摘 要

现代生活越来越依赖于电力。然而，众所周知，电能的存储如今依然是一个很难解决的问题，虽然有了一些主流的电能储存手段，但是电能需求预测依然是一个重要的研究领域。准确的电力负荷预测对电力系统以及电力市场的运行具有重要意义。

本文提出了一种结合了粒子群优化算法和支持向量机的模型来预测电力负荷的模型。首先阐述了相关研究的意义，接着分析了电力负荷的特性和数据挖掘的概念，紧接着对支持向量机和粒子群优化算法的原理作了详细说明，最后搭建提出的模型并通过Matlab软件对模型进行了仿真。

通过最终的实验结果，可以认为提出了支持向量机——粒子群优化算法具有优良的预测准确度，最后一部分也提出了一些待解决的问题。

关键字：电力系统、负荷预测、支持向量机、粒子群优化算法、matlab

Abstract

Modern life is more and more dependent on the electricity. However, as is known to all, although there exists some methods for storage of the electric energy, the energy demand forecasting has still been an crucial field in order to allow generation planning and adaptation. All in all, accurate electric load forecasting is significant for the operation of the power systems and electricity markets.

This paper proposes a method, which combines the particle swarm optimization with the support vector machine, to forecast power load. First of all, the paper expounds the significance of the relevant research, then analyses the properties of the power load and introduces the concept of data mining, after that, the mechanisms of support vector machine and particle swarm optimization are detailed, at the last, the proposed model is constructed and simulated by Matlab.

By the experimental result, we can draw a conclusion that SVM-PSO model shows a great performance in prediction. In the last part of the paper, some unresolved issues are offered.

Key words：the power system；load forecasting；support vector machine；particle swarm optimization；matlab

目 录

第1章 绪论 1

1.1 选题意义 1

1.1.1 电力负荷预测研究背景 1

1.1.2 数据挖掘研究背景 1

1.2 国内外研究现状 2

1.3 研究意义 2

1.4 主要研究工作 3

第2章 电力负荷的分析 4

2.1 电力系统负荷分析 4

2.2 电力负荷的常规预测方法 5

第3章 基于数据挖掘技术的电力负荷预测 8

3.1 数据挖掘概论 8

3.2 支持向量机 9

3.3 粒子群优化算法 13

第4章 实验与结果分析 16

4.1 实验数据及预处理 16

4.2 电力负荷预测过程 16

4.3 结果分析 18

第5章 总结与展望 19

参考文献 20

致 谢 23

附录A 24

附录B 26

附录C 30

第1章 绪论

1.1 选题意义

1.1.1 电力负荷预测研究背景

电力能源是一个国家的基础命脉行业，对于我国的经济建设、国家安全、社会安定、群众生活水平具有本质的影响。电力负荷预测是电力系统调度、发电、送电和规划等管理部门的重要基础工作之一，电力负荷的准确预测对于制定发电计划、合理的电力调配计划以及上网竞价计划、控制电网经济最大化运营、降低旋转储备容量、分析电力市场需求、避免重大事故、有效化解潜在风险、保障生产和生活用电等方面具有十分重要的意义^[1]。

进入20世纪后，人们逐渐认识到扩大电力系统的规模可以在能源勘探、工业建设、负荷安排、系统安全运行等方面带来显著的社会经济效益。于是，电力系统的规模迅速增长。前苏联的电力系统是世界上覆盖面积最大的电力系统^[2]。该电力系统东西横跨7000余千米，南北纵伸3000余千米，覆盖了约1000万平方千米的区域。

我国的电力系统从50年代开始迅速发展^[3]。截止至1991年底，我国电力系统总装机容量为14600万千瓦，相应的年发电量为6750亿千瓦时，位居世界第四位，其中网络骨干为220千伏、330千伏和500千伏构成的输电线路，形成了4个大区电力系统和9个省电力系统，大区电力系统的装机容量超过1500万千瓦，而省电力系统的装机容量则只超过百万千瓦，大区之间的联网工作也已开始。除此之外，台湾于1989年年底建立了装机容量为1659万千瓦的电力系统^[4]。

随着发电技术的发展，出现了各种新型发电方式，比如：风能发电技术、太阳能发电技术、潮汐能发电技术等等。这些新技术的出现极大地保障了我们的电能供应，但是电能的存储至今都是一个待以解决的问题^[5]，如何高效、准确地分配电能首先就要求准确地预测电力负荷。在上述的背景下，研究电力系统负荷的准确预测从经济上、工业上而言均具有重大意义。

1.1.2 数据挖掘研究背景

近年来，数据挖掘引起了信息产业界和整个社会的极大关注，数据挖掘是指从大量数据中提取或“挖掘”知识^[6]，这些知识是隐含的、实现不知道的、但又是潜在有用的信息。

数据挖掘是一项关于多学科技术的集成，这里包括数据仓库和数据库技术、数理统计学、机器学习知识、高性能计算技术、模式识别、神经网络、数据可视化、信息检索、图像与信号处理以及空间或时间数据分析^[7]。

通过数据挖掘这项技术，用户可以从数据库里提取很多有趣的知识、规律或高层信息，并可以从不同角度查阅或分析它们。数据挖掘里包含很多针对诸如回归分析、预测和分类等等不同任务的模型。

1.2 国内外研究现状

电力负荷预测于二十世纪八十年代初开始被广泛研究 ^[8]，最初的预测方式完全是人工实现的，即由工作人员根据自己的工作经验来进行预测，这种预测方式误差较大。而且随着电力系统不断的扩大，电力系统变得更加复杂，纯粹的人工预测已经没有办法满足需要了，因此研究更高效、准确、科学的电力负荷预测方法成了一个热点。