數(shù)據(jù)挖掘方法在短期負(fù)荷預(yù)測(cè)中的應(yīng)用研究.pdf

1、短期負(fù)荷預(yù)測(cè)是各級(jí)電力系統(tǒng)調(diào)度、運(yùn)營(yíng)部門(mén)的一項(xiàng)重要工作，它關(guān)系到確定燃料的供應(yīng)計(jì)劃、運(yùn)行中電廠出力要求的制訂、經(jīng)濟(jì)性安排機(jī)組起停以及合理安排機(jī)組檢修計(jì)劃等方面。隨著電力市場(chǎng)的逐步發(fā)展、完善，短期負(fù)荷預(yù)測(cè)對(duì)于提高電力系統(tǒng)經(jīng)濟(jì)性將起到越來(lái)越重要的作用。 隨著電力信息化水平的不斷提高，大量的負(fù)荷及其相關(guān)數(shù)據(jù)被儲(chǔ)存在電力系統(tǒng)數(shù)據(jù)庫(kù)中，如何合理、有效的利用這些數(shù)據(jù)，并從中獲取對(duì)于指導(dǎo)負(fù)荷預(yù)測(cè)工作有用的“知識(shí)”是當(dāng)前面臨的一個(gè)重要問(wèn)題。而數(shù)

2、據(jù)挖掘方法可以從大量的數(shù)據(jù)中挖掘出隱含的、先前未知的、對(duì)決策有潛在價(jià)值的知識(shí)和規(guī)則，并將提取的知識(shí)表示為概念、規(guī)則、規(guī)律、模式等形式，這些知識(shí)蘊(yùn)涵了數(shù)據(jù)集中的數(shù)據(jù)對(duì)象之間的特定聯(lián)系，揭示出一些有用的信息。本文綜合利用多種數(shù)據(jù)挖掘方法對(duì)電力負(fù)荷相關(guān)數(shù)據(jù)進(jìn)行分析，利用得到的信息為負(fù)荷預(yù)測(cè)建模提供更為合理的依據(jù)，使建模過(guò)程盡量減少人為的主觀影響，解決建模過(guò)程中的難點(diǎn)問(wèn)題，從而提高負(fù)荷預(yù)測(cè)的準(zhǔn)確性。 論文首先介紹了負(fù)荷預(yù)測(cè)的基本概念及研

3、究發(fā)展現(xiàn)狀，然后對(duì)數(shù)據(jù)挖掘的基本定義以及常用方法進(jìn)行了介紹，并對(duì)其在電力系統(tǒng)負(fù)荷預(yù)測(cè)中的應(yīng)用情況進(jìn)行了綜述。本文的主要研究成果可分為五部分： 第二章提出了基于灰色理論的電力系統(tǒng)異常負(fù)荷數(shù)據(jù)辨識(shí)與修正方法。首先將傳統(tǒng)灰色預(yù)測(cè)模型進(jìn)行了改進(jìn)，然后分別使用前向灰色插值法和后向灰色插值法對(duì)缺失點(diǎn)負(fù)荷進(jìn)行預(yù)測(cè)，最后使用兩種預(yù)測(cè)的最優(yōu)組合來(lái)確定最終的填補(bǔ)值；在填補(bǔ)負(fù)荷缺失點(diǎn)的同時(shí)，針對(duì)負(fù)荷序列中的異常值使用灰色插值方法進(jìn)行了辨識(shí)及修正。

4、 第三章中提出了基于數(shù)據(jù)挖掘方法的負(fù)荷預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定。如何合理地確定神經(jīng)網(wǎng)絡(luò)的輸入變量，并且避免出現(xiàn)過(guò)多的輸入造成“維數(shù)災(zāi)”是基于神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)方法一直沒(méi)有妥善解決的問(wèn)題。本章中提出使用模糊粗糙集方法來(lái)有效克服傳統(tǒng)粗糙集方法的不足進(jìn)行神經(jīng)網(wǎng)絡(luò)輸入變量選?。贿€提出當(dāng)缺少領(lǐng)域知識(shí)的情況下，使用互信息理論來(lái)進(jìn)行神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)的合理、有效的選取，經(jīng)實(shí)例驗(yàn)證和比較，表明本章提出的基于模糊粗糙集和互信息理論的屬性約簡(jiǎn)算法是有效可行

5、的。 第四章針對(duì)短期負(fù)荷預(yù)測(cè)具有明顯周期性的特點(diǎn)，提出了一個(gè)改進(jìn)范例推理系統(tǒng)來(lái)進(jìn)行短期負(fù)荷預(yù)測(cè)。該系統(tǒng)將范例推理、自組織映射以及互信息理論進(jìn)行了有效的結(jié)合。首先使用互信息方法確定了范例的表示、組織方法以及各個(gè)范例屬性的匹配權(quán)重；然后通過(guò)選取適當(dāng)?shù)木垲?lèi)數(shù)目將歷史范例進(jìn)行聚類(lèi)，在進(jìn)行范例匹配時(shí)進(jìn)行兩次匹配：首先將新問(wèn)題所對(duì)應(yīng)的范例與各個(gè)聚類(lèi)中心進(jìn)行匹配，得到最相似聚類(lèi)，然后再在該聚類(lèi)中進(jìn)行二次匹配，最后將得到的最相似范例集進(jìn)行重用、

6、修正，得到最終預(yù)測(cè)結(jié)果。 第五章提出了一種負(fù)荷模式識(shí)別、分類(lèi)方法。針對(duì)獲取的客戶用電數(shù)據(jù)，在經(jīng)過(guò)一定的預(yù)處理后使用多種聚類(lèi)分析方法進(jìn)行分析，通過(guò)選取最合適的聚類(lèi)方法以及聚類(lèi)數(shù)目得到工作日及周末的典型負(fù)荷代表曲線。然后利用聚類(lèi)所得到的知識(shí)，選擇合適的推理方法獲取分類(lèi)規(guī)則，從而為將未知類(lèi)型單位劃分給某特征曲線類(lèi)提供了有效的工具，得到的分類(lèi)規(guī)則也有較高的正確率。 第六章中提出了一個(gè)基于多Agent的變電站負(fù)荷預(yù)測(cè)模型，首先將變