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

1、短期負(fù)荷預(yù)測是各級(jí)電力系統(tǒng)調(diào)度、運(yùn)營部門的一項(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。隨著電力市場的逐步發(fā)展、完善，短期負(fù)荷預(yù)測對于提高電力系統(tǒng)經(jīng)濟(jì)性將起到越來越重要的作用。 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)庫中，如何合理、有效的利用這些數(shù)據(jù)，并從中獲取對于指導(dǎo)負(fù)荷預(yù)測工作有用的“知識(shí)”是當(dāng)前面臨的一個(gè)重要問題。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)測建模提供更為合理的依據(jù)，使建模過程盡量減少人為的主觀影響，解決建模過程中的難點(diǎn)問題，從而提高負(fù)荷預(yù)測的準(zhǔn)確性。 論文首先介紹了負(fù)荷預(yù)測的基本概念及研

3、究發(fā)展現(xiàn)狀，然后對數(shù)據(jù)挖掘的基本定義以及常用方法進(jìn)行了介紹，并對其在電力系統(tǒng)負(fù)荷預(yù)測中的應(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缺失點(diǎn)負(fù)荷進(jìn)行預(yù)測，最后使用兩種預(yù)測的最優(yōu)組合來確定最終的填補(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)測方法一直沒有妥善解決的問題。本章中提出使用模糊粗糙集方法來有效克服傳統(tǒng)粗糙集方法的不足進(jìn)行神經(jīng)網(wǎng)絡(luò)輸入變量選取；還提出當(dāng)缺少領(lǐng)域知識(shí)的情況下，使用互信息理論來進(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算法是有效可行

5、的。 第四章針對短期負(fù)荷預(yù)測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)來進(jìn)行短期負(fù)荷預(yù)測。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；然后通過選取適當(dāng)?shù)木垲悢?shù)目將歷史范例進(jìn)行聚類，在進(jìn)行范例匹配時(shí)進(jìn)行兩次匹配：首先將新問題所對應(yīng)的范例與各個(gè)聚類中心進(jìn)行匹配，得到最相似聚類，然后再在該聚類中進(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)測結(jié)果。 第五章提出了一種負(fù)荷模式識(shí)別、分類方法。針對獲取的客戶用電數(shù)據(jù)，在經(jīng)過一定的預(yù)處理后使用多種聚類分析方法進(jìn)行分析，通過選取最合適的聚類方法以及聚類數(shù)目得到工作日及周末的典型負(fù)荷代表曲線。然后利用聚類所得到的知識(shí)，選擇合適的推理方法獲取分類規(guī)則，從而為將未知類型單位劃分給某特征曲線類提供了有效的工具，得到的分類規(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)測模型，首先將變