基于數(shù)據(jù)挖掘技術(shù)的氣溫敏感負(fù)荷短期預(yù)測(cè)研究

劉蓉暉，趙才濤

（上海電力學(xué)院電氣工程學(xué)院，上海 200090）

隨著我國(guó)智能電網(wǎng)技術(shù)和裝備的快速發(fā)展，供電系統(tǒng)的建設(shè)也越來(lái)越復(fù)雜，使得一些負(fù)荷更易受氣象因素[1]等外界環(huán)境的干擾。同時(shí)，監(jiān)測(cè)點(diǎn)負(fù)荷數(shù)據(jù)的急劇增加，導(dǎo)致從中找出有利于負(fù)荷預(yù)測(cè)的信息困難加大，這些都不利于負(fù)荷的準(zhǔn)確預(yù)測(cè)。因?yàn)樨?fù)荷預(yù)測(cè)在電力系統(tǒng)的規(guī)劃、設(shè)計(jì)、負(fù)荷調(diào)度、控制、能源管理等方面起著重要作用，所以提高負(fù)荷預(yù)測(cè)精度對(duì)電網(wǎng)的安全、穩(wěn)定、優(yōu)化與經(jīng)濟(jì)運(yùn)行有著重要的意義[2]。因此需要不斷完善各方面的信息以及優(yōu)化預(yù)測(cè)模型來(lái)提高負(fù)荷預(yù)測(cè)精度。

提高負(fù)荷預(yù)測(cè)精度不僅要考慮影響負(fù)荷變化的因素，還需要合理的預(yù)測(cè)方法。國(guó)內(nèi)外學(xué)者對(duì)負(fù)荷預(yù)測(cè)提出了多種方法，常見(jiàn)的預(yù)測(cè)方法有時(shí)序分析法、回歸分析法、神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法以及綜合分析法等[3-5]。文獻(xiàn)[6]中將大數(shù)據(jù)分析技術(shù)運(yùn)用于智能電網(wǎng)的建設(shè)中，基于數(shù)據(jù)挖掘技術(shù)進(jìn)行短期電力負(fù)荷預(yù)測(cè)，有效地提高了負(fù)荷預(yù)測(cè)的速度和精度。文獻(xiàn)[7]中運(yùn)用大數(shù)據(jù)管理技術(shù)結(jié)合隨機(jī)森林算法，基于Hadoop預(yù)測(cè)平臺(tái)進(jìn)行負(fù)荷預(yù)測(cè)，在不同的數(shù)據(jù)集上運(yùn)用此方法進(jìn)行負(fù)荷預(yù)測(cè)可有效提高預(yù)測(cè)的精度。文獻(xiàn)[8]中引入元胞概念，通過(guò)對(duì)元胞進(jìn)行聚類(lèi)，分成多個(gè)等級(jí)，然后針對(duì)不同的等級(jí)運(yùn)用支持向量機(jī)模型進(jìn)行負(fù)荷預(yù)測(cè)，這樣可以提高預(yù)測(cè)的有效性與適應(yīng)度。文獻(xiàn)[9]中考慮了影響負(fù)荷變化的氣象因素，并運(yùn)用修正模型對(duì)預(yù)測(cè)結(jié)果進(jìn)行修正，可使預(yù)測(cè)結(jié)果更加精確。

基于以上分析，本文提出一種考慮氣象因素的基于改進(jìn)K-means聚類(lèi)的ARMA預(yù)測(cè)模型對(duì)短期氣溫敏感負(fù)荷進(jìn)行預(yù)測(cè)。首先通過(guò)改進(jìn)的K-means聚類(lèi)算法對(duì)負(fù)荷和氣溫進(jìn)行聚類(lèi)分析，建立負(fù)荷與氣溫的關(guān)系函數(shù)；其次，經(jīng)過(guò)聚類(lèi)分析后在各個(gè)簇內(nèi)建立相應(yīng)的ARMA預(yù)測(cè)模型，考慮氣溫和濕度因素；最后，對(duì)各個(gè)簇內(nèi)的預(yù)測(cè)結(jié)果進(jìn)行修正、綜合，通過(guò)平均相對(duì)誤差來(lái)評(píng)判預(yù)測(cè)的好壞。文中通過(guò)單純的ARMA預(yù)測(cè)法，考慮氣象因素的基于K-means聚類(lèi)的ARMA預(yù)測(cè)法以及本文的改進(jìn)法進(jìn)行實(shí)例分析對(duì)比，實(shí)驗(yàn)結(jié)果證明了本文所提出的方法可有效提高負(fù)荷預(yù)測(cè)的精度和效率。

1 數(shù)據(jù)挖掘技術(shù)

1.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)在監(jiān)測(cè)平臺(tái)采集后，經(jīng)過(guò)傳輸、存儲(chǔ)等一系列過(guò)程處理后組成數(shù)據(jù)庫(kù)，但在這一系列過(guò)程中都有可能使數(shù)據(jù)損壞[10]。因此在運(yùn)用采集的數(shù)據(jù)之前必須對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。本文中所用到的預(yù)處理技術(shù)包括數(shù)據(jù)清理、數(shù)據(jù)轉(zhuǎn)換和增補(bǔ)缺失值等。

1.2 K-means聚類(lèi)

聚類(lèi)就是將大量的數(shù)據(jù)分成不同的簇，每一個(gè)簇內(nèi)的數(shù)據(jù)彼此間有某種聯(lián)系或有相似之處，簇與簇之間有一定的界限或區(qū)別，通過(guò)整體結(jié)構(gòu)的不同或?qū)哟蔚膮^(qū)別來(lái)尋找這些數(shù)據(jù)之間隱藏的關(guān)系。因?yàn)镵-means聚類(lèi)算法具有計(jì)算時(shí)間短、速度快、容易解釋、聚類(lèi)效果較好等優(yōu)點(diǎn)[11-13]而被廣泛運(yùn)用。

1.2.1 傳統(tǒng)的K-means聚類(lèi)算法

傳統(tǒng)K-means聚類(lèi)算法的基本步驟如下：

1）在一個(gè)數(shù)據(jù)集N={N1，N2，…，Nn}中，選取K個(gè)點(diǎn)作為聚類(lèi)的初始中心Sj（j=1，2，…，K）。

2）計(jì)算數(shù)據(jù)集中各個(gè)點(diǎn)到中心點(diǎn)的距離，即Dj=|Ni-Sj|，按照就近原則，根據(jù)各數(shù)據(jù)點(diǎn)離自身周?chē)膫€(gè)聚類(lèi)中心近的就劃分在哪個(gè)簇內(nèi)，從而形成K個(gè)簇Ck（k=1，2，…，k）。

3）計(jì)算各簇內(nèi)樣本Nj到聚類(lèi)中心Si的距離平方和E，如式（1）所示。

4）對(duì)每個(gè)簇內(nèi)對(duì)象作均值處理，將計(jì)算后的結(jié)果作為新的聚內(nèi)中心。

5）檢查E和聚類(lèi)中心是否發(fā)生變化，若發(fā)生變化則跳轉(zhuǎn)步驟2）重新計(jì)算，直到不變化為止。

1.2.2 改進(jìn)的K-means聚類(lèi)算法

由于傳統(tǒng)聚類(lèi)方法的聚類(lèi)個(gè)數(shù)是由用戶自己選定的，根據(jù)具體情況分析易受人為主觀和經(jīng)驗(yàn)的影響，這樣的聚類(lèi)數(shù)具有不確定性，而且初始聚類(lèi)中心也是隨機(jī)選取的，具有盲目性，這會(huì)使聚類(lèi)更耗時(shí)，且結(jié)果不準(zhǔn)確。本文為了得到較好的聚類(lèi)結(jié)果，提出引入Davies—Bouldin指數(shù)[14]，通過(guò)DB指數(shù)的值來(lái)選取聚類(lèi)數(shù)K。DB指數(shù)可由式（2）-（5）求得：

式（2）中Si為第i個(gè)簇的分散度值，Xj為第i個(gè)簇的第j個(gè)數(shù)據(jù)值，Ai為第i個(gè)簇的中心點(diǎn)，N為第i個(gè)簇的數(shù)據(jù)點(diǎn)個(gè)數(shù)。式（3）中Mij為第i個(gè)簇與第j個(gè)簇的距離，aki，akj分別為各個(gè)簇的中心點(diǎn)的第K個(gè)屬性值。式（4）中Ri，j是第i個(gè)簇與第j個(gè)簇的相似度。將式（2）、（3）、（4）代入式（5）可求得DB指數(shù)值R，其中K為聚類(lèi)個(gè)數(shù)。當(dāng)K變化時(shí)R也隨之變化，R越小表明簇內(nèi)數(shù)據(jù)越緊密且簇與簇之間的分離性越好，聚類(lèi)效果越好。因此R最小時(shí)可選取最優(yōu)聚類(lèi)數(shù)K。

對(duì)于初始聚類(lèi)中心，本文采用文獻(xiàn)[15]所提的通過(guò)簇內(nèi)對(duì)象密度的大小來(lái)選取，簇內(nèi)對(duì)象密度越大，說(shuō)明簇內(nèi)對(duì)象越集中，聚類(lèi)效果越好。設(shè)對(duì)象集合X={x1，x2，…，xn}，xi=（xi1，…，xim），不同對(duì)象xi和xj的歐式距離d（xi，xj）可由式（6）求得。

對(duì)象集X的平均密度Ave_Den（X）如式（7）所示。

對(duì)任一對(duì)象xi的密度Den（xi）如式（8）所示。

其中R為以對(duì)象xi為圓心的圓的半徑，且xi到其他點(diǎn)的距離滿足0＜d（x，xi）＜R。將所有密度構(gòu)成一個(gè)集合，選取其中密度最大的對(duì)象作為第一個(gè)初始聚類(lèi)中心，按大到小以此類(lèi)推，將第K個(gè)最大密度對(duì)象作為第K個(gè)簇的初始聚類(lèi)中心，且每個(gè)簇的密度要大于平均密度，按照就近原則將各個(gè)對(duì)象分配到附近的簇內(nèi)。

2 模型的建立

2.1 氣溫模型的建立

本文所考慮的氣象因素主要是氣溫和相對(duì)濕度，兩者間有一定的相關(guān)關(guān)系。在夏季當(dāng)氣溫高于某一溫度TH時(shí)，實(shí)際溫度可以由式（9）表示。在冬季當(dāng)氣溫低于某一溫度TL時(shí)，實(shí)際溫度可以由式（10）表示。其他情況下當(dāng)氣溫在TL到TH之間時(shí)，濕度對(duì)氣溫的影響很小，可以忽略不計(jì)[16]。

TA、TB為有效氣溫，a、b為常系數(shù)，需根據(jù)實(shí)際預(yù)測(cè)需要取值，T為實(shí)際氣溫，H為相對(duì)濕度。

2.2 ARMA預(yù)測(cè)模型的建立

自回歸移動(dòng)平均模型（ARMA）由自回歸模型（AR）和移動(dòng)平均模型（MA）組成，是較為成熟的時(shí)間序列模型，廣泛應(yīng)用于電力負(fù)荷預(yù)測(cè)中。ARMA模型如式（11）所示[17]，式中的預(yù)測(cè)負(fù)荷由兩部分主成：第一部分為t時(shí)刻之前的負(fù)荷序列值，第二部分為t時(shí)刻及t時(shí)刻之前的負(fù)荷誤差值。Lt為t時(shí)刻的電力負(fù)荷，p、q分別為AR和MA的階數(shù)，α是自回歸系數(shù)，β是滑動(dòng)平均系數(shù)，et為t時(shí)刻的誤差，符合正態(tài)分布。

當(dāng)運(yùn)用ARMA模型進(jìn)行負(fù)荷預(yù)測(cè)時(shí)考慮氣象因素會(huì)使預(yù)測(cè)結(jié)果更加精確，但是，ARMA模型是一個(gè)線性模型，它不能完全描述氣象因素與非線性負(fù)荷的關(guān)系，一旦氣象因素發(fā)生較大的變化，就會(huì)引起過(guò)度擬合，使預(yù)測(cè)精度大大降低。因此，需要對(duì)預(yù)測(cè)結(jié)果進(jìn)行相應(yīng)的修正，修正模型如式（12）所示，式中ΔL是負(fù)荷修正值，ΔT是溫度的變化值，L1-L0是負(fù)荷變化值，ΔT′是預(yù)測(cè)日與預(yù)測(cè)日前一天的溫度差。

3 實(shí)例分析

本文研究的是上海市某配電網(wǎng)負(fù)荷，為典型的辦公、居民負(fù)荷，具有很強(qiáng)的周期性和季節(jié)性。一般工作日負(fù)荷比周末負(fù)荷更重要，所以本文只對(duì)工作日負(fù)荷作重點(diǎn)研究。城市負(fù)荷中易受氣象因素影響的氣溫敏感性負(fù)荷越來(lái)越多，一般夏季和冬季較為明顯，這會(huì)加大負(fù)荷預(yù)測(cè)的誤差。為提高負(fù)荷預(yù)測(cè)精度，本文在預(yù)測(cè)時(shí)不僅考慮了氣象因素，而且還運(yùn)用數(shù)據(jù)挖掘技術(shù)進(jìn)行預(yù)測(cè)前的預(yù)處理工作。

3.1 基于改進(jìn)K-means聚類(lèi)的負(fù)荷分析

文中所選數(shù)據(jù)為2011年5月1日至2012年5月1日電網(wǎng)監(jiān)測(cè)點(diǎn)的負(fù)荷數(shù)據(jù)，以每小時(shí)的采樣點(diǎn)為采樣數(shù)據(jù)，共選取8 760個(gè)采樣數(shù)據(jù)，并選取與負(fù)荷數(shù)據(jù)時(shí)刻相對(duì)應(yīng)的氣溫、相對(duì)濕度數(shù)據(jù)，建立對(duì)象數(shù)據(jù)集進(jìn)行數(shù)據(jù)分析。

3.1.1 聚類(lèi)數(shù)K的選取

對(duì)所選目標(biāo)對(duì)象分別用傳統(tǒng)K-means聚類(lèi)算法和改進(jìn)的K-means聚類(lèi)算法進(jìn)行6次比對(duì)聚類(lèi)分析，并引用文獻(xiàn)[18]中聚類(lèi)質(zhì)量評(píng)估方法對(duì)聚類(lèi)結(jié)果進(jìn)行評(píng)價(jià)，選取最優(yōu)K值作為聚類(lèi)數(shù)。表1為兩種聚類(lèi)算法的結(jié)果比較，從表中可以看出隨著K值得增大聚類(lèi)的準(zhǔn)確率及所耗時(shí)間均會(huì)增加，對(duì)于改進(jìn)的K-means算法，K值是確定的，取K=4且聚類(lèi)準(zhǔn)確率和時(shí)耗都比較理想，通過(guò)兩種聚類(lèi)算法的結(jié)果對(duì)比可以說(shuō)明提出的改進(jìn)K-means聚類(lèi)算法不僅可以確定聚類(lèi)數(shù)K，而且聚類(lèi)效果也較好。

3.1.2 負(fù)荷與氣溫關(guān)系的聚類(lèi)分析

圖1為2011-2012年負(fù)荷與氣溫的聚類(lèi)圖。從圖中可知負(fù)荷與氣溫的關(guān)系可以表示成三部分：第一部分是當(dāng)溫度T＜Tl時(shí)，此時(shí)Tl=15℃，負(fù)荷與溫度呈負(fù)相關(guān)性，系數(shù)比為-Kl，表示當(dāng)溫度低于一定范圍時(shí)，負(fù)荷會(huì)隨著溫度的降低而增大，說(shuō)明氣溫越低取暖負(fù)荷越大；第二部分是當(dāng)溫度Tl≤T≤Th時(shí)，此時(shí)Th=25℃，負(fù)荷基本不受溫度的影響，說(shuō)明此范圍內(nèi)的負(fù)荷基本屬于日常的基礎(chǔ)負(fù)荷LB；第三部分是當(dāng)溫度T＞Th時(shí)，負(fù)荷與溫度呈正相關(guān)性，系數(shù)比為Kh，表示當(dāng)溫度高于一定范圍時(shí)，負(fù)荷會(huì)隨著溫度的升高而增大，說(shuō)明氣溫越高降溫負(fù)荷越大。在一般情況下，對(duì)于城市負(fù)荷而言，降溫負(fù)荷所需的用電量往往要大于取暖負(fù)荷所需的用電量，即系數(shù)K1＜Kh。綜上所述，負(fù)荷與氣溫的函數(shù)關(guān)系可由式（11）表示，與其對(duì)應(yīng)的曲線圖如圖2所示。

表1 K-means聚類(lèi)算法與改進(jìn)K-means聚類(lèi)算法比較Tab.1 Comparison of K-means clustering algorithm and improved K-means clustering algorithm

圖1 2011-2012年負(fù)荷—?dú)鉁氐木垲?lèi)圖Fig.1 The clustering figure of load and temperature from 2011 to 2012

圖2 負(fù)荷與氣溫的關(guān)系曲線圖Fig.2 The relation curve of load and temperature

3.2 基于改進(jìn)K-means聚類(lèi)的負(fù)荷預(yù)測(cè)

本文基于數(shù)據(jù)挖掘技術(shù)，運(yùn)用時(shí)間序列分析技術(shù)對(duì)氣溫敏感性負(fù)荷進(jìn)行預(yù)測(cè)分析，結(jié)合二者的優(yōu)點(diǎn)可以實(shí)現(xiàn)快速而精準(zhǔn)的預(yù)測(cè)?；跀?shù)據(jù)挖掘技術(shù)的ARMA預(yù)測(cè)方法流程如圖3所示，主要分為以下幾部分：

圖3 負(fù)荷預(yù)測(cè)流程圖Fig.3 Flowchart of the load forecasting

1）提取監(jiān)測(cè)點(diǎn)的目標(biāo)數(shù)據(jù)集進(jìn)行預(yù)處理，并查找與之對(duì)應(yīng)的氣象數(shù)據(jù)建立對(duì)象數(shù)據(jù)集。

2）基于改進(jìn)K-means聚類(lèi)算法對(duì)負(fù)荷和氣溫進(jìn)行聚類(lèi)分析，按照負(fù)荷與氣溫的關(guān)系分成不同的簇，考慮氣象因素，在各個(gè)簇內(nèi)進(jìn)行相應(yīng)的負(fù)荷預(yù)測(cè)。

3）對(duì)各預(yù)測(cè)結(jié)果進(jìn)行相應(yīng)的修正、綜合、誤差評(píng)估，從而得出結(jié)論。

3.2.1 數(shù)據(jù)的選取

經(jīng)分析可知，春、秋季節(jié)氣溫、濕度對(duì)負(fù)荷變化影響較小，與之相比，夏、冬季節(jié)的影響較大。所以本文主要選取配電網(wǎng)2011年5月1日至2012年5月1日夏季和冬季的監(jiān)測(cè)數(shù)據(jù)作為歷史負(fù)荷數(shù)據(jù)，并選取2012年7月和2013年1月各一個(gè)工作日的最大日負(fù)荷數(shù)據(jù)作為預(yù)測(cè)樣本進(jìn)行季節(jié)性的負(fù)荷預(yù)測(cè)，再選取2012年7月6日一天24h的負(fù)荷進(jìn)行預(yù)測(cè)，通過(guò)比較分析3種預(yù)測(cè)方法的預(yù)測(cè)結(jié)果來(lái)證明本文所提方法的有效性。

3.2.2 預(yù)測(cè)結(jié)果分析

通過(guò)模型預(yù)測(cè)的結(jié)果需要經(jīng)過(guò)評(píng)價(jià)指標(biāo)來(lái)說(shuō)明預(yù)測(cè)的精確度，一般選取平均相對(duì)誤差來(lái)進(jìn)行評(píng)估。式（12）為平均相對(duì)誤差表達(dá)式。

表2為2012年7月和2013年1月夏季和冬季各一個(gè)工作日的負(fù)荷預(yù)測(cè)結(jié)果。從表2可知，夏季一個(gè)工作日的總平均相對(duì)誤差為1.78%，冬季一個(gè)工作日的總平均相對(duì)誤差為1.48%，相比于文獻(xiàn)[7]、[8]、[10]所用的預(yù)測(cè)方法，本文所提的方法能更有效地提高預(yù)測(cè)的精度。從表中還可得知夏季的氣象因素對(duì)負(fù)荷的影響要大于冬季，致使夏季負(fù)荷預(yù)測(cè)的誤差要比冬季大。

表2 工作日負(fù)荷預(yù)測(cè)結(jié)果Tab.2 Load forecasting results of workday

圖4為對(duì)應(yīng)表2中7月16日至20日三種預(yù)測(cè)方法的工作日負(fù)荷預(yù)測(cè)誤差，其中e1為不考慮氣象因素的單純ARMA負(fù)荷預(yù)測(cè)誤差，e2為考慮氣象因素的基于傳統(tǒng)K-means聚類(lèi)的ARMA負(fù)荷預(yù)測(cè)誤差，e3為本文所提考慮氣象因素的基于改進(jìn)K-means聚類(lèi)的ARMA負(fù)荷預(yù)測(cè)誤差。從圖4可以得知本文所提方法相比于其他兩種方法能有效降低負(fù)荷預(yù)測(cè)的誤差，提高預(yù)測(cè)精度。

表3為2012年7月6日的日負(fù)荷預(yù)測(cè)結(jié)果，其對(duì)應(yīng)的曲線圖如圖5所示。單純ARMA負(fù)荷預(yù)測(cè)值用L1表示，預(yù)測(cè)誤差用e1表示；考慮氣象因素的基于傳統(tǒng)K-means聚類(lèi)ARMA負(fù)荷預(yù)測(cè)值用L2表示，預(yù)測(cè)誤差用e2表示；本文所提方法的預(yù)測(cè)值用L3表示，預(yù)測(cè)誤差用e3表示。從表3可知，L1的日平均相對(duì)誤差為3.95%，L2的日平均相對(duì)誤差為2.31%，L3的日平均相對(duì)誤差為1.9%。通過(guò)比較發(fā)現(xiàn)本文方法可以提高負(fù)荷預(yù)測(cè)精度。

圖4 三種預(yù)測(cè)方法的工作日負(fù)荷預(yù)測(cè)誤差Fig.4 Load forecasting errors of working days with three kinds of prediction methods

表3 2012年7月6日的負(fù)荷預(yù)測(cè)結(jié)果Tab.3 Load forecasting results on July 6,2012

4 結(jié)論

針對(duì)氣溫敏感性負(fù)荷，本文提出一種由數(shù)據(jù)挖掘技術(shù)和ARMA預(yù)測(cè)模型相結(jié)合的負(fù)荷預(yù)測(cè)方法，在考慮了氣溫、濕度等因素的影響后，通過(guò)建立氣溫與濕度的關(guān)系函數(shù)，運(yùn)用數(shù)據(jù)挖掘技術(shù)對(duì)歷史數(shù)據(jù)進(jìn)行預(yù)處理，并對(duì)負(fù)荷與氣溫進(jìn)行聚類(lèi)分析，然后在不同簇內(nèi)進(jìn)行相應(yīng)的負(fù)荷預(yù)測(cè)，最后對(duì)預(yù)測(cè)結(jié)果進(jìn)行修正與綜合。通過(guò)比較本文方法與傳統(tǒng)方法所得到的預(yù)測(cè)結(jié)果，可以得到本文所提方法能夠有效提高負(fù)荷預(yù)測(cè)的精度和效率，為電力部門(mén)在運(yùn)行管理與調(diào)度負(fù)荷時(shí)提供更好的技術(shù)支撐。

圖5 2012年7月6日的負(fù)荷預(yù)測(cè)結(jié)果Fig.5 Forecasting results on July 6，2012

文中通過(guò)單純的ARMA預(yù)測(cè)方法、考慮氣象因素的基于傳統(tǒng)K-means聚類(lèi)的ARMA預(yù)測(cè)方法和本文所提的考慮氣象因素的基于改進(jìn)K-means聚類(lèi)的ARMA預(yù)測(cè)方法進(jìn)行比較分析可知：

1）改進(jìn)的K-means聚類(lèi)算法可解決傳統(tǒng)K-means算法聚類(lèi)數(shù)不確定，初始聚類(lèi)中心隨機(jī)選取的缺點(diǎn)，可有效提高聚類(lèi)算法的準(zhǔn)確率和效率。

2）預(yù)測(cè)中考慮了氣象因素，建立氣溫與濕度的關(guān)系函數(shù)，并且在聚類(lèi)的基礎(chǔ)上進(jìn)行負(fù)荷預(yù)測(cè)，而且對(duì)預(yù)測(cè)結(jié)果進(jìn)行相應(yīng)修正，這樣能有效提高負(fù)荷預(yù)測(cè)的精度。

3）通過(guò)三種預(yù)測(cè)方法的比較分析可知，在進(jìn)行負(fù)荷預(yù)測(cè)時(shí)考慮影響因素越多，技術(shù)越成熟，預(yù)測(cè)結(jié)果會(huì)越精確，從預(yù)測(cè)結(jié)果可以驗(yàn)證本文所提方法的有效性。

[1] 王惠中，劉珂，周佳.基于綜合氣象指數(shù)和日期類(lèi)型的電力系統(tǒng)負(fù)荷預(yù)測(cè)[J].電網(wǎng)與清潔能源，2015，31（9）：67-71.WANG Huizhong，LIU Ke，ZHOU Jia.Power system load forecasting based on comprehensive meteorological index and date type[J].Power System and Clean Energy，2015，31（9）：67-71.

[2] 全思平，吳浩.基于數(shù)據(jù)挖掘技術(shù)的短期電力負(fù)荷預(yù)測(cè)[J].電力信息與通信技術(shù)，2014，12（3）：95-98.QUAN Siping，WU Hao.A short-term power load forecast?ing system using the data mining technology[J].Electric Pow?er ICT，2014，12（3）：95-98.

[3] 廖旎煥，胡智宏，馬瑩瑩，等.電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法綜述[J].電力系統(tǒng)保護(hù)與控制，2011，39（1）：147-152.LIAO Nihuan，HU Zhihong，MA Yingying，et al.Review of the short-term load forecasting methods of electric power system[J].Power System Protection and Control，2011，39（1）：147-152.

[4] 王玉龍，崔玉，李鵬，等.基于小波分析改進(jìn)的神經(jīng)網(wǎng)絡(luò)模型電力系統(tǒng)負(fù)荷預(yù)測(cè)[J].電網(wǎng)與清潔能源，2015，31（2）：16-20，27.WANG Yulong，CUI Yu，LI Peng，et al.Load forecasting of power system based on wavelet analysis improved neural network model[J].Power System and Clean Energy，2015，31（2）：16-20，27.

[5]KYUNG BIN Song，SEONG KWAN Ha，JUNG WOOK Park，etal.Hybrid load forecasting method with analysis oftemperature sensitivities[J].IEEE Transactionson Power Systems，2006，21（2）：869-876.

[6]ZHANG Pei，WU Xiaoyu，WANG Xiaojun，et al.Shortterm load forecasting based on big data technologies[J].CSEE Journal of Power and Energy Systems，2015，1（3）：59-67.

[7] 王德文，孫志偉.電力用戶側(cè)大數(shù)據(jù)分析與并行負(fù)荷預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào)，2015，35（3）：527-537.WANG Dewen，SUN Zhiwei.Big data analysis and parallel load forecasting of electric power user side[J].Proceedings of the CSEE，2015，35（3）：527-537.

[8] 肖白，聶鵬，穆鋼，等.基于多級(jí)聚類(lèi)分析和支持向量機(jī)的空間負(fù)荷預(yù)測(cè)方法[J].電力系統(tǒng)自動(dòng)化，2015，39（12）：56-61.XIAO Bai， NIE Peng， MU Gang， et al.A spatial forecasting method based on multilevel clustering analysis and support vector machine[J].Automation of Electric Power Systems，2015，39（12）：56-61.

[9] 方鴿飛，胡長(zhǎng)洪，鄭奕輝，等.考慮夏季氣象因素的短期負(fù)荷預(yù)測(cè)方法研究[J].電力系統(tǒng)保護(hù)與控制，2010，38（22）：100-104.FANG Gefei， HU Changhong， ZHENG Yihui， et al.Study on the method of short-term load forecasting considering summer weather factors[J].Power System Protection and Control，2010，38（22）：100-104.

[10]陳紅坤，黃娟.數(shù)據(jù)挖掘及其在電能質(zhì)量分析中的應(yīng)用[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2009，21（5）：51-55.CHEN Hongkun，HUANG Juan.Data mining and its application in power quality analysis[J].Proceedings of the CSU-EPSA，2009，21（5）：51-55.

[11]RAJESWARI K，OMKAR ACHARYA，MAYUR SHAR?MA，et al.Improvement in k-means clustering algorithm using data clustering[J].Computing Communication Con?trol and Automation，2015（9）：367-369.

[12]李春生，王耀南.聚類(lèi)中心初始化的新方法[J].控制理論與應(yīng)用，2010，27（10）：1435-1440.LI Chunsheng，WANG Yaonan.New initialization method for cluster center[J].Control Theory&Applications，2010，27（10）：1435-1440.

[13]熊忠陽(yáng)，陳若田，張玉芳.一種有效的K-means聚類(lèi)中心初始化方法[J].計(jì)算機(jī)應(yīng)用研究，2011，28（11）：4188-4190.XIONG Zhongyang，CHEN Ruotian，ZHANG Yufang.Effective method for cluster centers'initialization in K-means clustering[J].Application Research of Computers，2011，28（11）：4188-4190.

[14]DAVID L.DAVIES and DONALD W.BOULDIN.A clustering separation measure.IEEE Transactions on Pattern Analysis and Machine Intelligence，1979.

[15]趙莉，候興哲，胡君，等.基于改進(jìn)k-means算法的海量智能用電數(shù)據(jù)分析[J].電網(wǎng)技術(shù)，2014，38（10）：2715-2720.ZHAO LI，HOU Xingzhe，HU Jun，et al.Improved kmeans algorithm based analysis on massive data of intelligent power utilization[J].Power System Technology，2014，38（10）：2715-2720.

[16]LI KE，TAI Nengling，ZHANG Shenxi.Research and ap?plicationofclimaticsensitiveshort-termloadforecasting[C].Power&Energy Society General Meeting，2015.

[17]HUANG Shyhjier，SHIH Kuangrong.Short-term load forecasting via ARMA model identification including nongaussion process considerations[J].IEEE Transactions on Power Systems，2003，18（2）：673-679.

[18]索紅光，王玉偉.一種用于文本聚類(lèi)的改進(jìn)k-means算法[J].山東大學(xué)學(xué)報(bào)，2008，43（1）：60-64.SUO Hongguang，WANG Yuwei.An improved k-means algorithm for document clustering[J].Journal of Shandong University，2008，43（1）：60-64（in Chinese）.

[19]雷正新，韓蓓，聶萌，等.配電網(wǎng)大數(shù)據(jù)環(huán)境下的多點(diǎn)負(fù)荷預(yù)測(cè)算法與應(yīng)用研究[J].電力系統(tǒng)保護(hù)與控制，2016，44（23）:68-78.LEI Zhengxin，HAN Bei，NIE Meng，et al.Research and application of multi-node load forecasting algorithm under the environment of distribution network’s big data[J].Power System Protection and Control，2016，44（23）:68-78

[20]孔平，陳亮，馬晶.基于模糊信息?；С窒蛄繖C(jī)的短期電力負(fù)荷預(yù)測(cè)[J].電力信息與通信技術(shù)，2016，14（1）：11-14.KONG Ping，CHEN Liang，MA Jing.Short-term power load forecasting based on the fuzzy information granulation and SVM[J].Electric Power Information and Communica?tion Technology，2016，14（1）：11-14.

[21]王新，孟玲玲.基于EEMD-LSSVM的超短期負(fù)荷預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2015，43（1）:61-66.WANG Xin，MENG Lingling.Ultra-short-term load forecasting based onEEMD-LSSVM[J].PowerSystem Protectionand Control，2015，43（1）:61-66.

[22]陸玉軍，李澄，陳顥，等.緊急切負(fù)荷網(wǎng)荷互動(dòng)終端設(shè)計(jì)與實(shí)現(xiàn)[J].電力工程技術(shù)，2017，36（3）:82-87，99.LU Yujun，LI Cheng，CHEN Hao，et al.Design and Implementation of User Terminal Unit for Emergency Load Shedding[J].Electric Power Engineering Teachnology，2017，36（3）:82-87，99.

[23]林幕群，彭顯剛，林利祥，等.基于數(shù)據(jù)挖掘技術(shù)的電價(jià)執(zhí)行在線稽查模型[J].廣東電力，2016，29（1）：108-112.LIN Muqun，PENG Xiangang，LIN Lixiang，et al.Online inspection model for electricity price implementation based on data mining technology[J].Guangdong Electric Power，2016，29（1）：108-112.

[24]梅沁，黃敏，徐甍.電力班組信息化負(fù)荷大數(shù)據(jù)分析系統(tǒng)研究及應(yīng)用[J].電力信息與通信技術(shù)，2016，14（1）：15-18.MEI Qin，HUANG Min，XU Meng.Study and application of power team information burden analysis system based on big data[J].Electric Power Information and Communication Technology，2016，14（1）：15-18.

[25]張魁，王亞明，劉明，等.基于大數(shù)據(jù)及智能算法的連云港電量負(fù)荷預(yù)測(cè)研究[J].江蘇電機(jī)工程，2016，35（3）:49-52.ZHANG Kui，WANG Yaming，LIU Ming，et al.Research on electricity consumption and load prediction of lianyungang based on big data and intelligent algorithm[J].Jiangsu Electrical Engineering，2016，35（3）:49-52.

[26]劉世成，劉沅昆，武昕，等.基于大數(shù)據(jù)的非侵入式負(fù)荷分解技術(shù)研究[J].電力信息與通信技術(shù)，2016，14（12）:9-14.LIU Shicheng，LIU Yuankun，WU Xin，et al.Research on non-intrusive load decomposition technology based on big data[J].Electric Power Information and Communication Technology，2016，14（12）:9-14.

[27]徐強(qiáng)，梁偉.采樣數(shù)據(jù)對(duì)綜合負(fù)荷模型參數(shù)辨識(shí)的影響[J].江蘇電機(jī)工程，2016，35（5）:53-56.XU Qiang，LIANG Wei.Effects of Sampling Data on Parameter Identification of Composite Load Model[J].Jiangsu Electrical Engineering，2016，35（5）:53-56.

[28]吳飛財(cái).無(wú)信號(hào)覆蓋區(qū)域電能數(shù)據(jù)采集方法研究與應(yīng)用[J].廣東電力，2016，29（9）：104-108.WU Feicai.Research on electric energy data acquisition method in no signal coverage areas and its application[J].Guangdong Electric Power，2016，29（9）：104-108.

[29]姚珺玉，謝國(guó)財(cái).面向運(yùn)維的電網(wǎng)運(yùn)行數(shù)據(jù)分析系統(tǒng)開(kāi)發(fā)[J].廣東電力，2016，29（10）：92-96.YAO Junyu，XIE Guocai.Development of operational data analysis system for operation and maintenance of power grid[J].Guangdong Electric Power，2016，29（10）：92-96.

[30]馬哲，舒勤.基于ESPRIT分解算法的短期電力負(fù)荷預(yù)測(cè)[J].電力系統(tǒng)保護(hù)與控制，2015，43（7）:90-96.MA Zhe，SHU Qin.Short term load forecasting based on ESPRIT integrated algorithm[J].Power System Protection and Control，2015，43（7）:90-96.