基于数据挖掘技术的电力系统短期负荷预测

摘要

电力系统短期负荷预测是电力系统调度运营部门的一项重要的日常工作,预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量,其特点是:要预测的数据个数多、采集到的样本数据含一定的噪声、受诸多气象因素的影响并具有随机性等.论文在大量查阅国内外资料、跟踪国际前沿技术基础上,综合应用多种数据挖掘技术、主要以预测工作的各个环节为线索,对历史负荷数据的预处理、数据样本的选择、气象因素的处理、预测模型输入参数的确定及模型的建立各方面都作了深入的研究,为高精度的短期负荷预测模型奠定了基础.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

目录

文摘

英文文摘

独创性声明及学位论文使用授权声明

1绪论

1.1概述

1.2短期电力负荷预测的研究现状与发展趋势

1.2.1常用的负荷预测方法

1.2.2短期负荷预测的研究现状

1.2.3目前在电力系统短期负荷预测中未解决的主要问题

1.2.4未来的发展趋势

1.3数据挖掘

1.3.1数据挖掘的定义

1.3.2常用数据挖掘算法

1.3.3数据挖掘的过程以及采用的技术

1.4本文的主要工作

2负荷数据的预处理方法研究

2.1引言

2.2坏数据的分类

2.2.1通道坏数据

2.2.2畸变坏数据

2.3坏数据辨识与调整的基本思想

2.4负荷曲线的聚类

2.4.1自组织特征映射与ART算法

2.4.2采用ART网实现负荷曲线聚类

2.5含有坏数据的曲线模式分类

2.5.1超圆神经元模型(CC)结构及基本原理

2.5.2非正常曲线模式分类

2.6坏数据辨识的组合神经网络模型

2.7基于特征曲线的坏数据调整

2.8实例分析

2.9小结

3基于扩展粗集的预测模型输入参数方法研究

3.1引言

3.2粗糙集理论基础

3.2.1基本概念

3.2.2约简算法研究

3.3基于扩展粗糙集理论的负荷预测模型

3.3.1初始信息表的建立

3.3.2属性值离散化

3.3.3影响因素约简

3.3.4结果分析

3.4 小结

4基于Kohonen网络的预测模型输入样本选择

4.1引言

4.2基于聚类的Kohonen网络模型

4.3负荷模式的形成

4.3.1聚类样本的选取及归一化

4.3.2聚类结果及分析

4.3.3实例验证

4.4 小结

5基于数据挖掘的电力短期负荷预测模型及其算法

5.1引言

5.2以前向人工神经网络建立负荷预测模型

5.2.1传统的BP神经网络

5.2.2改进的BP神经网络

5.3基于数据挖掘技术建立工作日负荷预测模型

5.3.1数据预处理模块

5.3.2数据样本选择模块

5.3.3属性约简模块

5.3.4负荷预测模块

5.4小结

6结论与展望

6.1结论

6.2未来工作展望

致谢

参考文献

附录 硕士期间论文发表及实践情况