基于數(shù)據(jù)挖掘技術的電力系統(tǒng)短期負荷預測.pdf

1、電力系統(tǒng)短期負荷預測是電力系統(tǒng)調(diào)度運營部門的一項重要的日常工作,預測精度的高低直接影響到電力系統(tǒng)運行的安全性、經(jīng)濟性和供電質(zhì)量,其特點是:要預測的數(shù)據(jù)個數(shù)多、采集到的樣本數(shù)據(jù)含一定的噪聲、受諸多氣象因素的影響并具有隨機性等.論文在大量查閱國內(nèi)外資料、跟蹤國際前沿技術基礎上,綜合應用多種數(shù)據(jù)挖掘技術、主要以預測工作的各個環(huán)節(jié)為線索,對歷史負荷數(shù)據(jù)的預處理、數(shù)據(jù)樣本的選擇、氣象因素的處理、預測模型輸入?yún)?shù)的確定及模型的建立各方面都作了深入的

2、研究,為高精度的短期負荷預測模型奠定了基礎.電力負荷是一個隨機非平穩(wěn)過程,其負荷觀測值由于受到各種因素的影響,可能會存在某些"壞數(shù)據(jù)",這些數(shù)據(jù)夾雜在正常的負荷數(shù)據(jù)中參與神經(jīng)網(wǎng)絡的訓練,嚴重影響了負荷預測的精度.為準確、快速地清洗負荷歷史數(shù)據(jù),本文通過對自適應共振網(wǎng)絡(ART網(wǎng)絡)抗差聚類性能和超圓神經(jīng)元網(wǎng)絡(CC網(wǎng)絡)模式分類性能的分析,設計由這兩種網(wǎng)絡組合而成的神經(jīng)網(wǎng)絡模型,較好地完成了壞數(shù)據(jù)辨識的任務. 利用神經(jīng)網(wǎng)絡對負荷

3、進行預測,輸入樣本的選擇是一個不得不考慮的問題.輸入樣本過少,將導致學習不夠,不能達到訓練要求；輸入樣本過多,將導致許多無意義的過學習,訓練時間增長,甚至無法收斂；輸入樣本同預測樣本聯(lián)系甚少,將導致預測結果的不準確.因此,論文根據(jù)電力負荷的特點,在考慮天氣、日類型、實際歷史負荷等因素對預測負荷影響的基礎上,采用Kohonen網(wǎng)絡對訓練樣本進行選擇,進而選取出與預測日相似的樣本進行預測,從而減少訓練時間,提高預測精度.影響短期電力負荷預測

4、的因素眾多,如何有效地判斷和選擇這些相關因素是改善電力負荷預測的關鍵,本文通過引入數(shù)據(jù)挖掘中粗糙集約簡算法來解決這一難題.通過粗糙集理論的屬性約簡算法,既全面考慮了影響負荷預測的各種因素,又避免了由于輸入變量過多而導致的神經(jīng)網(wǎng)絡拓撲結構復雜、訓練時間過長的不足.針對常規(guī)粗糙集算法計算量大,且不具備容錯性和泛化能力,本文在屬性約簡過程中設置了分類可信度B,因而對數(shù)據(jù)具有了一定的容錯性和泛化能力,增強了抗噪聲能力. 最后,創(chuàng)建基于數(shù)