运用决策支持对象实现短期电力负荷预测

运用微软通用的决策支持对象(DSO),结合区域电网气象负荷数据库设计了决策树形式的数据挖掘模型并实现了日负荷预测系统.在描述了DSO分层结构特性之后,分析研究了日负荷预测的决策树数据挖掘模型构造过程并给出了程序化实现方法,进一步实现了通过决策树算法的负荷预测过程.实际使用的效果统计分析结果表明本系统达到并超过实用标准,具有智能自适应、自学习和全过程自动化,通用可靠以及准确率高等特性,是值得推广的方便实用型负荷预测工具.     

数据挖掘与非正常日的负荷预测

提高非正常日的负荷预测精度是当前负荷预测工作的难点。文中提出了一种基于知识库的事先判别突变并做出适当处理的预测流程,介绍了利用数据挖掘的决策树技术建立知识库的方法,并给出了几种典型的非正常日修正模型。最后,通过对长时期负荷预测数据的统计分析,说明了新方法的有效性和实用性。     

基于数据挖掘技术和支持向量机的短期负荷预测

支持向量机方法已经非常成熟的应用在短期负荷预测领域,它在选取历史日期进行模型训练的时候通常选取距离预测日相近的一段日期,而没有考虑这段时间气象条件、星期类型、节假日造成的影响,使得所建立的模型并不能完全的反映预测日的特征。提出了基于一种基于数据挖掘技术的支持向量机负荷预测方法,该方法提出了预测模型样本选取的新颖思路,首先采用层次聚类法对历史日负荷进行聚类,利用层次聚类得到的分类结果建立决策树,根据待预测日的属性在决策树中查询得到支持向量机预测模型输入的历史负荷,建立支持向量机预测模型并对待预测日的负荷进行预测。实例中负荷数据采用浙江省某地级市的历史负荷,用新方法对该地区的日96点负荷进行预测,并将该算法与传统的支持向量机算法进行比较,文中提出的方法解决了传统的基于支持向量机方法训练日期选取不能反映待预测日特征的问题,故本算法结果具有较高预测精度。     

短期负荷预测的组合数据挖掘算法

给出了一种短期电力负荷预测的组合数据挖掘算法.通过日负荷特性分析,在设定长度的最近历史日期中选择与预测日天气最相似的为基准日,通过该模式下天气相似日的相关影响因素差异与相应负荷变化率关联规则挖掘建模,挖掘模型算法采用C4.5和CART算法的基于BP网络加权组合,算法还基于范例推理给出节假日调整因子校正节假日的影响,设计出一种高精确度短期负荷预测系统.实际应用结果表明该组合算法预测精确度高、效果良好.     

上海用电负荷预测中气温累积效应分析

用电负荷预测是电力运行管理工作的基础,随着“互联网+”智慧能源发展,由人工预测转信息化系统自动预测为必然趋势。文中选日最高温度为负荷预测气象特征,考虑气温累积效应,提出预测日最高气温修正法,并分析负荷与气温的相关性。最后给出基于决策树模型预测下一工作日最高用电负荷的算法。     

基于改进决策树算法的日特征负荷预测研究

针对决策树ID3算法的缺陷,提出了属性-值对的两次信息增益优化算法,该算法是ID3的改进算法,它能克服ID3算法在选取属性进行扩展时易偏向属性值多的属性及ID3算法属性间相关性考虑较少的缺点;通过对熵阈值的设定,采用预剪枝技术,又能部分克服ID3算法对噪音敏感的不足.该算法可用以生成日特征负荷决策树预测模型.该模型结合预测日的气象、星期等信息,可进行日特征负荷的预测.采用等深直方图分析思想,可对负荷变化率数据离散化,将层次聚类和信息熵相结合,对气象数据离散化.数据预处理后,通过属性-值对的2次信息增益优化算法生成负荷预测决策树模型,在给出预测日气象及星期信息后可对特征负荷进行预测,预测结果能够满足并超过负荷预测实用化标准的要求并具有较高的预测精度.如果将日24点或96点负荷及相应影响因素数据均用该算法进行模型训练,形成24个或96个预测模型,则可进行日24点或96点负荷预测.     

基于SVM最优决策面的决策树构造

针对决策树与SVM算法融合问题,提出一种基于SVM最优决策面(ODS)构造决策树的方法。通过研究ODS形状位置特征与其属性分类能力的关系以及属性分割点的数目、位置与决策树大小、分类误差的关系,给出基于ODS形状位置特征的属性重要性度量方法与属性最小分割点数的确定方法,进而得出了ODS逼近决策树决策面的误差模型,最终实现ODS对决策树决策面的有效逼近,并用于多类别决策树的构造。典型数据集的计算结果表明,与C4.5算法相比,所提出的决策树构造方法平均分类误差可减少60%以上,显著提高了决策树的泛化能力。     

改进型XGBoost算法模型的企业电力负荷电费优化

针对现有技术中企业电力负荷电费优化效果差的问题,提出了新型的企业电力负荷电费优化方法,构建了改进型XGBoost算法模型.通过构建多个决策树提高了企业电力负荷的预测精度.在XGBoost算法模型的基础上,应用逐步回归算法模型,通过持续调整XGBoost算法模型中决策树的权重,不断地训练输出的单个弱学习器.实现XGBoost算法模型输出的多个决策树学习器的加权求和,从而实现了电力负荷电费预测数值的高精度输出.试验表明,研究的方法精确度高.     

基于Shapley值的电力负荷预测结果溯源分析方法

针对由于机器学习的黑盒特性导致负荷预测结果不可溯源的问题,提出一种基于Shapley值的电力负荷预测结果溯源分析方法.阐述利用机器学习技术构建负荷预测模型的一般形式和基本过程;基于负荷预测模型,利用合作博弈论中的Shapley值计算各类负荷影响因素对负荷预测结果的影响;对利用梯度提升决策树算法训练的负荷预测模型的预测结果进行溯源分析.实验结果表明,利用所提方法可以洞察负荷预测过程,从而实现负荷预测结果的溯源分析以及考虑复杂非线性的负荷影响因素分析,也可以在构建负荷预测模型时指导特征选择提升模型的泛化能力.     

在线电压安全评估的多重动态决策树方法

利用数据挖掘技术对电力系统在线动态安全进行评估,能够为系统运行控制提供决策指导,防止连续的系统安全问题。提出一种基于相量测量单元（phasor measurementunit,PMU）的在线电压安全评估算法：利用电网数据库已有的数据离线建立电压安全评估决策树,根据PMU的实时采样数据动态对决策树进行更新,形成动态决策树,在线对电压安全进行监控。此外,利用不同的属性集合构建多重决策树,替代原来单一决策树评估,大大提高了决策树分类的准确度和评估的可靠性。结合IEEE 57节点仿真系统,给出多重动态决策树的构建方法以及多重决策树的模型。仿真结果表明,基于PMU的动态多重决策树是一种在线电压安全评估的可行方法。     

基于优化决策树的短期电力负荷预测算法

考虑非负荷因素对短期负荷预测的影响,提出了基于优化决策树的短期负荷预测新方法。该方法先对样本数据进行预处理,利用粗糙集理论对决策树的测试属性约简;然后针对决策树ID3算法的缺陷,改进测试属性选择的方法,提出优化算法M ID3。通过2次优化建立的决策树短期负荷预测模型,在有更好的分类准确率的前提下具有较小的规模。结果表明,该方法可提高短期负荷预测的精度,具有一定的实用性和优势。     

A multi-criteria decision analysis-based approach for dispatch of electric microgrids

This paper presents a decision support system (DSS) for multi-objective dispatch of an electric microgrid considering cost of operation, peak load reduction, and emissions. Discrete compromise programming (DCP) is used as the multi-criteria decision analysis (MCDA) technique for providing the decision support to the distribution system operator (DSO) by ranking various alternatives based on preference of the objectives. The focus of this paper is the application of DCP-based MCDA to select feasible dispatch solutions closest to the preference of the DSO when multiple objectives are considered in the microgrid dispatch. This technique obtains non-dominated solutions in case of conflicting objectives without generating a Pareto front, and hence avoiding prohibitive computational cost. DCP can be used for MCDA in both exact and metaheuristic dispatch algorithms. Uncertainty in renewable energy forecasting and load demand is included through a scenario-based approach by sampling empirical distributions. The dispatch algorithm considers a two hour look-ahead time horizon. Simulations are performed on a notional electric microgrid with diesel generator, solar photovoltaic, and energy storage. The microgrid is based on the IEEE 13-node test feeder and the results are presented.     

基于粗糙集和决策树的自适应神经网络短期负荷预测方法

利用数据挖掘中的聚类技术将历史负荷数据进行聚类,根据聚类后的分类信息对定性属性利用粗糙集进行属性约简,由约简结果进一步生成决策规则树供短期预测使用.根据聚类的结果对每类进行BP神经网络的训练,神经网络的隐含层单元采取逐步试用的方法根据训练误差最小化进行选择.在实际预测中,首先对待预测的记录利用决策规则树进行归类,然后选取相应类别的神经网络予以预测.通过实例证明,该方法的平均相对误差为2.16%,而同结构BP神经网络预测的平均相对误差为2.67%,ARMA预测的平均相对误差为3.81%,证明所提方法有效.     

决策树在短期电力负荷预测中的应用

提出用C45决策树方法解决负荷预测的样本多样性问题。并进行短期负荷预测。通过计算信息增益找出决策树的最佳生成方案，对连续属性计算其熵值找出最佳分段点进行离散化，阐述了规则的生成及其在短期电力负荷预测中的应用方法，算例结果表明，计算精度较高。     

Feature extraction of one‐step‐ahead daily maximum load with regression tree

In this paper, a new efficient feature extraction method is proposed to handle the one‐step‐ahead daily maximum load forecasting. In recent years, power systems become more complicated under the deregulated and competitive environment. As a result, it is not easy to understand the cause and effect of short‐term load forecasting with a bunch of data. This paper analyzes load data from the standpoint of data mining. By it we mean a technique that finds out rules or knowledge through large database. As a data mining method for load forecasting, this paper focuses on the regression tree that handles continuous variables and expresses a knowledge rule as if‐then rules. Investigating the variable importance of the regression tree gives information on the transition of the load forecasting models. This paper proposes a feature extraction method for examining the variable importance. The proposed method allows to classify the transition of the variable importance through actual data. © 2006 Wiley Periodicals, Inc. Electr Eng Jpn, 156(2): 43–51, 2006; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/eej.20104