基于数据挖掘技术的短期负荷预测

发布时间：2017-08-16 17:38

  本文关键词：基于数据挖掘技术的短期负荷预测

  更多相关文章： 聚类 决策树 数据挖掘技术 支持向量机 负荷特性分析 母线负荷预测 短期负荷预测

【摘要】：电力系统负荷预测是电网制定发电计划和电力系统发展规划的基础,也是电力系统安全运行的重要依据。随着电力改革的推进,价格竞争机制的引进对电力系统负荷预测提出了更高的要求。负荷预测有着长久的历史和成熟的负荷预测的理论及方法,但是有必要对现有的负荷预测方法加以改进以提高负荷预测的精度,进而满足电网对负荷预测精度的要求。随着用电信息采集系统的广泛建立,使得我们能够从用户侧采集大量的历史负荷数据,这些数据为我们在负荷预测这个场景应用新的预测手段和方法提供了基础。与以往传统的负荷预测建立在应用小规模数据的基础上不同,新的大量数据积累使得我们可以在应用规模庞大的历史数据针对不同用户进行负荷特征分析的基础上进而进行负荷预测。本文提出了基于一种基于数据挖掘技术和支持向量机的负荷预测方法,该方法在基于现有大量历史数据的基础上提出了支持向量机预测模型样本选取的新颖思路。首先采用层次聚类法对历史日负荷进行聚类分析,利用层次聚类得到的分类结果以及历史天气、星期类型、节假日类型等数据建立决策树,然后根据待预测日的属性在已建立的决策树中查询得到历史相似日并输入支持向量机建立预测模型,利用得到的支持向量机预测模型对待预测日的负荷进行预测。本文中验证新方法所用数据均为浙江省某地级市的历史负荷数据和历史天气数据。文中用新提出的方法对浙江省某地区的日96点负荷进行预测,并将该算法预测结果与传统的支持向量机算法预测结果进行比较,本文提出的方法解决了传统基于支持向量机建立模型训练时日期选取不能准确反映待预测日特征的问题,故本算法预测结果具有更高预测精度。基于将母线负荷预测结果累加可以消减预测误差的原理,本文提出针对地区负荷将各母线负荷单独预测,结果进行累加,进而消减预测误差,提高预测精度,同时文中也对基于母线负荷的综合负荷预测的优势及消减误差的原理进行了介绍。
【关键词】：聚类 决策树 数据挖掘技术 支持向量机 负荷特性分析 母线负荷预测 短期负荷预测
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM715;TP311.13
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-12
• 1 绪论12-16
• 1.1 电力系统负荷预测的任务以及意义12
• 1.2 国内外研究现状12-14
• 1.3 论文的主要工作和篇章结构14-16
• 1.3.1 本文的主要工作14-15
• 1.3.2 本文的篇章结构15-16
• 2 基于数据挖掘的负荷分类技术16-24
• 2.1 K均值聚类16-17
• 2.1.1 K均值聚类原理16-17
• 2.1.2 K均值聚类方法的缺点17
• 2.2 DBSCAN17-18
• 2.2.1 根据基于中心的密度进行点的分类17
• 2.2.2 DBSCAN算法17-18
• 2.2.3 DBSCAN的优缺点18
• 2.3 层次聚类法18-19
• 2.3.1 层级聚类法原理18-19
• 2.3.2 层次聚类法的优缺点19
• 2.4 历史负荷的聚类方法选择19-22
• 2.5 决策树22-23
• 2.5.1 决策树建树22
• 2.5.2 决策树剪枝22-23
• 2.6 本章小结23-24
• 3 基于数据挖掘技术的负荷特性分析24-40
• 3.1 负荷特性分析的目的24
• 3.2 负荷特性分析的关键点24-25
• 3.3 负荷时间维度的规律性25-28
• 3.3.1 负荷的日规律性25
• 3.3.2 负荷的星期规律性25-26
• 3.3.3 负荷的年度规律性26-28
• 3.4 负荷影响因素分析28-33
• 3.4.1 负荷的温度特性分析29-32
• 3.4.2 负荷的相对湿度特性分析32-33
• 3.4.3 降雨量对负荷的影响33
• 3.5 负荷聚类归纳分析33-38
• 3.5.1 聚类的目的34
• 3.5.2 聚类的数目34
• 3.5.3 聚类结果分析34-38
• 3.6 负荷特性分析中的产业因素38
• 3.7 主导影响因素分析及孤立点分析38-39
• 3.8 本章小结39-40
• 4 基于数据挖掘技术的负荷预测40-58
• 4.1 负荷预测的关键点40
• 4.2 负荷预测的基本原则40-41
• 4.3 样本选择与数据预处理41-43
• 4.3.1 坏数据的处理41-42
• 4.3.2 天气数据的处理42
• 4.3.3 数据数量化42-43
• 4.3.4 数据归一化43
• 4.4 基于统计学习理论的支持向量机原理43-50
• 4.4.1 三类机器学习问题44
• 4.4.2 VC维44-45
• 4.4.3 推广性的界45
• 4.4.4 结构风险最小化原则45-46
• 4.4.5 支持向量回归算法46-50
• 4.5 基于数据挖掘技术的负荷预测步骤50-55
• 4.5.1 历史日期的聚类50-51
• 4.5.2 建立决策树51-53
• 4.5.3 支持向量机建模预测53-55
• 4.6 预测结果55-57
• 4.7 本章小结57-58
• 5 基于母线负荷的综合负荷预测58-68
• 5.1 基于母线负荷的综合负荷预测原理58-61
• 5.1.1 母线负荷的构成58
• 5.1.2 母线负荷的特点58-60
• 5.1.3 母线负荷预测流程图60-61
• 5.2 母线累加负荷预测的优势与难点61-62
• 5.3 预测结果62-65
• 5.3.1 数据选择62
• 5.3.2 预测结果评价指标62
• 5.3.3 预测结果62-65
• 5.4 本章小结65-68
• 6 结论68-70
• 参考文献70-74
• 作者简历及攻读硕士/博士学位期间取得的研究成果74-78
• 学位论文数据集78

【相似文献】

中国期刊全文数据库 前10条

1 钟庆,吴捷,钟丹虹;基于系统论的负荷预测集成化方法[J];电力自动化设备;2002年10期

2 张伏生,刘芳,赵文彬,寇强,刘沛津,曹正建;基于Internet/Intranet的负荷预测系统方案[J];电力系统自动化;2003年10期

3 康重庆;牟涛;夏清;;电力系统多级负荷预测及其协调问题 (一)研究框架[J];电力系统自动化;2008年07期

4 李小锐;黎灿兵;袁彦;;基于下级负荷预测的短期负荷预测新算法[J];江西电力职业技术学院学报;2008年02期

5 李新炜;王子琦;方鸣;周鹏;王启明;李同;鞠平;;基于分区逐时气象信息的全网负荷预测研究[J];电力系统保护与控制;2009年03期

6 康重庆;赵燃;陈新宇;杨兴宇;曹欣;刘梅;;多级负荷预测的基础问题分析[J];电力系统保护与控制;2009年09期

7 任峰;丁超;;市场环境下负荷预测误差风险管理研究[J];现代电力;2009年03期

8 罗凤章;王成山;肖峻;侯磊;王建民;李亦农;陈春琴;王赛一;;计及气温因素的年度负荷预测修正方法[J];电力系统及其自动化学报;2009年03期

9 杨凯;;如何提高负荷预测的准确率[J];大众用电;2009年10期

10 李q，

本文编号：684621