基于数据挖掘技术的短期电力负荷预测

论文摘要

短期负荷预测是电力系统安全经济运行的前提,随着电力系统的市场化,高质量的负荷预测越来越显得重要和迫切。本文主要以预测工作的各个环节展开的,综合运用粗糙集、支持向量机、神经网络聚类多种数据挖掘技术,对负荷时间序列的特性、历史负荷数据的预处理、气象因素的处理、预测模型输入参数的确定及模型的建立各方面作了深入的研究,为高精度的短期负荷预测软件系统的集成开发奠定了基础。输入向量的选择一直是负荷预测建模的难点问题,对模型的预测精度有很大的影响,本文通过引入数据挖掘中粗糙集约简算法来解决这一难题,克服了支持向量机不能确定重要的输入向量组合的不足。保证了模型输入参数的合理性及正确性。支持向量机的参数选择对模型的性能影响很大,目前,支持向量机的参数选择多采用试验法,本文提出了Grid search智能自动搜索方法,实现了支持向量机参数的优化选择,并建立了预测模型。实例分析表明,支持向量机算法在精度和速度上优于BP神经网络。最后,本文还提出了一种基于自组织特征映射(SOFM)的聚类分析和支持向量回归(SVR)的电力系统短期负荷预测方法。该方法首先利用自组织特征映射网络,通过无监督学习策略,对训练样本集进行聚类分析,将其分为若干相似子类;再针对每一子类构造一个支持向量回归(SVR)模型,以对应子类的样本集训练SVR模型。实例表明,该方法比单一的SVM和BP模型更有效,不仅提高了预测精度,还缩短了预测执行时间。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 短期电力负荷预测概述
• 1.1.1 短期负荷预测的意义
• 1.1.2 短期负荷预测的特点
• 1.1.3 短期负荷预测的基本过程
• 1.2 短期电力负荷预测的研究现状
• 1.3 本文的主要工作
• 第二章 电力负荷特性分析及数据的预处理
• 2.1 引言
• 2.2 负荷特性探索性分析
• 2.2.1 负荷的内在特性
• 2.2.2 负荷与非负荷因素的关系
• 2.3 负荷数据的预处理
• 2.3.1 异常数据的查找和替换
• 2.3.2 数据的归一化处理
• 2.3.3 气温数据的量化处理
• 本章小结
• 第三章 基于粗糙集的电力负荷预测模型特征向量提取
• 3.1 引言
• 3.2 粗糙集理论
• 3.2.1 粗糙集的基本概念
• 3.2.2 基于区分矩阵的知识约简
• 3.3 基于RS 输入特征提取
• 3.3.1 基于RS 输入特征提取的具体流程
• 3.3.2 实验结果
• 本章小结
• 第四章 基于支持向量机的短期电力负荷预测模型分析
• 4.1 引言
• 4.2 支持向量回归原理
• 4.2.1 SVM 回归估计算法
• 4.2.2 回归估计函数表达式
• 4.2.3 核函数的构造
• 4.3 基于SVM 的短期电力负荷预测
• 4.3.1 样本特征选择
• 4.3.2 训练样本和测试样本选择
• 4.3.3 训练算法的选择
• 4.3.4 核函数选择
• 4.3.5 SVM 参数选择（试验法）
• 4.3.6 智能参数选择（Grid Search）
• 4.3.7 负荷预测的具体流程
• 4.4 实例分析
• 4.4.1 SVM 模型选定
• 4.4.2 预测结果及分析
• 4.4.3 支持向量机和神经网络的比较
• 本章小结
• 第五章 基于聚类和支持向量回归的短期负荷预测方法
• 5.1 引言
• 5.2 聚类分析
• 5.2.1 聚类的基本概念
• 5.2.2 聚类的常用方法
• 5.2.3 SOFM 网络聚类
• 5.3 基于SOFM 和SVM 的短期负荷预测
• 5.4 实例分析
• 本章小结
• 第六章 总结与展望
• 参考文献
• 致谢