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;提纲;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);至在线信息发布;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;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。;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;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。;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);1.3问题和难点(2);2.1负荷特性;2.2非负荷因素对负荷的影响;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;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);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;2.3系统介绍(4)-预测;2.4考虑气象因素的负荷预测(1);2.4考虑气象因素的负荷预测(2);2.4.1节假日算法简介;2.4.2正常日算法;2.4.2.1决策树技术简介(1);2.4.2.1决策树技术简介(2);2.4.2.1决策树技术简介(3);2.4.2.2时间序列技术(1);2.4.2.2时间序列技术(2)－负荷序列的平稳化;2.4.3气象预报误差对负荷预测的影响;谢谢大家！