基于数据挖掘技术的气温敏感负荷短期预测研究

提出一种基于改进K-means聚类算法的ARMA预测模型来提高短期负荷预测的精度。采用改进K-means算法解决了传统K-means聚类算法聚类数不确定、初始聚类中心盲目选取的缺点,同时还可提高聚类的效率。在考虑气象因素的情况下,建立了气温与湿度的关系模型,通过负荷与气温的聚类分析,在不同簇内建立相应的ARMA预测模型进行负荷预测,对预测结果进行修正与综合。实例分析表明:运用该方法可将预测结果的平均相对误差控制在2%以内,夏季和冬季的预测平均误差更是低至1.78%和1.48%;相比于单纯的ARMA预测法和考虑气象因素的传统K-means聚类的ARMA预测法,该方法在提高预测精度上有更明显的优势。