数据挖掘在短期电力负荷预测中的应用研究

论文摘要

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。短期负荷预测是从已知的社会经济发展和电力需求出发,通过对历史数据的研究分析,对未来一天的系统负荷进行估计和推算。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。如果影响因素没有分析正确,要得到准确的负荷预测是相当困难的。要进行准确的负荷预测,必须对历史数据进行深入分析。由于数据挖掘技术具有从海量信息中挖掘知识的能力,因此在负荷预测中引入了数据挖掘理论,以期建立精确的预测模型。本文通过制定各种数据挖掘元模式,指导数据挖掘引擎对历史数据进行挖掘,来发现有用的知识。这些知识包括影响负荷变化的因素、因素变化时负荷变化的规律、与预测日输入信息最适合的训练样本及预测样本等。在预测模式和模型算法的选择上,充分考虑季节、气象、温度和节假日等因素,运用逐级均值聚类算法对以上因素进行多层次、多细节分解聚类并分类。将人工神经网络模型引入到短期负荷预测,选取历史数据样本利用BP网络算法进行训练。对影响短期电力负荷的重要因素加权,用实际负荷数据进行了验证和动态调整,具有较高的预测精度。针对电网调度部门的实际需要,开发了一套基于调度自动化系统的短期电力负荷预测系统。该系统集成于地区电网的调度自动化系统,具有较好的实时性、经济性和实用性,采用面向对象设计方法对负荷预测系统结构进行设计。实现多种负荷预测及评估功能体系,满足短期负荷预测的各种性能指标。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 论文工作背景
• 1.2 短期负荷预测的研究现状
• 1.3 短期负荷预测的特点
• 1.4 本文的主要工作
• 1.5 本文的组织结构
• 第2章 相关技术与研究背景
• 2.1 数据挖掘的基本概念
• 2.1.1 数据挖掘的功能
• 2.1.2 数据挖掘过程
• 2.2 数据挖掘中的聚类技术
• 2.2.1 聚类分析的基本知识
• 2.2.2 相似性测度
• 2.2.3 类的表示
• 2.3 神经网络型知识挖掘技术
• 2.4 数据挖掘应用于负荷预测的关键问题
• 2.5 本章小结
• 第3章 短期负荷预测模型的建立
• 3.1 常见电力负荷预测系统模式
• 3.1.1 两库模式
• 3.1.2 三库模式
• 3.2 基于数据挖掘技术的电力负荷预测模型的架构
• 3.2.1 模型条件的设置
• 3.2.2 模型各部分的功能
• 3.2.3 模型的特点和作用
• 3.3 小结
• 第4章 聚类分析及其在负荷预测中的应用
• 4.1 聚类算法
• 4.1.1 聚类分析原理
• 4.1.2 逐级均值聚类算法
• 4.2 聚类算法在负荷预测中的应用
• 4.2.1 负荷与非负荷因素之间的关系
• 4.2.2 考虑特殊天气因素进行聚类
• 4.2.3 预测实例分析
• 4.3 本章小结
• 第5章 神经网络及其在负荷预测中的应用
• 5.1 BP神经网络算法
• 5.2 BP神经网络在负荷预测中的应用
• 5.2.1 考虑节假日和季节因素的BP网络预测
• 5.2.2 BP算法负荷预测结果分析
• 5.3 本章小结
• 第6章 负荷预测软件开发
• 6.1 预测系统的运行环境
• 6.2 预测系统的结构
• 6.2.1 系统智能化预测模型实现
• 6.2.2 数据管理
• 6.3 负荷预测模块
• 6.3.1 评估系统模块
• 6.3.2 负荷预测模块
• 6.4 分析评价
• 6.4.1 事前评估分析
• 6.4.2 事后误差评价
• 6.5 报表模块
• 6.6 结果输出
• 6.7 系统帮助
• 6.8 小结
• 第7章 结论
• 7.1 本文工作总结
• 7.2 下一步的工作
• 参考文献
• 致谢
• 攻硕期间发表的论文及参加的项目