《基于数据挖掘的电力系统短期负荷预测研究.pdf》由会员分享，可在线阅读，更多相关《基于数据挖掘的电力系统短期负荷预测研究.pdf（76页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、大连理工大学硕士学位论文基于数据挖掘的电力系统短期负荷预测研究姓名：李冬伟申请学位级别：硕士专业：计算机应用技术指导教师：程春田20071217大连理工大学硕士学位论文摘要短期负荷预测是电力系统调度运营部门的一项重要工作，尤其是随着电力市场的建立和发展，短期负荷预测将发挥越来越重要的作用。其预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量。因此，关于如何提高预测精度的问题，一直是短期负荷预测研究的重点问题。电力负荷预测就是要通过实际电力系统负荷特性的分析，结合实际运行情况，运用数学和计算机方面的知识，建立合理准确的数学模型，最终得出精准的预钡0 结果。在负荷特性分析以及负荷预测模
2、型建立之前，必须对负荷数据进行预处理，剔除掉其中不能反应真实负荷情况的坏数据。数据挖掘是数据库与数据仓库研究领域新兴的富有前途的领域，是2 0 世纪末新兴起的数据智能分析技术，它的特点就是具有强大的数据处理能力，能从大量的数据中发现有用的规律和联系。作为新兴的技术学科，数据挖掘在电力系统负荷预测应用方面具有广泛的应用前景。本文力求将数据挖掘知识与电力系统实际情况结合起来，探讨基于数据挖掘的短期预测方法。对于负荷预处理，本文首先采用聚类分析的方法，将负荷的特征曲线提取出来，每一类负荷的特征曲线代表了该类负荷的正常曲线模式，然后以特征曲线为依据进行该类负荷的坏数据检测和修正，效果理想。对于负荷预测
3、，本文首先利用小波变换对负荷序列进行分解，得到不同频率的各个负荷分量，然后利用数据分类和多元回归分析方法分别对各个分量进行预测，最后再将各个分量的预测值组合起来，得到最终的预测结果。本文的方法应用于贵州省的实际负荷数据中，计算结果表明该方法能够取得满意的预测效果。关键词：短期负荷预测；数据挖掘；数据预处理；聚类分析；数据分类李冬伟：基于数据挖掘的电力系统短期负荷预测研究R e s e a r c ho nP o w e rS y s t e mS h o r t-T e r mL o a dF o r e c a s t i n gB a s e do nD a t aM i n i n gA
4、 b s t r a c t1 1 b es h o r t-t e r ml o a df o r e c a s t i n gi sa ni m p o r t a n tr o u t i n ef o rp o w e rd i s p a t c hd e p a r t m e n t E s p e c i a l l yw i t ht h ef o u n d a t i o na n dt h ed e v e l o p m e n to fp o w e rm a r k e t，s h o r t-t e r ml o a df o r e c a s t i n
5、gw i l lb r i n gi n t op l a yam o r ea n dm o r ei m p o r t a n tr o l e I t sp r e c i s i o nd i r e c t l yi n f l u e n c e sp o w e rs y s t e m。ss e c u r i t y，p r o f i ta n dq u a l i t y T h e r e f o r e，h o wt oi m p r o v et h ef o r e c a s t i n gp r e c i s i o ni st h ee m p h a
6、s i so nt h es t u d yo fs h o r t t e r ml o a df o r e c a s t i n g 曲es h o r t-t e r ml o a df o r e c a s t i n gi sc o n s t r u c t st h em a t h e m a t i cm o d e la tt h eb a s i so fa I l a l 弘曲gt h es p e c i a l i t yo f t h er e a ll o a da n da p p l y i n gt h ek n o w l e d g eo f m
7、 a t h sa n dc o m p m e rt or e a lc o U r s e，f i n a l l yo b t a i n sa c c u r a t ef o r e c a s t i n gr e s u l t s B e f o r ea n a l y f i n gt h es p e c i a l i t yo ft h er e a ll o a da n dc o n s t r u c t i n gt h em a t h e m a t i cm o d e l，i t sn e c e s s a r yt op r o c e s s i
8、 n gt h ed a t at ow i p eo f f t h eb a d-d a t aw h i c bd o e sn o ta c c o r dw i t ht h ef a c t D a t am i n i n gi sar i s i n gd o m a i no fd a t a-b a s ea n dd a t a w a r e h o u s e，i t Sat e c h n o l o g yo fd a t ai n t e l l i g e n ta n a l y s i sw h i c hr i s e da tt h ee n do f
9、2 0 t hc e n t u r y I t ss t r o n gs u i ti si t sp o w e r f u lc a p a c i t yo fp r o c e s s i n gd a t aa n dt h e nd i s c o v e r i n gu s e f u lr u l ea n dr e l a t i o n A sar i s i n gt e c h n o l o g y,i th a sb r o a df o r e g r o u n da ta p p l y i n gt op o w e rl o a df o r e c
10、 a s t i n gs y s t e m I nt h i sp a p e r，w em a k eg r e a te f f o r t st oc o m b i n ed a t am i n i n gk n o w l e d g ew i t hp o w e rs y s t e m,a n dt h e no b t a i nt h es h o r t t e r ml o a df o r e c a s t i n gm e t h o db a s e do nd a t am i n i n g I nd a t ap r o c e s s i n g，
11、t h i sp a p e rf i r s t l yp i c k su pt h ec h a r a c t e rc u r v ew h i c hi se m b o d i m e n to fn a t u r a ll o a dc u r v eb ym e t h o do fC l u s t e ra n a l y s i s，t h e nc h e c k sa n dm o d i f i e st h eb a d-d a t aa c c o r d i n ga st h ec h a r a c t e rc u r v e T h er e s
12、u l t sa l ew e l l I nJ 0 a df o r e c a s t i n g f i r s t l yo b t a i n sl o a dh e f t sa td i f f e r e n tf r e q u e n c i e sb yw a v e l e tt r a n s f o r m i n g，t h e nf o r e c a s t se v e r yh e f tb yd a t ac l a s s i f i c a t i o na n dr e g r e s s i o nm u l t i a n a l y s i
13、s，i nt h ee n df i t se v e r yf o r e c a s t i n gr e s u l tt o g e t h e rt og e tt h ef m a lr e s u l t n 圯m e t h o di nt h i sp a p e rh a sb e e na p p l i e dt ot h er e a ll o a do fC-u i z h o up r o v I n c e，t h ee x a m p l es h o w st h a tt h i sm e t h o dC a no b t a i ng o o dr e
14、 s u l t si nt h ee l e c t r i c1 0 a ds h o r t-t e r mf o r e c a s t i n g K e yW o r d s：S h o r t-T e r mL o a dF o r e c a s t i n g；D a t aM i n i n g；D a t aP r o c e s s i n g；C l u s t e rA n a l y s i s：D a t aC l a s s i f i c a t i o n独创性说明作者郑重声明：本硕士学位论文是我个人在导师指导下进行的研究工作及取得研究成果。尽我所知，除了
15、文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得大连理工大学或者其他单位的学位或i,r-4；所使用过的材料。与我一同工作的同志对本研究所做的贡献均已在论文中做了明确的说明并表示了谢意。作者签名：毒专传日期：!L 上_ 墨大连理：【：大学硕士研究生学位论文大连理工大学学位论文版权使用授权书本学位论文作者及指导教师完全了解“大连理工大学硕士、博士学位论文版权使用规定”，同意大连理工大学保留并向国家有关部门或机构送交学位论文的复印件和电子版，允许论文被查阅和借阅。本人授权大连理工大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，也可采用影印、缩印或
16、扫描等复制手段保存和汇编学位论文。洳_ b查篓伟作者签名：导7I r导师签名：大连理工大学硕士学位论文1绪论1 1电力短期负荷预测的意义与目的电力系统负荷预测是电力系统调度、用电、计划和规划等管理部门的重要工作之一。准确的负荷预测，有利于经济合理的安排电网内部发电机组的启停，保持电网运行的安全稳定性，减少不必要的旋转储备容量；有利于用电管理，合理的安排电网运行方式和机组检修计划，保证社会的正常生产和生活：有利于节煤、节油和降低发电成本，提高电力系统的经济效益和社会效益；同时，也有利于制定合理的电源建设规划、决定未来新发电机组的安装及装机容量的大小、时间和地点，有利于合理的安排电网的增容和改建、
17、决定电网的建设和发展。负荷预测的结果己成为经济调度和推行电力市场的必要基础【l l。随着国民经济的发展和电力市场的进一步开放，人们对电能的质量要求越来越高，负荷预测也越来越受到重视。为了保证电力系统安全、经济运行，同时也为了提高电力市场下电网公司的售电经济效益，电力调度部门对负荷预测的准确性、实时性、可靠性和智能性都提出了更高的要求。目前的预测按照周期长度大体上可以分为超短期负荷预测、短期负荷预测、中期负荷预测和长期负荷预测四种。一般说来，几十分钟到几小时的负荷预测为超短期负荷预测，用于安全监视、预防性控制和紧急状态处理；日负荷至周负荷预测为短期负荷预测，分别用于确定机组的启停、负荷经济分配、
18、设备检修等；月至年的负荷预测为中期负荷预测，主要确定水库的运行方式、设备大检修；而电力的长期规划和发展，需要数年至十年的长期负荷预测。短期负荷预测是电力负荷预测中的重要一环，是调度中心制订发电计划及发电厂报价的依据，也可以为发电计划程序、离线网络分了析和合理的调度安排提供数据，而其准确率的高低直接决定了电力系统运行的安全性和经济性，对电力系统的运行、控制和生产计划都有着非常重要的影响。为了准确的预测市场对电力这一商品的需求，当前世界各个电力公司和供电公司都在积极进行满足电力市场要求的短期负荷预测研究。英国研究表明短期负荷预测的误差每增加1 导致每年增加成本1 千万英镑；在挪威l 的短期负荷预测
19、误差的增加将导致5 1 0 百万克朗的附加运营成本1 2】。所以准确的短期负荷预测具有很大的经济效益，必须进行深入研究。李冬伟：基于数据挖掘的电力系统短期负荷预测研究1 2 电力系统负荷预测的基本理论1 2 1电力系统负荷预测的概念和分类电力系统负荷预测中的负荷概念【3 1，是指国民经济整体或部门或地区对电力和电量消费的历史情况及未来的变化发展趋势。电力系统负荷预测p J 是指从已知的经济、社会发展和电力系统需求出发，考虑经济、气候、特殊事件等诸多相关因素，通过对历史数据的分析和研究，探索电力系统各参数间的内在联系和发展规律，以未来经济和气候的预测结果为依据，对未来的电力需求做出估计和预测。从
20、不同的角度，电力负荷预测可以有不同的分类：(1)按照时间不同，电力负荷预测可以分为超短期负荷预测、短期负荷预测、中期负荷预测和长期负荷预测。超短期负荷预测主要指对未来几小时甚至几十分钟的负荷进行预测。短期负荷预测主要指预测未来一天到未来一周的负荷。中期负荷预测主要指对未来几周到未来几个月的负荷进行预测。长期负荷预测主要指对未来一年到未来几年的负荷进行预测。(2)按照使用范围不同，负荷预测还可以划分为民用负荷、工业负荷、商业负荷和农业负荷等的负荷预测。民用负荷主要指城市居民用电负荷，包括夏季的降温设备、冬季的取暖设备以及其他家用电器的负荷，通常具有年增长性及明显的季节波动和日变化等特点。工业负荷
21、主要指各厂矿进行工业生产的用电负荷，通常所占比重较大且比较稳定。商业负荷主要指商业行业的照明、空调、动力等负荷，一般所占比重较小，具有季节性变化和I t 变化的特点，是节假F 1 期间影响电力负荷的重要因素。农业负荷主要指城镇以外的农村居民用电和农业生产用电，它受季节影响较大，对降水量、天气等自然因素的变化十分敏感。(3)另外按照特性分类，负荷预测还可以分为最高负荷、最低负荷、平均负荷、负荷峰谷差、高峰平均负荷、低谷平均负荷、全网负荷、负荷率等类型的负荷预测，以满足供用电部门的工作需要。1 2 2 影响电力负荷的因素影响电力负荷的因素是复杂多样的，由于电力系统负荷是自然和社会诸因素的综合产物，
22、其变化自然受到各种社会因素和自然因素的影响。这里，社会因素主要包括农业结构、经济发展速度、能源利用、人1 1 3 增长、科学技术发展水平、国家政策、社会状况、节假日制度等，自然因素如天气变化、季节更替、自然灾害等各种气象条件等。大连理工大学硕士学位论文综合分析各种因素，可以将这些因素可分为以下4 个类型：经济因素、日期因素、气象因素、突发事件因素。(1)经济因素电力网络运行地点的经济环境对电力需求模式有显著影响。比如，供电区域人口、工业生产水平、电气设备数量变化、饱和水平和特性、政策发展趋势以及更为重要的经济发展趋势对电网负荷增长下降趋势的影响。另外，电力网络本身的管理政策，如负荷方管理及电价
23、政策因素也对负荷发生影响。(2)日期因素日期因素对负荷的影响主要表现在双休日、法定节假日和传统节日等对负荷的变化产生的影响。一般情况下，正常工作日的负荷水平会高于双休日。在节假日期间，工业负荷所占比重大幅下降，而占据电力系统负荷的主要是居民用电、餐饮业等服务性的民用、商用负荷，因而电力系统负荷整体会有所下降。(3)气候因素气候的变化对电力负荷会产生很大的影响。其主要的影响因素有温度，降水量，风力和湿度等。例如，阴雨天白天照明负荷会增加，高温天气空调、电扇等负荷会上升。随着空调设备的日益普及，温度将成为影响电力负荷的一个敏感因素。值得注意的一点是，负荷受气象的影响与该地负荷组成情况，气象情况有着
24、很大的关系。如在中国大部分地区都是夏季负荷要高于冬季负荷，这是因为空调负荷所占负荷总量较大的原因，但在法国，夏季比较凉爽，全年最高负荷就出现在冬季。因此，气象因素对负荷的影响一定要根据各地的实际情况具体的进行分析。(4)突发事件与随机干扰各种突发事件如突发事故、非计划性检修、限电、用电大户的负荷波动等。这些因素对电力负荷的干扰是很大的。例如，当电网中某些发电机组或输电线路突然发生故障，会造成电网中负荷急剧下降，这也是造成负荷数据中有一些趋于零点的伪数据的主要原因之一。另外由于系统是由大量分散的单独需求组成，负荷不断受随机干扰影响，因此系统负荷也具有一定的随机性。针对影响系统负荷的因素的不同，电
25、力系统某一时刻的总负荷预测模型可以相应的分为不同的几个分量模型 4 1：L(t)2 B(t)+W(t)+S(t)+V(D(1 1)式中，L(t)为时刻t 的系统总负荷：B(t)为时刻t 的基本正常负荷分量：W(t)为时刻t的天气及日期敏感负荷分量：s(o 为时刻t 的特别事件负荷分量：V(t)为时刻t 的随机负荷分量。李冬伟：基于数据挖掘的电力系统短期负荷预测研究1 2 3 电力系统短期负荷预测的特点负荷预测工作就是根据电力负荷的发展变化规律，预计或判断其未来发展趋势和状态的活动，因此必须科学的总结出预测工作的基本原理，用于指导负荷预测工作。由于负荷预测是根据电力负荷的过去推测它的未来数值，所
26、以负荷预测工作所研究的对象是不确定事件，只有不确定事件、随机事件才需要人们采取适当的预测技术，推测负荷的发展趋势和可能达到的状况。这就使负荷预测具有以下明显的特点 3 1 1 5 1：(1)不准确性因为电力负荷未来的发展是不确定的，它受到多种复杂因素的影响，而且多种影响也是发展变化的。人们对于这些发展变化有些能够预先估计，有些很难预见，加上一些临时变化的影响，因此就决定了预测结果的不准确性或不完全准确性。(2)条件性各种负荷都是在一定的条件下作出的，就条件而言，可以分为必要条件和假设条件两种。如果预测人员掌握了电力负荷的本质规律，那么预测条件就是必然条件，此时所做出的预测往往是比较可靠的。而在
27、很多情况下，由于负荷未来发展状况的不确定性，就需要一些假设条件。当然，这些假设条件应根据研究分析，综合各种情况而来。给预测结果加以一定的前提条件，更有利于用电部门使用预测结果。(3)时间性各种负荷预测都有一定的时间范围。因为负荷预测属于科学预测的范畴。因此，要求有比较确切的数量概念，往往需要指明预测的时间。(4)多方案性由于负荷预测的不准确性和条件性，有时要对负荷在各种可能的发展情况下进行预测，就会得到各种不同条件下的预测方案。(5)可知性原理预测对象的发展规律，其在未来的发展趋势和状况是可以为人们所知道的，人们不但可以认识到它的过去和现在，而且可以通过总结它的过去和现在推测未来，这是人们进行
28、预测活动的基本依据。(6)可能性原理因为事物的发展变化是在内因和外因的共同作用下进行的，内因的变化和外因作用大小不同，会使事物的发展变化有多种可能性。所以，对某一具体指标的预测，往往是按照其发展变化的多种可能性，进行多方案预测的。(7)连续性原理一4大连理工大学硕士学位论文也称惯性原理，是指预测对象的发展是一个连续统一的过程，其未来发展是这个过程的连续。电力系统的发展存在惯性，这种惯性是我们进行负荷预测的主要依据。(8)相似性原理尽管客观世界中各种事物的发展各不相同，但事物发展之间存在着相似之处，人们可以利用这种相似性原理进行预测。多数情况下，作为预测对象的一个事物，其现在的发展过程和发展状况
29、可能与另一事物过去的一个阶段的发展过程和状况类似，人们就可以根据后一事物的已知信息，来预测所预测事物未来的发展过程和状况。(9)反馈性原理反馈就是利用输出返回到输入端，再调节输出结果。预测的反馈性原理实际上就是为了不断提高预测的准确性而进行的反馈调节。人们在预测活动实践中发现，当预测的结果和经过一段实践所得到的实际值之间存在着差距时，可以利用这个差距，对远期预测值进行调节，以提高预测的准确性。(1 0)系统性原理预测对象是一个完整的系统，它本身有内在的系统，它与外界事物的联系又形成了它的外在系统。这些系统综合成一个完整的总系统，在预测中都要进行考虑，即预测对象的未来发展就是系统整体的动态发展，
30、而且整个系统的动态发展与它的各个组成部分和影响因素之间的相互作用和相互影响有关。系统性原理还强调系统整体最佳，只有系统整体最佳的预测，才有高质量的预测，才能为决策者提供最佳的预测方案。1 2 4 电力系统短期负荷预测的基本步骤总的来说，负荷预测的基本步骤如下：(1)调查和选择历史负荷数据资料。(2)历史资料的整理。(3)对负荷数据的预处理(4)建立负荷预测模型。(5)综合分析、确定预测结果。1 3 国内外研究现状及发展趋势短期电力负荷预测的研究已有较长的历史，它是随着电力系统中E M S 系统的逐步发展而发展起来的。从上世纪七十年代初开始，对电力负荷预测的研究就呈现出逐步上升的趋势，到了八十年
31、代，由于能源紧张造成的对负荷科学管理的迫切要求以及对准确和适应性强的负荷模型的渴望，使得对负荷预测的重视程度越来越高九十年代，随着世李冬伟：基于数据挖掘的电力系统短期负荷预测研究界各国电力市场的发展，负荷预测受到了人们更加广泛的重视。预测方法包括传统的预测方法和人工智能预测方法两大类。传统预测方法主要是基于各种统计理论的时间序列分析方法。其主要思想是基于负荷形状及函数形式对负荷进行研究，把负荷预测的不确定性归结为随机性，运用概率论和数理统计的方法进行处理。传统预测方法主要包括回归分析法，时间序列分析法等。传统预测方法主要应用于二十世纪六七十年代到八十年代末。由于传统方法研究较早，所以无论在理论
32、上还是在应用上都比较成熟，但其缺陷是对于不确定因素考虑不足，随着社会经济的迅速发展，这一缺陷也表现得同益显著。二十世纪九十年代起，随着计算机技术的发展，人工智能技术的兴起，负荷预测迅速进入了使用智能预测方法的阶段。智能预测方法主要包括专家系统预测，人工神经网络预测法，数据挖掘技术预测和支持向量机预测方法等等。智能预测方法不需要事先知道过程模型的结构和参数的相关先验知识，也不需要通过复杂的系统辨识来建立过程的数学模型，所以很适用于存在非线形，多变量，时变，不确定性的电力负荷预测。比起传统预测方法，智能预测方法优点在于能够比较好的考虑各种非负荷因素对负荷的影响，能够比较好的处理各种相关因素与负荷之
33、间的非线形关系。缺点是由于需要对历史数据进行大量的运算，所以计算量也比较大。1 3 1 传统预测方法传统预测方法主要有以下几种：(1)回归分析法【6 7 1回归分析法的负荷预测是一种曲线拟合法，即对过去的具有随机特征的负荷记录进行拟合，得到一条确定的曲线，然后将此曲线外延到适当时刻，就可以得到该时刻的负荷预测值。回归分析法是研究变量和变量之间依存关系的一种数学方法。它又可分为线形回归和非线形回归。回归分析法的预测精度比较高，适用于中、短期负荷预测。但缺点是需要样本量大，且要求样本有较好的分布规律，当预测的长度大于原始数据长度时，其预测结果的精度不能保证。(2)时间序列分析法o】一段历史时期的负
34、荷资料组成的时间序列可以看成一个随机过程，某一时期的负荷和它过去的负荷有关，是在过去负荷基础上的随机波动。这种关系可以用自协方差函数和自相关函数进行描述。时间序列法是研究这种关系建立模型和进行预测的。时间序列分析法主要有自回归模型、滑动平均模型和自回归滑动平均混和模型等。由于时间序列方法是假定负荷曲线是平稳的时间序列，但实际电力系统的负荷并非平稳时间序列，所一6 一大连理工大学硕士学位论文以利用它来预测周末、节假日或季节变化周期时，预测精度就比较差，同时复杂的模型技术和巨大的计算量也是它的不足。(3)卡尔曼滤波法【l l 1 2 l卡尔曼滤波法又称状态空间法，把负荷作为状态变量来建立状态空间模
35、型，用卡尔曼滤波算法实现负荷预测。卡尔曼滤波法是在假定噪声的统计特征已知的情况下得出的，而估计噪声的统计特征是个难点。最新的技术是采用极大似然估计，来决定量测噪声和系统噪声方差。1 3 2 人工智能预测方法随着计算机技术的发展，人工智能技术的兴起，人工智能预测方法成为十几年来十分流行的预测方法。主要有以下几种：(1)专家系统法【3】传统人工智能是从计算机科学的角度来研究机器智能的智能科学。专家系统是传统人工智能中最活跃的分支。专家系统是对领域专家分析、求解复杂问题能力的模拟。而一般地来说，人类专家的能力来源于他们渊博的知识，即专家的知识很大程度上决定了他们的能力。因此如果能让计算机程序具备并能
36、灵活运用与专家相同的知识，我们就可期望该程序系统也具有与专家相似的分析、判断和推理能力，这一点已为一些成功的专家系统实践所证实。专家系统方法的优势在于它可以避开复杂的数值计算而使问题得到解决，系统结构简单、清晰，对于预测过程和预测结果具有良好的透明性。而专家系统的缺点是知识库的建立比较困难。尽管如此，专家系统对于解决不确定性问题和非规律性问题仍然是一个强有力的工具。(2)小波分析法0 4-1 5 1小波分析是当前数学中一个迅速发展的新领域，它同时具有理论深刻和应用十分广泛的双重意义。小波变换的实质是用一合适的母小波(m o t h e rw a v e l e t)。F(t)通过时间轴上的位移
37、与放缩和幅度的变化产生一系列的派生小波，用系列小波对要分析的信号进行时间轴上的平移比较，获得用以表征信号与小波相似程度的小波系数，由于派生小波可以达到任意小的规定精度，并可以对有限长的信号进行精确的度量，因此可以获得相对于傅立叶分析所不能获得的局部时间区间的信息。李冬伟：基于数据挖掘的电力系统短期负荷预测研究小波分析法能任意地提取短期负荷序列的细节。通过使用小波分析，可以在任何水平上分析短期负荷序列，它对信息成分采取逐渐精细的时域与频域处理，尤其对突发与短时的信息分析具有明显的优势。(3)人工神经网络预测法1 1 9-2 1J人工神经网络是对人脑或自然神经网络的若干基本特征的抽象和模拟。神经网
38、络预测法是以传统显式函数的自变量和因变量作为网络的输入和输出，将传统的函数关系转化为高维的非线形映射，而不是显式的数学表达式。神经网络是一个具有高度非线形的超大规模连续时间动力系统，可以映射任意复杂的非线形关系，而且能够识别有噪声或变形的样本。因此近年来在电力系统负荷预测中得到了广泛的应用。人工神经网络是由多个神经元连接而成，用以模拟人脑行为的网络系统。它通过学习获得合适的参数，用来映射任意复杂的非线性关系。人工神经网络具有自学习、自适应的优点，在短期负荷预测中能够自动跟踪负荷规律的变化。目前在负荷预测问题上应用最广泛、最成熟的人工神经网络是B P 神经网络。(4)灰色预测法【2 2 2 3
39、l灰色系统是介于白色系统和黑色系统之间的一种系统。灰色预铡法是一种对含有不确定因素的系统进行预测的方法。灰色预测通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。其用等时距观测到的反应预测对象特征的一系列数量值构造灰色预测模型，预测未来某一时刻的特征量，或达到某特征量的时间。(5)模糊逻辑预测法 2 4-2 6 1 9 6 5 年，美国加利福尼亚大学的扎特教授怠I j 立了模糊集合论，为描述和处理事务的模糊性和系统中的不确定性，为模拟人的模糊逻辑思维功能，
40、提供了强有力的工具。模糊逻辑是一种解决不确定，不完全信息问题的方法，其最大的特点是可以比较自然地处理人类的概念。目前，应用于电力系统负荷预测中得模糊逻辑理论主要有模糊线形回归，模糊推理系统等等。而且模糊逻辑概念也被应用于其他得一些预测方法中，以解决对一些非量化数据和规则的处理问题。模糊逻辑方法的优点在于处理负荷预测中的不确定因素时非常有效，缺点是在自学习、自适应能力等方面还需要迸一步提高。(6)数据挖掘技术【2 7 瑚】大连理工大学硕士学位论文数据挖掘又称为知识发现，就是指对观测到的数据集进行分析，目的是发现未知的关系或数据拥有者可以理解的，并对其有价值的新颖方式来总结数据。一般来说，数据挖掘
41、是一个利用各种分析工具和分析方法在大规模海量数据中建立模型和发现数据间关系的过程，这些模型和关系可以用来作出决策和预测。电力系统的数据类型多样，数据量巨大，特别是电力市场化后，历史负荷数据十分惊人。在这种情况下，仅靠传统的分析处理方法己捉襟见肘，而数据挖掘可以从海量数据中发现许多有用的信息，正是解决这个难题的有力工具。1 3 3组合预测方法魄删组合预测方法，指将几种不同的预测方法进行综合，取长补短，吸收各自的优点，以达到提高最终的负荷预测精度的要求。优选组合预测技术有两层含义：一是从几种预测方法得到的结果中选取适当的权重加权平均。另一层含义是，可在几种方法中比较，选择标准偏差最小或拟合度最佳的
42、一种方法。该方法的优点是：优选组合了多种单一预测模型的信息，考虑的影响信息也比较全面，因而能够有效地改善预测效果。缺点是：(1)权重的确定比较困难；(2)不可能将所有在未来起作用的因素全包含在模型中，在一定程度上限制了预测精度的提高。1 3 本文的主要工作短期负荷预测不仅在电力系统规划和运行方面具有重要地位，而且随着电力体制向电力市场的转变，其明显的经济意义也越来越突出。因此迫切需要有一套科学的、符合地区电力负荷特点的预测模型和方法。本文以贵州省电力系统负荷数据为依据，基于数据挖掘技术，结合贵州电网的实际情况，建立了一种适合于贵州省电力系统的短期负荷预测模型：(1)坏数据处理是负荷预测过程中必
43、不可少也至关重要的一环，这一任务的关键是对坏数据进行准确定位，即不但要找出含有坏数据的负荷曲线，还要准确定位坏数据在曲线中的具体位置。本文采用应用聚类分析方法实现对负荷数据的预处理。(2)以贵州省电网负荷为例，进行短期负荷特性分析，从而为后面提出预测模型提供依据。(3)将小波变换和数据分类技术相结合，建立电力系统短期负荷预测模型。首先利用小波变换技术将负荷数据分解为不同的负荷分量，然后应用数据分类技术对各个负荷分量进行预测，最后将各个分量的预测结果相叠加，得到最终的预测值，实现了对贵州省负荷数据的预测。(4)实现了贵州省短期负荷预测系统的开发，并对实际运行结果进行了分析。李冬伟：基于数据挖掘的
44、电力系统短期负荷预测研究2 数据挖掘的基本理论数据挖掘是2 0 世纪8 0 年代，人工智能转入实际应用时提出的，它是一个新兴的，面向商业应用的人工智能研究。数据挖掘是数据库领域中最重要的课题之一。数据库中存在着大量的数据，却缺乏挖掘数据背后隐藏的知识的手段，大量的数据似乎使人坠入茫茫数据的汪洋大海之中，不知哪儿是边缘，哪儿是尽头，有用和无用的数据常常掺杂在一起，难以分辨，以至于出现了“数据爆炸而知识贫乏”的现象。如果能把这些信息从数据库中提取出来，则能为用户创造很多潜在的利润。若要提取有用的信息，需花费大量的人力和时间，传统的数据库概念、方法和技术己经难以解决现在的新问题。此外，若要从数据中发
45、现和提取知识，更是一件不容易的事情，而人们最希望的是能够让计算机自动智能地分析数据库中的大量数据，以获取信息或知识。因此数据挖掘技术便应运而生了。数据挖掘在电力系统中的应用也是如此。随着电力系统的不断发展以及计算机在电力系统中的应用，积累了越来越多的历史负荷数据。而在这些丰富的历史数据背后，隐藏着许多有用的知识和信息。可是面对这些海量数据，目前能对其进行分析处理的数据却很少。目前所使用工具的局限性使人们无法将大量数据背后隐藏着的许多重要信息挖掘出来，而这些信息却可以很好地支持人们的决策。为解决实际中这些问题，数据挖掘在电力系统中的应用逐渐发展起来。2 1 数据挖掘的概念和功能数据挖掘【勰l 就
46、是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。人们把原始数据看作是形成知识的源泉，就像从矿石中采矿一样。原始数据可以是结构化的，如关系数据库中的数据，也可以是半结构化的，如文本、图形、图像数据，甚至是分布在网络上的异构型数据。发现知识的方法可以是数学的，也可以是非数学的：可以是演绎的，也可以是归纳的。发现了的知识既可以被用于信息管理、查询优化、决策支持、过程控制等，还可以用于数据自身的维护。数据挖掘不仅能对过去的数据进行查询和遍历，并且能够对将来的趋势和行为进行预测，并自动探测以前未发现的模式，从而很好地支持人们的决
47、策。被挖掘出来的信息，能够用于信息管理，查询处理，决策支持，过程控制以及许多其它应用。数据挖掘按其功能划分主要包括以下几类冽：大勰工大学硕士学位论文(1)关联分析。若两个或多个数据项的取值重复出现且概率很高时，它就存在着某种关联，可以建立起这些数据项的关联规则。关联分析的目的是找出数据库中隐藏的关联网。在大型数据库中，这种关联规则是很多的，一般用“支持度”和“可信度”两个阈值来淘汰那些无用的关联规则。(2 1 数据分类。分类是数据挖掘中应用得最多的方法。分类是找出一个类别的概念描述，它代表了这类数据的整体信息，即该类的内涵描述，一般用规则或决策树模式表示，一个类的内涵描述分为特征性描述和区别性
48、描述。特征性描述是对类中对象的共同特征的描述，区别性描述是对两个或多个类之间的区别的描述。(3)聚类分析。数据库中的数据可分为一系列有意义的子集，或称为类。在同一类别中，个体之间的距离较小，而不同类别的个体之间的距离偏大。聚类增强了人们对客观现实的认识，即通过聚类建立宏观概念。(4)时序模式。通过时间序列搜索出重复发生概率较高的模式。这里强调时间序列的影响。(5)偏差检测。数据库中的数据常有一些异常记录，从数据库中检测出这些偏差很有意义。偏差包括很多潜在的知识，如分类中的反常实例，不满足规则的特例，观测结果与模型预测值的偏差，量值随时间的变化等。偏差检测的基本方法是寻找观测结果与参照之间的差别
49、。(6)数据预测。预测是利用历史数据找出交化规律，“即建立模型”并用此模型来预测未来数据的种类，特征等。2 2 数决挖掘的过程数据挖掘的过程涉及到数据库，人工智能，机器学习，统计学等交叉学科i 3“，通用情况下数据挖掘的流程包括如下几个步骤：(1)数据清理：消除噪声数据和不一致数据。(2)数据集成：组合不同数据源的数据到起。(3)数据选择：从数据库检索和分析任务相关的关系表。(4)数据变换：将数据变换或统一成为适合挖掘的数据模式。(5)数据挖掘：从变换过的数据中挖掘出数据模式，是最核心的操作步骤。(6)知识表示：使用可视化或者知识表示技术向用户显示挖掘出的知识。(7)规则验证：用其他数据对数据
50、挖掘的结果进行验证。知识发现的前4 步是数据预处理过程，它是数据挖掘的一个非常重要的阶段，直接影响数据挖掘的效果。在这一阶段中可采用多种方式进行处理，如信息论的基本概念，李冬伟：基于数据挖掘的电力系统短期负荷预测研究剔除那些错误的、虚假的信息，得到可供数据挖掘用的有用信息：然后，数据挖掘再采用特定的方法从中寻求内在的、隐含的关联性，并用易于理解和实用的方式进行知识表达。由知识发现的过程可看出数据挖掘实际上只是知识发现中的一个步骤，它主要是利用某些特定的知识发现算法，在一定的运算效率的限制内，从数据中发现出有关的知识，数据挖掘是知识发现中最重要的一步。因此，人们往往不加区别地使用知识发现和数据挖