基于数据挖掘技术的南京地区短期电力负荷预测方法研究

摘要

电力负荷预测是供电部门的重要工作之一，准确的负荷预测，可以经济合理的安排电网内部发电机组的起停，保持电网运行的安全稳定性，减少不必要的旋转备用容量，合理安排机组检修计划，保证社会的正常生产和生活，有效降低发电成本，提高经济效益和社会效益。负荷预测的结果，还可以有利于决定未来新的发电机组的安装，决定装机容量的大小、地点和时间，决定电网的建设和发展。
　　本文基于数据挖掘技术的聚类分析技术，使用K-means聚类分析方法对历史负荷数据进行聚类分析，初始聚类个数设置为2，聚类结果与负荷中的工作日和节假日类型很好的对应。基于聚类分析结果，对实际负荷数据进行异常数据检测，对检测出的异常数据利用灰色理论的GM（1，1）模型实现了异常数据的修正。通过查询气象部门相应日期的气象数据，将当日的气象数据与步长为6的前推历史负荷值以及相应的聚类特征参数作为神经元输入，进行神经网络分析。最终实现整点负荷的预测。对南京江宁区实际负荷预测结果证明了本文所用方法的有效性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 电力系统负荷预测概述

1.1.1 短期负荷预测的传统方法

1.1.2 短期负荷预测的研究现状

1.2 数据挖掘技术

1.2.1 数据挖掘常用方法[27]

1.2.2 电力系统负荷预测数据挖掘研究现状

1.3 本文的研究内容

第2章 基于数据挖掘的负荷特征聚类

2.1 聚类分析

2.1.1 几种聚类方法的介绍

2.2 负荷曲线的规律分析及特征量选择

2.2.1 负荷特征分析

2.2.2 负荷特征量选取

2.2.3 基于负荷特征量的负荷模式聚类

第3章 基于数据挖掘和灰色模型的异常数据处理

3.1 数据预处理

3.2 基于数据挖掘的异常数据检测

3.3 基于灰色理论的异常数据修正

3.3.1 灰色系统理论

3.3.2 灰色序列生成

3.3.3 基于灰色预测模型的异常数据修正算法

3.3.4 数据预处理算例

3.4 本章小结

第4章 南京地区负荷预测实例分析

4.1 特征参数提取与聚类分析

4.2 异常数据检测与修正

4.2.1 异常数据检测

4.2.2 异常数据修正

4.3 基于人工神经网络的最终负荷预测

4.3.1 神经网络算法

4.3.2 基于BP神经网络的最终负荷预测

4.4 本章小结

第5章 结论与展望

参考文献

致谢

作者简介