一种快速模糊粗糙集短期负荷预测方法
【专利摘要】本发明公开了一种快速模糊粗糙集短期负荷预测方法。本发明包括如下步骤：步骤（1）采集安装在电网中电表所记录的电力负荷数据，然后构建初始属性决策表；步骤（2）确定条件属性和决策属性的模糊隶属函数；步骤（3）运用快速模糊粗糙集方法进行属性约简，获得约简的条件属性；步骤（4）将约简的条件属性作为神经网络的输入数据对归一化的历史负荷数据进行训练；步骤（5）用训练得到的神经网络进行电力系统短期负荷预测；步骤（6）对所得的预测日的最大负荷的归一化值进行反归一化处理，得到电力负荷短期预测结果，即预测日的最大负荷。本发明模糊粗糙集属性约简的计算量小，计算时间短；提高计算效率。
【专利说明】一种快速模糊粗糙集短期负荷预测方法
【技术领域】
[0001] 本发明属于电力信息【技术领域】，具体涉及一种快速模糊粗糙集短期负荷预测方 法。
【背景技术】
[0002] 电力系统负荷预测对电力系统的安全、经济和可靠运行具有非常重要的作用。其 中，短期负荷预测是电力系统调度管理部门制订开停机计划及在线安全分析的基础，也是 电力市场中实现电能计划管理的基础。神经网络具有很强的非线性拟合能力，能综合考虑 影响负荷的各类因素，诸如天气情况、日期类型等，所以神经网络方法被广泛用于电力系统 负荷预测，但是如果将各种影响因素都包含在输入层的输入变量中，会造成输入变量过多， 加重网络训练负担，非但不能提高预测精度，反而降低了网络预测的性能。因此既考虑影响 负荷预测的各种因素，又适当地压缩输入变量，成为基于神经网络的负荷预测方法必须解 决的问题。近几年来，人们利用模糊粗糙集方法得到神经网络负荷预测的输入参数，提高了 预测精度，但是模糊粗糙集方法计算量较大，进行属性约简所需时间较长。
【发明内容】
[0003] 本发明的目的是针对现有技术的不足，提供一种快速模糊粗糙集短期负荷预测方 法，以使负荷预测方法更加快速、精确和实用。
[0004] 本发明解决其技术问题所采用的技术方案包括如下步骤：
[0005] 步骤（1)采集安装在电网中电表所记录的电力负荷数据，取每天最大负荷；并同 时获取待预测日及其之前7天，共8天每天的平均相对湿度以及最大、最小和平均温度相关 的天气和日期类型数据，然后构建初始属性决策表；
[0006] 步骤（2)确定条件属性和决策属性的模糊隶属函数：
[0007] 步骤（3)运用快速模糊粗糙集方法进行属性约简，获得约简的条件属性；
[0008] 步骤（4)将约简的条件属性作为神经网络的输入数据对归一化的历史负荷数据 进行训练；
[0009] 步骤（5)用训练得到的神经网络进行电力系统短期负荷预测；预测前，将所有同 类数据进行归一化处理，将归一化的约简条件属性作为神经网络输入数据，得到预测日的 最大负荷的归一化值；
[0010] 步骤（6)对所得的预测日的最大负荷的归一化值进行反归一化处理，得到电力负 荷短期预测结果，即预测日的最大负荷。
[0011] 步骤（1)所述的初始属性决策表构建如表2所示：其中，d表示待预测日、D表示 日类型（包括工作日、周末、节假日）；Tmax、UPT ave代表日最大、最小和平均温度，H表示 平均相对湿度；Lmax表示日最大负荷；将待预测日最大负荷作为输出，其他属性作为初始输 入，其中U 1?U47为条件属性，U48为决策属性；
[0012] 表1初始输入属性集
【权利要求】
1. 一种快速模糊粗糙集短期负荷预测方法，其特征在于包括如下步骤： 步骤（1)采集安装在电网中电表所记录的电力负荷数据，取每天最大负荷；并同时获 取待预测日及其之前7天，共8天每天的平均相对湿度以及最大、最小和平均温度相关的天 气和日期类型数据，然后构建初始属性决策表； 步骤（2)确定条件属性和决策属性的模糊隶属函数： 步骤（3)运用快速模糊粗糙集方法进行属性约简，获得约简的条件属性； 步骤（4)将约简的条件属性作为神经网络的输入数据对归一化的历史负荷数据进行 训练； 步骤（5)用训练得到的神经网络进行电力系统短期负荷预测；预测前，将所有同类数 据进行归一化处理，将归一化的约简条件属性作为神经网络输入数据，得到预测日的最大 负荷的归一化值； 步骤（6)对所得的预测日的最大负荷的归一化值进行反归一化处理，得到电力负荷短 期预测结果，即预测日的最大负荷。
2. 如权利要求1所述的一种快速模糊粗糙集短期负荷预测方法，其特征在于步骤（1) 所述的初始属性决策表构建如表1所示：其中，d表示待预测日、D表示日类型（包括工作 日、周末、节假日）；Tmax、Tmil^PTave代表日最大、最小和平均温度，H表示平均相对湿度；Lmax 表示日最大负荷；将待预测日最大负荷作为输出，其他属性作为初始输入，其中U1?U47为 条件属性，U48为决策属性； 表1初始输入属性集
3. 如权利要求1所述的一种快速模糊粗糙集短期负荷预测方法，其特征在于步骤(2) 所述的条件属性和决策属性的模糊隶属函数如下： 对低温的隶属函数< 了采用偏小型梯形分布：
对中温的隶属函数Cr采用三角形分布：
对高温的隶属函数采用偏大型梯形分布：
对低湿度的隶属函数U1ot采用偏小型梯形分布：
对中湿度的隶属函数Unred采用中间型梯形分布：
对高湿度的隶属函数Uhigh采用偏大型梯形分布：
最大负荷的模糊隶属函数采用等距离划分，将最大负荷分成如式（7)到式（11)所示的 5类：
根据日期类型特点将日期分为工作日、周末、节日三类；工作日的模糊隶属函数采用式 (12)所示的偏小型梯形分布，周末的模糊隶属函数采用式（13)所示的偏大型梯形分布；节 日的模糊隶属函数为1，如式（14)所示；
O1,t为节日（14)。
4.如权利要求1所述的一种快速模糊粗糙集短期负荷预测方法，其特征在于步骤（3) 获得约简的条件属性如下； 3-1.粗糙集相关符号定义 设X是论域U中的一个子集，如果X不能用基本集的并集准确地表示出来，则称X为 粗糙集；所有包含在X中的基本集的并集组成X的下近似，记为K(X);所有与X的交集为 非空的基本集的并集组成X的上近似，记为If(X)，其数学定义如下：
其中X是U中的一个对象，[χ]κ表示U上的按等价关系R划分出的包含X的等价类； P，Q为论域U上的两个等价关系；设P，Q在U上导出的划分分别为X，Y:Χ= (X1,…，XJ，Y= (Y1，…，YJ，则Q的P正域记为POSp(Q)，定义为： POSr{Q)-UΡΛΧ) (17) Q的P正域是U中所有根据分类U/P的信息能够准确地划分到关系Q的等价类中去的 对象集合； 3-2.快速模糊粗糙集属性约简方法 用模糊集合代替精确集合，通过在论域上引入模糊相似关系代替精确相似关系，则经 典粗糙集理论能够扩展得到模糊粗糙集，模糊上近似/&(€)和模糊下近似/^(K)分别定义 为：
其中，Fi表示属于U/P的模糊等价类；/VCO表示对象X属于Fi的程度；μΧ(χ)表示对 象X属于U上任意模糊集合X的程度；二值对被称为模糊粗糙集；suP表示下确界， il^f表示上确界； 论域U中元素X属于模糊正区域//Ws, (.〇的定义为：
其中，X'= {χ|μχ(χ) ==0} !/VtO表示对象X'属于FjA程度； 模糊正区域(X)对应的依赖度YA (Q)，即模糊粗糙集合条件下决策属性Q对条件 属性集合A的依赖性，其定义为：
其中，I·I表示集合中元素的个数； 快速模糊粗糙集的属性选择描述如下： 3-2-1.将条件属性X1,X2, ...，Xn放在集合C中，记为C- (X1,X2,...，XJ;令约简属性 集合为空集，记为51 <_-彳0丨·； 3-2-2.计算决策属性D对每一个条件属性的依赖度，找到所有依赖度中最大的一个， 记为第i个，可表示为Z=aHaxWU;其中arg表示取最优参数的意思； 3-2-3.将条件属性Xi排除出集合C，记为C-C\{XJ;将条件属性乂1放入集合S，记为S-{XJ； 3-2-4.对每一个j计算决策属性D对条件属性SU{X」}的依赖度Auu)!，找 到其中最大的一个，记为第j个，可表示为; 3-2-5.将条件属性\放入集合S，记为S-SU{XJ;计算决策属性D对条件属性S的 依赖度S=Ys(D);计算决策属性D对条件属性S\{Xj}的依赖度:0)，其中S\{Xj} 表不排除了Xj之后的集合S; 3-2-6.计算Xj的属性重要性σγ, = &(￡>)，若大于0,则将Xj排除出 集合C，记为C-C\ ，跳转到步骤4 ;若σχ7小于0,则将并集XiUX^排除出集合S，记为S-S\ (XiUXjI； 3-2-7.令SI=S; 3-2-8.对于属于集合C的任意Xm和属于集合C的任意Xn ;若...,(D))-·^大于 〇,则令" =HaxAw.I(D) '将并集XmUX1^入集合Sl中，记为Sl-SIU{XmUXJ; 3-2-9.令S=S1，将并集XmU乂"排除出集合C，记为C-C\{XmUXJ;跳转到步骤4 ; 3-2-10.得到约简属性集合S以及属性重要性〇 ; 所述的i、j、m、η均为整数,取值范围为I-N; 3-3.快速模糊粗糙集属性约简方法与原有模糊粗糙集属性约简方法对比如下： 原有的模糊粗糙集属性约简方法计算步骤如下： 首先计算模糊等价类Fi的下近似： μ^ [Fi) =infmax{I-μ,,(χ),μχ (λ) { Vi, 然后计算模糊等价类Fi的模糊正区域： μPOsXf;) ^SUpμχ (Fj) ' χ娜一 (23) 接着计算χ属于υ的模糊正区域： Mp〇sa(x)=suP rninf/vCv),//^ (/=；)) (24) Fi^U IA 1 原有的模糊粗糙集属性约简方法计算模糊正区域：即要计算任意一个Fi和任意一个Xj 的Zk(X)，计算任意一个&的μX(xp，然后根据式（22)计算模糊等价类匕的下近似；然后 根据式（23)计算模糊等价类Fi的模糊正区域；然后根据式（24)计算X属于U的模糊正区 域； 快速模糊粗糙集属性约简方法计算模糊正区域：首先计算任意一个对象X%属于Fi的 程度然后计然后根据式（20)计算 通过分析得到条件属性U1?U47的重要度的计算量可知，原有模糊粗糙集属性约简方 法中计算的计算量为2XnXnuXrv而快速模糊粗糙集属性约简方法的计算量为; 其中，η为样本个数，nu为条件属性的分类个数，η,为决策属性的分类个数；由此可见，快速 模糊粗糙集属性约简方法的计算量为原有方法的f。
5. 如权利要求1所述的一种快速模糊粗糙集短期负荷预测方法，其特征在于步骤（4) 所述的将约简的条件属性作为神经网络的输入数据对归一化的历史负荷数据进行训练如 下： 首先将训练数据中的每一类数据按照式（25)进行归一化处理： X' = (Xmax_X) / (Umin) (25) 式（25)中，X'为归一化后的数据，X为归一化前的数据，Xmax为同一类数据的最大值，Xmin为同一类数据的最小值； 然后将归一化的约简条件属性进行神经网络训练，得到神经网络中所有参数值； 训练数据包括神经网络的输入数据和历史负荷数据。
6. 如权利要求1所述的一种快速模糊粗糙集短期负荷预测方法，其特征在于步骤（6) 所述的对所得的预测日的最大负荷的归一化值按照式（26)进行反归一化处理，得到电力 负荷短期预测结果，即预测日的最大负荷； X -Xmax_XX(Xmax_Xmin) (26)。
【文档编号】G06Q50/06GK104239968SQ201410443464
【公开日】2014年12月24日 申请日期:2014年9月2日 优先权日:2014年9月2日
【发明者】詹俊鹏, 郭创新, 黄刚 申请人:浙江大学