基于数据挖掘的短期负荷预测方法研究
|
摘要
针对电力负荷受到多因素的影响以及典型训练样本选择问题,提出了一种基于数据挖掘技术的新型短期负荷预测方法。首先利用小波奇异性检测原理和软阈值细节消噪法对原始负荷数据进行剔除异常值预处理。其次将处理后的负荷序列利用小波变换分解为不同的频率分量。对于每一分量,利用信息熵与主成分分析法联合对负荷影响因素约简;利用动态聚类法由少到多自动确定网络隐层节点数和训练样本集;在采用动态聚类和最小二乘初始化网络的基础上,通过蚁群算法优化网络参数。最后,通过小波重构得到真正的日负荷预测结果。利用本文方法对实际的地区电网进行了测试,结果表明,该方法具有较高的预测精度和较强的适应能力。
For a multifactor power load prediction problem and typical training sample selection, a new method for Short-Term Load Forecasting (STLF) based on data mining is put forward. First of all, through adjusting amplitude of wavelet modulus maxima and processing the wavelet decomposed detail signal by soft threshold based on wavelet analysis and singularity theory, fault data in original loads are eliminated. Then, through wavelet transform, the processed load sequence is decomposed into different frequency parts. For each part, information entropy and principal component analysis are integrated to reduce load influential factors; dynamic clustering analysis is used to automatically determine hidden nodes and training set; ant colony optimization algorithm is employed to optimize the network parameters initialized by dynamic clustering and least square method. Finally, the eventual forecasted results are obtained through wavelet restructure. The testing results of STLF in actual power network show that the proposed method possesses higher forecasting accuracy and better adaptability.
For a multifactor power load prediction problem and typical training sample selection, a new method for Short-Term Load Forecasting (STLF) based on data mining is put forward. First of all, through adjusting amplitude of wavelet modulus maxima and processing the wavelet decomposed detail signal by soft threshold based on wavelet analysis and singularity theory, fault data in original loads are eliminated. Then, through wavelet transform, the processed load sequence is decomposed into different frequency parts. For each part, information entropy and principal component analysis are integrated to reduce load influential factors; dynamic clustering analysis is used to automatically determine hidden nodes and training set; ant colony optimization algorithm is employed to optimize the network parameters initialized by dynamic clustering and least square method. Finally, the eventual forecasted results are obtained through wavelet restructure. The testing results of STLF in actual power network show that the proposed method possesses higher forecasting accuracy and better adaptability.
引文
[1]牛东晓,曹树华,赵磊,等.电力负荷预测技术及应用.北京:中国电力出版社,1998
[2]Lotufo A.D.P,Minussi C.R.Electric power systems load forecasting:a survey. Proceedings of 1999 powerTech Conference,Budapest,1999.36
[3]陈浩.基于人工神经网络的电力短期负荷预测系统研究:[硕士学位论文].昆明:昆明理工大学,2005
[4]金海峰,熊信艮,吴耀武.基于相似性原理的短期负荷预测方法.电力系统自动化,2001,23(1):45～48
[5]陈耀武,汪乐宇,龙洪玉.基于组合式神经网络的短期电力负荷预测模型.中国电机工程学报,2001,21(4):79～82
[6]高山,单渊达.基于径向基函数网络的短期负荷预测.电力系统自动化,1999,23(5):34～36
[7]牛东晓.小波神经网络负荷预测.电网技术,1998,8(5):26～28
[8]吴捷,严华.基于自适应最优模糊逻辑系统的短期负荷预测方法.电力系统自动化,1999,23(17):35～37
[9]冯丽.数据挖掘和人工智能理论在短期电力负荷预测中的应用研究:[博士学位论文].杭州:浙江大学,2005
[10]Jiawei H,Micheline K. Data Mining:Concepts and Techniques. Simon Fraser University:Morgan Kaufmann Publishers,2000
[11]张国江.软计算方法和数据挖掘理论在电力系统负荷预测中的应用:[博士学位论文].杭州:浙江大学,2002
[12]MALLAT. Singularity detection and processing with wavelets. IEEE Trans on IT,1992,38(2):617～643
[13]邰能灵,侯志俭.小波模糊神经网络在电力系统短期负荷预测中的应用.中国电机工程学报,2004,24(1):24～29
[14]张文哲,陈刚,吴迎霞.基于小波理论对负荷预测中不良数据的处理.重庆大学学报,2004,27(6):77～81
[15]赵希正.中国电力负荷特性分析与预测.北京:中国电力出版社,2002
[16]孙英云.基于数据挖掘的短期负荷预测研究:[硕士学位论文].北京:清华大学电机系,2004
[17]王聪.基于 RBF 神经网络与模糊控制的电力系统短期负荷预测:[硕士学位论文].保定:华北电力大学,2004
[18]DAUBECHIES I. Orthonormal Base of Compactly Supported Wavelets. Communication on pure and Applied Mathematics,1988,(1):20～22
[19]张大海,毕研秋,邹贵彬,等.小波神经网络及其在电力负荷预测中应用概述.电力系统及其自动化学报,2004,(4):11～15,26
[20]宋超,黄民翔,叶剑斌.小波分析方法在电力系统短期负荷预测中的应用.电力系统及其自动化学报,2002,14(3):8～12
[21]邰能灵,侯志俭,李涛.基于小波分析的电力系统短期负荷预测方法.中国电机工程学报,2003,23(1):45～50
[22]张大海,江世芳.基于小波包分析的电力负荷预测算法.电力系统及其自动化学报,2004,16(2):51～53,84
[23]徐军华,刘天琪.基于小波分解和人工神经网络的短期负荷预测.电网技术,2001,28(8):30～33
[24]Zbigniew Gontar,Nikos Hatziargyriou. Short-Term Load Forecasting with Radial Basis Function Network. IEEE Porto Power Tech Conference,2001. 1997～2000
[25]沈海澜.基于数据挖掘技术的电力负荷预测研究:[硕士学位论文].长沙:中南大学,2004
[26]Ivo Duntsch , Gunther Gediga. Uncertainty measures of rough set prediction. Artificial Intelligence,1998.106,109～137
[27]Miao Duoqian,Wang Jue. An information-based algorithm for reduction knowledge. IEEE ICTPS'97,1997.1155～1158
[28]苗夺谦,王饪.粗糙集理论中概念与运算的信息表示.软件学报,1999, 10(2):113～116
[29]苗夺谦,胡桂荣.知识约简的一种启发式算法.计算机研究与发展,1999,36(6):681～684
[30]王国胤,于洪,杨大春.基于条件信息熵的决策表约简.计算机学报,2002,25(7):759～766
[31]张晓星,周湶，任??基于增量约简算法确定电力负荷预测模型输入参数.电力系统自动化,2005,29(13):40～44
[32]程其云,孙才新,周湶，等.粗糙集信息熵与自适应神经网络模糊系统相结合的电力短期负荷预测模型及方法.电网技术,2004,28(17):72～75
[33] Qiu Dan Li,Zhong Xian Chi,Wen Bing Shi. Application of rough set theory and artificial neural network for load forecasting. Proceeding of the First International Conference on Machine Learning and Cybernetics,Beijing,2002.1148～1152
[34]王志勇,郭创新,曹一家.基于模糊粗糙集和神经网络的短期负荷预测方法.中国电机工程学报,2005,25(19):7～11
[35]林开英,俞集辉.神经网络短期负荷预测中的数据分析.重庆大学学报,2002,25(9):5～7
[36]赵杰辉,葛少云,刘自发.基于主成分分析的径向基函数神经网络在电力系统负荷预测中的应用.电网技术,2004,28(5):35～37,40
[37]柳进,唐降龙.基于主成分分析 L-M 神经网络高峰负荷预测研究.继电器,2004,32(13):24～27
[38]王志征,余岳峰,姚国平.主成份分析法在电力负荷预测中的应用.电力需求侧管理,2003,5(3):21～24
[39]谢宏,陈志业,牛东晓.短期电力负荷预测的数据主成份分析.电网技术,2000,24(1):43～46
[40]俞秋阳,朱斌,郭伟.基于 RBF 神经网络的短期负荷预测模型设计.继电器,2004,32(17):34～37
[41]姜惠兰,安敏,刘晓津,等.基于动态聚类算法径向基函数网络的配电网线损计算.中国电机工程学报,2005,25(10):35～39
[42]Diday E. The dynamic cluster method in non-hierarchical clustering. Computer Inf.& Sci.,1973.61～88
[43]赵登福,张涛,杨增辉,等.基于 GN-BFGS 算法的 RBF 神经网络短期负荷预测.电力系统自动化,2003,(27):33～36
[44]刘峤,渝曾,张少华.RBF 网络在节假日短期负荷预测中的应用.上海大学学报(自然科学版),2001,7(5):405～408
[45]吴宏晓,侯志俭,刘涌,等.基于免疫聚类径向基函数网络模型的短期负荷预测.中国电机工程学报,2005,25(16):53～56
[46]刘小华.数据挖掘在电力系统短期负荷预测智能化建模中的应用研究:[硕士学位论文].武汉:华中科技大学,2003
[47]Muhlenbein H. How genetic algorithms really work : Mutation and hillclimbing. Parallel Problem Solving from Nature. Amsterdam:Elsevier Science,1992.15～25
[48]Colomi A,Dorigo M,Maniezzo V. An investigation of some properties of an ant algorithm. Proceedings of the Parallel Problem Solving from Nature Conference(PPSN’92),Brussels:Elsevier Publishing,1992.509～520
[49]Dofigo M,Maniezzo V,Colomi A. Ant system:optimization by a colony of cooperating agents. IEEE Trans on Systems,Man and Cybemetics,1996,26(1):29～41
[50]邹政达,孙雅明,张智晟.基于蚁群优化算法递归神经网络的短期负荷预测.电网技术,2005,29(3):59～63
[51]王静敏,郭继伟,连向军.两种改进的灰色关联分析法的比较研究.华北电力大学学报,2005,32(6):72～76
[52]文艳,宋宗勋,张国柱,等.基于灰色关联—神经网络模型的城市电力负荷短期预测的研究与应用.继电器,2005,33(19):36～40
[2]Lotufo A.D.P,Minussi C.R.Electric power systems load forecasting:a survey. Proceedings of 1999 powerTech Conference,Budapest,1999.36
[3]陈浩.基于人工神经网络的电力短期负荷预测系统研究:[硕士学位论文].昆明:昆明理工大学,2005
[4]金海峰,熊信艮,吴耀武.基于相似性原理的短期负荷预测方法.电力系统自动化,2001,23(1):45～48
[5]陈耀武,汪乐宇,龙洪玉.基于组合式神经网络的短期电力负荷预测模型.中国电机工程学报,2001,21(4):79～82
[6]高山,单渊达.基于径向基函数网络的短期负荷预测.电力系统自动化,1999,23(5):34～36
[7]牛东晓.小波神经网络负荷预测.电网技术,1998,8(5):26～28
[8]吴捷,严华.基于自适应最优模糊逻辑系统的短期负荷预测方法.电力系统自动化,1999,23(17):35～37
[9]冯丽.数据挖掘和人工智能理论在短期电力负荷预测中的应用研究:[博士学位论文].杭州:浙江大学,2005
[10]Jiawei H,Micheline K. Data Mining:Concepts and Techniques. Simon Fraser University:Morgan Kaufmann Publishers,2000
[11]张国江.软计算方法和数据挖掘理论在电力系统负荷预测中的应用:[博士学位论文].杭州:浙江大学,2002
[12]MALLAT. Singularity detection and processing with wavelets. IEEE Trans on IT,1992,38(2):617～643
[13]邰能灵,侯志俭.小波模糊神经网络在电力系统短期负荷预测中的应用.中国电机工程学报,2004,24(1):24～29
[14]张文哲,陈刚,吴迎霞.基于小波理论对负荷预测中不良数据的处理.重庆大学学报,2004,27(6):77～81
[15]赵希正.中国电力负荷特性分析与预测.北京:中国电力出版社,2002
[16]孙英云.基于数据挖掘的短期负荷预测研究:[硕士学位论文].北京:清华大学电机系,2004
[17]王聪.基于 RBF 神经网络与模糊控制的电力系统短期负荷预测:[硕士学位论文].保定:华北电力大学,2004
[18]DAUBECHIES I. Orthonormal Base of Compactly Supported Wavelets. Communication on pure and Applied Mathematics,1988,(1):20～22
[19]张大海,毕研秋,邹贵彬,等.小波神经网络及其在电力负荷预测中应用概述.电力系统及其自动化学报,2004,(4):11～15,26
[20]宋超,黄民翔,叶剑斌.小波分析方法在电力系统短期负荷预测中的应用.电力系统及其自动化学报,2002,14(3):8～12
[21]邰能灵,侯志俭,李涛.基于小波分析的电力系统短期负荷预测方法.中国电机工程学报,2003,23(1):45～50
[22]张大海,江世芳.基于小波包分析的电力负荷预测算法.电力系统及其自动化学报,2004,16(2):51～53,84
[23]徐军华,刘天琪.基于小波分解和人工神经网络的短期负荷预测.电网技术,2001,28(8):30～33
[24]Zbigniew Gontar,Nikos Hatziargyriou. Short-Term Load Forecasting with Radial Basis Function Network. IEEE Porto Power Tech Conference,2001. 1997～2000
[25]沈海澜.基于数据挖掘技术的电力负荷预测研究:[硕士学位论文].长沙:中南大学,2004
[26]Ivo Duntsch , Gunther Gediga. Uncertainty measures of rough set prediction. Artificial Intelligence,1998.106,109～137
[27]Miao Duoqian,Wang Jue. An information-based algorithm for reduction knowledge. IEEE ICTPS'97,1997.1155～1158
[28]苗夺谦,王饪.粗糙集理论中概念与运算的信息表示.软件学报,1999, 10(2):113～116
[29]苗夺谦,胡桂荣.知识约简的一种启发式算法.计算机研究与发展,1999,36(6):681～684
[30]王国胤,于洪,杨大春.基于条件信息熵的决策表约简.计算机学报,2002,25(7):759～766
[31]张晓星,周湶，任??基于增量约简算法确定电力负荷预测模型输入参数.电力系统自动化,2005,29(13):40～44
[32]程其云,孙才新,周湶，等.粗糙集信息熵与自适应神经网络模糊系统相结合的电力短期负荷预测模型及方法.电网技术,2004,28(17):72～75
[33] Qiu Dan Li,Zhong Xian Chi,Wen Bing Shi. Application of rough set theory and artificial neural network for load forecasting. Proceeding of the First International Conference on Machine Learning and Cybernetics,Beijing,2002.1148～1152
[34]王志勇,郭创新,曹一家.基于模糊粗糙集和神经网络的短期负荷预测方法.中国电机工程学报,2005,25(19):7～11
[35]林开英,俞集辉.神经网络短期负荷预测中的数据分析.重庆大学学报,2002,25(9):5～7
[36]赵杰辉,葛少云,刘自发.基于主成分分析的径向基函数神经网络在电力系统负荷预测中的应用.电网技术,2004,28(5):35～37,40
[37]柳进,唐降龙.基于主成分分析 L-M 神经网络高峰负荷预测研究.继电器,2004,32(13):24～27
[38]王志征,余岳峰,姚国平.主成份分析法在电力负荷预测中的应用.电力需求侧管理,2003,5(3):21～24
[39]谢宏,陈志业,牛东晓.短期电力负荷预测的数据主成份分析.电网技术,2000,24(1):43～46
[40]俞秋阳,朱斌,郭伟.基于 RBF 神经网络的短期负荷预测模型设计.继电器,2004,32(17):34～37
[41]姜惠兰,安敏,刘晓津,等.基于动态聚类算法径向基函数网络的配电网线损计算.中国电机工程学报,2005,25(10):35～39
[42]Diday E. The dynamic cluster method in non-hierarchical clustering. Computer Inf.& Sci.,1973.61～88
[43]赵登福,张涛,杨增辉,等.基于 GN-BFGS 算法的 RBF 神经网络短期负荷预测.电力系统自动化,2003,(27):33～36
[44]刘峤,渝曾,张少华.RBF 网络在节假日短期负荷预测中的应用.上海大学学报(自然科学版),2001,7(5):405～408
[45]吴宏晓,侯志俭,刘涌,等.基于免疫聚类径向基函数网络模型的短期负荷预测.中国电机工程学报,2005,25(16):53～56
[46]刘小华.数据挖掘在电力系统短期负荷预测智能化建模中的应用研究:[硕士学位论文].武汉:华中科技大学,2003
[47]Muhlenbein H. How genetic algorithms really work : Mutation and hillclimbing. Parallel Problem Solving from Nature. Amsterdam:Elsevier Science,1992.15～25
[48]Colomi A,Dorigo M,Maniezzo V. An investigation of some properties of an ant algorithm. Proceedings of the Parallel Problem Solving from Nature Conference(PPSN’92),Brussels:Elsevier Publishing,1992.509～520
[49]Dofigo M,Maniezzo V,Colomi A. Ant system:optimization by a colony of cooperating agents. IEEE Trans on Systems,Man and Cybemetics,1996,26(1):29～41
[50]邹政达,孙雅明,张智晟.基于蚁群优化算法递归神经网络的短期负荷预测.电网技术,2005,29(3):59～63
[51]王静敏,郭继伟,连向军.两种改进的灰色关联分析法的比较研究.华北电力大学学报,2005,32(6):72～76
[52]文艳,宋宗勋,张国柱,等.基于灰色关联—神经网络模型的城市电力负荷短期预测的研究与应用.继电器,2005,33(19):36～40