數(shù)據(jù)挖掘在電力系統(tǒng)中長(zhǎng)期負(fù)荷預(yù)測(cè)中的應(yīng)用.pdf

1、本文在分析了電力系統(tǒng)中長(zhǎng)期負(fù)荷預(yù)測(cè)研究現(xiàn)狀的基礎(chǔ)上，圍繞電力系統(tǒng)中長(zhǎng)期負(fù)荷預(yù)測(cè)，對(duì)壞數(shù)據(jù)的發(fā)現(xiàn)和抑制，遺失數(shù)據(jù)的補(bǔ)全，數(shù)據(jù)挖掘技術(shù)的應(yīng)用和綜合模型建立等方面進(jìn)行了研究，主要內(nèi)容如下：為防止預(yù)測(cè)中“不良數(shù)據(jù)”不能完全被辨識(shí)，改進(jìn)得到了基于權(quán)函數(shù)的電力負(fù)荷預(yù)測(cè)模型參數(shù)的抗差估計(jì)算法。結(jié)合WLS及WLAV兩種常用參數(shù)估計(jì)算法的優(yōu)點(diǎn)，以殘差變化量為加速因子，修正權(quán)函數(shù)，加快收斂速度，有效抑制了不良數(shù)據(jù)的影響，提高了預(yù)測(cè)方法對(duì)壞數(shù)據(jù)的適應(yīng)性。

2、基于數(shù)據(jù)挖掘中ID3決策樹分類理論，以ROUSTIDA補(bǔ)全算法為前導(dǎo)，將補(bǔ)全后的數(shù)據(jù)離散化后，將組合屬性與信息增益度量相結(jié)合，構(gòu)建了改進(jìn)的決策樹分類模型，之后將預(yù)測(cè)年的離散原始數(shù)據(jù)代入決策樹模型，得到預(yù)測(cè)結(jié)果。改進(jìn)聚類算法為了彌補(bǔ)單純層次法無法對(duì)復(fù)雜形狀數(shù)據(jù)聚類和算法不可逆的缺點(diǎn)，將層次方法中的Chameleon法與密度算法相結(jié)合，綜合了兩種算法的優(yōu)點(diǎn)。利用粗糙集理論實(shí)現(xiàn)了兩種綜合預(yù)測(cè)模型，分別利用各屬性對(duì)分類的影響和利用屬性的重