调和聚类-分类方法在电力负荷预测中的应用.pdf

第3 5 卷第1 2 期计算机学报 V o l _ 3 5N o 1 2 2 0 1 2 年1 2 月 C H I N E S EJ O U R N A LO FC O M P U T E R SD e c 2 0 1 2 调和聚类- 分类方法在电力负荷预测中的应用 窦全胜“ 2 h 3 史忠植”姜平2 - 5 君华3 ，( 中国科学院计算技术研究所智能信息处理实验室北京1 0 0 1 9 0 ) ”( 山东工商学院计算机科学与技术学院山东烟台2 6 4 0 0 5 ) ”( 烟台东方电子信息产业集团公司山东烟台 2 6 4 0 0 1 ) 摘要分类和聚类是数据挖掘中两个重要的研究领域，分类需要相关的先验知识，而聚类往往依据某种相似性 测度，从数据本身来寻找其内在特征在电力系统负荷预测过程中，依靠先验知识得到的分类结果与聚类结果之间 并不协调针对这一问题，文中给出了调和矩阵的定义，并在此基础上，提出调和聚类一分类算法，将该方法应用于电 力系统负荷预测的样本分类中，实际结果表明，通过文中方法得到的分类结果更加客观和科学，预测结果的可靠性 得到了保证 关键词聚类；分类；负荷预测；调和矩阵 中图法分类号T P 3 9 1 D O I 号：1 0 3 7 2 4 S P J 1 0 1 6 2 0 1 0 0 2 6 4 4 A p p l i c a t i o no fA s s o c i a t e dC l u s t e r i n ga n dC l a s s i f i c a t i o nM e t h o di n E l e c t r i cP o w e rL o a dF o r e c a s t i n g D O U Q u a n S h e n 9 1 2 ，S H IZ h o n g Z h i l J I A N GP i n 9 2 M AJ u n - H u a 3 ( K e yL a b o r a t o r yo fI n t e l l i g e n tI n f o r m a t i o nP r o c e s s i n g ，I n s t i t u t eo fC o m p u t i n gT e c h n o l o g y ，C h i n e s eA c a d e m yo fS c i e n c e s ，B e O i n g 1 0 0 1 9 0 ) 2 ( S c h o o lo fC o m p u t e rS c i e n c ea n dT e c h n o l o g y ，S h a n d o n gI n s t i t u t eo fB u s i n e s sa n dT e c h n o l o g y ，Y a n t a i ，S h a n d o n g2 6 4 0 0 5 ) ”( Y a n t a iD o n g f a n gE l e c t r o n i c sI n f o r m a t i o nI n d u s t r yG r o u pC o ，L t d ，Y a n t a i ，S h a n d o n g2 6 4 0 0 1 ) A b s t r a c t C l u s t e r i n ga n dc l a s s i f i c a t i o na r et W Oi m p o r t a n tr e s e a r c ha r e a so fd a t am i n i n g C l a s s i f i - c a t i o nn e e d sr e l a t e dp r i o r k n o w l e d g e ，w h i l ec l u s t e r i n gn o r m a l l yf i n d si t so w ni n h e r e n tc h a r a c t e r i s t i c sf r o mt h ed a t ab a s e do ns i m i l a r i t ym e a s u r e I nt h ep r o c e s so fp o w e rl o a df o r e c a s t i n g ，t h er e s u i t so fc l a s s i f i c a t i o na n dc l u s t e r i n ga r ei n c o n s i s t e n t F o rt h i sp r o b l e m ，t h i sp a p e rp r o p o s et h e d e f i n i t i o no fa s s o c i a t e dm a t r i xa n do nt h a tb a s i sp r o p o s ea s s o c i a t e dc l u s t e r i n g - c l a s s i f i c a t i o na l g o r i t h m T h i sa l g o r i t h mi sa p p l i e dt od a t as a m p l ec l a s s i f i c a t i o nf o rp o w e rl o a dp r e d i c t i o n ，t h ee x p e r i m e n ts h o wt h a tt h ec l a s s i f i c a t i o nr e s u l t so b t a i n e db yo u rm e t h o da r em o r er e l i a b l e K e y w o r d s 1引 言 c l u s t e r i n g ；c l a s s i f i c a t i o n ；l o a df o r e c a s t i n g ；a s s o c i a t e dm a t r i x 分类( c l a s s i f i c a t i o n ) 和聚类( c l u s t e r i n g ) 是数据 挖掘中两个重要的研究领域，分类是指依靠领域经 验或某种模型，把数据映射到给定类别中的某一个 类中聚类是指根据“物以类聚”的原理，将本身没有 类别的样本聚集成不同的簇，它的目的是使属于同 收稿日期：2 0 0 9 一O l 1 1 ；最终修改稿收到日期：2 0 0 9 1 2 1 4 本课题得到国家自然科学基金( 6 0 9 7 0 0 8 8 ，6 0 7 7 5 0 3 5 ) 、国家。九七三”重点基础 研究发展规划项目基金( 2 0 0 7 C B 3 1 1 0 0 4 ) 、国家科技支撑计划项目基金( 2 0 0 6 B A C 0 8 8 0 6 ) 、山东省中青年科学家奖励基金 ( 2 0 0 9 B S D 0 1 3 8 3 ) 资助塞全胜，男，1 9 7 1 年生，博士，副教授，研究方向为智能科学、数据挖掘及相关方法在电力系统中的应用E - m a i l ： d o u q s i c s i c t a c c n 史忠檀，男，1 9 4 1 年生，研究员，博士生导师，研究领域为人工智能、机器学习等E - m a i l ：s h i z z i t s i c t a e c a 姜平，男，1 9 7 9 年生，硕士，讲师，研究方向为人工智能、生物信息计算等马君华。女，1 9 6 5 年生，硕士，高级工程师，研究方向为智能电 力技术 万方数据 计算 机学报 一簇的样本之间彼此具有较好的相似性，而属于不 同簇的样本间应具有足够的差异性当前，关于这方 面的研究很多，文献 1 2 用粒度计算来解决分类问 题，随着粒度计算理论本身的不断完善，这些方法也 将得到更大的发展文献 3 4 用演化方法来进行分 类规则挖掘，这些算法是数据挖掘与计算智能相结 合的产物文献 5 提出了一种将支持向量机与无监 督聚类相结合的新分类算法，并应用于网页分类问 题，取得了较好的效果关于聚类方法，文献E 6 3 做了 系统地综述，对当前的聚类方法作了高度概括所有 这些研究都代表了这一领域的最新进展，在此不逐 一列举 众所周知，分类需要相关先验知识，最理想的先 验知识自然是以下的情形：在特征空间中，异类样本 之间有明显的界限，相似性测度较小；而同类样本则 聚集成一团，相似性测度较大从聚类的角度说，先 验知识规定的属于一个类别的样本，依照选定的特 征空间和相似性测度，也应当聚成一类然而不幸的 是，在绝大多数情况下，都不会达到这种理想境界， 常常遇到的情况是领域专家认为应该归为一类的 点，往往在特征空间中距离特别远，或者说相似性测 度特别小，而那些被认为应分别属于不同类别的样 本，却相似性测度较大换句话说，先验知识极有可 能和特征以及相似性测度函数不协调文献E 7 3 应用 粒度理论对这个问题进行了深入的分析，并给出了 基于信息粒度原理的分类算法，有较强的理论和实 际意义 在电力系统负荷预测的过程中，电力专家先将 负荷变化特征分成若干类，然后把预测当日的情况 归于某一类，相同类别采用相同的预测模式这种分 类方式依靠于这样的一种假设，即相同类型的负荷 曲线的波形是类似的，但是由于造成不同负荷特征 的原因非常复杂，领域专家的分类相对笼统，只能大 体地反映负荷数据本身所具有的特征在实际负荷 预测过程中，存在这样的情况，即部分领域专家认为 属于同一类的负荷曲线却表现出了不同的特征另 一方面，同类影响因素引起的负荷变化特征具有较 强的相似性，通常能够聚成一类，然而这里存在的问 题是，客观上聚成一类的样本集，领域专家却不能给 出它们特征之所以相近的原因，从而无法为具体预 测提供前提，使得聚类结果难以直接用于预测针对 上述问题，本文提出调和聚类一分类算法，来保证分 类和聚类的一致性，将该方法应用于电力系统负荷 预报的样本分类中，取得了较好效果以下就调和聚 类一分类方法加以详细论述 2 调和聚类一分类方法 设U 一 z 。，z 。，z 。 为样本集合，艿为聚类操 作，在艿作用下形成聚类谱系G ，在某一粒度 7 下， 切割谱系G ，将U 分割成相互独立的子集，即 艿( U ) 一 G 1 ，一，G 。) ，依靠先验知识对【，分类，得到 分类C 一 C l ，一，C 。 ，对于V C i C ( i 一1 ，2 ，竹) ， 都被艿( u ) 分割成了m 个子集，C i UC 其中优是 j = 1 d ( U ) 中子集的个数，C 。，一C iN G ，为C 。和G ，的交集 定义1 设U 为样本空间，艿为聚类操作，在 某一粒度下对该聚类谱系进行切割得到G 一 艿( U ) 一 G ，G 。 ，C 一 C 。，C 。) 为【，依赖先验 知识得到的分类称矩阵A 一， 。为分类C 基于 I ，、l G 的调和矩阵其中，A “= 爷斟，C 玎= C iNG ， o i c 。，I 、IC 。1 分别表示集合c i j 和C i 中元素个数称矩 阵A 中的每一行R 。( i 一1 ，2 ，卵) 为调和向量 定义2 在定义1 基础上设R i 一( _ 。，- ：， r 。) ( i - - - - 1 ，2 ，以) 为一调和向量，若存在s 个分量 1 使得r 。i ( J 一1 ，2 ，s ) ，则称向量R 。为s 项占优 | l I 1 或多项占优，若向量R 中只有唯一的，一i i 土，则称 | H R j 单项占优若r i ，使R i 单项占优，且r i i o 8 ，则称 R i 是单项充分占优 理想的情况下，我们期望依靠先验知识得到的 分类C 与聚类谱系在某一粒度下的切割所得到的 聚簇集合大体保持一致，此时调和矩阵A 为方阵， 且每一行R ，都是单项充分占优，此时存在置换矩阵 口，使得A 9 为对角充分占优矩阵，如式( 1 ) 所示 而最糟糕的情况是，分类与聚类完全无关，每一 个分类C i 中的样本平均分布在艿( U ) 中，事实上，这 两种极端情况都是不容易出现的 本文定义的调和矩阵和一些文献中E s 3 所述的混 淆矩阵( c o n f u s i o nm a t r i x ) 密切相关，所谓混淆矩阵 是描绘样本数据的真实属性与识别结果之间的关 系、评价分类器性能的一种方法具体定义如下：设 Hn J H” A 吼 一 一9A 万方数据 1 2 期 窦全胜等：调和聚类一分类方法在电力负荷预测中的应用 给定数据集D 一 T 。，T 2 ，L ) 包含N 类样本，分 类器C 的混淆矩阵为 其中，c r n 玎表示第i 类样本被分类器C 判断成第J 类样本的数据占第i 类样本总数的百分率，混淆矩 阵中元素的行下标对应目标的真实属性，列下标对 应分类器产生的识别属性对角线元素表示各模式 能够被分类器C 正确识别的百分率，而非对角线元 素则表示发生错误判断的百分率在电力系统负荷 分类问题中，完全正确的分类是不容易得到的，通过 聚类得到的结果往往更能够客观地反应负荷变化特 征，我们试图通过聚类来修订主观分类，调和矩阵中 元素的行下标对应的是依据先验知识所产生的属 性，列下标对应聚类产生的识别属性调和矩阵从本 质上可以看成混淆矩阵的一种近似形态 算法1 调和聚类一分类算法 A 七引 A 一 | ：L l G lA I G 2 A 2 G lA 2 G 2 A J G lA J G 2 A “1A ，l G 2 A 1 q A 2 a ： 2 j c , ： A 。G ， A l G r A 2 G ： A J 6 f ： A 。G r ( 3 ) 考察A 的每一列( A 。，A ：。，A c ，) 1 ，若存在两个或 两个以上分量A 大于卢，且I G jI r l 【，I ，其中，o 岸，则必有 GI o 8 1C 。l - - - - 0 8u I j再 与中止条件lG 。l r IU I 矛盾 万方数据 计算 机学报 设算法中止时，A 中中止于条件( 1 ) 的列有叫 列，中止于条件( 2 ) 的列为h 列，设( A 岈，A z q ， A 矧) T 是h 列中的任意一列，该列中分量为A 岣， A + 。G ”，A 施，使其所在行充分占优，由步4 将C 一， C + l ”，C 。合并成一类显然，新合成的分类依然 是充分占优，设合并操作后产生充分占优的行数为 l ，则A 中所有充分占优的行数为k 一硼+ 1 ，不妨设 经过步4 合并操作后，调和矩阵A 的行数为S ，则A 中的其它s 一是行为多项占优，步5 将A 中的每一行 内A 值较小的类按距离最近原则，分配到其它类中， 由于A 中的行与次序无关，经过适当的行次序调 整，即为式( 4 ) 所示状态 证毕 在这里应该强调的是：分类采用的先验知识与 聚类使用的测度函数所刻画问题的本质是相同的， 否则进行调和就没有任何实际意义同时，本文所述 方法在一定程度上依赖于聚类谱系的划分，在实际 应用中我们总是在相关聚类谱系的最顶端进行切 割，这种切割方式已经在电力负荷预测中取得了不 错的效果，对于不同的问题，是否存在更合理的切割 方式，还需要进一步研究在这里涉及到两种标准， 一个是领域专家的先验知识，这种先验知识往往来 源于日常生活中的一些规律，由于影响电力负荷变 化的因素多且复杂，一些造成负荷特殊变化的原因 还不清晰，电力专家依据的先验知识往往只能大体 地反映负荷变化的规律，存在一定的不确切性另一 方面，通过聚类方法能够从客观上较好地识别负荷 变化的不同特征，但是样本之所以聚成一类的原因 还无法确定，这样就使得聚类方法无法直接用于预 测故而我们退而求其次，采取一种相对折衷的办 法调和聚类一分类算法一定程度上保证了主观经验 和客观规律的统一以下就本算法在电力负荷预测 中的应用过程加以阐述 3 负荷预测问题描述 负荷预测是电力系统的一个传统研究问题，是 指从已知的电力系统、经济、社会、气象等情况出发， c 0 通过对历史数据的分析和研究，探索事物之间的内 在联系和发展变化规律，对负荷发展做出预先估计 和推测负荷预测方法众多 9 1 1 l ，按照预测期限的不 同，电力系统负荷预测分为长期预测、中期预测、短 期预测、超短期预测其中超短期预测是研究最多 的，也是最困难的 在电力系统负荷预测过程中，通常需要按照专 家经验将样本分成不同类别，然后提取不同类别数 据的特征，找出特征和影响因素之间的关系，根据这 些影响因素的变化来预测未来某日的电力负荷情 况在这个过程中，合理分类是有效预测的基础，通 常情况下，领域专家依靠经验或习惯对样本进行分 类，这种方式存在着上面所述的问题，即专家认为应 该归为一类的点，往往在特征空间中距离特别远，而 不同类别的样本，从特征上看又相当接近 本文对某电力公司近几年的数据样本分别按经 验和上节所述调和聚类一分类方法进行分类，在不同 分类的基础上，根据气象因素预测负荷情况，并根据 实际负荷数据对基于不同分类产生的预测结果加以 评估在这里，不同分类方法采用的预测模型是相同 的，下面就本文采用的预测模型加以简单描述 首先，对样本进行分类，应用小波变换针对不同 类别对9 6 点数据进行特征的提取本例中，采用 D a u b e c h i e s 小波提取负荷数据的特征 设 p ( ) ，= 1 ，2 ，9 6 为某天9 6 点负荷值， 令C o ( ) 一p ( ) ，小波分解如下： f c 。一则 ：A i ，P i ， ( 7 ) J = J 为验证本文所述方法的有效性，分别采用不同 的分类方式，以预测当年前两年的历史数据作为学 习样本，对国内某电力公司2 0 0 7 、2 0 0 8 及2 0 0 9 年上 半年的负荷情况进行预测，在负荷预测的过程中一 些特殊节假I J ，如春节、元旦等数据规模较小的类， 由于历史数据样本少，进行回归是没有意义的，只能 按历史趋势进行预测 表1 列举了实验过程中的几组统计结果，其中 统计类型A 为数据点中误差小于1 数据点的百分 比，B 为误差点大于1 而小于3 点的百分比，C 万方数据 2 6 5 0计算机学报 2 0 1 2 年 则是误差大于3 点的百分比，D 为预测结果与实 际数据的均方根误差的平均值 表1 基于不同分类的预测结果 从表1 的统计结果中可以看出，基于新分类的预 测结果要明显好于原有的基于经验的分类，通过上述 分析不难看出，在依据先验知识的分类中，负荷数据 往往在客观上存在着不同的特征，将客观上特征并 不趋同样本集当作一类进行回归，是造成回归曲线 误差相对较大的主要原因，本文中的调和聚类分类 方法一定程度上避免了这个问题，预测的准确率有 了明显的提高，这也验证了本文提出的方法较好地 解决了先验知识和相似性测度函数不协调的问题 5 结论 分类和聚类是数据挖掘中两个重要的研究领 域，然而，在实际应用中，通常存在依靠先验知识得 到分类结果与聚类结果之间不协调问题，针对这一 问题和电力系统的实际应用背景，本文给出了调和 矩阵的定义，并在此基础上，提出调和聚类一分类算 法，使分类结果与聚类保持较高的一致性，并将该方 法应用于电力系统负荷预测中，实验结果证实了本 文方法的有效性 参考文献 1 Y a oT ，Y a oYY G r a n u l a rc o m p u t i n ga p p r o a c ht om a c h i n e 冈 D O UQ n a n 。S h e n g ，b o r ni n1 9 7 1 ， P h D ，a s s o c i a t ep r o f e s s o r H i sr e s e a r c hi n t e r e s t si n c l u d ei n t e l l i g e n c ec o m p u t a t i o na n dd a t am i n i n g S H IZ h o n g Z h i ，b o r ni n19 41 ，p r o f e s s o r ，P h D s u p e r l e a r n i n g P r o c e e d i n g so ft h e1s tI n t e r n a t i o n a lC o n f e r e n c eo n F u z z yS y s t e m sa n dK n o w l e d g eD i s c o v e r y ：C o m p u t a t i o n a lI n t e l l i g e n c ef o rt h eE A g e O r c h i dC o u n t r yC l u b ，S i n g a p o r e ， 2 0 0 2 ，2 ：7 3 2 - 7 3 6 2 Y a oYY ，Y a oJT I n d u c t i o no fc l a s s i f i c a t i o nr u l e sb yg r a n u l a rc o m p u t i n g P r o c e e d i n g so ft h e 3 r dI n t e r n a t i o n a lC o n f e r e n c eo nR o u g hS e t sa n dC u r r e n tT r e n d si nC o m p u t i n g M a l v e r n 。P A ，U S A ，2 0 0 2 ：3 3 卜3 3 8 3 P a r p i n e l l iRS ，1 o p e sHS ，F r e i t a sA A D a t am i n i n gw i t h a na n tc o l o n yo p t i m i z a t i o na l g o r i t h m I E E ET r a n s a c t i o n so n E v o l u t i o n a r yC o m p u t a t i o n ，2 0 0 2 ，6 ( 4 ) ：3 2 1 3 3 2 4 S o u s aT ，S i l v aA ，N e v e sA Ap a r t i c l es w a r md a t am i n e r F e r n a n d oM o u r aP i r e s ，S a l v a d o rA b r e ue d s E P I A2 0 0 3 I ，N A I2 9 0 2 B e r l i n ：S p r i n g e r ，2 0 0 3 ：4 3 5 3 5 3 L iX i a o - l i ，I 。i uX u M i n ，S h iZ h o n g - Z h i AC h i n e s ew e bp a g e c l a s s i f i e rb a s e do ns u p p o r tv e c t o rm a c h i n ea n du n s u p e r v i s e d c l u s t e r i n g C h i n e s eJ o u r n a lo f C o m p u t e r s ，2 0 0 1 ，2 4 ( 1 ) ：6 2 6 8 ( i nC h i n e s e ) ( 李晓黎，刘继敏。史忠植基于支持向量机与无监督聚类相 结合的中文网页分类器计算机学报，2 0 0 1 ，2 4 ( 1 ) ：6 2 6 8 ) 6 3X uR u i S u r v e yo fc l u s t e r i n ga l g o r i t h m s I E E ET r a n s a c t i o n s o nN e u r a lN e t w o r k s ，2 0 0 5 。1 6 ( 3 ) ：6 4 5 6 7 8 7 P uD o n g P o ，B a iS h u o ，I 。iG u o - J i e P r i n c i p l eo fg r a n u l a r i t y i nc l u s t e r i n ga n dc l a s s i f i c a t i o n C h i n e s eJ o u r n a lo fC o m p u t e r s ，2 0 0 2 ，2 5 ( 8 ) ：8 1 0 - 8 1 6 ( i nC h i n e s e ) ( h 东波，白硕，李国杰聚类分类中的粒度原理计算机 学报，2 0 0 2 ，2 5 ( 8 ) ：8 1 0 8 1 6 ) 8 3Z h a n gJ i n g ，S o n gR u i 。Y uW e n X i a n ，X i aS h e n g P i n g ，H u W e i D o n g C o n s t r u c t i o no fh i e r a r c h i c a lc l a s s i f i e r sb a s e do n t h ec o n f u s i o nm a t r i xa n dF i s h e r Sp r i n c i p l e J o u r n a lo fS o f t w a r e ，2 0 0 5 ，1 6 ( 9 ) ：1 5 6 0 1 5 6 7 ( i nC h i n e s e ) ( 张静，宋锐，郁文贤，夏胜平，胡卫东基于混淆矩阵和 F i s h e r 准则构造层次化分类器软件学报，2 0 0 5 ，1 6 ( 9 ) ： 1 5 6 0 1 5 6 7 ) 9 A l f a r e sHK ，N a z e e r u d d i nM E l e c t r i cl o a df o r e c a s t i n gl i t e r a t u r es u r v e ya n dc l a s s i f i c a t i o no fm e t h o d s I n t e r n a t i o n a l J o u r n a lo fS y s t e m sS c i e n c e ，2 0 0 2 ，3 3 ( 1 ) ：2 3 - 3 4 1 0 M e t a x i o t i sK ，K a g i a n n a sA ，A s k o u n i sD ，P s a r r a sJ A r t i f i c i a li n t e l l i g e n c ei ns h o r tt e r me l e c t r i cl o a df o r e c a s t i n g ：A s t a t e o f - t h e - a r ts u r v e yf o rt h er e s e a r c h e r E n e r g yC o n v e r s i o na n dM a n a g e m e n t ，2 0 0 3 ，4 4 ( 9 ) ：1 5 2 5 1 5 3 4 1 1 K a n gC h o n g q i n g ，X i aQ i n g ，Z h a n gB o m i n g R e v i e wo fp o w e rs y s t e ml o a df o r e c a s t i n ga n di t sd e v e l o p m e n t A u t o m a t i o n o fE l e c t r i cP o w e rS y s t e m s ，2 0 0 4 ，2 8 ( 1 7 ) ：卜1 1 ( i nC h i n e s e ) ( 康重庆，夏清，张伯明电力系统负荷预测研究综述与发展 方向的探讨电力系统自动化，2 0 0 4 ，2 8 ( 1 7 ) ：1 1 1 ) v i s o r H i sr e s e a r c hi n t e r e s t si n c l u d ea r t i f i c i a li n t e l l i g e n c e ， m a c h i n el e a r n i n ga n dd i s t r i b u t e da r t i f i c i a li n t e l l i g e n c e J I A N GP i n g ，b o r ni n1 9 7 9 ，M S ，l e c t u r e r H i sr e s e a r c hi n t e r e s t si n c l u d ea r t i f i c i a li n t e l l i g e n c ea n db i o i n f o r m a t i c sc o m p u t a t i o n M AJ u n H u a ，b o r ni n1 9 6 5 ，M S ，s e n i o re n g i n e e r H i sr e s e a r c hi n t e r e s t si n c l u d ea r t i f i c i a li n t e l l i g e n c ea n da p p l i c a t i o ni np o w e rs y s t e m 万方数据 1 2 期 窦全胜等：调和聚类一分类方法在电力负荷预测中的应用 2 6 5 1 B a c k g r o u n d T h i sw o r kw a sp a r t i a l l y s u p p o r t e d b y t h eN a t i o n a l N a t u r a lS c i e n c eF o u n d a t i o no fC h i n a ( N O S 6 0 9 7 0 0 8 8 。 6 0 7 7 5 0 3 5 ) ，D o c t o rF o u n d a t i o no fS h a n d o n gp r o v i n c e ( g r a n d N o 2 0 0 9 B S D 0 1 3 8 3 ) 。t h eN a t i o n a lH i g h T e c hR e s e a r c ha n d D e v e l o p m e n tP l a no fC h i n a ( N o 2 0 0 7 A A 0 1 2 1 3 2 ) T h e s e p r o j e c t sf o c u so nt h ef i e l d so fi n t e l l i g e n c es c i e n c ea n di t s a p p l i c a t i o n s ，a u t h o r sh a v ed o n et h er e s e a r c ho nt h ef i e l d so f d a t am i n i n g ，i n t e l l i g e n c ec o m p u t a t i o na n da p p l i c a t i o no fa r t i f i c i a li n t e l l i g e n c em e t h o d si ne l e c t r i cp o w e rs y s t e m T h em a i nc o n t e n t so ft h i sp a p e ri n v o l v e dt oe l e c t r i c p o w e rl o a df o r e c a s t i n g ，w h i c hi sat r a d i t i o n a lr e s e a r c hp r o b l e mo np o w e rs y s t e m I nt h ep r o c e s so fp o w e rl o a df o r e c