负荷预测中的数据预处理方法.pdfVIP

·2472·人工智能在电力系统中的应用

负荷预测中的数据预处理方法

闫建伟

（西安交通大学电力工程系，西安710049）

摘要：针对不同问题，分别基于粗糙集理论、小波理论、贝重视了后面的预测过程，对历史数据的处理却比较

叶斯统计理论、多重插补思想，本文介绍了短期负荷预测中粗糙甚至不加处理，导致精度不能进一步提高。本

四种数据预处理方法，并对各方法的基本原理和实现做了简文研究了四种新型实用的预处理方法，这四种方法

要介绍。有的尚未应用到负荷预测中，有的则刚起步。

关键词：短期负荷预测，粗糙集，小波分析，贝叶斯统计，2基于粗糙集理论的数据预处理

多重插补

运用该理论预处理数据的目的是通过量化各

影响因素的重要程度，保留重要因素，舍弃次要因

1引言

素，以提高预测精度和运算速度。有关粗糙集的基

短期电力负荷预测是非常重要的一项决策支础理论可参考文献[1]。

持技术,它是电力系统调度和管理部门制订负荷分粗糙集理论是波兰数学家Z．Pawlak于1982

配以及开停机计划的主要依据。近几年来，随着电年提出的一种数据分析理论，是一种用于研究不完

力改革的深入和电力市场的逐步建立，各电力公司整、不确定性以及模糊知识数据的表达、学习和归

对于电力系统短期负荷预测越来越重视。无论是电纳的理论。其最大特点是无需提供待处理数据集合

网的安全运行和经济运行，还是发电公司的竞价上之外的任何先验信息（这与下面提到的贝叶斯方法

网、电力公司或供电公司的购电计划的制定等等，形成对比）。粗糙集理论一个重要的概念是属性约

都与短期负荷预测有着密切的关系。简，即通过分析属性重要程度，抓主要矛盾，使问

早期的传统方法以时间序列法、回归分析法为题得到简化。应用到电力负荷预测问题，即可以量

主，他们计算量小，速度较快，但由于模型过于简化负荷各影响因素（如温度、湿度、风力等）的重

单，因而无法模拟电力负荷的随机特性。近年来，要程度，进而可以不考虑某些次要因素。这将带来

随着人工智能技术的快速发展和相关数学理论的两个好处，一是提高了数据的代表性，避免了次要

不断完善，各种新型数据预处理方法也在不断涌因素引入误差。目前负荷预测并非考虑的影响因素

现，本文拟就各种数据预处理的新方法做一总结，越多越好，因为现有技术关于影响因素如何对预测

并简要分析其数学原理和具体实现。过程发生作用以及如何度量该作用尚未得到圆满

历史数据是负荷预测的根基，任何预测技术都解决，这意味着次要因素的不精确运用可能要增加

是针对历史数据进行研究，发现其内在规律，进而误差，比如同等对待各因素，次要因素就可能会削

预测未来负荷，所以历史数据的真实、准确、简洁弱或湮没重要因素。二是使输入向量维数降低，提

直接影响到预测精度高低，一个理论上很成熟的方高预测速度，如采用支撑向量机算法预测时，运算

法，若缺乏有效的历史数据，也必然无法得到好的速度对输入向量的维数比较敏感，对输入向量进行

预测结果。而事实上，现有的历史资料经常不能准简化，速度会得到很大提高。

确反映过