數據挖掘在電力系統(tǒng)短期負荷預測智能化建模中的應用研究.pdf

1、負荷預測是電力系統(tǒng)的一項基本工作,在整個經濟運行中占有重要地位.可靠的負荷預測不僅對系統(tǒng)規(guī)劃非常重要,在電力的市場化趨勢下,它還直接帶來可觀的經濟效益.近二十年來,國內外大量的專家學者對負荷預測技術進行了卓有成效的理論研究和應用實踐.但是,從公開的文獻來看,這項技術的重點主要集中在模型和算法設計上,對負荷影響因素的分析卻比較籠統(tǒng).事實上,如果影響因素沒有分析正確,要得到準確的負荷預測是相當困難的.本文認為,要進行準確的負荷預測,必須對歷

2、史數據進行深入分析,由于數據挖掘技術具有從海量信息中挖掘知識的能力,因此在負荷預測中引入了數據挖掘理論,以期建立智能化的預測模型.通過制定各種數據挖掘元模式,指導數據挖掘引擎對歷史數據倉庫進行挖掘,來發(fā)現有用的知識.這些知識包括影響負荷變化的因素、因素變化時負荷變化的規(guī)律、與預測日輸入信息最適合的訓練樣本及預測樣本等.此外,本文將用于數據挖掘和預測的模型算法提取出來單獨組建模型算法庫,提出了模型算法分離的思路,以期使模型和算法的組合具有

3、更大的靈活性,提高效率和節(jié)省資源.在預測模式和模型算法的選擇上,本文也提出了一種新的策略,運用不同預測模式下,各種模型算法組合的歷史測試記錄和預測記錄,為預測模式和模型算法的選擇提供參考.在具體的模型算法設計上,論文的主要工作可以概述為:針對傳統(tǒng)K均值聚類算法的不足,提出了一種新的聚類算法——逐級均值聚類算法,解決了傳統(tǒng)聚類算法解的局部最優(yōu)性問題和如何確定聚類數目的問題.在應用該算法確定RBF模型隱含層的中心向量時,同時確定了隱含層的節(jié)