李冬伟[1]2007年在《基于数据挖掘的电力系统短期负荷预测研究》文中研究表明短期负荷预测是电力系统调度运营部门的一项重要工作，尤其是随着电力市场的建立和发展，短期负荷预测将发挥越来越重要的作用。其预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量。因此，关于如何提高预测精度的问题，一直是短期负荷预测研究的重点问题。电力负荷预测就是要通过实际电力系统负荷特性的分析，结合实际运行情况，运用数学和计算机方面的知识，建立合理准确的数学模型，最终得出精准的预测结果。在负荷特性分析以及负荷预测模型建立之前，必须对负荷数据进行预处理，剔除掉其中不能反应真实负荷情况的坏数据。数据挖掘是数据库与数据仓库研究领域新兴的富有前途的领域，是20世纪末新兴起的数据智能分析技术，它的特点就是具有强大的数据处理能力，能从大量的数据中发现有用的规律和联系。作为新兴的技术学科，数据挖掘在电力系统负荷预测应用方面具有广泛的应用前景。本文力求将数据挖掘知识与电力系统实际情况结合起来，探讨基于数据挖掘的短期负荷预测方法。对于负荷预处理，本文首先采用聚类分析的方法，将负荷的特征曲线提取出来，每一类负荷的特征曲线代表了该类负荷的正常曲线模式，然后以特征曲线为依据进行该类负荷的坏数据检测和修正，效果理想。对于负荷预测，本文首先利用小波变换对负荷序列进行分解，得到不同频率的各个负荷分量，然后利用数据分类和多元回归分析方法分别对各个分量进行预测，最后再将各个分量的预测值组合起来，得到最终的预测结果。本文的方法应用于贵州省的实际负荷数据中，计算结果表明该方法能够取得满意的预测效果。
白迪, 赵龙[2]2007年在《《基于数据挖掘的短期负荷预测研究》》文中研究指明本文对电力负荷预测的研究主要运用了数据挖掘中的聚类分析。构架了一种基于CURE聚类算法的电力负荷预测模型,对短期电力负荷数据进行有效的预测。并通过海量数据存储,数据挖掘和决策信息的支持,可有效地克服数据有限性,不完整性及影响因素复杂性对预测结果的影响,发挥独特优势、实现经济价值。
薛美娟[3]2007年在《基于数据挖掘技术的电力系统短期负荷预测》文中指出电力系统短期负荷预测是电力系统调度运营部门的一项重要的日常工作，预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量，其特点是：要预测的数据个数多、采集到的样本数据含一定的噪声、受诸多气象因素的影响并具有随机性等。论文在大量查阅国内外资料、跟踪国际前沿技术基础上，综合应用多种数据挖掘技术、主要以预测工作的各个环节为线索，对历史负荷数据的预处理、数据样本的选择、气象因素的处理、预测模型输入参数的确定及模型的建立各方面都作了深入的研究，为高精度的短期负荷预测模型奠定了基础。电力负荷是一个随机非平稳过程，其负荷观测值由于受到各种因素的影响，可能会存在某些“坏数据”，这些数据夹杂在正常的负荷数据中参与神经网络的训练，严重影响了负荷预测的精度。为准确、快速地清洗负荷历史数据，本文通过对自适应共振网络(ART网络)抗差聚类性能和超圆神经元网络(CC网络)模式分类性能的分析，设计由这两种网络组合而成的神经网络模型，较好地完成了坏数据辨识的任务。利用神经网络对负荷进行预测，输入样本的选择是一个不得不考虑的问题。输入样本过少，将导致学习不够，不能达到训练要求；输入样本过多，将导致许多无意义的过学习，训练时间增长，甚至无法收敛；输入样本同预测样本联系甚少，将导致预测结果的不准确。因此，论文根据电力负荷的特点，在考虑天气、日类型、实际历史负荷等因素对预测负荷影响的基础上，采用Kohonen网络对训练样本进行选择，进而选取出与预测日相似的样本进行预测，从而减少训练时间，提高预测精度。影响短期电力负荷预测的因素众多，如何有效地判断和选择这些相关因素是改善电力负荷预测的关键，本文通过引入数据挖掘中粗糙集约简算法来解决这一难题。通过粗糙集理论的属性约简算法，既全面考虑了影响负荷预测的各种因素，又避免了由于输入变量过多而导致的神经网络拓扑结构复杂、训练时间过长的不足。针对常规粗糙集算法计算量大，且不具备容错性和泛化能力，本文在属性约简过程中设置了分类可信度β，因而对数据具有了一定的容错性和泛化能力，增强了抗噪声能力。最后，创建基于数据挖掘技术的负荷预测模型。文中以预测工作的各个环节为线索，将预测模型分为四个模块：数据预处理模块、样本选择模块、属性约简模块以及预测模块。从各个环节考虑影响负荷预测精度的因素，并加以解决。实例分析证明，本文所提出的负荷预测模型在一定程度上可以提高负荷预测的精度。
马建明[4]2006年在《基于分布式数据挖掘的短期负荷预测的研究》文中研究指明本文在网格化负荷预测模型的基础上,提出基于分布式数据挖掘的预测模型。首先,分析了分布式数据挖掘的特点、体系结构和技术支持,并将该分布式数据挖掘应用到当前负荷预测系统中,其次,以保定和京津唐地区为例,对它们进行了分布式数据挖掘系统仿真负荷预测。本文对气象因素、影响预测模型因素及其重要程度等各方面作了深入的研究,提出了基于RBF神经网络与决策树的短期负荷预测方法进行负荷预测。采用RBF神经网络选择影响负荷预测模型的组合因素以及衡量影响的程度,运用决策树算法进行负荷预测。最后,运用保定和京津唐地区的实际负荷数据来验证本文所提出方法的合理性。
金凯[5]2012年在《基于数据驱动的短期电力负荷预测方法研究》文中进行了进一步梳理电力系统负荷预测已经成为电力系统管理现代化的重要研究课题之一,尤其是短期负荷预测,在电力企业的生产和运行中发挥着重要的作用。影响短期负荷预测的因素有很多,不同的地区、不同的季节、不同的星期类型都不尽相同,任何一种单一模型都不可能在任何时候满足负荷预测的精度要求,在没有找到合适的满足精度的单一预测模型前,能否找到一种通用的组合预测模型对负荷预测有个大致的判断或者是在精度方面接近预测效果较好的单一预测模型,并且在预测结果的鲁棒性方面和降低预测风险方面有着明显的增强是本文主要研究的目的。本文在对大量原始的电力负荷数据和气象数据进行收集和整理的同时,将数据挖掘和神经网络相结合的短期负荷预测模型与聚类分析和支持向量机相结合的短期负荷预测模型作为组合预测模型中的单项模型,并且将优势矩阵法应用到组合预测模型的权重分析上来,通过实验数据与实际负荷值的比较证实该组合模型在实际应用中的可行性。本文的主要工作有：(1)详细论述了负荷预测的基本原理和相关要求,分析了应用于短期负荷预测基本方法和基本步骤,并阐述了什么是数据挖掘怎样进行数据挖掘的方法。(2)通过数据挖掘的基本方法从大量的历史负荷以及其他相关数据中筛选出异常数据,将影响负荷的特征属性按照重要程度进行排序,并将涉及的数据进行归一化处理,构建适合的神经网络,避免由于输入变量过多和异常数据导致“维数灾”,加重网络训练负担,降低预测精度。(3)分析了支持向量机的基本理论以及支持向量机核函数及参数的选择方法,运用K-Means聚类算法对原始样本进行分类,使分类后的数据集中心之间的距离尽可能远,充分发挥支持向量机拟和精度高、学习和推广能力强的优点。(4)对组合预测的原理进行详细的阐述,并且论述了组合预测需要解决的问题以及组合预测模型的使用条件,运用优势矩阵法确定权重系数的组合预测方法对辽宁某地区夏季整点的负荷进行预测,增强了预测模型的鲁棒性,降低了预测风险。
石雪[6]2014年在《基于数据挖掘的短期电力负荷预测》文中研究指明短期电力负荷预测对电力系统的运行、控制和计划都有着非常重要的影响，准确的负荷预测对于保证电力系统安全、稳定运行具有十分重要的意义。本文综合运用多种数据挖掘技术，研究了历史负荷数据的预处理、负荷相关因素的分析、训练集的选取及预测模型的建立，为建立一个高精度的短期负荷预测系统软件的集成开发奠定基础。首先，针对负荷预处理问题，本文采用基于加权核函数的模糊Ｃ均值聚类的改进算法，以加权的高斯核函数替代欧氏距离作为聚类目标公式的不相似性测度函数，减小了计算复杂度，另外用减法聚类算法初始化模糊C均值聚类的聚类中心和聚类数目。对数据进行聚类之后，采用收敛速度快、模式分类能力强的径向基函数神经网络对数据进行辨识，并修正识别出的异常数据，实验证明本文提出的数据处理模型是较为有效的。其次，针对相似日问题，提出了基于改进相似度的模糊聚类提取相似日的方法，通过通径分析得到日特征向量对日平均负荷的影响权重，自定义综合了加权相似系数和加权距离系数的统计量－相似度，建立模糊相似矩阵将历史日样本划分为若干类。通过分类识别获得与预测日最相似的一类历史日样本集。最后，针对正常日问题，在前面的基础上，采用支持向量机模型作为短期电力负荷预测模型。根据广东省佛山市的电力负荷数据，并把本文的模型与基于支持向量机的电量预测模型做对比，结果表明本文的模型具有更高的预测精度。对预处理数据与原始数据分别采用本文的预测模型进行预测，预测结果表明本文数据预处理有助于提高预测精度。
鲁云[7]2017年在《智能电网负荷特性分析与短期负荷预测研究》文中研究表明社会的发展带来电能需求的不断增长,而能源危机不断增大,电能供需存在巨大矛盾。电网需求侧管理(Demand Side Management,DSM)能够有效的解决电能供需矛盾。随着智能电网的成熟,智能电网动态需求响应(Demand Response, DR)技术为电网需求侧管理提供了新思路,即通过激励方式引导用户自主调整用电需求,从而达到削峰平谷、平衡电能供需的目的。智能电网中智能电表的大规模部署收集了海量的负荷信息,对这些数据做数据挖掘可以更好的促进有效的动态需求响应。在海量的负荷信息下,将数据挖掘中聚类算法应用到负荷特性分析中来,对用户负荷曲线进行更加精细有效的聚类,才能更好地把握不同类别用户负荷特性,分析不同用户的响应规律,为需求响应措施的应用提供更可靠的理论依据;只有采用更加新颖的预测算法对负荷数据预测,才能更准确的预测负荷变化,提高需求响应灵敏度。论文选题于国家电网科技项目《基于业务可视化的流量分析关键技术研究》,利用数据挖掘的相关理论对智能电网海量负荷数据进行负荷特性分析与短期负荷预测研究。论文首先总结了智能电网数据分析相关研究方向,并综述了数据挖掘常用方法。然后,结合智能电网负荷数据的大规模特性,提出一种基于主成分分析法(Principal Component Analysis,PCA)降维的自适应加权模糊C均值(Fuzzy C Means, FCM)聚类算法(PCA-WFCM)实现负荷特性分析。利用实际智能电表数据验证所提算法性能,结果表明,该算法与传统模糊C均值聚类算法相比,提高了聚类精度的同时减小了聚类时间。最后,为了提升短期负荷预测精度,提出一种改进的径向基函数(Radial Basis Function, RBF)神经网络预测算法(RBF-PCA-WFCM),该算法利用PC A-WFCM聚类算法确定RBF的基函数中心,并采用梯度下降法优化网络权值。仿真结果表明,该算法与传统的以K均值(K-means,KM)确定基函数中心的RBF神经网络预测算法相比,具有更高的预测精度。进一步,为了充分利用不同类别用户负荷曲线特点提升短期负荷预测精度,本文提出了一种基于用户聚类的短期负荷预测方法。该方法首先对所有用户负荷曲线聚类,然后对每一类用户负荷分别预测,最后求和获得最终总负荷预测结果。仿真结果表明,所提出的基于用户聚类的短期负荷预测方法较直接负荷预测方法能进一步提升预测精度。
孙英云[8]2004年在《基于数据挖掘的短期负荷预测研究》文中研究指明短期负荷预测是电力调度部门的重要工作之一,负荷预测的精度直接影响到电网的安全、经济和稳定运行。影响电力负荷的因素很多,这些因素对负荷的影响具有非线性、复杂性、滞后性等特点。本文利用数据挖掘技术对各种非负荷因素对负荷影响进行了挖掘,提出了一种决策树技术和时间序列相结合的短期负荷预测算法,并在此基础上实现了基于DotNet架构的短期负荷预测系统。数据挖掘技术能够从大量数据中提取人们所感兴趣的潜在知识和信息。本文概述了数据挖掘技术的有关内容;并针对负荷预测的实际情况,详细介绍了数据挖掘中的两个基本任务:探索性数据分析和用于分类的预测建模,并将其运用于负荷预测之中;根据所得结果提出了一种基于数据挖掘的短期负荷预测算法,该算法能够有效的考虑气象因素对负荷的影响,从而提高了负荷预测的精度。本文利用负荷的纵向相似性和横向相似性对负荷坏数据进行了辨识和修正,并采用小波分析和分时段分析的方法剔除了负荷序列中的长期增长分量,减少了负荷高速增长对负荷预测精度的影响。采用分类与回归树算法对气象等非负荷因素对负荷的影响进行了分析,得到了气象等相关因素和负荷之间关系的决策树形式知识表达,并在此基础上提出了一种决策树技术和时间序列相结合的短期负荷预测新算法。该算法能很好的将挖掘所得知识用于短期负荷预测当中,有效的考虑了气象等因素对负荷的影响,又考虑到了负荷的时间序列特征,具有计算速度快,精度较高等特点。在以上工作的基础上,实现了一套基于DotNet架构的短期负荷预测系统。论文详细介绍了在电力市场条件下短期负荷预测系统的需求及系统的结构和功能实现,并对系统开发实现中遇到的一些具体问题进行了分析和探讨。论文最后对系统实际运行数据进行了分析,得出了影响负荷预测精度的主要因素。
程其云[9]2004年在《基于数据挖掘的电力短期负荷预测模型及方法的研究》文中进行了进一步梳理电力系统短期负荷预测是电力系统调度运营部门的一项重要的日常工作，预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量，其特点是：要预测的数据个数多、采集到的样本数据含一定的噪声、受诸多气象因素的影响并具有随机性等等。本文综合运用多种数据挖掘技术，主要以预测工作的各个环节为线索，对历史负荷数据的预处理、负荷时间序列的特性、气象因素的处理、预测模型输入参数的确定及模型的建立各方面都作了深入的研究，为高精度的短期负荷预测软件系统的集成开发奠定了基础。 为准确、快速、动态地清洗负荷历史数据，基于数据挖掘中聚类和分类的思想，提出了脏数据的智能动态清洗模型，根据模糊软聚类思想对Kohonen神经网络进行了改进，使得改进后的Kohonen神经网络能实现模糊c均值软聚类的并行计算，并提出了相应的动态算法，能根据样本集的更新而自动确定新的聚类中心(即日负荷特征曲线)，与RBF径向基网络一起构成了脏数据的智能清洗模型，模型具有快速性和动态性的特点，为精确的预测提供了数据上的保证。 针对短期负荷预测数据个数多的特点，采用主元分析法对负荷历史数据进行处理，以使得信息得到有效的集中，为克服常规主元分析法在标准化数据时易丢失信息的缺点，提出了改进方法，不仅大大减少了建模工作量，并且保证了信息的完整性，只需对少数几个重要分量建立神经网络等复杂模型重点预测，而对其它分量只简单计算即可，建模效率和预测精度能得以大大提高。 为了探求负荷数据的性质，通过对负荷时间序列的李雅普洛夫指数计算，说明了负荷时间序列具有混沌特性，并计算出了可预测时间的理论值，为预测工作提供了理论依据。首次提出引入生物气象学中综合反映气温、湿度及风力对人体作用的几个气象因子(实感温度、寒湿指数、温湿指数及舒适度指数)来评价气象因素对短期负荷的影响，通过与温度单一因子的对比揭示了引入综合气象因子的合理性和优越性。 输入参数的选择一直是神经网络建模的难点问题，对模型的预测精度有很大的影响，通过引入数据挖掘中粗糙集约简算法来解决这一难题，弥补了神经网络不能确定重要的属性组合及结构构造等不足。由于常规粗糙集算法区分函数约简算法是NP复杂问题，本文提出了基于属性优先级启发函数的约简算法RAPHF，算法方便灵活且高效。针对电力短期负荷预测是一个动态的过程，样本数据总是不断更新的特点，提出了具有增量处理功能的RAPHF—Ⅰ算法，保证了模型输入参数的合理性及正确性。重庆大学博士学位论文 最后，采用前向神经网络(ANN)对工作日(包括周末)负荷进行预测:为了克服标准BP算法收敛速度慢的缺陷，提出了基于3个可调参数激励函数的学习算法BP~AA;为了克服常规BP神经网络容易陷入局部极小的缺陷，提出了嵌入Logistic混沌映射的两重搜索算法BP~AAEc。通过测试，证明构造的学习算法不但使网络收敛速度及非线性逼近能力大大提高，而且有效地解决了易陷入局部最小的问题，同时避免了Logistic混沌搜索时间长的缺点。针对元旦、春节、五一和国庆等节假日负荷预测时间跨度长、可参考的历史数据量少、受气象因素影响更为突出的特点，提出了灰色GM(l，l)模型与模糊逻辑系统相结合的方法对重大节假日的电力负荷进行预测。为了克服传统灰色算法对非指数序列进行预测时偏差较大的缺陷，对偏差产生的机理进行了深入的分析，首先采用GM(1，1)的背景值改进算法进行初步预测，然后用模糊系统考虑气温对节假日负荷的影响，对灰色预测结果进行修正，进一步提高了预测的准确性。关键词:短期负荷预测，数据挖掘，综合气象指标，粗糙集，神经网络， 灰色模型
王小君, 毕圣, 徐云鹍, 孙月嘉[10]2016年在《基于数据挖掘技术和支持向量机的短期负荷预测》文中研究表明支持向量机方法已经非常成熟的应用在短期负荷预测领域,它在选取历史日期进行模型训练的时候通常选取距离预测日相近的一段日期,而没有考虑这段时间气象条件、星期类型、节假日造成的影响,使得所建立的模型并不能完全的反映预测日的特征。提出了基于一种基于数据挖掘技术的支持向量机负荷预测方法,该方法提出了预测模型样本选取的新颖思路,首先采用层次聚类法对历史日负荷进行聚类,利用层次聚类得到的分类结果建立决策树,根据待预测日的属性在决策树中查询得到支持向量机预测模型输入的历史负荷,建立支持向量机预测模型并对待预测日的负荷进行预测。实例中负荷数据采用浙江省某地级市的历史负荷,用新方法对该地区的日96点负荷进行预测,并将该算法与传统的支持向量机算法进行比较,文中提出的方法解决了传统的基于支持向量机方法训练日期选取不能反映待预测日特征的问题,故本算法结果具有较高预测精度。
参考文献：
[1]. 基于数据挖掘的电力系统短期负荷预测研究[D]. 李冬伟. 大连理工大学. 2007
[2]. 《基于数据挖掘的短期负荷预测研究》[J]. 白迪, 赵龙. 科技信息(学术研究). 2007
[3]. 基于数据挖掘技术的电力系统短期负荷预测[D]. 薛美娟. 西安理工大学. 2007
[4]. 基于分布式数据挖掘的短期负荷预测的研究[D]. 马建明. 华北电力大学（河北）. 2006
[5]. 基于数据驱动的短期电力负荷预测方法研究[D]. 金凯. 东北大学. 2012
[6]. 基于数据挖掘的短期电力负荷预测[D]. 石雪. 华南理工大学. 2014
[7]. 智能电网负荷特性分析与短期负荷预测研究[D]. 鲁云. 北京邮电大学. 2017
[8]. 基于数据挖掘的短期负荷预测研究[D]. 孙英云. 清华大学. 2004
[9]. 基于数据挖掘的电力短期负荷预测模型及方法的研究[D]. 程其云. 重庆大学. 2004
[10]. 基于数据挖掘技术和支持向量机的短期负荷预测[J]. 王小君, 毕圣, 徐云鹍, 孙月嘉. 电测与仪表. 2016
标签：电力工业论文; 数据挖掘论文; 支持向量机论文; 电力负荷论文; 聚类论文; 大数据论文; 神经网络模型论文; 预测模型论文; 数据挖掘算法论文; 负荷曲线论文; 天气预报论文;