数据挖掘方法在短期负荷预测中的应用研究

短期负荷预测是各级电力系统调度、运营部门的一项重要工作，它关系到确定燃料的供应计划、运行中电厂出力要求的制订、经济性安排机组起停以及合理安排机组检修计划等方面。随着电力市场的逐步发展、完善，短期负荷预测对于提高电力系统经济性将起到越来越重要的作用。 随着电力信息化水平的不断提高，大量的负荷及其相关数据被储存在电力系统数据库中，如何合理、有效的利用这些数据，并从中获取对于指导负荷预测工作有用的“知识”是当前面临的一个重要问题。而数据挖掘方法可以从大量的数据中挖掘出隐含的、先前未知的、对决策有潜在价值的知识和规则，并将提取的知识表示为概念、规则、规律、模式等形式，这些知识蕴涵了数据集中的数据对象之间的特定联系，揭示出一些有用的信息。本文综合利用多种数据挖掘方法对电力负荷相关数据进行分析，利用得到的信息为负荷预测建模提供更为合理的依据，使建模过程尽量减少人为的主观影响，解决建模过程中的难点问题，从而提高负荷预测的准确性。 论文首先介绍了负荷预测的基本概念及研究发展现状，然后对数据挖掘的基本定义以及常用方法进行了介绍，并对其在电力系统负荷预测中的应用情况进行了综述。本文的主要研究成果可分为五部分： 第二章提出了基于灰色理论的电力系统异常负荷数据辨识与修正方法。首先将传统灰色预测模型进行了改进，然后分别使用前向灰色插值法和后向灰色插值法对缺失点负荷进行预测，最后使用两种预测的最优组合来确定最终的填补值；在填补负荷缺失点的同时，针对负荷序列中的异常值使用灰色插值方法进行了辨识及修正。 第三章中提出了基于数据挖掘方法的负荷预测神经网络结构的确定。如何合理地确定神经网络的输入变量，并且避免出现过多的输入造成“维数灾”是基于神经网络的负荷预测方法一直没有妥善解决的问题。本章中提出使用模糊粗糙集方法来有效克服传统粗糙集方法的不足进行神经网络输入变量选取；还提出当缺少领域知识的情况下，使用互信息理论来进行神经网络输入参数的合理、有效的选取，经实例验证和比较，表明本章提出的基于模糊粗糙集和互信息理论的属性约简算法是有效可行的。 第四章针对短期负荷预测具有明显周期性的特点，提出了一个改进范例推理系统来进行短期负荷预测。该系统将范例推理、自组织映射以及互信息理论进行了有效的结合。首先使用互信息方法确定了范例的表示、组织方法以及各个范例属性的匹配权重；然后通过选取适当的聚类数目将历史范例进行聚类，在进行范例匹配时进行两次匹配：首先将新问题所对应的范例与各个聚类中心进行匹配，得到最相似聚类，然后再在该聚类中进行二次匹配，最后将得到的最相似范例集进行重用、修正，得到最终预测结果。 第五章提出了一种负荷模式识别、分类方法。针对获取的客户用电数据，在经过一定的预处理后使用多种聚类分析方法进行分析，通过选取最合适的聚类方法以及聚类数目得到工作日及周末的典型负荷代表曲线。然后利用聚类所得到的知识，选择合适的推理方法获取分类规则，从而为将未知类型单位划分给某特征曲线类提供了有效的工具，得到的分类规则也有较高的正确率。 第六章中提出了一个基于多Agent的变电站负荷预测模型，首先将变电站负荷进行聚类辨识、分类，然后对每一个类别分别进行预测，最终将预测结果进行累加，得到该变电站负荷总量。可以将方法进行推广，对区域内各变电站均用此方法进行合成预测，考虑到各区域中负荷模式类别和所占比重均有所不同，而且不同区域内的天气状况也有所区别，本章中首次提出采用多Agent来对预测系统进行了建构。