基于知识挖掘技术的智能协同电力负荷预测研究

电力工业是国家的重大基础行业,对于我国经济建设、国家安全、社会稳定、居民生活质量具有至关重要的作用,精确的电力负荷预测对于制定发电计划、制定经济合理的电力调配计划、制定上网竞价计划、控制电网经济运营、降低旋转储备容量、进行电力市场需求分析、避免重大事故、有效化解风险、保障生产和生活用电方面具有十分重要的意义。然而电力负荷预测工作是十分复杂的,它除了包括负荷自身特性、经济人口等定量型因素的影响,同时也包含着不规则事件、日期类型、季节类型、描述性天气等非数字型的定性因素的影响,如果不考虑这些定性因素的影响,无论如何改进负荷预测模型,预测精度都很难有根本性的提高,负荷预测理论也难以有较大的突破。因此,本文提出了基于知识挖掘技术的智能协同电力负荷预测研究思想,旨在结合知识挖掘技术和智能电力负荷预测方法进行协同电力负荷预测,通过知识挖掘直接对数据库中的负荷变量属性及对应的各类影响因素变量属性进行分析处理,在预测时通过计算与预测目标各类知识特征的总体关联程度大小,自动提取具有高度相似性综合知识特征的同类历史数据,再结合智能算法和电力负荷预测方法建立具有针对性的自适应结构的智能预测模型对负荷进行预测,在遇到有少部分具有较大的预测误差点时利用知识挖掘形成的纠偏规则进行相应的后干预工作,能够进一步克服以前的预测方法的不足,使预测精度得到突破性的提高。本文进行的主要工作如下： (1)提出了基于知识挖掘技术的负荷数据规范以及相应的预处理方法。在对影响负荷预测的属性变量进行分类的基础上,建立起相应的数据库结构规范,利用相应的数据预处理方法形成各种负荷预测需要的不同数据视图,可以方便对定性型因素和定量型因素的处理。 (2)建立了基于知识挖掘分类技术的自适应结构的日负荷曲线BP神经网络预测模型。在仅有纯负荷数据的情况下,首先通过计算负荷曲线的相似度对历史数据进行排序并进行初步的预测,然后再利用BP神经网络对误差进行纠偏工作来得到更加精确的预测结果；在具有较多气象数据可供分析时,首先利用聚类分析将日曲线负荷进行聚类分析,然后利用知识挖掘中的分类技术寻求气象数据和曲线负荷聚类之间的关系,形成相应的知识规则,并在形成分类规则时,利用粗糙集的属性约简技术剔除掉冗余属性来加快生成规则的速度,最后利用不同类别的数据训练出不同的BP神经网络模型；这样在进行负荷预测工作时,可以根据预先判断的气象数据找出相应的类别,并选取相应的BP神经网络进行预测来提高预测的精度。在利用BP神经网络进行模型训练时,提出了一种简单的自适应BP神经网络对日负荷曲线进行预测,该自适应网络可以自动确定隐含层节点的个数,无需人为经验的干预。 (3)提出了利用微分进化算法调整参数的支持向量机中长期负荷预测模型。对于中长期负荷预测,由于其样本数据远少于短期负荷预测,因此适用于小样本数据量条件下的支持向量机智能预测方法,该方法可以有效地选取支持向量机所需求的相应参数,可以有效地提高中长期负荷预测的精度。 (4)提出了一种结合知识挖掘后干预纠偏技术、时间序列预测技术以及支持向量机预测方法的日最大负荷预测方法。由于日最大负荷预测不但需要考虑气象因素的影响,还需要考虑不同类型日期、不规则事件对日最大负荷的影响,本文提出的方法不但可以考虑负荷序列的趋势,而且可以考虑非线性因素的影响和不规则事件的影响,经过知识挖掘后干预纠偏后可以有效地提高负荷预测的精度。 (5)提出了基于负荷预测的预警监测指标并建立了基于知识挖掘的自然灾害预警方法。结合上文中的负荷预测方法和预测结果,对短期日负荷曲线进行偏离度的监测以及对中长期供需平衡进行监测,对于气象灾害的预防,给出了冰灾、沙尘暴以及台风三种典型气候的监测方法。在对短期预警监测中筛选监测行业以及形成实际区域冰灾气象条件监测时利用了知识挖掘中的决策树分类属性筛选技术,可以挑选出重要的监测对象以及冰灾预警的相应条件。 (6)对基于知识挖掘智能协同负荷预测技术的用电分析及预测系统进行了研究。该系统对上述知识挖掘和智能算法的研究成果进行了软件上的实现,有别于基于传统算法或是其他改进算法开发出的负荷预测系统。