新的负荷预测方法(数据挖掘).ppt

基于数据挖掘技术的短期负荷预测 清华大学电机系 何光宇 gyhe@ 46 提纲 1 介绍 1.1 基本概念 1.2 常用模型 1.3 存在问题 2 基于数据挖掘的新的负荷预测方法 2.1 负荷特性 2.2 气象因素对负荷影响分析 2.3 负荷预测系统简介 2.4 考虑气象因素的负荷预测方法 2.5 展望与提高 1.1 基本知识(1) 负荷预测分类： 长期负荷预测 （1年到数十年） 中期负荷预测 （1月到1年） 短期负荷预测 （1日到1周） 超短期负荷预测 （1小时以内） 1.1 基本知识(2) 负荷预测的主要原理 可知性原理 可能性原理 连续性原理 相似性原理 1.2 常用模型 回归预测模型 随机时间序列模型 灰色预测模型 神经元网络模型 组合预测模型 1.2.1 回归预测模型 回归预测模型 影响负荷的因素是多种多样的，构造一个合适的预测函数是十分困难的，即使构造出了一个预测函数，也难以保证在一些影响因素不断变化的条件下仍能描述负荷变化的复杂规律。 1.2.2 随机时间序列模型 随机时间序列模型（ARIMA） 在气候等因素变化不大时，体现了负荷随时间呈周期性变化的主要规律，预测效果良好 ； 但不能考虑各种不确定因素的影响，在随机因素变化较大或坏数据没有剔除的情况下，预测结果不甚理想。 1.2.3 灰色预测模型 灰色预测模型 模型认为无规律的负荷数据列累加后，可生成指数增长规律的上升序列。 不能体现短期负荷变化的周期性和随机性。 1.2.4 神经元网络模型 神经元网络模型（ANN） 经训练的ANN是不透明的，ANN中的知识表示是高度分布化的，因此理想的信息处理过程非常困难。 神经网络存在训练时间长收敛慢的弱点。对于原始数据要求较高，必须进行坏数据处理。 1.2.5 组合预测模型 组合预测模型 此法对于预测精度的改进是基于各种单一模型的预测结果。 各种单一模型在天气变化或出现重大事的特殊日，所产生的预测误差往往具有相同的趋势。对这些结果进行加权平均，所得的预测误差往往是大于预测精度最高的单一模型。 1.3 问题和难点(1) 负荷受各种非负荷因素的影响越来越大。 非负荷因素很多，包括各种气象因素，如每天二十四点温度，每天二十四点降水量，舒适度，还有小水电等等。 这些非负荷因素同时作用于负荷 随着生产和生活水平的提高，负荷对非负荷因素的反应的灵敏度也会不断变化，负荷受非负荷因素影响规律也在不断变化 1.3 问题和难点(2) 预测方法的选择 以往的做法是提供很多种方法供用户选择 应该为用户提供一种通用的方法 2.1 负荷特性 高增长率 年度增长率高 冬夏季增长率要明显高于全年平均增长 受各种非负荷因素影响越来越大 2.2 非负荷因素对负荷的影响 各种非负荷因素：气象、季节、节假日、特殊事件等，对负荷有着较大影响 这其中，气象对负荷影响最大；在众多气象因素中，温度又是最重要的因素 下面进行简要说明 2.2非负荷因素对负荷的影响(1)-某时刻温度对该时刻负荷影响 2.2非负荷因素对负荷的影响(2)-某时刻温度对该时刻负荷影响 2.2非负荷因素对负荷的影响(3)-某时刻温度对该时刻负荷影响 2.2非负荷因素对负荷的影响(4)－多时刻温度对某时刻负荷影响 温度对负荷的影响相当复杂，而且存在一定的滞后性 在不同的时段，温度对负荷影响的滞后时间也大不相同。 决策树技术是数据挖掘重要的方法。该方法能从海量数据中，挖掘出众多因素对某一因素的影响规律，并按照影响强度将“知识”用树的方式表达出来。 2.2非负荷因素对负荷的影响(5)－各种非负荷因素对某时刻负荷影响 2.3 短期负荷预测系统简介(1) 1 系统硬件结构 2 系统逻辑结构 3 基于B/S结构的一体化的负荷预测软件包 4 负荷分析与负荷建模工具 2.3 系统介绍(1) -硬件结构 2.3 系统介绍(2) -软件结构 2.3 系统介绍(3) -基于B/S结构 基于B/S结构的一体化的负荷预测软件包 基于B/S结构，应用程序在浏览器上运行，客户端零安装、零维护 强安全性。有IP地址校验功能，只有用户名、密码和IP地址都符合的用户才能使用本系统。 智能、稳定、灵活的外部数据读入。 预测结果便于修改，以体现用户的专家知识。 用户在家中也可使用本系统 2.3 系统介绍(4)-预测 2.4 考虑气象因素的负荷预测(1) 国内外负荷预测方法概述 经典预测方法 多元线性回归 时间序列方法 状态空间及卡尔曼滤波分析法 指数平滑法 现代预测方法 专家系统法 人工神经网络法 模糊预测法 2.4 考虑气象因素的负荷预测(2) 节假日算法 外推插值算法 正常日算法 决策树技术与时