基于复合数据挖掘算法的短期电力负荷预测.pdf

《基于复合数据挖掘算法的短期电力负荷预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第4期总第190期农业科技与装备No．4TotalNo．1902010年4月AgriculturalScience&TechnologyandEquipmentApr．2010基于复合数据挖掘算法的短期电力负荷预测张枫1．于颖2(1．沈阳农业大学信息与电气工程学院，沈阳110061；2．吉林省农电有限公司长春城郊分公司，长春130061)摘要：提出一种决策树算法、自组织特征映射神经网络(SOFM)算法与粗糙集理论结合的算法。首先，使用SOFM算法对样本数据进行聚类．形成符合标准的目标数据子集。然后，使用粗糙集理论进行决策系统约简，删除不相关或不重要的属性。最后，使用决策树算法对优化后的

2、电力负荷样本数据进行分类预测。本方法采用多种数据挖掘算法相结合方式，既全面考虑了影响负荷预测的温度、天气、气压、湿度等各种因素，又避免了由于输入变量过多而导致模型结构复杂、训练时间长等不足。同时，本算法使用自动化数据挖掘算法．可以大大提高预测速度。实际算例表明：本算法能有效缩短预测时间，提高负荷预测精度。关键词：决策树算法；粗糙集；短期电力负荷预测；数据挖掘；自组织特征神经网络算法中图分类号：TM714．1文献标识码：A文章编号：1674一1161(2010)04-0058-03电力系统短期负荷预测是指提前1d到l周对系统负荷进行预测。是电力生产部门的重要工作之一。在电力系统的运行与设

3、计中具有重要意义。电力系统短期负荷预测是电力系统安全和经济运行的重要依据。负荷预测同电力市场下的发电公司、供电公司和输电公司三者关系都很密切。对于发电公司，负荷预测是制定发电计划、检修计划和报价的依据：对于供电公司．负荷预测为供电方制定购电计划提供依据；对于输电公司，负荷预测是进行电网规划及安全、可靠、经济运行的基础。负荷预测在电力市场决策支持系统中起着十分重要的作用。早期应用于短期负荷预测的主要有人工神经网络、专家系统法及模糊逻辑推理等。神经网络在网络结构和连接权值的确定上缺乏有效的全局寻优手段。基于规则推理的专家系统方法缺乏知识的自动获取能力。模糊推理法中虽然考虑了非负荷因素对负荷

4、的影响，但这种考虑是“黑箱”的。本方法采用多种数据挖掘算法相结合方式，既全面考虑了影响负荷预测的温度、天气、气压、湿度等各种因素，又避免了由于输入变量过多而导致模型结构复杂、训练时间长等不足：既具有数据挖掘算法的高效、快速、自动化的优点．又兼顾了预测的准确性。1理论基础1．1粗糙集理论粗糙集理论(RoughSet，简称RS)是由波兰理下大学Z．Pawlak教授于1982年提出来的一种数据分收稿日期：201咖l埘作者简介：张枫(198仁)，男，硕士。主要从事信息技术在农业领域的应用研究。析理论，是一种新的处理模糊和不确定性知识的数学工具。其主要思想是在保持分类能力不变的前提下，通过知识约

5、简，导出问题的决策或分类规则。经屙陛约简后得到的最小条件属性子集可代替原决策表条件属性集，而不影响决策表的分类能力。粗糙集应用于数据挖掘领域．能提高对大型数据库中不完整数据进行分析和学习的能力．具有广泛的应用前景和实用价值。1．2自组织特征映射神经网络(SOFM)自组织特征映射神经网络(SOFM)是一种典型的自适应聚类分析技术。也是一个动态系统，它利用低维空间的表示学习拓扑结构并提取高维输入向量中的结构。这种表示代替了输人向量的全局的概率密度。实质上，SOFM用于学习聚类，体现了一种映射，即高维空间映射到低维空间．这些低维空间的映射可进一步用于支持知识发现。设有n个样本，SOFM网络训

6、练算法如下。输人：初始化输入节点到输出节点的连接权值．并置时间t=O，i--O；输入模式向量。输出：输出节点肌所连接的权向量及．盹几何领域E'i(t)内节点所连接的权值：AW&-q(t)(Xi—W#)，i=1，2，．．．，凡(1)方法：1)初始化输入节点到输出节点的连接权值．并置时间t=0，i--0。2)输入模式向量Xi；X。，X2，---Z。；3)计算输入与全部输出节点所连接权向量w，的距离：西=∑(X广Wi)2，i=1，2，．．．，m(2)4)具有最小距离的节点为竞争获胜节点Nj。2010年第4期张枫等：基于复合数据挖掘算法的短期电力负荷预测595)调整输出节点N’i所连接的权向量

7、及腑几何领域E(￡)内节点所连接的权值。6)i=i+1．t=t+1，tfi≤肛Then第2步。1．3决策树算法决策树是一种树状结构，其每一个树节点可以是叶节点。对应着某一分类，也可以对应着一个划分，将该节点对应的样本划分成若干子集，每一个子集对应一个节点。对于一个分类问题或规划学习问题，决策树的生成是一个从上而下、分而治之的过程。决策树算法有以下主要优点：1)使用者不需要了解很多背景知识。只要事例能用属性一结论的方式表达出来，就能用该算法学习；