基于数据挖掘技术的负荷预测模型.pdfVIP

第43卷第6期 大 连 理 工 大 学 学 报 Vol .43,No.6 2003年 11月 Journal of Dalian University of Technology Nov. 2 0 0 3 文章编号: 1000-8608(2003)06-0845-04 基于数据挖掘技术的负荷预测模型 * 李秋丹, 迟忠先 , 王大公 ( 大连理工大学 计算机科学与工程系, 辽宁 大连 116024 ) 摘要:为有效选取预测变量和训练模式、提高预测精度,提出了一个基于数据挖掘技术的负 荷预测模型. 该模型首先利用粗集理论和遗传算法选取与负荷相关的预测变量,再选取与预 测日相似的训练模式,最后用神经网络对负荷进行预测. 实际运行结果表明将该模型应用于 电力系统负荷预测是可行的,其与传统的神经网络预测模型相比具有更高的预测精度. 关键词: 数据挖掘; 负荷预测; 粗集; 遗传算法; 人工神经网络 中图分类号: T P18 文献标识码: A 0 引 言 1 基于数据挖掘技术的负荷预测模型 负荷预测是电力系统中重要的工作之一,准 基于数据挖掘技术的负荷预测模型采用数据 确预测对于机组起停、调度运行等工作极为重要. 挖掘技术从数据集中挖掘隐含在其中的负荷和影 在众多的预测方法中,神经网络是最流行的一个, 响因素的关系,选取与负荷相关的因素作为神经 它通过对影响因素和历史负荷的学习来发现其中 网络的输入变量,选取相似的训练模式对神经网 的关系,从而对未来负荷进行预测. 由于影响负 络进行训练、预测. 其中粗集理论和遗传算法用 荷的因素很多且关系复杂,预测变量和训练模式 来选取与负荷相关的预测变量,神经网络用来对 的选取对一个预测模型来说尤其重要,然而神经 负荷进行预测. 模型结构如图 1 所示. 网络不具备自动选取相关影响因素和相似训练模 式的能力,仅仅凭借经验选取的方法并不能保证 得到准确的预测结果,因而需要一个可以从历史 数据中自动找出与负荷相关的影响因素和与预测 日相似的训练模式从而进行预测的模型. 数据挖掘也称数据库中的知识发现,是从大 图 1 预测模型 量数据中发现有效、新颖、有潜在价值的知识的过 Fig.1 T he flowchart of prediction m odel 程,神经网络、遗传算法、粗糙集和决策树是当前 常用的挖掘技术[ 1] . 其中粗集理论通过求解属性 2 属性约简算法 集合的约简来对数据进行浓缩和简化,降低数据 2.1 算法原理 维数和问题的复杂度;遗传算法是一种仿生全局 属性约简是粗集理论研究的核心内容之一, 优化算法,通过染色体的交叉、变异达到优化目 现有约简算法大多从粗糙集的核出发,采用启发 的;神经网络常用来进行预测和分类. 鉴于此,本 式算法,利用一些准则衡量属