基于数据挖掘的短期电力负荷预测

• 作 者: 石雪
• 发表日期: 2014年期
• 关键词: 数据挖掘 模糊C均值聚类 通径分析 相似日 支持向量机

短期电力负荷预测对电力系统的运行、控制和计划都有着非常重要的影响，准确的负荷预测对于保证电力系统安全、稳定运行具有十分重要的意义。本文综合运用多种数据挖掘技术，研究了历史负荷数据的预处理、负荷相关因素的分析、训练集的选取及预测模型的建立，为建立一个高精度的短期负荷预测系统软件的集成开发奠定基础。首先，针对负荷预处理问题，本文采用基于加权核函数的模糊Ｃ均值聚类的改进算法，以加权的高斯核函数替代欧氏距离作为聚类目标公式的不相似性测度函数，减小了计算复杂度，另外用减法聚类算法初始化模糊C均值聚类的聚类中心和聚类数目。对数据进行聚类之后，采用收敛速度快、模式分类能力强的径向基函数神经网络对数据进行辨识，并修正识别出的异常数据，实验证明本文提出的数据处理模型是较为有效的。其次，针对相似日问题，提出了基于改进相似度的模糊聚类提取相似日的方法，通过通径分析得到日特征向量对日平均负荷的影响权重，自定义综合了加权相似系数和加权距离系数的统计量－相似度，建立模糊相似矩阵将历史日样本划分为若干类。通过分类识别获得与预测日最相似的一类历史日样本集。最后，针对正常日问题，在前面的基础上，采用支持向量机模型作为短期电力负荷预测模型。根据广东省佛山市的电力负荷数据，并把本文的模型与基于支持向量机的电量预测模型做对比，结果表明本文的模型具有更高的预测精度。对预处理数据与原始数据分别采用本文的预测模型进行预测，预测结果表明本文数据预处理有助于提高预测精度。