《新的负荷预测方法(数据挖掘)》由会员分享，可在线阅读，更多相关《新的负荷预测方法(数据挖掘)（36页珍藏版）》请在金锄头文库上搜索。
1、基于数据挖掘技术的短期 负荷预测清华大学电机系 何光宇 http:/166.111.60.146提纲1 介绍l1.1 基本概念l1.2 常用模型l1.3 存在问题2 基于数据挖掘的新的负荷预测方法l2.1 负荷特性l2.2 气象因素对负荷影响分析l2.3 负荷预测系统简介l2.4 考虑气象因素的负荷预测方法l2.5 展望与提高负荷预测分类：长期负荷预测 （1年到数十年）中期负荷预测 （1月到1年） 短期负荷预测 （1日到1周）超短期负荷预测 （1小时以内）1.1 基本知识(1)1.1 基本知识(2)负荷预测的主要原理l可知性原理l可能性原理l连续性原理l相似性原理至在线信息发布日预计负荷负
2、荷 数 据历史负荷数据库历史天气及事件数据库年预计负荷月预计负荷年交易计划 数据库月交易计划 数据库日交易计划 数据库公用数据库日购电计划年购电计划月购电计划图1 年、月、日负荷预测及交易计划决策系统策系统负 荷 预 测 引 擎年交易计划 决策系统月交易计划 决策系统日交易计划 决策系统公用数据库 管理系统报 价 数 据检 修 数 据在线交易支持系统回归预测模型随机时间序列模型灰色预测模型神经元网络模型组合预测模型1.2 常用模型回归预测模型影响负荷的因素是多种多样的，构造一个 合适的预测函数是十分困难的，即使构造出了 一个预测函数，也难以保证在一些影响因素不 断变化的条件下仍能描述负荷变化的
3、复杂规律 。1.2.1 回归预测模型随机时间序列模型（ARIMA） 在气候等因素变化不大时，体现了负 荷随时间呈周期性变化的主要规律，预 测效果良好 ；但不能考虑各种不确定因素的影响， 在随机因素变化较大或坏数据没有剔除 的情况下，预测结果不甚理想。1.2.2 随机时间序列模型1.2.3 灰色预测模型灰色预测模型 模型认为无规律的负荷数据列累加后， 可生成指数增长规律的上升序列。不能体现短期负荷变化的周期性和随机性 。神经元网络模型（ANN） 经训练的ANN是不透明的，ANN中的知识 表示是高度分布化的，因此理想的信息处理过 程非常困难。 神经网络存在训练时间长收敛慢的弱点。对 于原始数据要求
4、较高，必须进行坏数据处理。1.2.4 神经元网络模型组合预测模型此法对于预测精度的改进是基于各种单一模型 的预测结果。各种单一模型在天气变化或出现重大事的特殊 日，所产生的预测误差往往具有相同的趋势。对 这些结果进行加权平均，所得的预测误差往往是 大于预测精度最高的单一模型。1.2.5 组合预测模型1.3 问题和难点(1)负荷受各种非负荷因素的影响越来越大。非负荷因素很多，包括各种气象因素，如 每天二十四点温度，每天二十四点降水量 ，舒适度，还有小水电等等。这些非负荷因素同时作用于负荷随着生产和生活水平的提高，负荷对非负 荷因素的反应的灵敏度也会不断变化，负 荷受非负荷因素影响规律也在不断变化
5、1.3 问题和难点(2)预测方法的选择以往的做法是提供 很多种方法供用户 选择应该为用户提供一 种通用的方法2.1 负荷特性高增长率l年度增长率 高l冬夏季增长 率要明显高 于全年平均 增长受各种非负 荷因素影响 越来越大 某省20012003年14：00负荷曲线 2.2 非负荷因素对负荷的影响各种非负荷因素：气象、季节、节假日、 特殊事件等，对负荷有着较大影响这其中，气象对负荷影响最大；在众多气 象因素中，温度又是最重要的因素下面进行简要说明2.2非负荷因素对负荷的影响(1)- 某时刻温度对该时刻负荷影响2001年每日14:00温度与 该时刻负荷关系2.2非负荷因素对负荷的影响(2)- 某时
6、刻温度对该时刻负荷影响2002年每日14:00温度与 该时刻负荷关系2.2非负荷因素对负荷的影响(3)- 某时刻温度对该时刻负荷影响2003年每日14:00温度与 该时刻负荷关系2.2非负荷因素对负荷的影响(4) 多时刻温度对某时刻负荷影响温度对负荷的影响相当复杂，而且存在一 定的滞后性在不同的时段，温度对负荷影响的滞后时 间也大不相同。 决策树技术是数据挖掘重要的方法。该方 法能从海量数据中，挖掘出众多因素对某 一因素的影响规律，并按照影响强度将“知 识”用树的方式表达出来。 2.2非负荷因素对负荷的影响(5) 各种非负荷因素对某时刻负荷影响当天 5点 温度是否为 周六日8点 温度昨天 17
7、点 温度昨天 20点 温度901121*x965+273*x2152+395*x当晚 23点 温度2.3 短期负荷预测系统简介(1)1 系统硬件结构2 系统逻辑结构3 基于B/S结构的一体化的负荷预测软件包4 负荷分析与负荷建模工具2.3 系统介绍(1) -硬件结构2.3 系统介绍(2) -软件结构负荷数据库与气象数据库持久层(基于web service)负荷预测引擎(基于web service)显示层与外部系统接口 (基于IEC61970)2.3 系统介绍(3) -基于B/S结构基于B/S结构的一体化的负荷预测软件包l基于B/S结构，应用程序在浏览器上运行，客 户端零安装、零维护 l强安全性
8、。有IP地址校验功能，只有用户名、 密码和IP地址都符合的用户才能使用本系统。 l智能、稳定、灵活的外部数据读入。l预测结果便于修改，以体现用户的专家知识。 l用户在家中也可使用本系统2.3 系统介绍(4)-预测2.4 考虑气象因素的负荷预测(1)国内外负荷预测方法概述l经典预测方法 多元线性回归 时间序列方法 状态空间及卡尔曼滤波分析法 指数平滑法l现代预测方法 专家系统法 人工神经网络法 模糊预测法 2.4 考虑气象因素的负荷预测(2)节假日算法l外推插值算法正常日算法l决策树技术与时间序列相结合的算法2.4.1 节假日算法简介节假日负荷具 有突变性，且 样本数较少各年的节假日 负荷具有很
9、强 的相似性 采用外推差值 算法进行预测上海市20002002年五一期间负荷数据 2.4.2 正常日算法决策树技术与时间序列技术相结合l决策树技术依据各种非负荷因素，进行分类， 在此基础上将负荷序列转变成平稳的时间序列l利用时间序列技术，预测负荷l考虑预测日的各种非负荷因素，利用“知识库” 对预测结果进行修正2.4.2.1 决策树技术简介(1)决策树学习是以实例为基 础的归纳学习算法。着眼于从一组无次序、无 规则的事例中推理出决策 树表示形式的分类规则。从根到叶节点的一条路径 就对应着一条合取规则， 整棵决策树就对应着一组 析取表达式规则。2.4.2.1 决策树技术简介 (2)决策树算法：树的
10、生长算法和剪枝算法l树的生长:利用训练样本集，完成决策树的建立过程 。l剪枝：利用检验样本集，除去树中不合理的过多的分 支，对形成的决策树进行优化。 决策树技术:从海量数据中挖掘“知识”l目前负荷预测难点在于影响负荷变化的因素较多，以 至于无法精确分析各个变量对负荷的具体影响。l决策树技术利用信息论的知识，自动查找对负荷影响 较大的数据并对原有数据进行分类，可以有效的处理 大数据量的问题2.4.2.1 决策树技术简介 (3)2.4.2.2 时间序列技术(1)时间序列法是20年代后期出现的一种预测方法，在60年 代后期BoxJenkins提出一套比较完善的建模方法后迅 速发展。也是在负荷预测中应
11、用最为广泛的方法。时间序列方法将数据看成是一串随时间变化的数据序列 ，这种序列通常被称为“时间序列”或“随机序列”。 而负荷序列具备了时间序列的全部特性。时间序列研究预测对象自身变化过程及发展趋势，当序 列平稳的情况下，可以取得很好的预测效果。序列不平 稳时，直接应用效果较差。2.4.2.2 时间序列技术(2)负荷序列 的平稳化实际负荷序列， 非平稳平滑处理后的负 荷序列，平稳2.4.3 气象预报误差对负荷预测的影 响天气预报的准确程度对负荷预测的准确程度有很 大的影响例1：l2003-7-17,最高温度 (33.6, 9.70%;38.4 2.73)l2003-7-22,上午八点温度 (27.4,8.44%; 30.6,2.4%)l2003.7月采用历史气象数据的平均日均方根误差为 2.96%，采用预测气象数据的平均日均方根误差为 3.75%。总的来看，在气象预报不准确的情况下，提高负 荷预测精度较为困难。谢谢大家！
