数据挖掘及其在电力负荷预测中的应用.pdfVIP

数据挖掘及其在电力负荷预测中的应用刘齐更，等

数据挖掘及其在电力负荷预测中的应用

DataMiningandItsApplicationinPowerLoadForecasting

纠每更李长凯

(新疆大学电气工程学院，新疆乌鲁术齐830008)

摘要：电力负荷预测作为电力生产部门的重要工作之一，是根据电力负荷历史数据和其他各类相关影响因素进行预测的，因此，

其预测精确度很大程度上取决于历史数据的准确程度。数据挖掘为分析各种海量的、复杂的、含有噪声的数据提供了新的方法。针

对电力系统的基本特征，提出一种基于最优区间分割和单调递减阈值函数的聚类方法，然后应用Kohonen网提取相关负荷的特征曲

线，并将其用于不良数据的校正。通过对电力负荷的仿真分析验证了该算法的有效性。

关键词：数据挖掘负荷预测人工神经网络Kohonen聚类分析

中图分类号：TM714文献标志码：A

Abstract：Loadforecastingisoneofthecriticaljobsinelectricpowerproductiondepartment．Itisbasedonhistoricalloaddataandothervari—

OUScorrelative—influencingfactors．ThustheforecastingaccuracygreatlydependsonprecisionofthehistoricaldataDataminingprovidesanew

methodforanalyzinghugeamountofcomplicateddatacontainingnoise．Aimingattheessentialcharacteristicsofpowersystemtheclustering

，

methodbasedonoptimalregionalbreakupandmonotonousdecreasingthresholdfunctionisproposed．Thencorrelativeloadcurveisextracted，

andthebaddataarecorrectedbyadoptingKohonennetwork．Throughsimulationanalysis，theeffectivenessofthemethodisverified．

Keywords：DataminingPowerloadforecastingArtificialneuralnetworkKohonenClusteringanalysis

O引言1离群数据挖掘算法比较

准确地进行短期负荷预测是电力系统安全经济运目前，常用的离群数据挖掘算法有’：

行的基础，对机组组合、经济调度、最优潮流计算以及①基于统计的方法。包括鲁棒回归法、状态估计

电力市场均具有重要意义。由于负荷具有较大程度的法，它们对不确定系统和异常数据十分敏感，有时可

不确定性，要对次13负荷作出准确预测较为困难。其能会因为仅仅一个异常数据而影响估计效果。

中地区短期负荷预测因基荷小且受特定的外部因素②基于聚类的方法。划分聚类算法k—means在计

(如小水电、冲击负荷、台风等)的影响大而成为负荷算速度和节省内存占用量方面具有优势，但对所选择

预测的难点所在。数据挖掘用于从大量的数据中挖掘的初始划分和异常数据十分敏感，且只能产生超球面

出明显偏离其他数据、不满足数据一般行为或模式、与的聚类。而层次聚类算法CURE在处理异常数据和不

存在的其他数据不一致的数据。规则形状的数据集时鲁棒性更强，而且可以实现超曲

目前，数据挖