基于粗糙集和决策树的自适应神经网络短期负荷预测方法

摘要：

利用数据挖掘中的聚类技术将历史负荷数据进行聚类,根据聚类后的分类信息对定性属性利用粗糙集进行属性约简,由约简结果进一步生成决策规则树供短期预测使用.根据聚类的结果对每类进行BP神经网络的训练,神经网络的隐含层单元采取逐步试用的方法根据训练误差最小化进行选择.在实际预测中,首先对待预测的记录利用决策规则树进行归类,然后选取相应类别的神经网络予以预测.通过实例证明,该方法的平均相对误差为2.16%,而同结构BP神经网络预测的平均相对误差为2.67%,ARMA预测的平均相对误差为3.81%,证明所提方法有效.

关键词：数据挖掘、负荷预测、短期、聚类、粗糙集、决策树、自适应神经网络

所属期刊栏目：29

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金项目70671039,70572090;教育部新世纪优秀人才支持计划NCET-07-0281

在线出版日期：2009-11-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：30-34