数据挖掘和人工智能理论在短期电力负荷预测中的应用研究

电力系统短期负荷预测是电力部门的一项重要工作。它关系到电力系统的调度运行和生产计划,准确的负荷预测有助于提高系统的安全性和稳定性,能够减少发电成本。随着电力市场的建立和发展,短期负荷预测将发挥越来越重要的作用。 本文从改进负荷预测历史数据的准确度和相关性,降低神经网络输入矢量冗余度,以及优化神经网络模型结构的角度出发,探讨了电力系统负荷的组成和特点,分析了与电力负荷预测相关的各种因素对短期电力负荷预测影响,研究了短期电力负荷预测的现状和存在的问题,并在此基础上进行了系统深入的研究和探索,主要的研究工作如下: 电力负荷是一个随机非平稳过程,其负荷观测值由于受到各种因素的影响,可能会存在某些“坏数据”或“不良数据”,这些数据夹杂在正常的负荷数据中参与神经网络的训练,严重影响了负荷预测的精度。本文在传统聚类算法—CURE的基础上,引入信息熵的概念,提出了一种新型的电力负荷离群数据挖掘算法,实现了对不良数据的准确辨识和修正,还可为电力调度部门提供有用的信息。 通过对历史负荷数据规律性,以及负荷与各种外界环境因素关联性的分析,发现良好的负荷模式分类可为电力负荷预测提供更为全面准确的历史样本数据。为此本文提出了一种基于多目标遗传优化算法的模糊分类系统,它解决了传统模糊分类系统在多维输入矢量情况下的维数灾难问题,并兼顾了分类规则的准确性和可解释性。同时,在此算法中采用关联挖掘算法来缩小遗传优化算法的寻优空间,改善遗传算法的搜索性能,取得了较好的分类效果。它可为电力负荷预测提供更为准确全面的训练数据,有效改善负荷预测(特别是历史数据相对较少的节假日负荷预测)的精度。