数据挖掘技术在电力负荷预测系统中应用的研究

论文摘要

本文介绍并分析了现有负荷预测系统模型的优缺点,然后提出了采用数据挖掘技术的负荷预测系统模型。介绍了数据挖掘技术在负荷预测系统中的作用,在数据挖掘技术的选择上,采用了人工神经网络技术。然后采用“批处理”方法改进了BP算法收敛速度慢的缺陷,提高了网络学习效率。接着用改进后的遗传算法结合改进后的BP算法来改善神经网络的局部收敛性,同时采用了模糊理论的知识,对各种数据进行归一化和修正处理,提高了网络的预测精度和学习效率。在对负荷变化规律分析的基础上提出了按日期类型分开建模的96点预测模型。开发了一套界面友好、功能完善的负荷预测软件,其预测平均准确率达到99.5%以上,此系统已成功在北京、黑龙江、河北南网应用,河北南网系统获省部级科技二等奖。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 负荷预测综述
• 1.1.1 负荷预测的概念和分类
• 1.1.2 负荷预测的原理和受影响因素
• 1.1.3 负荷预测的历史和发展方向
• 1.1.4 负荷预测的研究历史和现状
• 1.1.5 负荷预测的意义
• 1.2 数据挖掘综述
• 1.2.1 数据挖掘的概念
• 1.2.2 数据挖掘与传统的统计的区别
• 1.2.3 数据挖掘的基本方法
• 1.2.4 数据挖掘的用途
• 1.2.5 数据仓库与数据挖掘
• 1.3 负荷预测与数据挖掘的关系
• 1.4 选题的意义
• 2 基于数据挖掘的负荷预测系统架构的提出
• 2.1 现有的负荷预测系统架构
• 2.2 基于数据挖掘的负荷预测系统架构
• 2.3 新型架构的特点
• 3 数据挖掘技术的选择与改进
• 3.1 人工神经网络与 BP 算法的改进
• 3.1.1 人工神经网络概述
• 3.1.2 人工神经网络的发展
• 3.1.3 人工神经网络的应用
• 3.1.4 BP 神经网络及算法
• 3.1.5 BP 神经网络算法的缺陷
• 3.1.6 用“批处理”改进 BP 算法
• 3.2 遗传算法及其改进
• 3.2.1 遗传算法概述
• 3.2.2 遗传算法的重要组成部分
• 3.2.3 遗传算法主要应用
• 3.2.4 遗传算法实现的主要步骤
• 3.2.5 遗传算法的缺陷
• 3.2.6 遗传算法的改进
• 4 基于数据挖掘技术的预测系统的实现
• 4.1 网络模型的建立
• 4.2 遗传算法与 BP 算法结合改进 BP 神经网络
• 4.2.1 遗传算法与 BP 算法结合的基本思想
• 4.2.2 算法的实现步骤
• 4.2.3 改进后的网络算法的特点
• 4.2.4 算法相关重要参数的设置
• 4.3 模糊理论在网络输入输出的应用
• 4.4 数据挖掘模块处理流程图
• 4.5 基于 J2EE 平台负荷系统软件的实现
• 4.5.1 开发平台选择
• 4.5.2 系统运行环境
• 4.5.3 系统具体模块组成
• 5 北京电力局实际预测结果对比
• 5.1 2006 年春节期间的预测结果
• 5.1.1 基于数据挖掘系统的预测结果
• 5.1.2 基于时间序列系统的预测结果
• 5.2 2006 年夏秋季的预测结果
• 5.2.1 基于数据挖掘系统的预测结果
• 5.2.2 基于时间序列系统的预测结果
• 5.3 2006 年劳动节的预测结果
• 5.3.1 基于数据挖掘系统的预测结果
• 5.3.2 基于时间序列系统的预测结果
• 5.4 2006 年典型工作日的预测结果
• 5.4.1 基于数据挖掘系统的预测结果
• 5.4.2 基于时间序列系统的预测结果
• 5.5 试验果总结
• 6 总结与展望
• 6.1 总结
• 6.2 展望
• 攻读硕士期间发表的论文
• 攻读硕士期间参与科研项目
• 致谢
• 参考文献