基于K-means聚类的LS-SVM短期负荷预测方法研究

摘要

短期负荷预测作为电力部门的一项重要工作，在智能电网大环境下具有更加重要的意义。其预测精度的高低直接关系着电力系统的安全、稳定、可靠、经济运行。因此，如何提高预测精度成了短期负荷预测的研究重点。由于短期负荷预测与实际电网负荷特性，运行情况，当地气象、经济、社会等现实因素息息相关，因此，分析影响负荷预测的因素，运用数学和计算机等方面的知识，对历史数据进行预处理，消除其中不能反应负荷真实情况的异常数据，建立合理准确的数学模型，最终方可得到高精度的预测结果。
　　本文通过研究短期负荷预测的国内外发展现状，归纳了传统与智能负荷预测方法，在分析了已有智能方法的优缺点后，总结出当前待解决的关键性问题。结合浙江省某地区的负荷特性及影响因素，采用双向比较法对历史数据进行必要的预处理。为了避免多种影响因素及多类型负荷对预测造成的维数灾难及低精度问题，采用数据挖掘中的经典聚类算法——K-means算法，对历史负荷数据进行聚类分析，从而选择相似日数据建立样本集，采用能较好地解决小样本、非线性、高维数和局部极小点等实际问题的最小二乘支持向量机(LS-SVM)方法建立模型，并引入结构简单、寻优速度较快的果蝇参数优化算法(FOA)对其参数进行优化，建立基于K-means聚类的FOA-LSSVM短期负荷预测模型。
　　通过研究发现，由于不同用户具有不同的负荷特性，导致其日负荷曲线不尽相同，因此，将该模型应用于分类负荷预测中，采用浙江省某地区2014年6月至11月各行业负荷作为样本集，对国庆假日前三天及11月最后三天的每天24点负荷进行预测，并将分类预测结果与不经聚类的预测模型和经过聚类的全市系统负荷预测模型的预测结果进行比较。研究表明，基于 K-means聚类的 FOA-LSSVM短期分类负荷预测模型不仅提高了整体的平均预测精度，同时也降低了工作与休息相间时刻的预测误差，使平均绝对百分比误差降低到1.41％。

目录

封面

声明

目录

中文摘要

英文摘要

插图索引

附表索引

第1章 绪论

1.1课题研究背景及意义

1.2负荷预测的主要研究方法

1.3短期负荷预测的研究现状及存在的问题

1.4研究的主要内容及创新点

第2章 负荷预测概述

2.1负荷预测基本原理

2.2负荷预测的分类及特点

2.3负荷预测影响因素

2.4电力负荷模式分析

2.5本章小结

第3章 基于数据挖掘的电力负荷数据预处理

3.1历史数据误差来源

3.2数据挖掘在数据预处理中的应用

3.3实例分析

3.4本章小结

第4章 基于最小二乘支持向量机的短期负荷预测模型

4.1支持向量机相关理论

4.2最小二乘支持向量机(LS-SVM)

4.3实例分析——基于果蝇参数优化的LS-SVM预测模型

4.4本章小结

第5章 基于K-means聚类的FOA-LSSVM短期分类负荷预测

5.1工业类负荷预测模型

5.2农业类负荷预测模型

5.3商业类负荷预测模型

5.4民用类负荷预测模型

5.5其它负荷预测模型

5.6全市负荷预测模型

5.7预测结果的比较

5.8本章小结

总结与展望

研究工作总结

今后的展望

参考文献

致谢

附录A 发表的学术论文目录

附录B K-means聚类中心