（通信与信息系统专业论文）知识库在短期电力负荷预测中的应用研究.pdf

华北电力大学硕士学位论文摘要 摘要 电力负荷预测中非正常日的负荷预测是提高整体预测精度的关键。本文提出了 一种基于知识库技术的新型短期负荷预测方法。首先，利用小波坏数据检测原理和 软阈值细节消噪法对原始负荷中的坏数据进行预处理。其次，将处理后的负荷数据 及其影响因素按照事例推理的表示方法组织成事例型知识库；利用卜最近邻法检索 出与待测事例属性相近的相似事例，其中，采用基于粗糙集的权值确定法来确定负 荷事例影响因素的属性权值；在事例精简过程中，利用信息熵与主成分分析法联合 对相似事例的负荷数据冗余进行约简；利用得到的相似事例的负荷数据对基于动态 数值优化算法的b p 神经网络进行训练学习；针对非正常日，采用基于决策树的数 据挖掘技术构造出修正模型以便进一步修正预测；最后，预测结果按照事例表示方 法作为更新资源存储于知识库中；利用本文方法对实际的地区电网进行了测试，结 果表明，该方法对于非正常日的负荷预测具有较高的预测精度和较强的适应能力。 关键词：短期负荷预测，知识库，事例推理，决策树 a b s t r a c t t h ek e yt oi n l p r o v et h ew h o l el o a dp r e d i c t i o na c c u r a c yi sp r o p e r l yh a n d l i n gt h e p r e d i c t i o np r o b l e mi na b n o 珊a ld a y s an o v e la p p r o a c hf 0 rs h o r r t 一7 r 色ml o a df o r e c a s t i n g ( s t l f ) b a s e do nk n o w l e d g eb a s et e c h n o l o g yi sp u tf 0 朋a r di nt h ed i s s e r t a t i o n f i r s to f a l l ，t h r o u g ha d j u s t i n ga m p l i t u d eo fw a v e l e tm o d u l u sm a x i m aa n dp r o c e s s i n gt h ew a v e l e t d e c o m p o s e dd e t a i ls i g n a lb ys o rt h r e s h o l db a s e do nw a v e l e ta i l a l y s i sa n ds i n g u l a r i t ) r t h e o r y ，f a u l td a t ai no r i g i n a ll o a d sa r ee l i m i n a t e d t h e n ，t h ek n o w l e d g eb a s ef i l l e dw i t h c a s e si sc o n s t i t u t e dw i t hp r o c e s s e dl o a dd a t aa n di n n u e n t i a lf a c t o r sw h i c h2 u r eo r g a n i z e d i na c c o r d i n gt oc a s ep r e s e n t a t i o n t h e 肛n e a r e s t - n e 追h b o ri sa p p l i e dt of i n dt h em o s t s i m i l a l rc a s e sw h o s ec a s e sa t t r i b u t e s2 l r en e a r e s tw i t ht h ec a s e st ob ep r e d i c t e d ，a n dt h e a 仕r i b u t e sw e i g h t so fi n n u e n t i a lf a c t o r sa r ec a l c u l a t e db yw e i 曲t sc o m p u t i n gb a s e do n r o u 曲s e t i nt h ep r o c e s so fe x t r a c t i o n ，i n f o n i l a t i o ne n t r o p ya n dp r i n c i p a lc o m p o n e n t a n a l y s i sa r ei n t e g r a t e dt or e d u c es i m i l 2 u rc a s e ss 战t h ep r o c e s s e dl o a ds e q u e n c ef r o m s i m i l a rc a s e si su s e dt ot r a i nt h eb pn e u r a ln e t w o r kb a s e do nl e v e n b e r g - m a r q u a r d t d y n a m i cn u m e r i c a lo p t i m i z a t i o na l g o r i t h m 。a i m i n ga ta b n o r m a ld a y s ，d a t am i n i n g t e c l l n 0 1 0 9 yb a s e do nd e c i s i o n - t r e ei su s e dt oc o n s t r u c tr e v i s i o nm o d e ls ot h a tt om a k ea f u n h e rr e v i s i o no nf 0 r e c a s t i n g f i n a l l y ，t h ef 0 r e c a s t i n gr e s u l t sa r ep r e s e r v e di nc a s e ss e t i na c c o r d i n gt oc a s ep r e s e n t a t i o na sr e f r e s h m e n tr e s o u r c e s t h et e s t i n gr e s u l t so fs t l f i na c t u a lp o w e rn e t w o r ks h o wt h a tt h ep r o p o s e dm e t h o d a i m i n ga ta b n o m a ld a y 1 华北电力大学硕士学位论文摘要 摘要 电力负荷预测中非正常日的负荷预测是提高整体预测精度的关键。本文提出了 一种基于知识库技术的新型短期负荷预测方法。首先，利用小波坏数据检测原理和 软阈值细节消噪法对原始负荷中的坏数据进行预处理。其次，将处理后的负荷数据 及其影响因素按照事例推理的表示方法组织成事例型知识库；利用卜最近邻法检索 出与待测事例属性相近的相似事例，其中，采用基于粗糙集的权值确定法来确定负 荷事例影响因素的属性权值；在事例精简过程中，利用信息熵与主成分分析法联合 对相似事例的负荷数据冗余进行约简；利用得到的相似事例的负荷数据对基于动态 数值优化算法的b p 神经网络进行训练学习；针对非正常日，采用基于决策树的数 据挖掘技术构造出修正模型以便进一步修正预测；最后，预测结果按照事例表示方 法作为更新资源存储于知识库中；利用本文方法对实际的地区电网进行了测试，结 果表明，该方法对于非正常日的负荷预测具有较高的预测精度和较强的适应能力。 关键词：短期负荷预测，知识库，事例推理，决策树 a b s t r a c t t h ek e yt oi n l p r o v et h ew h o l el o a dp r e d i c t i o na c c u r a c yi sp r o p e r l yh a n d l i n gt h e p r e d i c t i o np r o b l e mi na b n o 珊a ld a y s an o v e la p p r o a c hf 0 rs h o r r t 一7 r 色ml o a df o r e c a s t i n g ( s t l f ) b a s e do nk n o w l e d g eb a s et e c h n o l o g yi sp u tf 0 朋a r di nt h ed i s s e r t a t i o n f i r s to f a l l ，t h r o u g ha d j u s t i n ga m p l i t u d eo fw a v e l e tm o d u l u sm a x i m aa n dp r o c e s s i n gt h ew a v e l e t d e c o m p o s e dd e t a i ls i g n a lb ys o rt h r e s h o l db a s e do nw a v e l e ta i l a l y s i sa n ds i n g u l a r i t ) r t h e o r y ，f a u l td a t ai no r i g i n a ll o a d sa r ee l i m i n a t e d t h e n ，t h ek n o w l e d g eb a s ef i l l e dw i t h c a s e si sc o n s t i t u t e dw i t hp r o c e s s e dl o a dd a t aa n di n n u e n t i a lf a c t o r sw h i c h2 u r eo r g a n i z e d i na c c o r d i n gt oc a s ep r e s e n t a t i o n t h e 肛n e a r e s t - n e 追h b o ri sa p p l i e dt of i n dt h em o s t s i m i l a l rc a s e sw h o s ec a s e sa t t r i b u t e s2 l r en e a r e s tw i t ht h ec a s e st ob ep r e d i c t e d ，a n dt h e a 仕r i b u t e sw e i g h t so fi n n u e n t i a lf a c t o r sa r ec a l c u l a t e db yw e i 曲t sc o m p u t i n gb a s e do n r o u 曲s e t i nt h ep r o c e s so fe x t r a c t i o n ，i n f o n i l a t i o ne n t r o p ya n dp r i n c i p a lc o m p o n e n t a n a l y s i sa r ei n t e g r a t e dt or e d u c es i m i l 2 u rc a s e ss 战t h ep r o c e s s e dl o a ds e q u e n c ef r o m s i m i l a rc a s e si su s e dt ot r a i nt h eb pn e u r a ln e t w o r kb a s e do nl e v e n b e r g - m a r q u a r d t d y n a m i cn u m e r i c a lo p t i m i z a t i o na l g o r i t h m 。a i m i n ga ta b n o r m a ld a y s ，d a t am i n i n g t e c l l n 0 1 0 9 yb a s e do nd e c i s i o n - t r e ei su s e dt oc o n s t r u c tr e v i s i o nm o d e ls ot h a tt om a k ea f u n h e rr e v i s i o no nf 0 r e c a s t i n g f i n a l l y ，t h ef 0 r e c a s t i n gr e s u l t sa r ep r e s e r v e di nc a s e ss e t i na c c o r d i n gt oc a s ep r e s e n t a t i o na sr e f r e s h m e n tr e s o u r c e s t h et e s t i n gr e s u l t so fs t l f i na c t u a lp o w e rn e t w o r ks h o wt h a tt h ep r o p o s e dm e t h o d a i m i n ga ta b n o m a ld a y 1 华北电力大学硕士学位论文摘要 p o s s e s s e sh i g h e rf 0 r e c a s t i n ga c c u r a c ya n d b e t t e ra d a p t l b i l i t y q ul i ( c o m m u n i c a t i o n 锄d i n f o m a t i o ns y s t e m ) d i r e c t e db yp r 6 f y u a nj i n s h a & i n s t r u c t o rz h a n gw b i h u a k e yw o r d s ：s h o r t - t e r ml o a df o r e c a s t i n g ，l m o w l e d g eb a s e ，c a s e b a s e dr e a s o n i n g ， d e c i s i o n t r e e 2 声明尸明 本人郑重声明：此处所提交的硕士学位论文知识库在短期电力负荷预测中的 应用研究，是本人在华北电力大学攻读硕士学位期间，在导师指导下进行的研究 工作和取得的研究成果。据本人所知，除了文中特别加以标注和致谢之处外，论文 中不包含其他人已经发表或撰写过的研究成果，也不包含为获得华北电力大学或其 他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任 何贡献均已在论文中作了明确的说明并表示了谢意。 学位论文作者签名： 日 期： 关于学位论文使用授权的说明 本人完全了解华北电力大学有关保留、使用学位论文的规定，即：学校有权 保管、并向有关部门送交字位论文的原件与复印件：学校可以采用影印、缩印或 其它复制手段复制并保存学位论文；学校可允许学位论文被查阅或借阅：学校 可以学术交流为目的，复制赠送和交换学位论文；同意学校可以用不同方式在不 同媒体上发表、传播学位论文的全部或部分内容。 ( 涉密的学位论文在解密后遵守此规定) 作者签名： 日期：日期： 华北电力大学硕士学位论文 1 1 选题背景及其意义 第一章绪论 电力系统是由电力网、电力用户组成，其作用就是对各类用卢尽可能经济的提 供可靠而合乎标准的电能，以随时满足各类用户的需求。但是由于电力的生产与使 用具有其特殊性，即电能是不能储存的。这样就要求系统发电出力必须随时紧跟系 统负荷的变化，以保持发供的动态平衡，否则，轻则会影响供用电的质量，重则危 及电力系统的安全稳定运行。因此，电力系统负荷预测成为工程科学中重要的研究 领域，是电力系统自动化中一项重要的内容。 另一方面，当前世界各国纷纷通过电力市场化来改革长年以来由于垄断经营而 渐渐失去活力的电力企业。电力市场化在电力工业内部引入竞争机制的同时，也给 电力系统各部门赋予了新的任务。负荷预测成为电力成交中重要的数据源，为电力 公司制定发电计划、检修计划、报价计划及电网规划提供了依据，其预测精度的高 低直接影响到电力企业的经济效益。 电力负荷预测就是在正确的理论指导下，在调查研究掌握大量翔实资料的基础 上，运用可靠的方法和手段对电力负荷的发展趋势做出科学合理的推断n 1 。根据预 测时间跨度的不同，一般可以分为长期、中期、短期和超短期负荷预测【2 】。 中长期负荷预测一般指以年为单位的时间跨度较长的预测，它们的意义在于帮 助决定新的发电机组的安装，包括装机容量大小、型式、地点和时间，以及电网的 规划、增容和改建，是电力规划部门的重要工作之一。 短期负荷预测是指一年之内，以月、周、日、小时为单位的负荷预测，通常预 测未来一个月、一周、一天的负荷指标；超短期负荷预测是指提前1 小时、半小时 甚至1 0 分钟对负荷进行预测。其意义在于帮助确定燃料供应计划；对运行中的电厂 处理要求提出报告，使对发电机组出力变化事先得以估计；经济合理地安排本网内 各机组的启停，降低旋转储备容量，在保证正常用电的情况下合理安排机组检修计 划。 因为负荷预测的周期不同，所采用的算法和考虑的因素也有所不同。对于短期 负荷预测来讲，需要充分考虑电网负荷变化规律，分析对负荷有影响的相关因素， 特别是气象因素、日类型、供电政策等。对于中长期负荷预测来讲，考虑较多的则 是国民经济发展趋势、国家政策的影响等。预测工作的关键在于掌握大量真实的历 史数据并对其进行研究，建立有效的负荷模型，并在预测中不断修正完善，使其能 真正的反映负荷的变化规律。 本文研究对象主要是短期负荷预测。 1 华北电力大学硕士学位论文 能影响短期负荷预测精度的因素有很多，可归结为以下几个方面： ( 1 ) 待测日的天气状况 温度、湿度、风力、气压、降水等天气状况都会影响负荷的大小，但在这些因 素当中，温度因素是最主要影响因素。例如：夏季连续的高温天气，使得空调负荷 大幅度增长；而突如其来的暴雨带来的气温下降又会使城镇居民用电整体负荷水平 下降。 ( 2 ) 节假日 目前，十一、春节两个公共七天长假期可被归入节假日负荷，在节假日中，负 荷水平比正常日水平明显偏低，特别是春节往往会出现全年的最低负荷。而像新定 的元旦、清明、端午、中秋三天短假期的负荷可以参照双休日类型预测。 ( 3 ) 供电政策或特殊事件 由电网故障或特殊政治事件、电视节目、体育比赛等特殊事件所引起的负荷变 化。 负荷预测一方面受负荷的历史表现影响，另一方面也受如上所述众多的非负荷 因素的影响。在这些非负荷因素中，有一些因素是无法事先预知的，如电网故障、 特殊事件等，但大部分因素如气象、节假日等信息均可以在预测之前得到。因此， 如何全面的考虑这些非负荷因素对负荷预测的影响就成为提高负荷预测精度所必须 要解决的问题。 随着电力系统自动化水平的不断提高，每年积累了大量的负荷及相关数据，采 用传统的统计分析方法难以对如此庞大的数据库进行分析。而数据挖掘的主要任务 就是从大量数据中挖掘出隐含的、以前未知的、对决策具有潜在价值的知识和规则。 这些规则和知识可反映数据集中的复杂关系，总结数据中某一面的特征。因此本文 利用数据挖掘的方法，来得到能够反映非负荷因素和负荷之间关系的知识，并将这 些知识按照一定的组织方式组织成能被推理系统方便调用的知识库，那么在负荷预 测中便可利用这些知识有效提高负荷预测精度。 1 2 国内外负荷预测的研究现状 近些年来，为了进一步提高预测精度，许多数据分析处理和人工智能等方面的 技术已经被广泛地应用到负荷预测领域中。根据所应用的数学工具和负荷预测的发 展历程，可分为经典预测方法和现代预测方法【3 1 。下面对这两大类预测方法分别做 简要介绍。 1 2 1 经典预测方法 经典负荷预测方法是基于各种统计理论或相应的数学知识，对负荷及相应的数 2 华北电力大学硕士学位论文 据进行统计分析，得出相应的函数表达式，并由此进行预测的方法。这类方法主要 包括指数平滑法、随机时间序列、多元线性回归、卡尔曼滤波法等。经典预测方法 有计算方法简单，运算速度快等优点，在2 0 世纪8 0 年代之前的短期负荷预测系统 中应用较多。但其缺点预测精度不高，原因在于对影响负荷的诸多非负荷因素如气 象等因素考虑不足。 ( 1 ) 指数平滑法( g e n e r a le x p o n e “a ls m o o t h i n g ) h l 指数平滑法是把负荷作为其过去相同时刻负荷的的拟和函数，并依据其相关性 对其进行加权平均，最后得出待预测时段的负荷值。其表达式为 y ( f ) = o ) 1 厂( f ) + s 0 ) ( 1 _ 1 ) 其中以d 为负荷拟和函数，由贝f ) = 耿f - 1 ) 确定，( ，) 为系数向量，s ( f ) 为白噪声。 系数的估计通常采用加权最小二乘法来确定。计算时应该加大新近数据的权系 数，减小陈旧数据的权系数，以体现过程的时变性。 ( 2 ) 随机时间序列( s t o c h a s t i ct i m es e r i e j ) 【5 】【6 1 时间序列法把负荷数据看成是一个时间序列，采用时间序列的方法进行预测。 也可理解为把负荷序列看成一个线性滤波器的输出，其输入是一个均值为零的随机 序列，如图1 1 所示。在短期负荷预测里这种方法是被应用的最广泛的方法之一。 根据滤波器的特性不同，可将其划分为a r 、m a 、a r m a 、a 刚m a 等。 图卜1 随机时间序列模型 口a r ( 自回归) 模型 在自回归模型中，当前负荷值y ( f ) 被表达成以前时刻负荷值y ( f 一1 ) ，y ( f 一2 ) 及随 机噪声口( f ) 的线性函数，其表达式为 矽( b ) y o ) = 口o ) ( 1 2 ) 其中矽( b ) = 1 一旃b 一唬b 2 一一丸b p ，召的定义为砂o ) = y 0 一1 ) 。 6 m a ( 移动平均) 模型 在移动平均模型中，当前负荷值y ( f ) 被表达成当前及以前时刻白噪声序列口( d ， 口( f 1 ) 的线性函数，噪声序列是当真实负荷值可以得知时计算出来的残差。其表达 式为 少0 ) = 秒( 召) 口( f ) ( 1 3 ) 其中口( b ) = 1 一鼠b 一岛b 2 一一包b 叮。 c a r m a ( 自回归移动平均) 模型 表达式为 3 华北电力大学硕士学位论文 矽( b ) 少o ) = 乡( 艿) 口( r ) ( 1 4 ) 妒( b ) ，p ( b ) 的定义与式( 1 2 ) 式( 1 - 3 ) 的定义相同。 覆a r i m a ( 季节性自回归移动平均) 模型- 表达式为 ( b ) v d y o ) = 目( 曰) 口o ) ( 1 5 ) 其中v d y o ) = ( 1 一b ) d y ( r ) ，矽( 艿) ，秒( b ) 的定义与式( 1 2 ) 和式( 1 - 3 ) 的定义相同。 时间序列方法的特点是计算速度快；反映负荷近期变化的连续。 存在的不足：主要是基于对平稳随机时间序列分析来建立模型，对天气等影响 因素考虑不足：当原始时间序列不满足平稳性时，其平稳化后建模、辨识比较繁琐【7 1 。 ( 3 ) 多元线性回归( m u l t i p l el i n e a rr e g r e s s i o n ) 【8 】 多元线性回归是根据负荷过去的历史资料，建立可以进行数学分析的模型，对 未来的负荷进行预测，其特点是将影响负荷的因素作为自变量，将负荷作为因变量， 利用历史数据得到的经验回归方程，表示变量之间的定量关系，并通过所得方程， 预测系统将来的负荷值。多元线性回归所采用的负荷模型如式( 1 6 ) 所示。、 y ( f ) = q o + q 五( ，) + + 毛( f ) + 口o ) ( 1 6 ) 其中，y ( ，) 为电力系统负荷，五( f ) 一 ( r ) 为影响负荷的因素变量，口( f ) 为随机向量，且 均值为零，龟，q q 为多元回归系数。 回归分析法的特点是原理、结构简单，预测速度快，外推特性好，对于历史上 未出现过的情况有较好的预测值。 存在的不足是过度的依赖历史数据，采用线性方法描述比较复杂的情况过于简 单，无法详细地考虑各种影响负荷的因素，模型初始化难度较大，需要丰富的经验 和较高的技巧。 ( 4 ) 状态空间及卡尔曼滤波分析法【9 1 【1 0 1 卡尔曼滤波分析法把负荷作为状态变量建立状态空间模型，用卡尔曼滤波算法 实现负荷预测。基本方程如下。 状态方程 x ( 七十1 ) = ( 七) x ( 七) + 形( j | )( 1 - 7 ) 输出方程 z ( 后) = 日( 七) x ( 后) + y ( 后) 一 ( 1 8 ) 其中，x ( 七) 为气时刻下刀1 阶状态向量，( 尼) 为x ( 后) 到x ( j j + 1 ) 的刀刀阶状态变换 矩阵，且不含强制函数，形( 霓) 为已知方差q ( 妨的珂1 阶白噪声，z ( 岔) 为t 时刻下掰l 负荷输出，日( 后) 为x ( 后) 到z ( 七) 的m 以阶状态变换矩阵，不含噪声，矿( 后) 为已知方 差尺( 七) 的埘1 阶负荷输出误差。 状态空间法由于卡尔曼滤波算法的递归性质在在线负荷预测中得到了较多的应 用。但这种方法是在假定噪声的统计特性已知的情况下得出，实际上估计噪声的统 4 华北电力大学硕士学位论文 计特性也正是这种方法的难点之所在。 1 2 2 现代预测方法 上个世纪8 0 年代以来，随着计算机、模式识别、人工智能等领域的不断发展， 一些在分类、聚类、优化、信号处理等领域中得到广泛应用并取得较好效果的方法， 如模糊逻辑、进化算法、小波技术、人工神经网络、专家系统等，也被引入了短期 负荷预测系统中。比起传统负荷预测方法，这些方法的主要优点是能够比较好的考 虑各种非负荷因素对负荷的影响，能够较好的处理各种相关因素与负荷之间非线性 关系。缺点则是需要对历史数据进行大量的运算，计算量一般较大。 ( 1 ) 模糊逻辑方法 电力系统负荷预测问题可作为多输入多输出未知系统来处理，具有去模糊的模 糊逻辑系统可以识别和以任意精度在一个简单设备上去逼近任意未知非线性动态系 统【“】。具体过程是先将负荷预测的输入、输出空间划分成不等的模糊集合，如高、 中、低等，然后用一组模糊规则来表示输入、输出关系。每一条模糊规则是一个模 糊i f t h e n 关系，关系的前件是对各输入变量不同模糊集合的组合，关系后件是输 出变量表达式，输出变量表达式为各输入变量的线性组合，那么第f 条规则可表示 为： r ，：伍五i sa ；a n d 恐i sa ：a 巾i sa ：i t 髓nz = 矗+ 爿五+ e 吃+ + z 其中，五，而，毛为输入变量；a i ，a ：，a ：i 为输入变量，吃，的第j 个模糊集合； 彳是第f 规则的输出部分：矗，科，一为输出部分中输入变量五，屯，的系数；“是 常数项。对于一组输入变量五，恐，矗模糊逻辑最终输出为各规则输出的加权模糊 值。 模糊逻辑的优点是能够将日常的一些相对概念以数学的方式表达出来，增强了 计算机处理相关知识的能力。缺点是进行模糊化时需要人工进行一定程度的干预， 如隶属度的设定、隶属度函数的选择等，这些都会影响模糊逻辑的应用效果。 ( 2 ) 进化算法 进化算法借用了生物遗传学的观点，通过自然选择、竞争、遗传、变异等用机 制，以达到个体适应性的提高。在负荷预测中，进化算法通常被用做参数的选择。 文献【1 2 】提出了基于优进策略的差分进化算法，利用种群繁衍的有用信息改进子代分 布，并引入确定性寻优操作，实现了高效全局搜优。文献【1 3 】利用粒子群进化算法进 行神经网络初始状态的优化。所以进化算法实质上是一种优化算法，必须和其它的 预测方法结合起来使用，预测结果的好坏必然会受到所选择预测方法的影响。但是 进化算法的计算量大，因而预测速度较慢。 ( 3 ) 小波分析方法 5 华北电力大学硕士学位论文 小波是9 0 年代初引入工程界的数学工具，被广泛的应用于信号处理的各个领域 中。在负荷预测中，小波分析主要被用于负荷序列的分解与重构；负荷序列去噪等。 文献【1 4 】利用小波对负荷序列进行了分解，利用a r 模型对小波细节分量进行了预测， 利用神经网络法对小波的近似分量进行了预测，然后针对所预测的结果进行了重构， 从而得出预测结果。文献【l5 】利用小波对负荷序列进行了去噪及趋势分析的工作。小 波分析实质上是一个信号处理的工具，在负荷预测中主要被用来对负荷序列进行分 解、去噪等工作，因此也必须与其它负荷预测方法结合使用。 ( 4 ) 人工神经网络 人工神经网络以其强大的学习能力及对非线性函数的任意逼近能力，在近年来 得到了广泛的应用。使用人工神经网络预测负荷，通常需要通过选取过去一段时间 的负荷和气象数据作为训练样本，构造合适的网络结构，用某种训练算法对网络进 行训练，得出能够满足预测精度要求的神经网络。 神经网络总体上可以分为三层：输入层、输出层和中间层【l 引。中间层不与实际 的输入、输出链接，故又称为隐含层。 输入层隐含层输出层 图1 2 神经网络结构示意图 运用神经网络技术进行负荷预测的优点是它对大量非结构性、非精确性规律具 有自适应功能，并且还具有信息记忆、良好的鲁棒性、自主学习、逻辑推理和优化 计算的特点。其自学习和自适应功能是常规算法和专家系统技术所不具备的。但神 经网络也存在需要大量数据进行训练、训练时间较长、解释不足、容易陷入最小极 值点等缺点。 ( 5 ) 专家系统预测方法 专家系统( e x p e r ts y s t e m s ) 是人工智能应用的重要分支，它从负荷预测领域内专家 的多年运行经验中，寻找影响负荷变化的因素，采用规则的形式形成专家知识库， 并在此基础上进行负荷预测。这种基于规则的知识库采用i f t n e n 或数学形式。有 些规则并不随时间变化，另一些规则则需根据实际情况的变化不断的更新。 专家系统是一个用基于知识的程序设计方法建立起来的计算机系统，它拥有某 个领域内专家的知识和经验，并能像专家那样运用这些知识，通过推理，在那个领 6 华北电力大学硕士学位论文 域内做出智能决策。一个完整的专家系统是由五个部分组成：知识库、数据库、推 理机、知识获取部分和人机接口界面【1 7 1 。专家系统最重要的部分是知识库，构建知 识库不仅需要搜集足够的知识，而且需要将知识转化成能被程序执行的数学规则， 即知识的获取。知识获取是构建知识库的难点，因此它也成为构建专家系统的瓶颈。 1 3 本论文的主要工作 现有的预测方法对于正常日的负荷预测已经能够满足需要，但遇到一些突发的 预测问题，诸如影响供用电的政策调整、节假日、天气的突变等，这些方法就显得 力不从心。因此，在短期负荷预测过程中如何有效的考虑这些非正常因素对负荷的 影响就成为短期负荷预测系统设计的重点和难点。本文提出一种基于混合事例推理 技术的负荷预测框架，此时的知识库存放的是另外一种形式的知识，即实际的负荷 值和它的影响因素( 天气状况、节假日、供电政策等) ，那么，用知识库积累的针对这 些常规因素影响下的实际负荷值去修正预测，或直接用数学模型去训练这些实际负 荷值都能得到较其它方法更为满意效果：采用数据挖掘技术从大量的原始数据中找 出非常规因素和负荷之间的关系知识，并按照一定的组织规则组织成知识库，用来 修正负荷预测，可收到满意的效果。本论文的主要工作包括： ( 1 ) 通过对负荷特性曲线的深入分析，比较全面准确地确定影响负荷的主要因素。 ( 2 ) 采用小波坏数据检测原理和软阈值细节消噪法对负荷历史数据进行预处理， 从而为精确的预测做好数据上的准备。 ( 3 ) 针对事例检索过程中，事例属性权值难以确定的问题，本文引入一种基于粗 糙集的权值确定方法，从而确定并给出事例属性的重要度排序，为进一步的事例约 简做好准备。 ( 4 ) 本文提出一种将数据挖掘中的信息熵理论和统计学中的主成分分析法相结合 解决事例的精简问题的方法。 ( 5 ) 在事例重用环节，考虑到神经网络的收敛性，本文采用收敛性能较好的基于 动态数值优化算法的b p 神经网络。 ( 6 ) 在修正环节中，本文提出一种基于决策树的数据挖掘方法来构造知识库，修 正在非正常因素影响下的预测问题。 ( 7 ) 采用本文所提方法与b p 神经网络、自回归动平均( a r m a ) 模型对实际电网一 天的2 4 小时的整点负荷进行预测，对其预测结果运用以下几个性能指标：均方根误 差、平均绝对百分误差、最大相对误差、相对百分误差；并绘制出预测曲线。 7 华北电力大学硕士学位论文 第三章_ 电力负荷的特性分析 电力系统的负荷变化是一个非常复杂的问题，一方面它具有很大的随机性和不 确定性，另一方面它也具有一定的客观规律，对其变化的特点和规律进行分析是做 好短期负荷预测的基础和前提【1 引。 2 1 负荷的自身特征 析。 本文以某地区电网2 0 0 5 年全年的历史负荷数据为例，对电力负荷特性进行分 ( 1 ) 全年负荷的总体特点 l 蔼裂 蕊高 一l 。一 一i 一一- 叫：涮! 图2 1 某地区2 0 0 5 年全年负荷日平均曲线 从图2 1 某地区电网2 0 0 5 年全年负荷日平均曲线大致可以看出负荷的年变化规 律。夏季负荷比春、秋、冬季负荷明显要高，特别是7 、8 月份负荷波动比较大，平 均电量比其他月份高出了约1 2 3 倍；冬季负荷比春、秋季负荷稍高，但增长不大。 由此可以看出，该地区负荷受民用负荷影响显著，夏季由于气候炎热，降温负荷比 较大；而冬季由于气温不是很低，所以取暖负荷较小，这说明负荷受气象因素影响 较大。 ( 2 ) 周期性波动特点 电力负荷时间序列具有一定的周期性，主要体现在周和日两种周期上。图2 2 所示为该地区电网2 0 0 5 年6 月1 3 日至7 月1 7 日五周日平均负荷变化曲线。从图中 可以看出，电力负荷每周的负荷变化具有很强的规律性，每周星期天的负荷基本上 处于最小值，然后开始上升，到周末又下降，这是由于周末部分工业负荷的降低所 致。 8 o o o o o o o o o o o o o o o 8 6 4 2 o 8 1，! 芝、撂妪 华北电力大学硕士学位论文 = 、 棹 斌 图2 2 华东某地区2 0 0 5 年6 月1 3 日至7 月1 7 日五周日平均负荷曲线 图2 3 所示为该地区电网2 0 0 4 年6 月1 3 日至6 月1 9 日一周内各日整点时刻的 负荷曲线。从该图中可以看出，每天的负荷变化也存在很强的规律性：每天凌晨4 点左右负荷达到最小值，然后开始持续上升，到了1 l 点半左右达到一个高峰值，然 后下降，到了中午1 点左右达到低谷，在中午1 点至2 点之间偶尔有一个小波动， 然后又持续上升，到晚上7 点半左右达到一天中负荷的最大值，接着又开始下降， 直至第二天凌晨4 点左右达到最小值。负荷每天的周期性非常明显，负荷曲线基本 上呈现马鞍型，达到的日峰、日谷、晚峰、晚谷的时间基本上是固定的。但是各日 的负荷值并不完全相同，仅具有相似性。 1 8 0 0 1 6 0 0 重o 蓑姗 1 0 0 0 8 0 0 三菇三蘸；醪；趱热三碰一硝 蔓：影_ - ，：罗一￥一：f ：p ：1 v - _ 0 2 4 4 87 29 61 2 01 4 41 6 8 - 时间m 图2 3 某地区2 0 0 4 年6 月1 3 日至6 月1 9 日一周日整点负荷曲线 2 2 负荷与非负荷因素之间的关系 电力负荷不可避免的受到一些非负荷因素的影响，如气象情况、待测日类型等。 在短期负荷预测当中，对预测精度影响最大的就是气象因素。因此，如何在负荷预 测当中有效的考虑这些非负荷因素对负荷的影响就成为提高负荷预测精度的关键。 在众多影响负荷的非负荷因素中，节假日和气象因素是对负荷影响较大的因素。 下面分别对节假日和气象因素对负荷的影响加以讨论。 ( 1 ) 节假日因素对负荷的影响 9 华北电力大学硕士学位论文 1 8 0 0 兰 瘫 1 4 0 0 l2 2 4 36 48 51 0 61 2 71 4 81 6 91 9 02 l l2 3 2 时间h 图2 4 某地区十一期间的负荷曲线 由图2 4 可以看出，节假日、尤其是类似于五一、十一及春节的长假期对负荷 的影响非常大。这是由于大多数单位都处于放假状态，同时也有大量的居民外出旅 游，造成了节假日期间高峰、低谷负荷都显著降低，且峰谷差变小，也就是说，负 荷峰值的减少量要比负荷低谷的数值减少更大一些。同时可以看出，在节假日的前 一天的下午，负荷已经有所下降，然后在公共假期的第三天的低谷时段，负荷达到 最低值，然后缓慢回升，直到节假日结束后两天才缓慢回升到正常水平。另外在节 假日期间，负荷曲线的形状也与正常日有所不同，表现在早峰值下降较大，一天内 的最高负荷通常会出现在晚峰时段。这是因为由于大部分工业部门由于职工放假停 产，导致早峰值下降较大，而居民在晚上时的照明、日常生活用电相对来讲下降较 小，因此每日最高负荷出现在晚峰时段。但由于受到居民外出旅游的影响，晚峰负 荷比正常日负荷也有较大下降。 ( 2 ) 气象因素对负荷的影响 气象因素是影响负荷的另一个重要因素。尤其随着人民生活水平的不断提高， 电炊、空调负荷和冬季取暖负荷占总体负荷的比例也不断上升，如何考虑气象因素 对负荷的影响已经成为影响负荷预测精度的最重要的因素。气象因素包括气温、湿 度、气压、风向、风力、降雨量、云量等多种数据，经过研究发现，气温因素对负 荷的影响最大，湿度对负荷的影响是通过影响人体对外界温度的感觉而实现的。气 压、风力、风向对负荷的影响则相对不固定，云量对负荷的影响则主要表现为对照 明负荷的影响。由于照明负荷在负荷总量中所占比例不断下降，因此本文暂不考虑 其对负荷的影响。在下文将着重分析温度负荷的影响。 1 0 华北电力大学硕士学位论文 ， - 温度摄氏度 图2 5 温度负荷散点图 4 0 由图2 5 可以看出，温度和负荷之间的关系是一个非线性的关系。大致来说， 温度对负荷的影响可分为三个阶段。当温度低于1 5 时( 这种情况多出现在冬季) ， 取暖负荷的存在是温度影响负荷的主要原因，此时温度和负荷之间的关系为负相关， 当温度降低的时候，负荷增加。当温度高于1 5 同时又低于2 5 时( 这种情况多出 现于春秋两季) ，此时外界环境温度适中，在这个范围内的温度变动对负荷基本没有 影响。当温度高于2 5 时( 这种情况多出现于夏季) ，此时温度对负荷的影响主要通 过空调负荷来实现，温度与负荷的关系为正相关，温度上升的时候，负荷增加。另 外从图中我们也可以看出，夏季最高负荷要比冬季最高负荷高，也就是说，一年内 负荷的最高点出现在夏季。 2 3 本章小结 本文从负荷的自身特性和负荷与非负荷因素之间的关系两方面分析了负荷变化 的全年总体特性、周期波动性，以及节假日、气象因素对负荷的影响。从而为进一 步的负荷预测做好准备。 抛 啪 鲫 姗 咖 ， l l l l _蓬斌 华北电力大学硕士学位论文 第三章电力负荷数据的预处理 由于获取的原始负荷数据来自于电力系统的s c a d a 数据库，在数据采集、转 换、传输的各个环节都有可能受到干扰或发生故障，导致数据异常。另外，当系统 出现故障、系统失去负荷、短时的系统冲击负荷、瞬时故障跳闸、重合闸以及出现 拉闸、限电等现象时，这些突发的负荷变动显然会对负荷的规律性造成破坏。由随 机干扰和冲击负荷导致电力系统历史负荷反常态势的数据统称为异常数据，它们将 以伪信息、伪变化规律的方式提供给负荷预测作为参考，必然影响负荷预测的精度 和可靠性。因此，在建立负荷预测模型之前，对原始负荷数据进行预处理是必要的。 3 1 电力负荷中异常数据的处理 对于电力系统负荷中异常数据的识别及处理，研究人员已经提出了一些方法， 如：经验修正法、分时段设定阈值法、曲线置换法、数据对比法、插值法、概率统 计法等。这些方法对于大段异常数据连续存在的情况，易产生误判和漏判。因此， 近年来，人们又开始致力于数据挖掘方法对异常数据的处理。 数据挖掘方法中，可先利用聚类算法从大量可能含有异常数据的负荷曲线中提 取特征模式( 把聚类中心矢量作为负荷特征模式) ，然后利用分类算法将含有异常数据 的曲线模式同特征曲线模式分开来实现异常数据的辨识，再采用适当的调整方法进 行异常数据修正。由于此法可以准确确定异常数据出现的位置，所以是负荷预测中 数据预处理的常用方法，但这种方法不能对随机干扰导致的异常数据进行处理。随 着小波理论的发展，根据小波分析和局部坏数据原理，通过模极大值的调整和细节 信号的软阈值处理来检测并消除异常数据的方法得到了广泛的推广。 本文采用了小波坏数据检测原理与软阈值细节消噪法，并通过具体的负荷预测 实例与聚类分类法【1 9 】进行对比，验证了所选方法的合理性和正确性。 3 1 1 利用小波坏数据检测消除冲击负荷 由小波奇异点检测的基本原理可知，如果选择小波函数为平滑函数的一阶导数， 对信号进行多尺度分析，在信号异常点处，其小波变换后的系数具有模极大值。由 于小波变换每一尺度的局部模极大值浓缩了该尺度的主要信息，故由伪数据引起的 异常信息将主要通过模极大值体现，因此，通过小波变换的模极大值点可以检测到 信号中可能的异常点并进行处理 2 0 】【2 1 1 。具体的检测与消除方法如下。 设第f 天，时刻的负荷经小波变换后第j 尺度的小波变换值为巩( f ，) 。计算模极 大值为。 若l 形( f ，- ，一1 ) l l 形( j ，) lnl 彬( f ，j + 1 ) l o 唬：羔畋( f ，) ，e ( f ，_ ，) o 3 - 1 则 趣= 髓：急 j i 力三臻