数据挖掘在电力决策支持系统中的应用

基于数据挖掘技术,采用跨行业数据挖掘过程标准(CRISP-DM)的6个阶段,架构电力决策支持系统的数据挖掘过程.同时,针对电力决策支持的不同应用领域,如安全稳定性评估、电力负荷预测、电力系统故障分析和电力营销策略支持等,选取合适的数据挖掘算法进行应用分析.     

基于数据挖掘的智能化电力负荷预测

对电力负荷预测的研究主要运用了数据挖掘中的聚类分析法,建立了预测算法与预测模型相分离的通用算法库,实现了负荷预测的智能化.通过海量数据存储、数据挖掘和决策信息的支持,可有效地克服数据有限性、不完整性及影响因素复杂性对预测结果的影响,发挥独特优势,实现经济价值.     

智能电网中电力负荷短期预测数据挖掘模型

依据数据挖掘理论对数据进行收集、整合,运用改进型BP神经网络模型处理数据,建立电力负荷模型进行短期预测.通过不同精度下的实验分析,结果表明,改进型神经网络负荷预测模型在高精度下预测结果优于低精度下预测结果,最大误差同比降低80%,适用实际负荷预测.     

基于数据挖掘技术的电力日负荷优选组合预测

提高日负荷预测精度的关键在于数据预处理。提出了基于联合数据挖掘技术的电力负荷优选组合预测方法。通过多种挖掘技术寻找与预测日同等气象类型的多个历史日负荷,由此进一步提取数据,组成规律强化、干扰弱化、具有高度相似气象特征的数据序列,对此再构建优选组合预测模型。     

基于相似搜索和神经网络的次日边际电价预测

为了对电力市场次日系统边际电价(SMP)进行准确预测,根据数据挖掘中的相似搜索理论和人工神经网络(ANN)工具建立了预测模型,其中相似搜索用来生成神经网络的训练集和输入矩阵,并运用Matlab6.5中的神经网络工具实现该模型.采用美国加州电力市场的历史数据进行实例计算,证明该方法对工作日SMP的预测效果较好,也证明了选择与预测日负荷相似或邻近日的历史数据进行网络训练方法的有效性.     

基于GM(1,1)校正模型的转折性电力负荷特性预测

电力负荷系统是典型的灰色系统,电力负荷特性指标的预测具有直接的经济意义.讨论了当预测对象系统存在转折性变化时,灰色预测校正模型在此方面的有效应用.该模型具有充分利用历史信息而且短期预测精度高的优点.     

几种电力负荷预测方法在用电分析系统中的应用

在全社会用电分析系统中，电力负荷预测是系统分析与规划的基础，其准确度直接影响到对供电量的预测，进而影响到电网建设；而负荷预测的方法是多种多样的，本介绍、分析了电力负荷预测技术在用电分析系统中的几种常用方法。     

基于灰色系统理论的电力负荷预测

在灰色系统理论的基础上,采用灰色关联算法,对影响电力负荷的因素进行分析,选择更能反映电力负荷变化趋势的因素.并采用灰色建模方法,进行电力日特征负荷预测.     

合肥地区短期负荷预测及误差分析

电力系统规划和运行调度都应以对未来电力负荷的预测为依据.电力的生产和消费是同时进行的,任意时刻都必须保持二者之间的平衡.负荷预测偏低会引起电力供应紧张,电能频率下降,供电可靠性下降;负荷预测过高将会导致发电过剩,系统频率上升,并造成发输电设备不能充分利用,影响系统的经济性能.因此,电力系统负荷预测是电力系统规划和运行调度的重要组成部分.     

部门负荷预测法在用电负荷预测中的应用

常用的电力负荷预测的主要方法有电力弹性系数法，部门负荷预测法(分产业产值单耗法)，时间序列分析法，人均综合用电水平法等。近年也发展一些新颖的预测方法如灰色系统方法等。各种预测方法都各有特点。笔参加的用电负荷预测课题组主要应用部门电力需求预测法，通过对诸多影响电力增长的因素的研究，找出     

基于沿海风力发电场风机输出功率预测的分类算法对比

介绍了风力发电场风机输出功率预测的相关背景和研究意义,应用数据挖掘中的经典M5P算法和改进的M5P分类算法对风力发电机输出功率预测进行归纳、对比和分析．首先,对原始数据进行预处理,去除无效数据,以提高实验精确度和效率;然后,采用上述两种算法进行数据处理;最后,验证了改进的MSP算法对风机输出功率预测的高效性和准确性．     

Optimization of support vector machine power load forecasting model based on data mining and Lyapunov exponents

According to the chaotic and non-linear characters of power load data, the time series matrix is established with the theory of phase-space reconstruction, and then Lyapunov exponents with chaotic time series are computed to determine the time delay and the embedding dimension. Due to different features of the data, data mining algorithm is conducted to classify the data into different groups. Redundant information is eliminated by the advantage of data mining technology, and the historical loads that have highly similar features with the forecasting day are searched by the system. As a result, the training data can be decreased and the computing speed can also be improved when constructing support vector machine (SVM) model. Then, SVM algorithm is used to predict power load with parameters that get in pretreatment. In order to prove the effectiveness of the new model, the calculation with data mining SVM algorithm is compared with that of single SVM and back propagation network. It can be seen that the new DSVM algorithm effectively improves the forecast accuracy by 0.75%, 1.10% and 1.73% compared with SVM for two random dimensions of 11-dimension, 14-dimension and BP network, respectively. This indicates that the DSVM gains perfect improvement effect in the short-term power load forecasting.     

基于人工神经网络的加权负荷预报

针对矿区电力负荷系统的特点，提出了基于人工神经网络的加权负荷预报．仿真结果表明，其预报精度符合要求．     

基于数据挖掘技术的市场经济预测支持系统的研究

分析了传统预测系统存在的三方面问题,简述了数据挖掘技术,提出了数据挖掘常用的工具和方法以及数据挖掘的三个不同层次空间,将联机分析处理和联机事务处理进行了对比,提出和设计了一5种基于数据挖掘技术的新型市场经济预测支持系统。     

电力系统短期负荷预测系统的实现

考虑近期我国电力市场需求,开发了电力系统短期负荷预测软件系统.该系统分为原始数据维护、负荷预测和预测结果处理3个相互独立模块.在数据库设计中,采取定期转储的办法控制数据量.系统提供了丰富的模型库,各模型可单独预测,也可选择几种模型进行综合预测.河南省某县级电力系统的负荷预测结果表明,该系统能够取得满意的预测效果.     

基于负荷分解的短期负荷预测传递函数模型

短期负荷预测主要用于预测未来几小时、1天甚至几天的负荷,对电力系统运行的安全性和经济性具有重要意义。时间序列模型在电力系统短期负荷预测中得到了广泛应用。然而,这种方法的一个主要缺点是无法将影响负荷预测的主要因素之一即气象因素考虑进去。在此背景下,首先基于历史负荷数据,采用传统的分解方法提取出负荷中的周期分量,得到剔除周期分量后的非周期分量。在此基础上,首先采用逐步回归法筛选出影响负荷非周期分量的主要因素,之后发展了预测负荷非周期分量的传递函数模型。最后,用广东电力系统实际负荷数据对所发展的短期负荷预测模型的准确性进行了验证。     

Correlation of electromagnetic radiation emitted from coal or rock to supporting resistance

More accurate forecasting of rock burst might be possible from observations of electromagnetic radiation emitted in the mine. We analyzed experimental observations and field data from the Muchengjian coal mine to study the relationship between electromagnetic radiation signal intensity and stress during the fracturing of coal, or rock, and samples under load. The results show that the signal intensity is positively correlated with stress. In addition, we investigated the change in the electromagnetic radiation intensity, the supporting resistance in a real coal mine environment, and the coal or rock stress in the mining area. The data analysis indicates that: 1) electromagnetic radiation intensity can accurately reflect the distribution of stress in the mining area; and, 2) there is a correlation between electromagnetic radiation intensity and supporting resistance. The research has some practical guiding significance for rock burst forecasting and for the prevention of accidents in coal mines.     

小波熵及小波变换的短期负荷预报

基于小波分解理论,借助db8小波函数,对历史数据进行尺度为3的静态离散小波变换,并将小波熵引入到电力负荷预报工作中,用于处理电力负荷的历史数据.选取一定小波熵阈值,识别出历史数据中的非正常数据,可以提高负荷预测的准确性.对于各个分解尺度的小波系数分别进行预测,通过小波重构,得到预测值.预测结果表明,这种方法具较高预测精确度及适应性.     

最大熵原理的供热负荷预报研究

根据建筑供热的特点和供热节能控制的需要,提出应用最大熵法进行负荷预报,介绍了最大熵谱法原理及Burg算法,对从热力站采集的历史随机负荷序列进行预处理,将其中的确定性部分和随机部分进行分离;并对负荷样本序列,分别用相关法和最大熵谱法进行负荷预报,对两种结果进行了分析比较,采用最大熵谱法进行负荷预报,其预报精度、自适应性和算法的实时性均能较好地满足建筑分户计量节能供热的要求．