数据挖掘技术及应用.pptVIP

数据挖掘FAQ 数据挖掘FAQ—What 数据挖掘FAQ—Why 数据挖掘FAQ—Which 数据挖掘FAQ—Which 数据挖掘FAQ—Who 数据挖掘FAQ—How 负荷预测—数据取样 趋势成分：显示一个时间序列在较长时期的变化趋势 季节成分：反映时间序列在一年中有规律的变化 循环成分：反映时间序列在超过一年的时间内有规律的变化 不规则成分：不能归因于上述三种成分的时间序列的变化 负荷预测—移动平均模型 改进移动平均预测模型，将计算平均值对于不同时期观测值的权数设置得不同：近期的权数较大，远期的权数较小。 指数平滑的叠代算法。 负荷预测—指数平滑模型 当电力负荷依时间变化呈现某种上升或下降的趋势，并且无明显的季节波动，又能找到一条合适的函数曲线反映这种变化趋势时，就可以用时间t为自变量，时序数值y为因变量，建立趋势模型y＝f(t)。赋予变量t所需要的值，可以得到相应时刻的时间序列未来值。这就是趋势外推法。 线性趋势预测法、对数趋势预测法、二次曲线趋势预测法、指数曲线趋势预测法。 负荷预测—趋势预测模型 对于既含有线性(非线性)趋势成分又含有季节成分的时间序列，可对其成分进行分解，这种分解建立在以下乘法模型的基础上： 其中，Tt表示趋势成分，St表示季节成分，It表示不规则成分。由于不规则成分的不可预测，因此预测值就可表示为趋势成分和季节成分的乘积。 建立季节指数模型的一般步骤如下： 第一步，计算每一季（每季度，每月等等）的季节指数St 。 第二步，用时间序列的每一个观测值除以适当的季节指数，消除季节影响。 第三步，为消除了季节影响的时间序列建立适当的趋势模型并用这个模型进行预测。 第四步，用预测值乘以季节指数，计算出最终的带季节影响的预测值。 灰色预测是一种对含有不确定因素的系统进行预测的方法。 把一切随机过程看作是在一定范围内变化的、与时间有关的灰色过程，可在数据不多的情况下找出某个时期内起作用的规律，建立电量和负荷预测的模型。 从因果关系出发，利用数理统计学中的回归分析来找出事物变化的规律，从而进行预测。分为简单线性回归分析，多元线性回归分析，非线性回归分析。 回归分析主要体现： 判别自变量是否能解释因变量的显著变化--关系是否存在； 判别自变量能够在多大程度上解释因变量--关系的强度； 判别关系的结构或形式--反映因变量和自变量之间相关的数学表达式； 预测自变量的值； 当评价一个特殊变量或一组变量对因变量的贡献时，对其自变量进行控制。 传统的预测模型是用显式的数学表达式加以描述，这就决定了它的局限性。 由于影响负荷变化的因素有很多，且关系错综复杂，寻常的模型如状态估计和多元回归等方法难于把握其影响因素和负荷变化之间的非线性函数关系，因此需要一种具有非线性函数映射关系的模型来进行模拟。 神经元网络模型就具有这样的优点和特性，事实上正是因为它的发展才使得高精度的负荷预测成为可能。 评价模型准确性 均方误差（MSE） 平均绝对误差（MAE） 平方和误差（SSE） 平均相对误差（MAPE） 总结—课程总结 总结—电力数据挖掘技术应用展望 数值预测的实质，就是通过对已知的样本构建一维或多维的空间模型，然后通过内插或外推方法实现预测。 超短期负荷预测：一小时以内的负荷预测为超短期负荷预测，用于安全监视、预防性控制和紧急状态处理。 短期负荷预测：对未来一天 24 小时到未来几天的负荷预测。这种预测的意义在于确定燃料的供应计划，对运行中的电厂出力要求提出预告，经济安排电网内发电机组的启停，降低旋转备用，合理安排机组检修计划，估计水力发电工程的水库和水文情况，在完善电力市场的趋势下，精确的短期负荷预测意味着巨大的经济效益。 中长期负荷预测：预测未来1到5年负荷的变化。月至年的负荷预测为中期负荷预测，主要确定电网的运行方式和设备大修计划等。? * 短期负荷预测的方法很多，并且随着这一领域研究的不断深化，新的短期负荷预测方法不断涌现。总的来讲，短期负荷预测的发展可以分为三个阶段：传统预测方法阶段、现代预测方法阶段和短期负荷预测的应用研究阶段。传统预测方法阶段的基础是传统数学工具，代表性的方法有回归模型法、时间序列法、趋势外推法等。现代预测方法是随着人工智能研究领域的兴起而出现的，它结合了人工智能领域的神经网络、小波分析、模糊数学等学科的最新研究成果，这是短期负荷预测方法发展历史中一个里程碑，其中最主要的是神经元网络理论的运用与发展。由于影响负荷变化的因素有很多，且关系错综复杂，寻常的模型如状态估计和多元回归等方法难于把握其影响因素和负荷变化之间的非线性函数关系，因此需要一种具有高度非线性函数映射关系的模型来进行模拟，神经元网络模型就具有这样的优点和特性，事实上正是因为它的发展才使得高精度的负荷预测成为