（电力系统及其自动化专业论文）数据挖掘方法在短期负荷预测中的应用研究.pdf

浙江大学博士学位论文 选取 经实例验证和比较 表明本章提出的基于模糊粗糙集和互信息理论的属性 约简算法是有效可行的 第四章针对短期负荷预测具有明显周期性的特点 提出了一个改进范例推 理系统来进行短期负荷预测 该系统将范例推理 自组织映射以及互信息理论 进行了有效的结合 首先使用互信息方法确定了范例的表示 组织方法以及各 个范例属性的匹配权重 然后通过选取适当的聚类数目将历史范例进行聚类 在进行范例匹配时进行两次匹配 首先将新问题所对应的范例与各个聚类中心 进行匹配 得到最相似聚类 然后再在该聚类中进行二次匹配 最后将得到的 最相似范例集进行重用 修正 得到最终预测结果 第五章提出了一种负荷模式识别 分类方法 针对获取的客户用电数据 在 经过一定的预处理后使用多种聚类分析方法进行分析 通过选取最合适的聚类方 法以及聚类数目得到工作日及周末的典型负荷代表曲线 然后利用聚类所得到的 知识 选择合适的推理方法获取分类规则 从而为将未知类型单位划分给某特征 曲线类提供了有效的工具 得到的分类规则也有较高的正确率 第六章中提出了一个基于多a g e n t 的变电站负荷预测模型 首先将变电站负 荷进行聚类辨识 分类 然后对每一个类别分别进行预测 最终将预测结果进行 累加 得到该变电站负荷总量 可以将方法进行推广 对区域内各变电站均用此 方法进行合成预测 考虑到各区域中负荷模式类别和所占比重均有所不同 而且 不同区域内的天气状况也有所区别 本章中首次提出采用多a g e n t 来对预测系统 进行了建构 关键词 数据挖掘 短期电力负荷预测 灰色理论 模糊粗糙集 互信息理论 范例推理 人工神经网络 多a g e n t 数据挖掘方法在短期负荷预测中的应用研究 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 sa i m e da tp r e d i c t i n gs y s t e ml o a do v e ra n i n t e r v a lo f o n ed a yo ro n ew e e k i tp l a y sa ni m p o r t a n tr o l ei np o w e rs y s t e mp l a n n i n g a n do p e r a t i o n b a s i co p e r a t i n gf u n c t i o n ss u c ha su n i tc o m m i t m e n t e c o n o m i c d i s p a t c h f u e ls c h e d u l i n ga n du n i tm a i n t e n a n c ee a nb ep e r f o r m e de f f i c i e n t l yw i t ha n a c c u r a t ef o r e c a s t s t l fb e c o m e si n c r e a s i n g l yi m p o r t a n ts i n c em a n yc o u n t r i e sh a v e p r i v a t i z e da n dd e r e g u l a t e dt h e i rp o w e rs y s t e m s a n de l e c t r i c i t yh a s b e e nt u r n e di n t o ac o m m o d i t yt ob es o l da n db o u g h ta tm a r k e tp r i c e s w i t ht h ed e v e l o p m e n to ft h ee l e c t r i c a li n f o r m a t i o nt e c h n o l o g y l o t so fl o a d r e l a t e dd a t aa r es t o r e di ne a c hp o w e rc o m p a n y sd a t a b a s e s w ea r ed a t ar i c h b u t i n f o r m a t i o np o o r h o wc a l lw em a k eu s eo ft h e s ed a t aa n do b t a i ns o m ev a l u a b l e k n o w l e d g et og i v eu ss o m ei n s t r u c t i o no nh o w t oi n c r e a s et h ep r e c i s i o no fs t l fa r e 锄i m p o r t a n tt a s k d a t am i n i n gi sap r o c e s st h a tu s e sav a r i e t yo f d a t aa n a l y s i st o o l st o e x t r a c ti m p l i c i t p r e v i o u s l yu n k n o w n a n dp o t e n t i a l l yu s e f u li n f o r m a t i o nf r o md a t a i n t h i sd i s s e r t a t i o n s o m ed a t am i n i n gm e t h o d sa r eu s e dt oa n a l y z et h el o a dd a t ao f h a n g z h o u z h e j i a n gp r o v i n c e c h i n a s o m eu s e f u lc o n c l u s i o n sa r ed r a w n w h i c hh e l p u st oi m p r o v et h ew o r ko f s t l f t h ed i s s e r t a t i o nb e g i n s b yi n t r o d u c i n gt h ec o n c e p ta n dd e v e l o p m e n to f s h o r t t e r n ll o a df o r e c a s t i n ga n dt h ed e f i n i t i o no fd a t am i n i n g s u m m a r i z i n gp o p u l a r l y u s e dd a t am i n i n gt e c h n i q u e sa n di t sa p p l i c a t i o n si np o w e rs y s t e ml o a df o r e c a s t i n g t h em a i nr e s e a r c hw o r k sa r e 髂f o l l o w s t h es e c o n dc h a p t e ri sd e v o t e dt ot h ed a t ac l e a n i n go f t h eh i s t o r i c a le l e c t r i c a ll o a d d a t a b a s e do nt h es t a t i s t i c a lm e t h o d s w ea r ec a p a b l eo fi d e n t i f y i n gt h em i s s i n gd a t a a n da b n o r m a ld a t a a n dt h e nag r e yi n t e r p o l a t i o na p p r o a c hb a s e do nf o r w a r da n db a c k g r e yp r e d i c t i o nm o d e li sp r o p o s e dt oc o r r e c tt h em i s s i n gp a r to ra b n o r m a lp a r to f t h e h i s t o r i c a ll o a dd a t a t h i sa p p r o a c hd e d u c e st h em i s s i n gv a l u e w h i c hc a nm a k et h e b e s to fa l li n f o r m a t i o ni nt i m ez o n eo f m i s s i n gp o i n t a r t i f i c i a ln e u r a ln e t w o r k s a n n a m o r ec o m m o n l yu s e df o rl o a df o r e c a s t i n g h o w e v e r t h e r es t i l le x i s ts o m ed i f f i c u l t i e si nc h o o s i n gt h ei n p u tv a r i a b l e sa n d s e l e c t i n ga na p p r o p r i a t ea r c h i t e c t u r eo ft h en e t w o r k s an o v e lf e a t u r es e l e c t i o nb a s e d a n nf o rs t l fi sp r e s e n t e di nt h i sp a p e r t h ef u z z y r o u 曲s e t st h e o r yf u r t h e re x t e n d s 浙江大学博士学位论文 t h er o u g hs e tc o n c e p tt h r o u g ht h eu s e o f f u z z ye q u i v a l e n c ec l a s s e sa n di sp r e s e n t e da s at o o lt oe x l r a c tp r i n c i p a lc a s ea t t r i b u t e sa n dd e t e r m i n et h ei n i t i a lw e i g h t so f a n n i n t h es e q u e l t h ea n nm o d u i ei st r a i n e du s i n gh i s t o r i c a ld a i l yl o a da n dw e a t h e r 讹 s e l e c t e dt op e r f o r mt h ef i n a lf o r e c a s t d o m a i nk n o w l e d g ei sn e e d e dt od e c i d et h e f u z z ym e m b e r s h i pf u n c t i o ni nt h ew o c 髑so ff u z z y r o u g hs e tb a s e df e a t u r es e l e c t i o n 嘶1 et h ek n o w l e d g ei sn o ta v a i l a b l ei ns o m ct i m e s m u t u a li n f o r m a t i o nb a s e df e n m r e s e l e c t i o nm e t h o di sp r o p o s e di nt h i ss i t u a t i o n t od e m o n s t r a t et h ee f f e c t i v e n e s so f t h e a p p r o a c h s h o r t t e r ml o a df o r e c a s t i n gw a sp e r f o r m e do nt h eh a n g 刁l o ue l e c t r i c p o w e rc o m p a n y h z e p c i nc h i n a a n dt h et e s t i n gr e s u l t ss h o wt h a tt h ep r o p o s e d m o d e li sf e a s i b l ea n d p r o m i s i n gf o rl o a df o r e c a s t i n g a ni m p r o v e dc a s e b a s e dr e a s o n i n g c b r s y s t e mi sp r e s e n t e dt os o l v es t l f p r o b l e mw i t ht h ea i do f s e l f o r g a n i z i n gm a p s s o m a n dm u t u a li n f o r m a t i o nm e t h o d c b ri sc o m p o s e do ft h es t e p so fc 鹪er e p r e s e n t a t i o n i n d e x i n g r e t r i e v a l a n d a d a p t a t i o n a n dt h ek e yi d e ai nc b r i n v o l v e st h eu s eo fa l r e a d ye x i s t i n gk n o w l e d g e a b o u to b j e c t so rs i t u a t i o n st op r e d i c ta s p e c t so fs i m i l a ro b j e c t s s o ma r ot r a i n e da sa c l u s t e rt o o li no r d e rt oo r g a n i z et h eo l dc a s 璐w i t ht h ep u r p o s eo f s p e e d i n gu pt h e c b r p t o c c a s m u t u a li n f o r m a t i o nm e t h o di se m p l o y e dt om e a q u l ot h ei n p u ta t t r i b u t e s a n dd e t e r m i n et h ei n i t i a lw e i g h t so ft h ec a s e t h i sm e t h o dn o to n l yu c sc a s e s p e c i f i c k n o w l e d g eo fp a s tp r o b l e m s b u ta l s ou s e sa d d i t i o n a lk n o w l e d g ed e r i v e df r o mt h e c l u s t e r so fc a s o sa n di tp r o v i d e san o ww a yf o rs e l e c t i n gp r o p e rf e a t u r e sa n df e a t u r e w e i g h t s t h ef i f t hc h a p t e rp r e s e n t sa p r o c e d u r ef o rd e t e r m i n i n gt y p i c a ll o a dp r o f i l e sr t l p b a s e do nc l u s t e r i n gm e t h o d sa n da s s i g n i n gac u s t o m e rt oap a r t i c u l a rt l pb a s e do n c l a s s i f i c a t i o nr u l e s u s i n ga c t u a lm e a s u r e m e n t so fi n d u s t r i a la n dc o m m e r c i a l c o u s u m c r s l o a dp r o f i l e s v a r i o u sa p p r o a c h e sc a l lb eu s e df o rg r o u p i n gc u s t o m e r st h a t e x h i b i ts i m i l a re l e c t r i c a lb e h a v i o ri n t oc u s t o m e rc l a s s e s t h ep r e p r o c e s s e dm e a s u r e d l o a dp r o f i l e sa r ec l u s t e r e d 谢t hd i f f e r e n tc l u s t e r i n ga l g o r i t h m sa n dw oc o m p a r et h e p 跚l l t sb ym 朗j i so ft h r e ei n d i c a t o r s k m c a n m e t h o da n dr i p p e rm e t h o da t e s e l e c t e df o rd e t e r m i n i n gt h e r e p r e s e n t a t i v ec l u s t e r sa n dt h ec l a s s i f i c a t i o nr u l e s r e s p e c t i v e l y n er e s u l t sd e m o n s t r a t et h ee f f i c i e n c yo f t h ep r o p o s e dp r o c e d u r e a m u l t i a g e n tb a s e ds u b s t a t i o nl o a df o r e c a s t i n gm o d e li si n t r o d u c e di nt h es i x t h c h a p t e r t h el o a dd a t aa n dc u s t o m e r s d a t aa r cf i r s to b t a i n e da n dc l u s t e r e di n t o8 0 m c c l a s s e s e a c hc l a s sh a si t so w nl o a dp r o f i l e s a n dw om a k et h ee s t i m a t i o no ft h el o a d o fe a c hc l a s sb a s e do i ld i f f e r e n ta p p r o a c h e s a g g r e g a t i n gt h ep r e d i c t i o nl o a dv a l u eo f 数据挖掘方法在短期负荷预测中的应用研究 e a c hc l a s s w eg e tt h eo v e r a l lc o n s u m e dl o a do f t h es u b s t a t i o n a m u l t i a g e n tm o d e li s p r o p o s e d d u et od i f f e r e n tc l a s sh a sd i f f e r e n tp r o f i l e sa n dt h er a t i oo f t h ec l a s s e si n e a c hs u b s t a t i o ni sd i f f e r e n te i t h e r k e y w o r d s d a t am i n i n g s h o r t t e r ml o a df o r e c a s t i n g g r e yt h e o r y f u z z y r o u g hs e t m u t u a li n f o r m a t i o n c a s e b a s e dr e a s o n i n g a r t i f i c i a ln e u r a ln e t w o r k m u l t i a g e n t 数据挖掘方法在短期负荷预测中的应用研究 图表目录 图1 1 知识挖掘示意图 7 图2 1 原始数列趋势图 2 2 图2 2 累加生成数列趋势图 2 3 图2 3 时间轴分布示意图 2 7 图2 4 某日负荷曲线 图2 5 缺失值处理结果比较 3 0 图2 6 某日负荷曲线修正结果比较 3 l 图3 1 上 下近似 3 5 图3 2 模糊隶属度函数 3 9 图3 3b p 神经网络结构 4 2 图3 4 温度模糊隶属度函数 4 6 图3 5 平均相对湿度模糊隶属度函数 图3 6 负荷模糊隶属度函数 一 4 8 图3 7 日期类型模糊隶属度函数 4 8 图3 8 互信息方法属性选择过程 4 9 图3 9 基于g a 的属性选择过程 4 9 图4 19 9 0 4 年度日最大负荷数据 5 6 图4 2 某月负荷 5 7 图4 3 某月中各周负荷 5 7 图4 4 某周各日负荷曲线 5 8 图4 5c b r 工作过程 5 9 图4 6s o m 网络结构图 6 1 图4 7 各属性互信息 权重 6 3 图4 8s o m c b r 工作过程 6 5 图4 9 聚类效果比较 6 8 图4 1 0 各个聚类所包含的范例数目 6 9 图4 1 12 0 0 1 0 9 2 1 负荷预测结果 浙江大学博士学位论文 图4 1 22 0 0 0 1 2 1 3 负荷预测结果 7 2 图4 1 32 0 0 1 1 1 1 6 负荷预测结果 7 2 图4 1 42 0 0 1 0 8 0 8 负荷预测结果 7 3 图4 1 52 0 0 1 0 7 2 0 负荷预测结果 7 3 图4 1 62 0 0 l 0 1 0 6 负荷预测结果 7 4 图5 1 聚类结果比较 8 2 图5 2 工作日典型负荷曲线 8 2 图5 3 周末典型负荷曲线 8 3 图5 4 经济类型代码划分曲线 8 3 图5 5 按经济代码获得曲线被划分到典型负荷曲线 8 4 图5 6 规则的获取 8 6 图5 7 典型负荷曲线分析流程 8 7 图6 1 集中式体系结构图 9 2 图6 2 分布式体系结构图 9 2 图6 3 混合式体系结构图 9 2 图6 4 变电站负荷构成 9 4 图6 5 各种类型用户夏季标准化负荷曲线模式 9 5 图6 6 多a g e n t 变电站负荷预测系统结构图 9 6 图6 7 信息a g e n t 结构图 j 9 7 图6 8 聚类a g e n t 结构图 9 7 图6 9 交互a g e n t 结构图 9 8 图6 1 0 预测a g e n t 结构图 9 9 图6 1 1 评估a g e n t 结构图 1 0 0 图6 1 2 集成a g e n t 结构图 1 0 0 图6 1 3 管理a g e n t 结构图 1 0 1 图6 1 4 数据预处理a g e n t 执行结果 1 0 2 图6 1 5 聚类指标展示 1 0 3 图6 1 6 聚类结果 1 0 3 图6 1 7 预测结果评估 1 0 3 数据挖掘方法在短期负荷预测中的应用研究 图6 1 8 第一类负荷预测结果 1 0 4 图6 1 9 第三类负荷预测结果 1 0 4 图6 2 0 第五类负荷预测结果 1 0 5 图6 2 1 变电站负荷汇总预测结果 1 0 6 图6 2 2 变电站负荷预测结果比较 1 0 7 图6 2 3 分类负荷预测汇总变电站负荷预测结果 1 0 7 浙江大学博士学位论文 表格目录 表3 1 连续属性决策表 3 8 表3 2 模糊决策表 3 9 表3 3 初始输入属性集 4 5 表3 4 约简后得到的条件属性集 4 8 表3 5 属性选择结果比较 5 0 表3 6 预测误差比较 5 0 表3 7 不同季节的a n n 结构 5 l 表4 1 属性集 6 2 表4 2 聚类中心 6 8 表4 3 相似聚类 6 9 表4 4 最匹配范例集 6 9 表4 52 0 0 1 0 9 2 1 详细预测结果比较 7 l 表4 6 预测结果比较 7 4 表5 1 各典型负荷曲线中涵盖的经济类型代码 8 5 表5 2 决策表 8 6 表5 3 约简后决策表 8 6 表5 4 分类规则的比较 8 7 表6 1 1 2 月份预测结果 1 0 6 浙江大学博士学位论文 第一章绪论 电力系统负荷预测是电力部门的一项重要工作 它关系到电力系统的调度运行和生产 计划 准确的负荷预测有助于提高系统的安全 巨 稳定性与经济性 本节中简要介绍了负 荷预测的基本概念 预测方法的发展与现状 然后介绍了近些年来蓬勃发展的数据挖掘概 念与常用方法 并介绍了数据挖掘方法在电力系统负荷预测方面的应用实例 最后介绍了 本文的主要工作以及章节安排 1 1 引言 电力系统是由发电 输电 配电 用电设备及相应的辅助系统组成的电能 生产 输送 分配 使用的统一整体 在当前电力市场化的背景下 越来越要 求电力系统在满足供电安全 可靠等前提下尽量提高系统的经济性 即合理地 利用现有的能源和设备 以最小地运行成本保证对用户提供高质量 高可靠性 的电力服务 负荷预测作为能量管理系统 e m s 和电力市场运行管理的重要组 成部分 其预测结果对电力系统计划 控制 安全经济运行有着重大的影响 例如 中长期负荷预测是电力系统电源和网络规划的前提 短期负荷预测是火 电分配 水火电协调 机组经济组合的重要基础 负荷预测的影响因素众多 既受负荷本身的历史表现决定 还要受到较多 非负荷因素的影响 如季节更替 天气因素突然变化 设备检修 突发事件 重大文体活动等 这些因素与负荷预测值之问形成了复杂的非线性映射关系 而且在当今的电力系统负荷数据库中存储着大量的负荷 气象等数据 如何表 现不同性质因素之间的复杂非线性映射关系 如何合理 有效的利用这些数据 更好的为负荷预测工作服务是当前面临的几个重要的问题 数据挖掘是从大量的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 规则 规律 模式等形式 这些知 识蕴涵了数据集中的数据对象之间的特定联系 揭示出一些有用的信息 3 利 用这些信息可以为负荷预测建模提供更为合理的依据 使建模过程尽量减少人 为的主观影响 解决建模过程中的难点问题 从而提高负荷预测的准确性 提 高经济效益和社会效益 数据挖掘方法在短期负荷预测中的应用研究 1 2 电力系统负荷预测概述 负荷可指电力需求量或用电量 而需求量是指能量的时间变化率 即功率 也可以说负荷是指发电厂 供电地区或电网在某一瞬间所承担的工作负荷 对 用户来说 用电负荷是指连接在电网的用户所有用电设备在某一瞬间所消耗的 功率之和 在充分考虑了一些重要的系统运行特性 增容决策 自然条件与社 会影响的条件下 研究或利用一套系统地处理过去与未来负荷的数学方法 在 满足一定的精度要求的意义下 确定未来某特定时刻的负荷数值 称为负荷预 测f l 2 按时间期限进行分类 通常将电力负荷预测分为长期 中期 短期 超短 期负荷预测i 舶 长期负荷预测一般指l o 年以上并以年为单位的预测 中期指5 年左右并以年为单位的预测 短期预测则是指一年之内以月为单位的负荷预测 还指以周 天 小时为单位的负荷预测 通常预测未来一个月 未来一周 未 来一天的负荷指标 也预测未来一天2 4 小时中的负荷 超短期负荷预测指未来 1 小时 未来o 5 小时甚至未来1 0 分钟的预测 本文中主要讨论短期负荷预测 问题 电力负荷预测是供电部门的重要工作之一 准确的负荷预测 可以经济合 理的安排电网内部发电机组的起停 保持电网运行的安全稳定性 减少不必要 的旋转备用容量 合理安排机组检修计划 保证社会的正常生产和生活 有效 降低发电成本 提高经济效益和社会效益 负荷预测的结果 还可以有利于决 定未来新的发电机组的安装 决定装机容量的大小 地点和时间 决定电网的 建设和发展 2 1 1 2 1 短期负荷预测的发展 短期电力负荷预测的研究已经有较长的历史 它的起源可以追溯到二十世 纪二十年代初 那时候的电力系统规模尚小 所以负荷预测的思想没有得到人 们的重视 随着世界各国经济的迅猛发展 带动了电力工业的迅速膨胀 也使 负荷预测工作逐渐得到了重视 负荷预测是随着电力系统中e m s 系统的逐步 发展而发展壮大起来的 因为e m s 需要历史 实时 未来三类数据 而负荷 预测是未来数据的主要来源 从二十世纪七十年代初开始 对电力负荷预测的 2 浙江大学博士学位论文 研究就呈现出逐步上升的趋势 到了八十年代 由于能源紧张造成的对负荷科 学管理的迫切要求使得对负荷预测的重视程度越来越高 九十年代 随着世界 各国电力工业解除管制 逐步推行市场化运营 负荷预测受到了人们更加广泛 的重视 至今 国r 勾 l 的许多专家 学者在预测理论和方法方面仍显示出浓厚 的兴趣 做了大量的研究工作 取得了很多卓有成效的进展 5 1 0 1 2 2 短期负荷预测的传统方法 早期的短期负荷预测完全依赖于调度员的运行经验 缺乏有效的理论依据 为指导 二十世纪七十年代以后 许多数学统计方法被引入到短期负荷预测中 使负荷预测摆脱了单纯依靠调度员主观决定的历史 为负荷预测技术提供了新 的科学依据 这一时期典型的算法有 趋势外推预测技术 2 5 i 趋势外推法就是通过寻找负荷的变化趋势 并根据这一变化趋势对原负荷 数据序列做外推 从而求得负荷的预测值 电力负荷的变化一方面有其不确定 性 如天气变化 突发事件等原因造成对电力负荷的随机性干扰 另一方面 在一定条件下 电力负荷存在着明显的变化趋势 在某些时间段 表现为线性 和非线性趋势 从季度和月份用电来看 容易发现周期性变化趋势 一旦找到 了负荷的变化趋势 按照该变化趋势就能对未来负荷情况做出判断仁l 常用的外推预测模型有以下几种 水平趋势预测模型 线性趋势预测模型 多项式趋势预测模型 季节型以及增长趋势预测模型 这些模型的共同特点是 做趋势外推 没有对其中的随机成分做统计处理 趋势外推法的优点是 只需 要历史数据 所需的数据量较少 其缺点是 如果负荷出现变动 会引起较大 的误差 回归模型预测技术1 6 9 1 电力负荷回归模型预测技术就是根据历史负荷数据资料 建立可以进行数 学分析的数学模型 对未来的负荷进行预测 即通过对变量的观测数据进行统 计分析 确定变量之间的相关关系 从而实现预测的目的 2 1 在回归分析中 自变量是随机变量 因变量是非随机变量 由给定的多组自变量和因变量资料 数据挖掘方法在短期负荷预测中的应用研究 研究各自变量和因变量之间的关系 形成回归方程 常用的回归模型有以下几 种 一元线性回归 多元线性回归 非线性回归模型等 回归预测法优点是 1 方法简单 预测速度快 2 对于没有气象条件巨变 情况下的负荷预测准确性较高 其缺点是 1 用线性方法无法描述复杂的非线 性关系 2 缺乏自学习能力 3 回归变量应选取主要因素而忽略次要因素 但 主要因素难以确定 4 在线应用时的递推算法还不完善 时间序列法1 1 0 1 5 l 时间序列模型被认为是最经典 最系统 最被广泛采用的一类短期负荷预 测方法 它把负荷数据看作是一个按季节 按周 按天以及按小时周期性变化 的时间序列 根据负荷的历史资料 设法建立一个数学模型来描述电力负荷这 个随机变量变化过程的统计规律性 并且在数学模型的基础上确立负荷预测的 数学表达式 对未来的负荷进行预测 2 1 常用的时间序列分析模型有以下几种 1 自回归模型 a r 描述为现在值 可以由其本身的过去值的有限项的加权和及一个干扰量 一般定义为白噪声 来 表示 2 动平均模型 m a 描述为现在值可由其现在与过去的干扰量的有限 项的加权和来表示 3 自回归动平均模型 a r m a 即现在值可看作是其过去 值的有限项的加权和及其现在与过去的干扰量的有限项加权和的叠加 钔累积 式自回归动平均模型 a 剐m a 适用于非平稳随机时间序列的模型 并将非平 稳随机过程中的平稳随机变化负荷包含在模型中 时间序列法优点主要是 1 对历史数据量要求较低 2 计算量小 3 可以采 用估计被测日电量值的方法减小误差 其缺点主要表现在 1 对历史数据准确 性要求高 坏数据对预测效果的影响较大 2 对天气因素不敏感 难以解决气 象因素对短期负荷预测的影响 3 预测步数越长 预测精度越差 4 不适用于 电网容量较小或变化较大地区的负荷 1 2 3 短期负荷预测的研究现状 二十世纪九十年代初开始 人工智能技术逐渐被利用到短期负荷预测中 由于人工智能技术具有较强的非线性处理能力和有效的解决不确定性问题 d 6 q s 与传统方法相比 智能方法在进行负荷预测的过程中能够更加有效的利 4 浙江大学博士学位论文 用各种因素 他们可使负荷预测不仅仅只是单纯的依靠对负荷自身进行数学分 析 而且还兼顾到气象因素 运行人员的实践经验等 使建立的数学模型更为 完善 从而达到提高预测准确度的目的 人工神经网络方法1 1 6 1 7 1 9 l 1 9 9 1 年p a r k 等人第一次将a n n 应用于电力系统负荷预测 并取得了令人 满意的结果 2 0 1 从此神经网络方法被大量的应用于解决电力系统负荷预测问 题 并且成为在国际上得到广泛认可的实用预测方法 1 9 1 人工神经网络是 f 涉及生物 电子 计算机 数学和物理等学科的交叉学科 它从模仿入脑智能 的角度出发 来探寻新的信息表示 存储和处理的方式 设计全新的计算处理 结构模型 构造一种更接近人类智能的信息处理系统来解决传统计算机难以解 决的问题 它必将大大促进科学的进步 并具有非常广泛的应用前景 用 于负荷预测的人工神经网络主要有b p 网 r b f 网 h o p f i e l d 网 k o h o n e n 自 组织特征映射等 神经网络的优越点主要有 1 可以处理那些难于用解析规则描述的过程或 系统 可通过对样本数据的学习 自动实现对系统的描述 2 神经网络是并行 结构 使得其在处理实时性要求较高的领域显示出极大的优越性 3 1 善于模拟 复杂的非线性映射关系 4 具有很强的信息综合能力和容错能力 能恰当地协 调好相互矛盾的输入信息 其缺点主要表现在 1 黑箱 性 人们难以理解网 络的学习和决策过程 2 神经网络的结构选择缺乏有效的理论依据 3 泛化能 力差 存在过拟合现象 4 收敛速度慢且容易陷入局部极小 训练时间较长 专家系统方法1 2 1 4 1 专家系统是一类具有专门知识和经验的计算机智能程序系统 通过对人类 专家的问题求解能力的建模 采用人工智能中的知识表示和知识推理技术来模 拟通常由专家才能解决的复杂问题 建立知识库 并在系统的实际运行过程中 对知识库不断进行更新和维护 以跟随事物的变化轨迹 达到具有与专家同等 解决问题能力的水平 1 7 l 它具有象人类专家一样大量的专门知识 它能够根据 具体情况灵活运用这些知识 并根据不确定和不完整的证据得到较好的结论 专家系统具有以下优异性能 1 具有丰富的经验 知识和高水平的技术 数据挖掘方法在短期负荷预测中的应用研究 而且经验可以不断丰富 积累 不受时间 空间的限制而广泛使用 永久保存 2 以计算机为载体的专家系统可以准确无误地工作 可靠性好 工作效率高 3 能进行符号操作 知识表示直观 可以表示现实世界的概念 4 专家系统的 知识大多是经验性的 没有严格的理论依据并且只是在一定条件下是正确的 在这种情况下专家系统能根据不确定知识 综合利用这些信息进行推理 做出 较正确的结论 5 专家系统具有透明性和自我知识 可以解释为什么做出这样 的推理 便于人们检查推理过程 6 专家系统具有交互性 易扩展 其缺点主 要表现在 1 开发的专家系统只是针对某特定领域 不能直接应用于其他方面 2 需要获取高质量的领域知识 3 把专家知识转换为一系列的数学规则是较难 实现的 1 8 模糊推理方法1 2 孓2 7 1 专家系统基于确定的事实和确定的规则 而模糊逻辑和模糊推理是专门用 来推导不确定性问题的理论 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关系 通过对输入输出空间的划分 模糊推理系统 可以在任意精度上一致逼近任意定义在一个致密集上的复杂的非线性函数 并 能够从大量的数据中提取它们的相似性 培1 其规则含义较为清晰直观 规则结 构适合描述不同种类变量之间的复杂关系 模糊推理已成为一种效果较好的负 荷建模方法 模糊推理方法的主要优越点有 1 具有明显实际意义的规则 更易于理解 接受 2 通过 隶属函数 有效描述专家意图 处理电力系统中的不精确 模 糊的现象 3 较强的自适应性和鲁棒性 其缺点主要表现在 1 学习能力不强 2 划分区域不够细时 映射输出比较粗糙 3 受人为主观因素影响较大 灰色方法 2 s 3 1 1 灰色系统是既含有已知的确切的信息又含有未知的非确切的信息的系统 如果将影响负荷的各种复杂因素联合起来看成一个大系统 那么它兼有确定性 和不确定性 本征性和非本征性灰色系统特征 实际的负荷历史资料能够清晰 的显示出其灰色系统特征 年月日的负荷既有逐年增长趋势确定的一面 同时 又有每年每月每日负荷随机变化的不确定性的一面 灰色系统理论可以用少量 6 浙江大学博士学位论文 的数据做微分方程建立起预测的模型 从理论上可以使用于任何非线性的负荷 预测 将一定范围内变化的历史负荷数据列进行累加 使其变成具有指数增长 规律的新数列 然后就生成的新数列建立灰色模型 最后通过累减生成得到负 荷预测值 对于具有波动性变化的电力负荷 可以建立等维新息灰色预测模型 有效提高预测精度 灰色预测方法的主要优越点有 1 需要的数据量小 2 不用考虑数据变化 趋势 3 运算方便 易于检验 其缺点主要表现在 1 数据离散程度越大 即 数据灰度越大 则预测精度越差 2 多步预测精度较差 1 3 数据挖掘方法介绍 图1 1 知识挖掘示意图 数据挖掘最早出现于二十世纪八十年代后期 从九十年代至今有了突飞猛 进的发展 数据挖掘 又称为数据库中的知识发现 k n o w l e d g ed i s c o v e r yf r o m d a t a b a s e 简称k d d 它是一个从大量数据中抽取挖掘出未知的 有价值的模 式或规律等知识的复杂过程 3 3 2 1 数据挖掘的全过程定义如图1 1 所示 由以 下步骤组成1 3 1 数据清理 清除数据噪声或不一致数据 2 数据集成 将来自多种数据源中的相关数据进行组合 3 数据选择 从数据库中检索与分析任务相关的数据 舢数据变换 将数据统一成适合进行数据挖掘的形式 5 数据挖掘 使用智能方法提取模式 6 模式评估 根据一定的标准从挖掘得到的结果中寻找有用的知识 7 知识表示 使用知识表示技术 向用户提供挖掘的最终结果 7 数据挖掘方法在短期负荷预测中的应用研究 1 3 1 数据挖掘常用方法 3 3 2 3 3 l 数据挖掘是一个多学科领域 包括数据库技术 人工智能技术 机器学习 神经网络 统计学 模式识别 知识库系统 知识获取 信息检索 高性能计 算和数据可视化 数据挖掘的任务主要是关联分析 聚类分析 分类 预测 时序模式和偏差分析等 1 关联规则挖掘 关联规则挖掘是从给定的数据集中发现频繁出现的项集模式知识 即从大 量的数据中挖掘出有价值 描述数据项之间相互联系的有关知识 关联分析广 泛地用于市场营销 事务分析等应用领域 关联规则的主要研究方向有 3 l 1 多循环方式的挖掘算法 其中最有效和有影响力的算法是a p r i o r i h a s h 修正 a p r i o r i 和抽样a p r i o r i 方法等 此类算法的核心为频繁项集的所有非空子集都 必须是频繁的 基本思路为对事物数据库进行多次扫描 第颇胁1 次扫描利用 第缸1 次扫描的结果 2 多层次关联规则挖掘 一般可以采用自上而下的策略 从最高层次概念层向低层次方向进行挖掘 对频繁项集出现次数进行累计以便 发现每个层次的频繁项集直到无法获得新的频繁项集为止 即一旦找出概念层 1 的所有频繁项集 就开始在第2 层找频繁项集 如此下去 对于每一层 可 以使用多循环方式的关联规则挖掘算法 3 多维关联规则挖掘 涉及两个或多 个维或谓词的关联规则称为多维关联规则 挖掘多维关联规则的技术可以根据 量化属性的处理分为三种基本方法 第一 量化属性可以根据预定义的概念分 层静态离散化 第二 可以挖掘量化关联规则 其量化属性根据分箱动态离散 化 第三 可以挖掘基于距离的关联规则 其中区间可以根据聚类定义 4 基 于约束的关联规则挖掘 其主要目的是加强用户的自主性 按用户的要求来发 现更有趣 更实用和更特别的关联规则 2 分类和预测 分类和预测是两种数据分析形式 可以用于提取描述重要数据类的模型或 预测未来的数据趋势 分类是预测分类标号 首先建立一个描述预定数据类集 或概念集的模型 然后评估该模型的预测准确率 如果准确率达到预先的要求 则可以利用该模型来对未知的数据或对象进行分类 而预测是对未知类别数据 浙江大学博士学位论文 或对象的类别取值 利用学习所建立的模型进行预测 分类器的构造方法有统 计学方法 机器学习方法 神经网络方法等 统计学方法包括贝叶斯法 朴素贝 叶斯分类和贝叶斯信念网络 和非参数法 对应的知识表示则为判别函数和原型 事例 机器学习方法包括决策树法o d 3 和c 4 5 和规则归纳法 前者表示为决 策树或判别树 后者则一般为产生式规则 神经网络方法主要是b p 算法 它 本质上是一种非线性判别函数 常用的预测方法有线性回