基于正交最小二乘法模糊模型的短期负荷预测

将正交最小二乘法（OLS）模糊模型用于电力系统短期负荷预测,其推理系统模糊规则的生成、影响因素的选取和隶属度的确定均利用正交最小二乘法从历史数据中直接获得,从而克服了模糊推理系统的知识由咨询专家和经验来产生所造成的知识获取的“瓶颈”现象。相应的数学模型简洁有效。实际算例表明,该方法的预测精度较径向基网络法高0．3％－0．5％,每个模型运算仅需1s左右,具有较强的实用性。     

基于事例推理的短期负荷预测

将人工智能中的事例推理(CBR)技术引入到电力系统短期负荷预测中，针对传统规则专家系统知识获取的“瓶颈”问题，事例推理充分利用另一种知识资源(以往预测成功的例子)来解决新的预测问题．以前的预测行为作为历史事例以一定的结构和方式存储在事例库中，对于新的预测问题，从事例库中找寻相似事例，并利用其结论，确定新问题的解决方法．实际算例表明，对于短期负荷预测问题，基于事例推理的预测系统在预测精度上优于单一的数学模型，具有较强的实用性．     

基于确定性退火的增强型分片回归

回归是统计学习理论中的主要研究问题之一．文中给出确定性退火分片回归算法全局收敛性和自由能全局极小关于温度连续性的证明，推导出初始临界温度的简化计算公式，并提出一种新的增强型分片回归算法，利用“原型迁移”技巧，避免退火过程中“空剖分”的出现．基于Benchmark数据集上的实验表明：新算法能有效去除模型冗余，提高学习泛化能力．     

基于支撑向量机的电力系统峰负荷预测

将支撑向量机(SVM)方法用于电力系统峰负荷预测,它具有精度高、全局最优等显著特点.为了确定SVM中直接影响其推广能力的超参数,与一般采用的试凑法不同,提出了利用交叉有效性验证方法确定这些参数.另外,在样本的输入信息中,除负荷变量外,还根据峰负荷预测的特点,加入了对峰负荷预测影响较大的温度变量、星期类型及节假日信息,以提高预测精度.实际算例表明,在相同的负荷及气象数据的前提下,该方法的预测精度比神经网络方法提高了0 4%~0 8%.     

整体退火遗传算法及其收敛充要条件

针对常用时齐（比例选择下）遗传算法的强不收敛性和 设置合理停机准则的弊端，提出一类非时齐（整体退火选择下），保证收敛且容易判断收敛的新型遗传算法，证明允许父代参加竞争是这类新算法收敛的充要条件。数值实验表明：这类新算法收敛速度快，有极强的避免过早收敛及避免局部极值的全局优化能力。     

基于认知的非结构化信息处理:现状与趋势

与结构化数据相比,非结构化数据呈现出超高维、非线性、难以用有限规则表达、解译上依赖信息利用主体等复杂特征,管理和应用非结构化信息资源已成为信息处理发展的大趋势。由于人脑是已知的最有效的非结构化信息处理系统,本文概要介绍了与人的认知相关的环境感知、机器学习、知识推理和综合集成等非结构化信息处理关键问题的研究现状和进展,并探讨了进一步的研究方向。