基于粗糙集-混沌时间序列Elman神经网络的短期用电量预测

Elman神经网络由于其具有无限逼近和适应时变特性的能力被广泛用于动态数据预测.短期的用电量存在多种不确定影响因素, 为了将所有影响因素考虑其中, 引入混沌时间序列的重构相空间技术.由于神经网络在非线性函数中对于峰值预测偏差较大, 粗糙集理论可以对其做出修正.因此, 引入混沌时间序列理论和粗糙集理论改进Elman神经网络并进行建模.模型应用嵌入维度和延迟时间重构相空间恢复原来系统的动力学形态, 将处理好的数据代入Elman神经网络进行用电量预测.最后引入粗糙集修正误差较大的峰值点, 提高预测精度.收集了Heriot-Watt大学某宿舍楼30天的用电量数据, 以5 min为计数频率共8 640个...

Full description

Saved in:
Bibliographic Details
Published in电力系统保护与控制 Vol. 47; no. 3; pp. 23 - 30
Main Authors 吴佳懋, 李艳, 符一健
Format Journal Article
LanguageChinese
Published 海南大学,海南 海口,570228%赫瑞·瓦特大学,爱丁堡 EH14 4AS 01.02.2019
Subjects
混沌时间序列
用电量预测
prediction of electricity consumption
粗糙集
rough set
Elman神经网络
chaotic time series
Elman neural network
Online AccessGet full text
ISSN1674-3415
DOI10.7667/PSPC180274

Cover

More Information
Summary:Elman神经网络由于其具有无限逼近和适应时变特性的能力被广泛用于动态数据预测.短期的用电量存在多种不确定影响因素, 为了将所有影响因素考虑其中, 引入混沌时间序列的重构相空间技术.由于神经网络在非线性函数中对于峰值预测偏差较大, 粗糙集理论可以对其做出修正.因此, 引入混沌时间序列理论和粗糙集理论改进Elman神经网络并进行建模.模型应用嵌入维度和延迟时间重构相空间恢复原来系统的动力学形态, 将处理好的数据代入Elman神经网络进行用电量预测.最后引入粗糙集修正误差较大的峰值点, 提高预测精度.收集了Heriot-Watt大学某宿舍楼30天的用电量数据, 以5 min为计数频率共8 640个计数点作为数据集进行预测仿真.预测结果与Elman神经网络和混沌时间序列Elman神经网络进行对比, 验证了该模型在短时间预测的有效性.
ISSN:1674-3415
DOI:10.7667/PSPC180274