（计算机应用技术专业论文）数据挖掘技术及其在电网调度自动化系统的应用研究.pdf

武汉理工大学硕士学位论文 摘要 数据挖掘技术是人工智能中机器学习和数据库技术结合而发展起来的 新技术。它通过对大量数据进行分析与处理，得到隐含在数据后面的信息和 知识，满足人们日益增长的对知识的要求。将数据挖掘技术应用到电力系统 中，对电力数据进行挖掘，有着广阔的应用空间和实际意义。 短期负荷预测是电网调度自动化系统高级功能的一部分。准确的负荷预 测有助于提高电力系统的安全性和稳定性，减少发电成本。随着电力工业的 发展，短期负荷预测将发挥越来越重要的作用。 本文首先研究了数据挖掘技术和短期负荷预测的理论，然后研究了人工 神经网络方法，并用b p 神经网络建立短期负荷预测综合模型。为加快神经 网络的学习速度，本文采用改进的b p 算法，引入平滑系数和遗忘系数。为 提高负荷预测的精度，本文同时考虑基本负荷、温度、天气敏感因素、节假 日等多种影响负荷预测的因素。 本文最后介绍了电网调度自动化系统的设计与实现，并把综合预测模型 应用到天门市供电局电网调度自动化系统一短期负荷预测子系统中，取得了 良好的预测效果。 本文总共分为六章，其内容如下： 第1 章主要介绍了本课题的研究内容及意义、数据挖掘的理论和技术及 数据挖掘技术在电网调度自动化系统中的应用现状。 第2 章介绍了负荷预测的理论和常用短期负荷预测方法。在对各种预测 算法进行比较的基础上，提出了基于人工神经网络的改进b p 算法。 第3 章主要介绍了短期负荷预测综合模型的建立过程。重点介绍了神经 网络结构的选定策略，对历史负荷数据平滑、归一化处理的方法和采用改进 b p 算法的综合模型在短期负荷预测中的学习和预测过程。 第4 章具体介绍了综合预测模型应用平台即电网调度自动化系统的设 计与实现。包括系统的体系结构、硬件环境、数据库设计、软件组成等等。 第5 章介绍了短期负荷预综合测模型在实际中的应用及预测效果。通过 与普通b p 模型的比较，证明该模型有较好的学习速度和预测精度，创造良 好的实际价值。 武汉理工大学硕士学位论文 第6 章给出本文的总结，并提出下一步的工作设想。 关键字：数据挖掘短期负荷预测电网调度自动化系统人工神经网络平滑 系数b p 算法 i i 武汉理工大学硕士学位论文 a bs t r a c t d a t am i n i n gi san e w l y d e v e l o p i n gt e c h n o l o g yb a s e do nm a c h i n es t u d yi n a r t i f i c i a l i n t e l l i g e n c e a n dd a t a b a s e a f t e r a n a l y z i n g a n d p r o c e s s i n g al a r g e a m o u n to fd a t a ，u s e f u li n f o r m a t i o na n dk n o w l e d g ei nt h o s ed a t ac a nb eo b t a i n e d t om e e tp e o p l e s i n c r e a s i n gd e m a n do fk n o w l e d g e a p p l i c a t i o n so fu s i n gd a t a m i n i n gt e c h n o l o g yi np o w e rd i s p a t c h i n g a u t o m a t i o ns y s t e mw i l lb em o r e w i d e l y a p p l i e da n d m a k em o r e p r a c t i c a lv a l u e a sw ea l lk n o w n ，s h o r t t e r ml o a df o r e c a s t i n g ( s t l f ) i sap a r to fa d v a n c e d f u n c t i o n so f p o w e rd i s p a t c h i n ga u t o m a t i o ns y s t e m a c c u r a t el o a df o r e c a s t i n gi s h e l p f u lt ot h es e c u r i t ya n ds t a b i l i t yo fp o w e rs y s t e m a sw e l la sg e n e r a t i o nc o s t s w i t ht h ed e v e l o p m e n to fe l e c t r i ci n d u s t r y ，s t l fw i l lp l a ym o r ea n dm o r er o l ei n p o w e rs y s t e m i nt h i sp a p e r ，d a t am i n i n gt e c h n o l o g ya n dt h et h e o r yo fs t l fa r ed i s c u s s e d a tf i r s t ，a n dt h e nt h et h e s i sp u t se m p h a s i so ns t u d y i n go fa r t i f i c i a ln e u r a ln e t w o r k ( a n n ) m e t h o d f o l l o w i n gt h a tah y b r i dm o d e l o fs t l fi se s t a b l i s h e db a s e do n b a c k p r o p a g a t i o n n e u r a ln e t w o r k i no r d e rt o i m p r o v et h el e a r n i n gs p e e do f a n n ，ar e v i s e db pa l g o r i t h m i s a d o p t e db yu s i n g s m o o t hc o e f f i c i e n ta n d f o r g e t t i n gc o e f f i c i e n t ，t oi m p r o v ea c c u r a c yo ff o r e c a s t i n g ，a l lt h ef a c t s ，s u c ha s i n f l u e n c eo fb a s i cl o a d ，t e m p e r a t u r e ，w e a t h e rr e l a t e ds e n s i t i v ef a c t o r sa n df e s t i v e n a t i o n a lh o l i d a y sa r ec o n s i d e r e ds y s t e m a t i c a l l ya n ds i m u l t a n e o u s l y i nf i n a l p a r t ，t h e t h e s i s p r e s e n t s a d e s i g n a n dr e a l i z a t i o no fp o w e r d i s p a t c h i n ga u t o m a t i o ns y s t e m t h eh y b r i dn e u r a ln e t w o r kf o r e c a s t i n gm o d e l h a sb e e na p p l i e di nt h e ”p o w e rd i s p a t c h i n ga u t o m a t i o ns y s t e mo ft i a nm e n p o w e r s u p p l yb u r e a u - s u b s y s t e m w i t hl o a d f o r e c a s t i n g ”a n d h a so b t a i n e d p r e f e r a b l ef o r e c a s t i n g r e s u l t s 。 t h i sa r t i c l eh a ss i xc h a p t e r s ： c h a p t e r1m a i n l yd e s c r i b e st h ec o n t e n ta n ds i g n i f i c a n c eo f t h ea r t i c l e ，t h e t h e o r ya n dt e c h n o l o g yo fd a t am i n i n ga s w e l la st h ea p p l i e da c t u a l i t yo fd a t a m i n i n g i np o w e r d i s p a t c h i n g a u t o m a t i o ns y s t e m c h a p t e r2i n t r o d u c e st h et h e o r ya n dc o m m o nf o r e c a s t i n gm e t h o do f s t l f c o m p a r i n g w i t hm a n yo t h e rk i n d so ff o r e c a s t i n ga l g o r i t h m ，ar e v i s e db p i 武汉理工大学硕士学位论文 a l g o r i t h mb a s e d o na n ni sp u tf o r w a r d c h a p t e r 3 m a i n l yp r e s e n t s t h ee s t a b l i s h m e n to fa h y b r i dm o d e l o fs t l f a n d e m p h a s i z e s o nt h ei n t r o d u c t i o no ft h e c h o o s i n gs t r a t e g y o fn e u r a ln e t w o r k s t r u c t u r e ，t h em e t h o do fs m o o t h i n ga n dg e n e r a l i z i n gl o a dd a t aa n dt h es t u d y i n g a n d f o r e c a s t i n gp r o c e s s o ft h es t l fm o d e lw h i c ha d o p t st h er e v i s e db p a l g o r i t h m c h a p t e r4i n t r o d u c e st h ed e s i g na n dr e a l i z a t i o no fa p p l i c a t i o np l a t f o r mo f t h eh y b r i ds t l fm o d e l ，i e t h ep o w e rd i s p a t c h i n ga u t o m a t i o ns y s t e m ，w h i c h m a i n l yi n c l u d e st h ea r c h i t e c t u r eo f t h es y s t e m ，h a r d w a r ee n v i r o m e n t ，d a t a b a s e d e s i g n a sw e l la st h es o f t w a r ec o m p o n e n ta n ds oo n c h a p t e r5 i n t r o d u c e st h ea p p l i c a t i o na n df o r e c a s t i n ge f f e c to ft h eh y b r i d s t l fm o d e li na c t u a l i t y c o m p a r i n gw i t ht h ec o m m o nb pm o d e l ，i ti sp r o v e d t h a tt h eh y b r i dm o d e lh a sb e t t e rs t u d y i n gs p e e da n df o r e c a s t i n ga c c u r a c y ，a n d m a k e sw e l lp r a c t i c a lv a l u e c h a p t e r6s u m su po f t h ep a p e ra n dp u t sf o r w a r dt h ew o r k i n gp l a ni nt h e f u t u r e k e y w o r d s ：d a t a m i n i n g ；s h o r t t e r m l o a d f o r e c a s t i n g ( s t l f ) ；p o w e r d i s p a t c h i n g a u t o m a t i o ns y s t e m ；a r t i f i c i a ln e u r a ln e t w o r k ( a n n ) ；s m o o t h c o e f f i c i e n t ；b pa l g o r i t h m i v 武汉理工大学硕士学位论文 第1 章绪论 1 1 课题的研究内容及意义 短期负荷预测是电网调度自动化系统高级功能的一部分。准确的负荷预 测有助于提高电力系统的安全性和稳定性，减少发电成本。本文结合湖北省 天门市供电局电网调度自动化系统，对短期负荷预测中基于人工神经网络的 数据挖掘方法及应用进行了深入研究。 1 2 数据挖掘技术的发展 1 】1 2 1 1 1 1 1 1 13 jf 4 4 j 随着数据库技术不断发展及数据库管理系统的广泛应用，数据库中存储 的数据量急剧增大，可是面对这些海量数据，目前能对其进行分析处理的工 具却很少。目前所使用工具的局限性使人们无法将大量数据背后隐藏着的许 多重要信息挖掘出来，而这些信息却可以很好地支持人们的决策。为解决实 际中这些问题，以满足人们需要，数据挖掘咖技术逐渐发展起来。 数据挖掘是从大量数据中挖掘出隐含的、先前未知的、对决策有潜在价 值的知识和规则，提取的知识表示为概念( c o n c e p t s ) 、规则( r u l e s ) 、规律 ( r e g u l a r i t i e s ) 、模式( p a t t e r n s ) 等形式。这些知识蕴涵了数据库中一组对象之 间的特定联系，揭示出有价值的知识、规则或高层次的信息。数据挖掘的对 象可以是数据库，也可以是文本系统，或其他任何组织在一起的数据集合。 数据挖掘和数据库知识发现( k n o w l e d g ed i s c o v e r yi nd a t a b a s e ，k d d ) 同 是近年来随着数据库和人工智能技术的发展而出现的全新信息技术，两者之 间有密切的关系，但也有一定的区别。k d d 是一个综合的过程，包括实验记 录、迭代求解、用户交互以及许多定制要求和决策设计等。而数据挖掘被认 为是k d d 过程中的一个特定步骤。k d d 可以描述为：从数据集中获取正确、 新颖、有潜在应用价值和最终可理解的模式的非平凡过程。其中，数据是指 一系列的事实的集合：模式是使用某种语言对数据集合一个子集的表述；过 程是指k d d 包含的步骤；非平凡是指k d d 已经超越了一般封闭形式的数量计 武汉理工大学硕士学位论文 算，而将包括对结构、模式和参数的搜索。 数据挖掘同数据库也是有区别的，数据库系统可以高效地实现数据的录 入、修改、统计、查询等功能，但是无法发现数据中存在的关系和规则，无 法根据现有的数据预测未来的发展趋势，缺乏挖掘隐藏在数据中的知识的有 效手段，导致了“数据爆炸但知识贫乏”的现象。而数据挖掘却能对各种大 量的数据进行挖掘以发挥其潜能并自动和智能地把海量的数据转化为有用 的信息和知识。 1 2 1 数据挖掘过程 数据挖掘过程一般需要经历确定挖掘对象、准备数据、建立模型、数据 挖掘、结果分析和知识应用这样几个阶段，这些阶段在具体实施中可能需要 重复许多次。而且为完成这些阶段的任务，需要不同专业人员参与其中，具 体过程如下： ( 1 ) 确定数据挖掘对象。定义清晰的挖掘对象，认清数据挖掘的目标 是数据挖掘的第一步。根据用户的要求，确定数据挖掘是发现何种类型的知 识，因为对数据挖掘的不同要求会在具体的知识发现过程中采用不同的数据 挖掘算法。 ( 2 ) 准备数据。根据用户的要求从数据库中提取与数据挖掘相关的数 据，数据挖掘将主要从这些数据中提取知识。在选择数据后，还需要对数据 进行预处理，对数据进行清洗，解决数据中的缺陷、冗余、数据值的不一致、 数据定义的不一致、过时的数据等问题，最后形成真实数据库。 ( 3 ) 挖掘模型的构建。将数据转化成一个分析模型，这个分析模型是 针对挖掘算法建立的。建立一个真正适合挖掘算法的分析模型，是数据挖掘 成功的关键。模型的建立必须从数据的分析开始，首先为模型选择变量，接 着从原始数据中构建新的预示值，下一步就需要从数据中选取一个子集或样 本建立模型，最后需要转换变量，使之和选定来建立模型的算法一致。 ( 4 ) 数据挖掘。运用选定的数据挖掘算法，从数据中提取出用户所需 要的知识，这些知识可以用一种特定的方式表示或使用一种常用的表示方 式，如产生规则等。 ( 5 ) 结果分析。当数据挖掘出现结果后，要对挖掘结果进行解释并且 评估。在许多情况下，利用可视化技术可将数据挖掘结果表现得更加清楚， 2 武汉理工大学硕士学位论文 更有利于对数据挖掘结果的分析。 ( 6 ) 知识的应用。这一过程主要是将数据挖掘得出的预测模式和各个 领域的专家知识结合在一起，构成一个可供不同类型的人使用的应用程序， 也只有通过对挖掘知识的应用，才能对数据挖掘成果做出正确的评价。 1 2 2 数据挖掘系统的体系结构 在常用的数据挖掘系统，一般将其分成三层结构，如图1 i 所示 上层是用户层，将获取的信息以便于用户理解和观察的方式反映给用 户。 底层是数据源，包括数据库、数据仓库等。数据挖掘不一定要建立在数 据仓库的基础上，但如果数据挖掘与数据仓库协同工作，则将大大提高数据 挖掘的效率； 中间层是数据挖掘器，利用数据挖掘方法分析数据库中的数据，包括 关联度分析、聚类分析、粗糙集方法、神经网络方法、遗传算法、模糊数学 方法等等。 i用户层r 下 图1 1 数据挖掘系统结构 武汉理工大学硕士学位论文 1 2 3 数据挖掘的任务 数据挖掘可以挖掘出隐含在数据内部的深层次信息，根据不同的决策和 应用，这些信息可分为以下几种形式：关联分析、时序模式、聚类、分类、 偏差检测、预测。 ( 1 ) 关联分析。关联分析是从数据库中发现知识的一类重要方法。若 两个或多个数据项的取值之间重复出现且概率很高时，就存在某种关联，可 以建立起这些数据项的关联规则。 关联分析中通常采用“支持度”和“可信度”两个阀值来淘汰那些无用 的关联规则。 ( 2 ) 时序模式。通过时间序列搜索出重复发生概率较高的模式。时序 模式中，一个有重要影响的方法是“相似时序”。用“相似时序”的方法， 要按时间顺序查看时间事件数据库，从中找出另一个或多个相似的时序事 件。 ( 3 ) 聚类。数据库中的数据可以划分为一系列有意义的子集，即类。 在同一类别中，个体之间的距离较小，而不同类别的个体之间的距离偏大。 聚类增强了人们对客观现实的认识，即通过聚类建立宏观概念。 ( 4 ) 分类。分类是数据挖掘中应用的最多的任务。分类是找出一个类 别的概念描述，它代表了这类数据的整体信息，即该类的内涵描述。一般用 规则或决策树模式表示。该模式能把数据库中的元组映射到给定类别中的某 一个。 ( 5 ) 偏差检测。数据库中的数据存在很多异常情况。从数据分析中发 现这些异常情况也是很重要的，应引起人们对它更多的注意。偏差检测的基 本方法是寻找观察结果与参照之间的差别。观察常常是某一个域的值或多个 域值的汇总。参照是给定模型的预测、外界提供的标准或另一个观察。 ( 6 ) 预测。预测是利用历史数据找出变化规律，建立模型，并用此模 型来预测未来数据的种类、特征等。典型的方法是回归分析，即利用大量的 历史数据，以时间为变量建立线性或非线性回归方程。预测时，只要输入任 意的时间值，通过回归方程就可求出该时间的状态。近年来发展起来的神经 网络方法，如b p 模型，实现了非线性样本的学习，能进行非线性函数的判 别。分类也能进行预测，但分类一般用于离散数值；回归预测用于连续数值： 武汉理工大学硕士学位论文 神经网络方法预测既可以用于连续数值，也可以用于离散数值。 数据挖掘是涉及数据库，统计学和机器学习等多个学科方向的科学。因 此，数据挖掘的分类可根据数据库类型、挖掘对象、挖掘任务、挖掘方法与 技术以及应用等不同方面来进行划分。例如按数据库类型可分类为：关系数 据挖掘、模糊数据挖掘、历史数据挖掘、空间数据挖掘等；按数据挖掘对象 可分类为：文本数据挖掘、多媒体数据挖掘、w e b 数据挖掘等；按数据挖掘 任务可分类为：关联规则挖掘、序列模式挖掘、聚类数据挖掘、分类数据挖 掘、偏差分析挖掘和预测模型数据挖掘等：按数据挖掘方法和技术可分类为： 归纳学习类、仿生物技术类、公式发现类、统计分析类、模糊数学类、可视 化技术类等等； 数据挖掘的历史不长，但其应用却极其广泛，可以说，只要有数据的地 方，基本上都有数据挖掘的用武之地。当代，数据挖掘应用最集中的领域包 括金融、医疗保险、市场、零售业、制造业、司法、电信业、工程与科学等 等。数据挖掘在电力系统也有不同方面的应用，例如：故障检测、状态估计、 负荷预测等等。而且，随着电力自动化的发展，其应用也会越来越广泛。 1 3 数据挖掘技术在电网调度自动化系统中的应用现状 3 8 h s 电网调度自动化系统是电力系统正常、安全和经济运转的核心，也是电 力系统自动化的核心。电力系统的变电线路检修及新设备投运、远动自动化 系统的检修升级以及通信系统的检修升级等等，无不是在电力调度自动化系 统的监控和指挥下进行的。 随着电力调度自动化系统的发展，信息的采集，传输、加工、存储、查 询以及预测和决策等的信息量和工作量越来越大，传统的数据处理主要是停 留在数据采集和监控方面，对实时数据和历史数据也只是做一些简单的查 询、检索、显示等操作。数据加工、分析很不够，不能有效地挖掘电力系统 数据内部的更有用的信息。而将数据挖掘技术应用到电网调度自动化系统中 来，可以挖掘出更多有用的知识、模式，方便决策支持系统。 在电力系统中，除某些特别的应用外，各种数据的来源主要包括实时数 据、历史数据、模拟数据。同时，每一种数据来源中还包含有许多不同种类 的数据，所有这些数据构成了一个极其庞大的信息存储体系。然而，就目前 武汉理工大学硕士学位论文 看来，在电力系统实际运行及规划管理中，人们通过这些数据所获得的信息 量仅仅是这些海量数据中所包含信息量的一部分，如潮流计算、状态估计的 结果等；而隐藏在这些数据之后的更重要的信息如对数据的整体特征描述和 对其发展趋势的预测等，通过常规方法往往无法获得，但这些信息在决策生 成过程中却具有重要的参考价值。这一现状势必造成这样一种局面：数据虽 然充足，但能从中得到的信息相对丽言却很缺乏，即许多有价值的数据对于 信息提取来说处于一种“死亡”状态，大量的可利用资源被浪费掉。这一切 都是因为缺乏对数据进行深层分析的技术所造成。， 既然目前电力系统中的数据利用很不充分，从中获得的信息相对缺乏和 单一，因此需要一种适于电力系统应用的深层数据分析技术来改变这一现 状，而数据挖掘技术的逐渐成熟带来了这一契机。通过将数据挖掘技术以适 用于电力系统的方式应用于这些数据，将会有利于获得隐藏在这些数据后面 的潜在的重要信息。 将数据挖掘技术应用到电网调度自动化系统中，虽然是刚起步，但却有 着广泛的应用空间，这是由电力系统的数据特征决定的； ( 1 ) 电力系统的范围特征( 包括时间和空间上的) 与统计特征，往往包 含有几千个状态变量； ( 2 ) 混合存在的离散信息( 诸如网络拓扑结构的改变或保护的动作等) 和连续信息( o n 某些连续变化的状态变量) ； ( 3 ) 对某些不确定量的掌握和处理( 如噪声和不完整信息等) 。 当使用经典的电力系统分析方法来处理这些数据的时候，通常只能针对 常规的目标得到一些一般应用的结果。但使用数据挖掘技术可解决一些传统 方法无法解决或解决起来有一定难度的问题，对于某些特定的常规问题，使 用该技术有时也会具有更高的效率或能得到更好的结果。 到目前为止，将数据挖掘技术应用到电网调度自动化系统中，对电力数 据进行挖掘，主要体现在以下这些方面： ( 1 ) 对电力系统运行状态的分类。电力系统被分为正常状态、警戒状 态、紧急状态、测试状态或恢复状态。这种把电力系统分为各种状态的分类 是重要的。因为一旦电力系统的状态被确定下来，那么对于该状态的一个合 适的指令就会被发给操作员，完成操作。数据挖掘算法有助于这种分类处理 过程。 6 武汉理工大学硕士学位论文 ( 2 ) 对电力系统运行状态的描述。也就是利用机器学习算法来学习一 种规则，该规则描述了数据库中的数据所满足的某种电力系统运行状态。如 电力系统的紧急状态被多个母线上的电压降低及其它一些特征所描述。数据 挖掘有助于发现更好的描述规则。 ( 3 ) 利用数值法则分析电力系统故障间的关系。这一类数据挖掘利用 了数值法则形式，通过学习一种功能，可利用给定的数据来预测新输入的值。 数据挖掘可发现不同事故发生时产生的某些关系，从而可对电力系统故障提 供可靠的描述。 ( 4 ) 电力系统的稳定性分析和安全性评估。这一类知识发现往往以决 策树或依存表形式存在，如利用决策树可把电力系统分为稳定状态和不稳定 状态，利用其他一些机器学习技术对电力系统的安全性进行评估等。当然， 这也需要对某些规则的合理描述。 ( 5 ) 电力系统运行中变化与异化的检测和预测。利用数据挖掘可从以 前存储的大量历史数据中发现许多重要的潜在变化规律，再利用电力系统的 领域知识对其加以系统化，以进一步利用。这种类型的数据挖掘对于电力系 统负荷预测、电力市场中的电价制定策略等，都是非常有意义的。 ( 6 ) 利用对事故案例分析得到的归纳法则来构造专家系统。可利用数 据挖掘对电力系统故障报告数据库进行分析，形成某种归纳法则，该法则可 应用于针对不同类型故障的诊断专家系统。这种利用归纳法则形成专家系统 的方法要相对容易很多。 因此，将数据挖掘应用到电力系统中，对指导电力生产的安全、经济运 行，提高电能的质量，制定正确的决策都有重要的意义。本文即是用基于人 工神经网络的数据挖掘方法对电力系统短期负荷预测进行了深入的研究。 1 4 本文的主要工作 本文主要对数据挖掘技术课题进行了研究，尤其对基于人工神经网络的 数据挖掘进行了深入的分析和研究。同时，将单隐层前馈神经网络( b p 网) 应用到电力系统短期负荷预测中，提出自己的预测模型和预测算法。在预测 过程中，主要完成以下工作： 1 由于电力系统负荷的随机非平稳特征及数据量测噪声的影响，所以在 7 武汉理工大学硕士学位论文 负荷预测的历史数据中，存在很多“不良数据”。为此，在本文中采用数据 预处理的方法对数据进行筛选和处理，剔除“不良数据”的影响，为改善负 荷预测的精度提供可靠的保证。 2 在b p 神经网络的输入层节点选定时，充分考虑各种影响负荷预测的 因素，如基本负荷、温度、天气敏感因素、节假日等。对每种因素都进行归 一化处理作为前馈神经网络的输入节点，提高预测精度。 3 对于隐含层神经元数目的选择，在基于k o l m o g o r o v 定理的基础上， 进行反复试验，确定该层的神经元数目为1 6 个，即采用8 1 6 1 的神经网 络结构。 4 为加快标准b p 算法的收敛速度，在改进中引入平滑系数和遗忘系数， 对隐含层和输出层的网络权值和阀值进行调整，加快网络的收敛。 5 建立综合预测模型，在模型中，既考虑天气、温度等随机因素的影 响，又对b p 算法的收敛速度加以改进。 最后，本文研究了电网调度自动化系统的设计与实现，并将其现场运行 数据作为负荷预测的数据源，在应用中检验预测模型和算法的有效性，通过 运行和分析证明，该模型比普通b p 预测模型在收敛速度和精度上都有明显 提高，预测结果具有很高的实用价值。 武汉理工大学硕士学位论文 第2 章短期负荷预测中的数据挖掘方法研究 随着电力系统的逐步发展和完善，负荷预测己成为能量管理系统( ( e m s ) 中一项独立的内容。而且，在当前电力系统市场化的必然趋势下，负荷预测 己成为电力市场交易管理系统中必不可少的一部分。在负荷预测过程中，由 于电力负荷不同组成部分对负荷预测的范围和精度有所不同，因此研究负荷 变化的内在规律和负荷特性、影响负荷变化的各种相关因素以及各种相关因 素在预测时如何进行规范化处理对提高预测精度及负荷预测的发展有重要 的意义。 2 1 负荷预测咧1 4 】f 2 3 】【3 5 1 1 3 6 4 3 2 1 1 负荷预测的分类 所谓负荷预测，就是根据负荷变化的内在规律性，考虑到影响负荷变化 的各种随机因素，比较准确地预测出负荷在未来一定时期内的变化。内在规 律性是指整个社会的用电需求在定周期内有一定的统计规律性和相对稳 定性。随机因素是指由于整个社会是个复杂的整体，它的用户成千上万， 而每个用户对负荷的需求也各不相同，并受自然条件、风俗习惯等大量变动 因素的影响，使预测具有不确定性。随着我国电力系统的发展，电网管理的 日趋现代化，负荷预测问题的研究也越来越引起人们的注意，并己成为现代 电力系统科学中一个重要的领域。对电力系统的负荷变化，如果事先有一个 比较准确的估计预测，对提高电力系统的规划水平和提高电力系统运行的安 全性、经济性、可靠性，提高电网的供电质量，都有重要的现实意义。 1 电力系统负荷预测按预测时间长短，可分为长期、中期、短期负荷预 钡4 。 长期负荷预测一般指l o 年以上，中期负荷预测为5 - 6 年，而短期负荷 预测则指几个月、几周、几天，一天内各小时，甚至更短时间内的预测。长 期和中期负荷预测主要用于：电网的规划。主要包括新的发电机组的安装( 装 9 武汉理工大学硕士学位论文 机容量的大小，型式，地点，时间) ，电网的增容和改建等。 短期负荷预测的意义在于： 为了能对运行中的发电机组的出力提出预告，使得对发电机组的出力 变化情况事先得以估计，对于装机容量不大的孤立电网，短期负荷预测非常 必要。 对于一个大电网，为了经济、合理地安排本网内各个发电机组的起动 和停机，以便系统在要求的安全范围内，调度电网内各发电机组的合理出力， 保持必要的旋转储备容量的耗费为最小，最大限度地减少发电成本，提高电 网运行的经济性。 当电网进行计算机在线控制时，可以根据比较准确的负荷预测实现发 电容量的合理调度，安排电网合适的运行方式，满足给定的运行要求，保证 电网运行的安全性和可靠性。 2 负荷按照使用范围可以分为城市民用负荷、商业负荷、农村负荷、工 业负荷以及其它负荷。 城市民用负荷是城市居民的家用负荷，商业负荷和工业负荷是分别为商 业和工业服务的负荷，农村负荷则是指广大农村所有的负荷( 包括农村生活 用电、生产与排灌用电以及农村商业用电) ，其它负荷则包括市政用电、街 道照明、公用事业、政府办公、军用以及其它等。在各类负荷中，城市居民 负荷具有经常的年增长以及明显的季节性波动和日变化特点，城市居民负荷 的季节性变化和日变化在很多情况下，直接影响系统峰值负荷的变化，但其 影响程度取决于城市居民负荷在系统总负荷中所占的比例。在我国，随着国 民经济的发展，居民生活水平的提高，敏感于气候变化的家用电器( 电炉、 电热器、空调装置、电风扇、电冰箱等) 的日益广泛地应用，使居民负荷变 化对系统峰值的影响越来越大，使之成为在负荷预测中必须考虑的重要因 素。 商业负荷也同样具有季节性变化和日变化的特点，这种变化也是由于商 业部门越来越广泛地采用空调、电风扇等敏感于气候的电器，以及商业营业 性质所致。 相对来说，工业负荷占负荷比例较大，且一般可视作是受气候影响较小 的基础负荷，但也不能说一点也不受气候的影响。仍如高温季节，工业负荷 也含有降温和防暑耗电。一方面由于工业负荷本身负荷很大，另一方面尤其 1 0 武汉理工大学硕士学位论文 是由于三班连续生产，因此这类负荷变动较小，但是某些工业用户可能具有 一些特殊要求，如要求很高的功率但不一定要求很大的用电量，某些工业用 户可能具有明显的季节性特点( 如制糖) ，负荷预测中这些都需要采用相应的 措施加以对待。 农业用电一般对负荷影响不大，需要注意的是农忙期间，特别是夏季生 产排灌用电，其时间不长，但负荷特别集中，容易造成用电紧张。 其它各类负荷一般所占比例比较小，虽也都有各自的不同特点，但对整 个系统负荷的影响不是很大。总之，负荷的变化是非常复杂的，当我们预测 时应考虑到各方面的影响因素，其中尤其应加以重视的是负荷中天气的影响 越来越大。 2 1 2 影响负荷预测的因素 电力系统负荷是一个很复杂的非线性系统，有许多直接或间接的因素都 会对电力系统的日负荷产生直接的影响。但是在实际的负荷预测中，又不能 考虑太多的影响因素。这一方面是收集这些资料困难，另一方面因素太多会 造成建模困难，并且会带来大量的计算。因此，在考虑神经网络输入量的问 题上，应抓住其中几个最具特征的影响因素。 根据对历史负荷的分析，一般可把负荷分为两类：周期性负荷和变动性 负荷。 周期性负荷，或者说标准负荷，反映的是负荷自身变化的基本规律，呈 较强的周期性，尤其受到时间周期的影响。针对短期负荷，时间周期因素包 图2 i 周负荷变化曲线 时 甚_)脚豫斜 武汉理工大学硕士学位论文 括：周周期、l = i 周期等。它们对于日负荷的曲线模式有着极为重要的影响。 如图2 1 为一周内的负荷变化曲线，可以看出曲线明显以2 4 小时为小周期 变化。 变动性负荷是随机因素影响负荷变化的结果，一般在总负荷中所占的比 重不大，约为l o 一2 0 左右，它是由于电网内偶然因素的影响造成的负荷振 荡，这种负荷，在一个长时间周期看，具有零平均值，但是对于短周期而言， 负荷的振荡使得负荷平均值有所改变。因此对于短期负荷预测，这种振荡的 负荷是必须加以考虑的。造成这种负荷振荡的因素主要为节假日和气象条件 的影响。节假日包括正常假日( 星期六、星期日) 和法定假日( 元旦、春节等) 以及重大的社会政治事件等，这些都将对日常的生产、生活用电产生不同程 度的影响，在本文中“节假日”( 星期几) 的归化值作为神经网络的一个输 入节点。气象条件包括温度、湿度、风速、l = i 照、雾障等等，它们对负荷变 化的影响一般很快，而且无确定性的规律。因此这就要求我们必须对变化性 负荷有较大影响的气象条件加以考虑。 在气象条件中，起主要作用的是温度因素和天气状况。因此为了在负荷 预测中考虑这两方面的影响，本文采用了每天的最高温度、最低温度作为神 经网络的两个输入量，将天气状况模糊离散化后作为神经网络的另一个输入 量。这样就更加能够体现出实际负荷的变化情况。 除了上述的影响因素外。还有其它一些影响因素也会对负荷产生影响， 如社会经济发展状况等。社会经济因素，包括人口、工业发展水平、农业、 人民生活水平和习惯、社会经济格局等，表现为各类用户对电能的需求特征， 直接影响了负荷曲线的形状和模式。然而，对于日负荷曲线而言，社会经济 因素是一种相对变化缓慢的影响因素。对较长时期的负荷历史记录分析可以 发现，负荷是按照一种固定的变化趋势发展的，如逐步增长或逐步减少。这 些因素在中长期的负荷预测中要加以考虑，而对于短期负荷预测，由于是用 近期的历史负荷数据训练网络，可以认为负荷受社会发展因素影响而增大的 趋势基本为零，可忽略不计。 2 1 3 负荷预测的原理 负荷预测工作是根据电力负荷的发展变化规律，预计或判断其未来发展 趋势和状况的活动，因此必须科学的总结出预测工作的基本原理，用于指导 武汉理工大学硕士学位论文 负荷预测工作。 1 可知性原理：也就是说，预测对象的发展规律，其未来的发展趋势和 状况是可以为人们所认知的，客观世界是可以被认知的，人们不但可以认识 它的过去和现在，而且可以通过总结它的过去和现在推测其将来。这就是预 测活动的基本原理。 2 可能性原理：因为事物的发展变化是在内因和外因的共同作用下进行 的，内因的变化及外因作用力大小不同，会使事物发展变化有多种可能性。 所以，对某一具体指标的预测，往往是按照其发展变化的多种可能性，进行 多方案预测的。 3 连续性原理：又称惯性原理，是指预测对象的发展是一个连续统一的 过程，其未来发展是这个过程的延续。它强调了预测对象总是从过去到现在， 再从现在发展到未来。电力系统的发展变化同样存在着惯性，如某些负荷指 标会以原来的趋势和特性保持下来，延续下去。因此了解事物的过去和现在， 并掌握其规律，就可以对未来的发展情况利用连续性原理进行预测。 4 相似性原理：尽管客观世界中各种事物的发展各不相同，但一些事物 发展之问还是存在着相似之处，人们可以利用这种相似性原理进行预测。在 很多情况下，作为预测对象的一个事物，其现在的发展过程和发展状况可能 与另一事物过去一个阶段的发展过程和发展状况相类似，人们就根据后事 物的己知发展过程和状况，来预测所预测对象的未来发展过程和状况，这就 是相似性原理。 5 反馈性原理：反馈就是利用输出返回到输入端，再调节输出结果。预 测的反馈性原理实际上就是为了不断提高预测的准确性而进行的反馈调节。 人们在预测活动实践中发现，当预测的结果和经过一段实践所得到的实际值 之间存在着差距时，可利用这个差距，对远期预测值进行调节，以提高预测 的准确性。 6 。系统性原理：预测对象是一个完整的系统，它本身有内在的系统，它 与外界事物的联系又形成了它的外在系统，这些系统综合成一个完整的总系 统，在预测中都要进行考虑。即预测对象的未来发展就是系统整体的动态发 展，而且整个系统的动态发展与它的各个组成部分和影响因素之间的相互作 用和相互影响有关。系统性原理还强调系统整体最佳，只有系统整体最佳的 预测，才有高质量的预测，才能为决策者提供最佳的预测方案。 武汉理工大学硕士学位论文 2 1 4 常用负荷预测方法 负荷预测研究历史较早，有很多较为成熟的传统技术，如回归预测法、 指数平滑法、倍比预测法、增量概率统计法等：近年来发展起来一些新型预 测方法，如专家系统、神经网络、模糊逻辑、小波分析等。 1 回归预测法 回归预测法是应用最为普遍的负荷预测方法之一，它通过对负荷历史数 据进行统计分析，确定变量之间的相关关系，从而实现预测的目的。回归预 测包括线性回归预测与非线性回归预测，其中多元线性回归模型是负荷预测 问题中最常见的方法，下式给出了线性回归模型的一般形式： y ( r ) = 口0 + a i x l ( f ) + + a n x 。( f ) + 口( f ) ，式中：j ，( 茚表示负荷；一，x 2 ，x 。表 示与负荷变化相关的变量，诸如时间变量、气象变量等；口0 ，q ，a 。为回归 系数：a ( 曲为误差项。 回归系数a o ，a 。，a 。的估计可以通过最小二乘法实现。 2 指数平滑法 单指数平滑法是一种广泛使用的预测方法，其一般表达式为： f + i = a x , 十( 1 一口) f 式中：置是f 时刻的实际值；e 、e + ，分别是t ，抖1 时刻的预测值；a 为 平滑常数，0 a a ，口，= 1 ，俨1 ：2 ( d 为明天第j 时刻的负荷预测残差。可以建立参数 自校正时序倍比预测模型，进一步改善预测精度。 4 增量概率统计法 设历史负荷数据天数为n ，x ( i ，t ) 表示第天第t 小时的负荷值， i = 1 n ，t = l 2 4 则第t - 1 小时的负荷到第t 小时的负荷的变化增量为； 咖( j ，功= x ( j ，幻一x ( j ，卜1 ) ，x ( j ，0 ) = x ( j ，2 4 ) 当t 固定时，咖( j ，幻是近似服从正态分布的。对不同的 值。我们可以 求得2 4 个正态分布，它们的期望为： u ( t ) = ( d p o ，t ) n i = l 则第肿1 天的预测值为： t y ( n + 1 , 0 = x ( n ，2 4 ) + u ( t ) 1 = 1 5 专家系统方法 专家系统是一种人工智能的计算机程序系统，这些程序具有相当于某个 专门领域的专家的知识和经验水平，以及解决专门问题的能力。其基本组成 如图2 2 所示。 6 小波分析预测技术 小波分析是一种时域一频域分析方法，在时域和频域上同时具有良好的 局部化性质，并且能根据信号频率高低自动调节采样的疏密，容易捕捉和分 析微弱信号以及信号、图像的任意细小部分。 这种方法比较适用于日周期规律比较明显的负荷时段，可以较好的反映 出负荷的日周期特点。 电力系统中日负荷曲线具有特殊的周期性，负荷以天、周、年为周期发 生波动，大周期中嵌套小周期。对负荷序列进行小波变换可以将负荷序列分 别投影到不同的尺度上，而各个尺度可近似看作各个不同的“频带”，这样 各个尺度上的子序列分别代表了原序列中不同“频域”的分量，它们更加清 楚地表现了负荷序列的周期性。由于各个子序列的周期性更为明显，显然采 用周期自回归模型的预测结果也就更为精确。 武汉理工大学硕士学位论文 领域专家 系统用户 图2 2 专家系统组成 7 模糊推理预测方法 模糊推理系统用一组模糊i f t h e n 规则来表示系统输入输出之间的非线 性映射