基于知識挖掘技術的智能協(xié)同電力負荷預測研究.pdf

1、電力工業(yè)是國家的重大基礎行業(yè)，對于我國經濟建設、國家安全、社會穩(wěn)定、居民生活質量具有至關重要的作用，精確的電力負荷預測對于制定發(fā)電計劃、制定經濟合理的電力調配計劃、制定上網競價計劃、控制電網經濟運營、降低旋轉儲備容量、進行電力市場需求分析、避免重大事故、有效化解風險、保障生產和生活用電方面具有十分重要的意義。然而電力負荷預測工作是十分復雜的，它除了包括負荷自身特性、經濟人口等定量型因素的影響，同時也包含著不規(guī)則事件、日期類型、季節(jié)類型、

2、描述性天氣等非數字型的定性因素的影響，如果不考慮這些定性因素的影響，無論如何改進負荷預測模型，預測精度都很難有根本性的提高，負荷預測理論也難以有較大的突破。因此，本文提出了基于知識挖掘技術的智能協(xié)同電力負荷預測研究思想，旨在結合知識挖掘技術和智能電力負荷預測方法進行協(xié)同電力負荷預測，通過知識挖掘直接對數據庫中的負荷變量屬性及對應的各類影響因素變量屬性進行分析處理，在預測時通過計算與預測目標各類知識特征的總體關聯(lián)程度大小，自動提取具有高度

3、相似性綜合知識特征的同類歷史數據，再結合智能算法和電力負荷預測方法建立具有針對性的自適應結構的智能預測模型對負荷進行預測，在遇到有少部分具有較大的預測誤差點時利用知識挖掘形成的糾偏規(guī)則進行相應的后干預工作，能夠進一步克服以前的預測方法的不足，使預測精度得到突破性的提高。本文進行的主要工作如下：
　　 (1)提出了基于知識挖掘技術的負荷數據規(guī)范以及相應的預處理方法。在對影響負荷預測的屬性變量進行分類的基礎上，建立起相應的數據庫結構

4、規(guī)范，利用相應的數據預處理方法形成各種負荷預測需要的不同數據視圖，可以方便對定性型因素和定量型因素的處理。
　　 (2)建立了基于知識挖掘分類技術的自適應結構的日負荷曲線BP神經網絡預測模型。在僅有純負荷數據的情況下，首先通過計算負荷曲線的相似度對歷史數據進行排序并進行初步的預測，然后再利用BP神經網絡對誤差進行糾偏工作來得到更加精確的預測結果；在具有較多氣象數據可供分析時，首先利用聚類分析將日曲線負荷進行聚類分析，然后利用知識

5、挖掘中的分類技術尋求氣象數據和曲線負荷聚類之間的關系，形成相應的知識規(guī)則，并在形成分類規(guī)則時，利用粗糙集的屬性約簡技術剔除掉冗余屬性來加快生成規(guī)則的速度，最后利用不同類別的數據訓練出不同的BP神經網絡模型；這樣在進行負荷預測工作時，可以根據預先判斷的氣象數據找出相應的類別，并選取相應的BP神經網絡進行預測來提高預測的精度。在利用BP神經網絡進行模型訓練時，提出了一種簡單的自適應BP神經網絡對日負荷曲線進行預測，該自適應網絡可以自動確定隱

6、含層節(jié)點的個數，無需人為經驗的干預。
　　 (3)提出了利用微分進化算法調整參數的支持向量機中長期負荷預測模型。對于中長期負荷預測，由于其樣本數據遠少于短期負荷預測，因此適用于小樣本數據量條件下的支持向量機智能預測方法，該方法可以有效地選取支持向量機所需求的相應參數，可以有效地提高中長期負荷預測的精度。
　　 (4)提出了一種結合知識挖掘后干預糾偏技術、時間序列預測技術以及支持向量機預測方法的日最大負荷預測方法。由于日最

7、大負荷預測不但需要考慮氣象因素的影響，還需要考慮不同類型日期、不規(guī)則事件對日最大負荷的影響，本文提出的方法不但可以考慮負荷序列的趨勢，而且可以考慮非線性因素的影響和不規(guī)則事件的影響，經過知識挖掘后干預糾偏后可以有效地提高負荷預測的精度。
　　 (5)提出了基于負荷預測的預警監(jiān)測指標并建立了基于知識挖掘的自然災害預警方法。結合上文中的負荷預測方法和預測結果，對短期日負荷曲線進行偏離度的監(jiān)測以及對中長期供需平衡進行監(jiān)測，對于氣象災害