电力系统负荷数据预处理技术在短期预测中的应用

"这篇硕士学位论文探讨了电力系统短期负荷预测及其应用系统，主要涉及负荷数据的预处理、神经网络预测模型、专家系统修正预测结果以及短期负荷预测系统的开发。" 在电力系统短期负荷预测中，数据预处理是关键步骤，因为原始负荷数据可能会受到各种因素的影响，产生异常值。这些异常值可能是由SCADA系统故障、特殊事件或数据采集过程中的错误引起的。论文提到的预处理方法主要包括两种策略： 1. 异常日负荷处理：通过比较历史平均负荷与相邻日负荷的差异，如果超过预设的阈值Q1（如0.15倍日负荷），则进行越限调整。如果差异超过阈值Q2（如0.3倍日负荷）且异常点数超过一定数量，会选择剔除异常日或用典型曲线替代。 2. 异常负荷点处理：采用横向对比和纵向对比法，消除因SCADA采样错误造成的负荷毛刺和异常负荷。这种方法有助于确保负荷变化遵循一定的规律，如相邻日最大负荷和最小负荷的波动范围，以及负荷在特定时段内的单调变化特性。 论文还介绍了将人工神经网络模型应用于短期负荷预测，提出基于资源分配网络的预测模型，该模型首次在电力系统负荷预测中得到应用，并通过实际数据验证了其高精度。此外，为了应对天气突变导致的预测误差，论文还提到了利用专家系统对预测结果进行修正，以进一步提高预测的准确性。 论文开发的短期电力负荷预测系统结合了调度自动化系统，采用客户机/服务器模式，利用MSSQLServer作为数据库，使用C++Builder进行可视化界面和核心程序的开发。系统集成多种预测方法，如最小二乘法、线性回归法、时间序列法、相似日法、神经网络法和组合算法，形成负荷预测方法库，通过比较不同预测结果来提高预测精度。实际运算结果显示，该系统能有效满足地区电网的短期负荷预测需求，预测结果准确，界面友好，操作简便，图形功能强大，提升了预测工作效率。关键词包括短期负荷预测、调度自动化系统、人工神经网络和专家系统。