P正域記為POSp(Q)，定義為： POSr{Q)-UΡΛΧ) (17) Q的P正域是U中所有根據分類U/P的信息能夠準確地劃分到關系Q的等價類中去的 對象集合； 3-2.快速模糊粗糙集屬性約簡方法 用模糊集合代替精確集合，通過在論域上引入模糊相似關系代替精確相似關系，則經 典粗糙集理論能夠擴展得到模糊粗糙集，模糊上近似/&(€)和模糊下近似/^(K)分別定義 為：
其中，Fi表示屬于U/P的模糊等價類；/VCO表示對象X屬于Fi的程度；μΧ(χ)表示對 象X屬于U上任意模糊集合X的程度；二值對被稱為模糊粗糙集；suP表示下確界， il^f表示上確界； 論域U中元素X屬于模糊正區域//Ws, (.〇的定義為：
其中，X'= {χ|μχ(χ) ==0} !/VtO表示對象X'屬于FjA程度； 模糊正區域(X)對應的依賴度YA (Q)，即模糊粗糙集合條件下決策屬性Q對條件 屬性集合A的依賴性，其定義為：
其中，I·I表示集合中元素的個數； 快速模糊粗糙集的屬性選擇描述如下： 3-2-1.將條件屬性X1,X2, ...，Xn放在集合C中，記為C- (X1,X2,...，XJ;令約簡屬性 集合為空集，記為51 <_-彳0丨·； 3-2-2.計算決策屬性D對每一個條件屬性的依賴度，找到所有依賴度中最大的一個， 記為第i個，可表示為Z=aHaxWU;其中arg表示取最優參數的意思； 3-2-3.將條件屬性Xi排除出集合C，記為C-C\{XJ;將條件屬性乂1放入集合S，記為S-{XJ； 3-2-4.對每一個j計算決策屬性D對條件屬性SU{X」}的依賴度Auu)!，找 到其中最大的一個，記為第j個，可表示為; 3-2-5.將條件屬性\放入集合S，記為S-SU{XJ;計算決策屬性D對條件屬性S的 依賴度S=Ys(D);計算決策屬性D對條件屬性S\{Xj}的依賴度:0)，其中S\{Xj} 表不排除了Xj之后的集合S; 3-2-6.計算Xj的屬性重要性σγ, = &(￡>)，若大于0,則將Xj排除出 集合C，記為C-C\ ，跳轉到步驟4 ;若σχ7小于0,則將并集XiUX^排除出集合S，記為S-S\ (XiUXjI； 3-2-7.令SI=S; 3-2-8.對于屬于集合C的任意Xm和屬于集合C的任意Xn ;若...,(D))-·^大于 〇,則令" =HaxAw.I(D) '將并集XmUX1^入集合Sl中，記為Sl-SIU{XmUXJ; 3-2-9.令S=S1，將并集XmU乂"排除出集合C，記為C-C\{XmUXJ;跳轉到步驟4 ; 3-2-10.得到約簡屬性集合S以及屬性重要性〇 ; 所述的i、j、m、η均為整數,取值范圍為I-N; 3-3.快速模糊粗糙集屬性約簡方法與原有模糊粗糙集屬性約簡方法對比如下： 原有的模糊粗糙集屬性約簡方法計算步驟如下： 首先計算模糊等價類Fi的下近似： μ^ [Fi) =infmax{I-μ,,(χ),μχ (λ) { Vi, 然后計算模糊等價類Fi的模糊正區域： μPOsXf;) ^SUpμχ (Fj) ' χ娜一 (23) 接著計算χ屬于υ的模糊正區域： Mp〇sa(x)=suP rninf/vCv),//^ (/=；)) (24) Fi^U IA 1 原有的模糊粗糙集屬性約簡方法計算模糊正區域：即要計算任意一個Fi和任意一個Xj 的Zk(X)，計算任意一個&的μX(xp，然后根據式（22)計算模糊等價類匕的下近似；然后 根據式（23)計算模糊等價類Fi的模糊正區域；然后根據式（24)計算X屬于U的模糊正區 域； 快速模糊粗糙集屬性約簡方法計算模糊正區域：首先計算任意一個對象X%屬于Fi的 程度然后計然后根據式（20)計算 通過分析得到條件屬性U1?U47的重要度的計算量可知，原有模糊粗糙集屬性約簡方 法中計算的計算量為2XnXnuXrv而快速模糊粗糙集屬性約簡方法的計算量為; 其中，η為樣本個數，nu為條件屬性的分類個數，η,為決策屬性的分類個數；由此可見，快速 模糊粗糙集屬性約簡方法的計算量為原有方法的f。
5. 如權利要求1所述的一種快速模糊粗糙集短期負荷預測方法，其特征在于步驟（4) 所述的將約簡的條件屬性作為神經網絡的輸入數據對歸一化的歷史負荷數據進行訓練如 下： 首先將訓練數據中的每一類數據按照式（25)進行歸一化處理： X' = (Xmax_X) / (Umin) (25) 式（25)中，X'為歸一化后的數據，X為歸一化前的數據，Xmax為同一類數據的最大值，Xmin為同一類數據的最小值； 然后將歸一化的約簡條件屬性進行神經網絡訓練，得到神經網絡中所有參數值； 訓練數據包括神經網絡的輸入數據和歷史負荷數據。
6. 如權利要求1所述的一種快速模糊粗糙集短期負荷預測方法，其特征在于步驟（6) 所述的對所得的預測日的最大負荷的歸一化值按照式（26)進行反歸一化處理，得到電力 負荷短期預測結果，即預測日的最大負荷； X -Xmax_XX(Xmax_Xmin) (26)。
【文檔編號】G06Q50/06GK104239968SQ201410443464
【公開日】2014年12月24日 申請日期:2014年9月2日 優先權日:2014年9月2日
【發明者】詹俊鵬, 郭創新, 黃剛 申請人:浙江大學