基于數(shù)據(jù)挖掘的電力短期負(fù)荷預(yù)測(cè)模型及方法的研究.pdf

1、電力系統(tǒng)短期負(fù)荷預(yù)測(cè)是電力系統(tǒng)調(diào)度運(yùn)營(yíng)部門的一項(xiàng)重要的日常工作，預(yù)測(cè)精度的高低直接影響到電力系統(tǒng)運(yùn)行的安全性、經(jīng)濟(jì)性和供電質(zhì)量，其特點(diǎn)是：要預(yù)測(cè)的數(shù)據(jù)個(gè)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(jī)性等等。本文綜合運(yùn)用多種數(shù)據(jù)挖掘技術(shù)，主要以預(yù)測(cè)工作的各個(gè)環(huán)節(jié)為線索，對(duì)歷史負(fù)荷數(shù)據(jù)的預(yù)處理、負(fù)荷時(shí)間序列的特性、氣象因素的處理、預(yù)測(cè)模型輸入?yún)?shù)的確定及模型的建立各方面都作了深入的研究，為高精度的短期負(fù)荷預(yù)測(cè)軟件系統(tǒng)的集

2、成開發(fā)奠定了基礎(chǔ)。 為準(zhǔn)確、快速、動(dòng)態(tài)地清洗負(fù)荷歷史數(shù)據(jù)，基于數(shù)據(jù)挖掘中聚類和分類的思想，提出了臟數(shù)據(jù)的智能動(dòng)態(tài)清洗模型，根據(jù)模糊軟聚類思想對(duì)Kohonen神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)，使得改進(jìn)后的Kohonen神經(jīng)網(wǎng)絡(luò)能實(shí)現(xiàn)模糊c均值軟聚類的并行計(jì)算，并提出了相應(yīng)的動(dòng)態(tài)算法，能根據(jù)樣本集的更新而自動(dòng)確定新的聚類中心(即日負(fù)荷特征曲線)，與RBF徑向基網(wǎng)絡(luò)一起構(gòu)成了臟數(shù)據(jù)的智能清洗模型，模型具有快速性和動(dòng)態(tài)性的特點(diǎn)，為精確的預(yù)測(cè)提供了數(shù)據(jù)

3、上的保證。 針對(duì)短期負(fù)荷預(yù)測(cè)數(shù)據(jù)個(gè)數(shù)多的特點(diǎn)，采用主元分析法對(duì)負(fù)荷歷史數(shù)據(jù)進(jìn)行處理，以使得信息得到有效的集中，為克服常規(guī)主元分析法在標(biāo)準(zhǔn)化數(shù)據(jù)時(shí)易丟失信息的缺點(diǎn)，提出了改進(jìn)方法，不僅大大減少了建模工作量，并且保證了信息的完整性，只需對(duì)少數(shù)幾個(gè)重要分量建立神經(jīng)網(wǎng)絡(luò)等復(fù)雜模型重點(diǎn)預(yù)測(cè)，而對(duì)其它分量只簡(jiǎn)單計(jì)算即可，建模效率和預(yù)測(cè)精度能得以大大提高。 為了探求負(fù)荷數(shù)據(jù)的性質(zhì)，通過對(duì)負(fù)荷時(shí)間序列的李雅普洛夫指數(shù)計(jì)算，說明了負(fù)荷時(shí)間

4、序列具有混沌特性，并計(jì)算出了可預(yù)測(cè)時(shí)間的理論值，為預(yù)測(cè)工作提供了理論依據(jù)。首次提出引入生物氣象學(xué)中綜合反映氣溫、濕度及風(fēng)力對(duì)人體作用的幾個(gè)氣象因子(實(shí)感溫度、寒濕指數(shù)、溫濕指數(shù)及舒適度指數(shù))來評(píng)價(jià)氣象因素對(duì)短期負(fù)荷的影響，通過與溫度單一因子的對(duì)比揭示了引入綜合氣象因子的合理性和優(yōu)越性。 輸入?yún)?shù)的選擇一直是神經(jīng)網(wǎng)絡(luò)建模的難點(diǎn)問題，對(duì)模型的預(yù)測(cè)精度有很大的影響，通過引入數(shù)據(jù)挖掘中粗糙集約簡(jiǎn)算法來解決這一難題，彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)不能確定

5、重要的屬性組合及結(jié)構(gòu)構(gòu)造等不足。由于常規(guī)粗糙集算法區(qū)分函數(shù)約簡(jiǎn)算法是NP復(fù)雜問題，本文提出了基于屬性優(yōu)先級(jí)啟發(fā)函數(shù)的約簡(jiǎn)算法RAPHF，算法方便靈活且高效。針對(duì)電力短期負(fù)荷預(yù)測(cè)是一個(gè)動(dòng)態(tài)的過程，樣本數(shù)據(jù)總是不斷更新的特點(diǎn)，提出了具有增量處理功能的RAPHF-I算法，保證了模型輸入?yún)?shù)的合理性及正確性。 最后，采用前向神經(jīng)網(wǎng)絡(luò)(ANN)對(duì)工作日(包括周末)負(fù)荷進(jìn)行預(yù)測(cè)：為了克服標(biāo)準(zhǔn)BP算法收斂速度慢的缺陷，提出了基于3個(gè)可調(diào)參數(shù)激

6、勵(lì)函數(shù)的學(xué)習(xí)算法BP-AA；為了克服常規(guī)BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小的缺陷，提出了嵌入Logistic混沌映射的兩重搜索算法BP-AAEC。通過測(cè)試，證明構(gòu)造的學(xué)習(xí)算法不但使網(wǎng)絡(luò)收斂速度及非線性逼近能力大大提高，而且有效地解決了易陷入局部最小的問題，同時(shí)避免了Logistic混沌搜索時(shí)間長(zhǎng)的缺點(diǎn)。針對(duì)元旦、春節(jié)、五一和國(guó)慶等節(jié)假日負(fù)荷預(yù)測(cè)時(shí)間跨度長(zhǎng)、可參考的歷史數(shù)據(jù)量少、受氣象因素影響更為突出的特點(diǎn)，提出了灰色GM(1，1)模型與模糊邏