数据挖掘在电力系统短期负荷预测智能化建模中的应用研究

摘要

负荷预测是电力系统的一项基本工作,在整个经济运行中占有重要地位.可靠的负荷预测不仅对系统规划非常重要,在电力的市场化趋势下,它还直接带来可观的经济效益.近二十年来,国内外大量的专家学者对负荷预测技术进行了卓有成效的理论研究和应用实践.但是,从公开的文献来看,这项技术的重点主要集中在模型和算法设计上,对负荷影响因素的分析却比较笼统.事实上,如果影响因素没有分析正确,要得到准确的负荷预测是相当困难的.本文认为,要进行准确的负荷预测,必须对历史数据进行深入分析,由于数据挖掘技术具有从海量信息中挖掘知识的能力,因此在负荷预测中引入了数据挖掘理论,以期建立智能化的预测模型.通过制定各种数据挖掘元模式,指导数据挖掘引擎对历史数据仓库进行挖掘,来发现有用的知识.这些知识包括影响负荷变化的因素、因素变化时负荷变化的规律、与预测日输入信息最适合的训练样本及预测样本等.此外,本文将用于数据挖掘和预测的模型算法提取出来单独组建模型算法库,提出了模型算法分离的思路,以期使模型和算法的组合具有更大的灵活性,提高效率和节省资源.在预测模式和模型算法的选择上,本文也提出了一种新的策略,运用不同预测模式下,各种模型算法组合的历史测试记录和预测记录,为预测模式和模型算法的选择提供参考.在具体的模型算法设计上,论文的主要工作可以概述为:针对传统K均值聚类算法的不足,提出了一种新的聚类算法——逐级均值聚类算法,解决了传统聚类算法解的局部最优性问题和如何确定聚类数目的问题.在应用该算法确定RBF模型隐含层的中心向量时,同时确定了隐含层的节点数和RBF网络模型的结构.对于RBF网络参数的确定,文中也提出了一种新的交互式的学习方案,将学习样本分为训练样本和测试样本,分别对网络进行权值确定和半径调节,得到了非常稳定的网络结构.

目录

文摘

英文文摘

独创性声明及学位论文版权使用授权书

1绪论

1.1论文工作背景

1.2负荷预测的基本原理

1.3短期负荷预测的研究现状

1.4本文的主要工作和章节安排

2负荷预测分析和建模

2.1电力系统负荷的一些基本概念和特点

2.2预测的数学描述与分析

2.3负荷预测的模型构造

2.4预测的模型的评估指标

2.5本章小结

3数据挖掘理论

3.1数据仓库和数据挖掘的基本概念

3.2概率统计类数据挖掘技术

3.3知识类数据挖掘技术

3.4数据挖掘的理论基础

3.5数据挖掘与负荷预测技术

3.6本章小结

4模型算法设计与模型算法库构造分析

4.1模型算法设计

4.1.1贝叶斯网络

4.1.2聚类算法

4.1.3基于逐级均值算法的RBF网络预测模型

4.2模型算法库的构造

4.3本章小结

5智能化负荷预测模型

5.1应用数据挖掘进行数据分析

5.2智能化预测模型

5.3实例分析

5.4本章小结

6总结与展望

6.1总结

6.2展望

致谢

参考文献

附录1攻读硕士学位期间发表的论文目录

附录2攻读硕士期间参加的科研项目