數(shù)據(jù)挖掘在電力系統(tǒng)短期負(fù)荷預(yù)測智能化建模中的應(yīng)用研究.pdf

1、負(fù)荷預(yù)測是電力系統(tǒng)的一項(xiàng)基本工作,在整個經(jīng)濟(jì)運(yùn)行中占有重要地位.可靠的負(fù)荷預(yù)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(jīng)濟(jì)效益.近二十年來,國內(nèi)外大量的專家學(xué)者對負(fù)荷預(yù)測技術(shù)進(jìn)行了卓有成效的理論研究和應(yīng)用實(shí)踐.但是,從公開的文獻(xiàn)來看,這項(xiàng)技術(shù)的重點(diǎn)主要集中在模型和算法設(shè)計(jì)上,對負(fù)荷影響因素的分析卻比較籠統(tǒng).事實(shí)上,如果影響因素沒有分析正確,要得到準(zhǔn)確的負(fù)荷預(yù)測是相當(dāng)困難的.本文認(rèn)為,要進(jìn)行準(zhǔn)確的負(fù)荷預(yù)測,必須對歷

2、史數(shù)據(jù)進(jìn)行深入分析,由于數(shù)據(jù)挖掘技術(shù)具有從海量信息中挖掘知識的能力,因此在負(fù)荷預(yù)測中引入了數(shù)據(jù)挖掘理論,以期建立智能化的預(yù)測模型.通過制定各種數(shù)據(jù)挖掘元模式,指導(dǎo)數(shù)據(jù)挖掘引擎對歷史數(shù)據(jù)倉庫進(jìn)行挖掘,來發(fā)現(xiàn)有用的知識.這些知識包括影響負(fù)荷變化的因素、因素變化時負(fù)荷變化的規(guī)律、與預(yù)測日輸入信息最適合的訓(xùn)練樣本及預(yù)測樣本等.此外,本文將用于數(shù)據(jù)挖掘和預(yù)測的模型算法提取出來單獨(dú)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(yù)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(yùn)用不同預(yù)測模式下,各種模型算法組合的歷史測試記錄和預(yù)測記錄,為預(yù)測模式和模型算法的選擇提供參考.在具體的模型算法設(shè)計(jì)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(shù)目的問題.在應(yīng)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)