基于相似性识别的短期负荷动态预测方法

统调日负荷的精确预测对电力充裕性保障、电力系统规划有重要指导作用。相似性识别是数据挖掘技术的重要部分，基于相似性识别原理，提出一种短期负荷预测的新方法。首先对原始数据进行属性和重复记录清洗，清洗后得到实验数据；其次在考虑数据大小相似性的同时，引入了数据趋势相似性度量。基于2种度量从历史序列中识别出与查询序列信息高度重合的序列，建立备选相似序列集；考虑时间间隔与季节因素，从备选相似序列集中选取历史最相似序列，最终实现日负荷预测；随着新信息的进入，实现高峰负荷动态预测。利用该方法对重庆统调日负荷进行模拟预测，并与BP神经网络和支持向量机方法进行对比，证明了所提方法的可行性与有效性。     

基于数据挖掘与支持向量机的现货市场出清价预测方法

现货市场环境下，市场出清价对于电力市场的发、用两侧参与者和市场管理者都是极为重要的信息。因此，市场出清价的预测研究越发重要。首先分析大多数传统电价预测方法采用的连续序列与该文选取的同时段的电价序列表现出的变化特征差异，给出选取同时段电价序列作为输入的原因。然后基于数据挖掘相似性理论，通过欧氏距离和角度距离2个维度识别历史电价相似序列，得到模型所需训练集数据。以支持向量机（SVM）为预测工具，并利用遗传算法对SVM的关键参数进行寻优。最后将模拟预测结果与不考虑历史相似状态的SVM模型、BP神经网络模型进行对比，通过误差分析证明了所提模型具备更高的预测精度。     

基于相似性识别的短期负荷动态预测方法

统调日负荷的精确预测对电力充裕性保障、电力系统规划有重要指导作用。相似性识别是数据挖掘技术的重要部分,基于相似性识别原理,提出一种短期负荷预测的新方法。首先对原始数据进行属性和重复记录清洗,清洗后得到实验数据;其次在考虑数据大小相似性的同时,引入了数据趋势相似性度量。基于2种度量从历史序列中识别出与查询序列信息高度重合的序列,建立备选相似序列集;考虑时间间隔与季节因素,从备选相似序列集中选取历史最相似序列,最终实现日负荷预测;随着新信息的进入,实现高峰负荷动态预测。利用该方法对重庆统调日负荷进行模拟预测,并与BP神经网络和支持向量机方法进行对比,证明了所提方法的可行性与有效性。     

基于数据挖掘与支持向量机的现货市场出清价预测方法

现货市场环境下,市场出清价对于电力市场的发、用两侧参与者和市场管理者都是极为重要的信息。因此,市场出清价的预测研究越发重要。首先分析大多数传统电价预测方法采用的连续序列与该文选取的同时段的电价序列表现出的变化特征差异,给出选取同时段电价序列作为输入的原因。然后基于数据挖掘相似性理论,通过欧氏距离和角度距离2个维度识别历史电价相似序列,得到模型所需训练集数据。以支持向量机（SVM）为预测工具,并利用遗传算法对SVM的关键参数进行寻优。最后将模拟预测结果与不考虑历史相似状态的SVM模型、BP神经网络模型进行对比,通过误差分析证明了所提模型具备更高的预测精度。