基于知識挖掘技術(shù)的智能協(xié)同電力負(fù)荷預(yù)測研究.pdf

1、電力工業(yè)是國家的重大基礎(chǔ)行業(yè)，對于我國經(jīng)濟建設(shè)、國家安全、社會穩(wěn)定、居民生活質(zhì)量具有至關(guān)重要的作用，精確的電力負(fù)荷預(yù)測對于制定發(fā)電計劃、制定經(jīng)濟合理的電力調(diào)配計劃、制定上網(wǎng)競價計劃、控制電網(wǎng)經(jīng)濟運營、降低旋轉(zhuǎn)儲備容量、進(jìn)行電力市場需求分析、避免重大事故、有效化解風(fēng)險、保障生產(chǎn)和生活用電方面具有十分重要的意義。然而電力負(fù)荷預(yù)測工作是十分復(fù)雜的，它除了包括負(fù)荷自身特性、經(jīng)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(shù)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(jìn)負(fù)荷預(yù)測模型，預(yù)測精度都很難有根本性的提高，負(fù)荷預(yù)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(shù)的智能協(xié)同電力負(fù)荷預(yù)測研究思想，旨在結(jié)合知識挖掘技術(shù)和智能電力負(fù)荷預(yù)測方法進(jìn)行協(xié)同電力負(fù)荷預(yù)測，通過知識挖掘直接對數(shù)據(jù)庫中的負(fù)荷變量屬性及對應(yīng)的各類影響因素變量屬性進(jìn)行分析處理，在預(yù)測時通過計算與預(yù)測目標(biāo)各類知識特征的總體關(guān)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(shù)據(jù)，再結(jié)合智能算法和電力負(fù)荷預(yù)測方法建立具有針對性的自適應(yīng)結(jié)構(gòu)的智能預(yù)測模型對負(fù)荷進(jìn)行預(yù)測，在遇到有少部分具有較大的預(yù)測誤差點時利用知識挖掘形成的糾偏規(guī)則進(jìn)行相應(yīng)的后干預(yù)工作，能夠進(jìn)一步克服以前的預(yù)測方法的不足，使預(yù)測精度得到突破性的提高。本文進(jìn)行的主要工作如下：
　　 (1)提出了基于知識挖掘技術(shù)的負(fù)荷數(shù)據(jù)規(guī)范以及相應(yīng)的預(yù)處理方法。在對影響負(fù)荷預(yù)測的屬性變量進(jìn)行分類的基礎(chǔ)上，建立起相應(yīng)的數(shù)據(jù)庫結(jié)構(gòu)

4、規(guī)范，利用相應(yīng)的數(shù)據(jù)預(yù)處理方法形成各種負(fù)荷預(yù)測需要的不同數(shù)據(jù)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(shù)的自適應(yīng)結(jié)構(gòu)的日負(fù)荷曲線BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。在僅有純負(fù)荷數(shù)據(jù)的情況下，首先通過計算負(fù)荷曲線的相似度對歷史數(shù)據(jù)進(jìn)行排序并進(jìn)行初步的預(yù)測，然后再利用BP神經(jīng)網(wǎng)絡(luò)對誤差進(jìn)行糾偏工作來得到更加精確的預(yù)測結(jié)果；在具有較多氣象數(shù)據(jù)可供分析時，首先利用聚類分析將日曲線負(fù)荷進(jìn)行聚類分析，然后利用知識

5、挖掘中的分類技術(shù)尋求氣象數(shù)據(jù)和曲線負(fù)荷聚類之間的關(guān)系，形成相應(yīng)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(shù)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(shù)據(jù)訓(xùn)練出不同的BP神經(jīng)網(wǎng)絡(luò)模型；這樣在進(jìn)行負(fù)荷預(yù)測工作時，可以根據(jù)預(yù)先判斷的氣象數(shù)據(jù)找出相應(yīng)的類別，并選取相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測來提高預(yù)測的精度。在利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練時，提出了一種簡單的自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)對日負(fù)荷曲線進(jìn)行預(yù)測，該自適應(yīng)網(wǎng)絡(luò)可以自動確定隱

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

7、大負(fù)荷預(yù)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(fù)荷的影響，本文提出的方法不但可以考慮負(fù)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(jīng)過知識挖掘后干預(yù)糾偏后可以有效地提高負(fù)荷預(yù)測的精度。
　　 (5)提出了基于負(fù)荷預(yù)測的預(yù)警監(jiān)測指標(biāo)并建立了基于知識挖掘的自然災(zāi)害預(yù)警方法。結(jié)合上文中的負(fù)荷預(yù)測方法和預(yù)測結(jié)果，對短期日負(fù)荷曲線進(jìn)行偏離度的監(jiān)測以及對中長期供需平衡進(jìn)行監(jiān)測，對于氣象災(zāi)害