数据挖掘论文

数据挖掘论文

电力负荷预测中数据挖掘过程研究

摘要：数据挖掘是数据库与数据仓库研究领域新兴的富有前途的领域，是世纪末新兴起的数据智能分析技术，它的特点就是具有强大的数据处理能力，能从大量的数据中发现有用的规律和联系。作为新兴的技术学科，数据挖掘在电力系统负荷预测应用方面具有广泛的应用前景。本文力求将数据挖掘知识与电力系统实际情况结合起来，探讨基于数据挖掘的短期负荷预测方法。

　　关键字：电力负荷，数据挖掘，预测

　　一、引言

　　电力系统负荷预测中的负荷概念，是指国民经济整体、或部门或地区对电力和电量消费的历史情况及未来的变化发展趋势。电力系统负荷预测是指从已知的经济、社会发展和电力系统需求出发，考虑经济、气候、特殊事件等诸多相关因素，通过对历史数据的分析和研究，探索电力系统各参数间的内在联系和发展规律，以未来经济和气候的预测结果为依据，对未来的电力需求做出估计和预测。本文对电力负荷预测中数据挖掘过程做相关研究。

　　二、数据预处理

　　由于我们获取的原始负荷数据来自于电力系统数据库，在数据采集、转换、传输的各个环节都有可能受到干扰或发生故障，导致数据异常。另外，当系统出现故障、系统失去负荷、短时的系统冲击负荷、瞬时故障跳闸、重合闸以及出现拉闸、限电等现象时，这些突发的负荷变动显然会对负荷的规律性造成破坏。我们把由于随机干扰和冲击负荷导致电力系统历史负荷反常态势的数据统称为异常数据，它们将以伪信息、伪变化规律的方式提供给负荷预测作为参考，必然影响负荷预测的精度和可靠性。因此，在建立负荷预测模型之前，对原始负荷数据进行预处理是必要的。从整个负荷预测的流程来说，对负荷历史数据的预处理是第一个环节，预处理得当与否和负荷预测是否准确密切相关。

　　三、短期负荷的模式分析

　　1、周期性分析

　　短期负荷的负荷特性一般周期性的非平稳随机过程的特点，其特点是大周期内嵌套小周期。周期性具体而言，在一定的时间内，负荷的变化具有重复性。该周期性可进一步细分为负荷变化的年周期性、周周期性和日周期性。负荷变化的周周期性是分析、掌握典型日负荷预测和日负荷预测的关键，也是进行典型日负荷预测和日负荷预测的基础。

　　在实际系统中，通常根据负荷变化规律的不同将每日内的负荷又分为峰荷、谷荷、腰荷三个时段的负荷。从本质上说，在这三个时段负荷的组成是不同的，因此，它们的变化规律不同。在低谷期间，对应的时间是在夜间，在这个时间段中，大多数人都处于休息的状态，负荷组成主要是那些必须运行的不间断的负荷，它们长期运行，组成了负荷的基础部分，是一天负荷的较低部分在峰荷期间，对应的时间是在白天，人们的活动较多，负荷的种类也体现出多样性，作为总体负荷其幅值也明显高于其它时段的负荷而在腰荷期间，负荷变化处于过渡过程中，负荷的组成正发生变化，因此这个阶段的负荷处于一种上升状态或处于一种下降状态。负荷变化的日周期性是分析掌握日负荷预测、超短期负荷预测的关键，也是进行日。

　　2、节假日特性分析

　　在节假日期间，工业负荷所占比重大幅下降，而占据电力系统负荷的主要是居民用电、餐饮业等服务性的民用、商用负荷，因而电力系统负荷整体会有所下降。一般来说，节假日的负荷比周末日负荷还要低。春节、五一和十一对负荷的影响最大，负荷的峰、谷值和日总电量都有明显的下降。可以看出，春节期间负荷的峰、谷值和日总电量都有明显的下降。

　　3、负荷组成分量分析

　　3.1 基本正常负荷分量

　　基本正常负荷分量简称为基荷，它与气象无关，主要受经济因素影响。具有线性变化和周期变化的特点。基荷的不同主要是由于各地负荷组成方式的不同所引起，负荷组成的差异性主要体现在两个方面一是负荷种类二是各种负荷成分所占比重。不同组成的负荷在这两方面的差异决定了它们的负荷特性及对影响因素的响应特性互不相同。究其原因，不同的组成成份对各种影响因素的灵敏度不同表现出不同的响应特性。可见，负荷的具体组成对负荷特性具有根本性和决定性的影响。

　　3.2 天气及日期敏感负荷分量

　　天气敏感负荷分量与一系列天气因素有关如温度、湿度、风力、阴晴等。不同天气因素影响负荷的方式不同，一年中不同时期天气因素影响负荷的方式也不同，这就形成负荷季节性周期变化的规律。日期敏感负荷分量与当日的日期类型有关，变化周期一般为几天到一周。

本文来源：https://www.2haoxitong.net/k/doc/dd8d9aab6e1aff00bed5b9f3f90f76c660374c41.html