第１０期总第２０８期 农业科技与装备 Ｎｏ．１０ Ｔｏｔａｌ Ｎｏ．２０８ ２０１１年１Ｏ月 Ａｇｎ’ｃｕｌｔｕｒａｌ Ｓｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｅｑｕｉｐｍｅｎｔ ｏｃｃ．２０１１ 基于逐级均值聚类算法的短期负荷预测研究 白 迪 ，狄 斌。，杨 政。 （１．沈阳工程学院电气工程系，沈阳１１０１３６；２．丹东供电公司保护自动化所，辽宁丹东１１８０００； ３．沈阳工程学院信息工程系．沈阳１１．０１３６） 摘要：在原有短期负荷预测方法的基础上，考虑气候、季节、气温和节假日等因素，结合数据挖掘中聚类分析原理，通过逐级均值聚 类算法提高特殊日的预测精度，形成一套可行的预测模型。实例分析证明，该方法收敛速度较快，预测误差较小，能够在工程中应 用。 关键词：短期负荷；数据挖掘；均值聚类 中图分类号：Ｍ７１４ 文献标识码：Ａ 文章编号：１６７４—１１６１（２０１１）１ｏ一００４３—０３ 短期电力负荷预测是电力生产的重要环节。它能 式中： ＝（ 。，Ｘ２，弘，…， ）为样本数据空间，ｍ为 够及时掌握负荷的即时变化趋势，帮助确定燃料供应 样本总数目，ｘｊ为第 个样本向量，ｎ为需分类的数 计划，对运行中的电厂出力要求提出预告，使对发电 目，Ｙ 为第 个类的中心向量， （辑， ）为ｘｊ与ｙｌ的某 机组出力变化事先得以估计；可以经济合理地安排本 种距离。 网内各机组的启停，降低旋转储备容量，在保证正常 用电的情况下合理安排机组检修计划＿ｌＩ。电力负荷对 —ｌ：｛ ０其他 ∈第 类 （２） 季节、温度、天气等比较敏感，不同季节、不同地区的 寻优的目的是求出ｙ＝（ｙ。，Ｙｚ，Ｙ ， ），使式（１）得以 气候以及温度变化都会对负荷造成明显的影响［２］。在 满足。 原有短期负荷预测方法的基础上，考虑气候、季节、气 １．２算法的步骤和分析 温和节假日等因素，并结合当前先进的计算机应用技 １．２．１初始化定义要进行聚类分析的样本数据集合 术，形成一套可行的预测模型。 为： ：（ Ｘ２ ），其中ｍ为样本空间数据总数。 １ 基于数据挖掘技术的电力负荷预测模型的 置循环变量 ＋一一ｌ，这里ｋ表示聚类数，计算该层的类 建立 中心Ｃ：。这里， 表示第１层第ｋ类的中心向量。 数据挖掘也称为数据库中的知识发现（Ｋｎｏｗ１． １．２．２逐层分析逐层分析的具体实现如下： ｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ｉｎ Ｄａｔａｂａｓｅ），是从大量的、不完全的、 １）寻找“逐级点”，记为 ，若设某点 离各类 有噪声的、模糊的、随机的实际应用数据中，提取隐含 中心距离之和为Ａ（ ），它与其所在类的中心距离为 在其中的、人们事先不知道的、但又潜在有用的信息 Ｂ（ ），则Ｒ ＝ ，ｉ∈｛ｉｌｍａｘ（Ａ（ ）×日（ ）），ｉ＝１，＾，ｍ｝。 和知识的过程。 ２）将风从其所在类（设为第．，类）中剔除，重新 在数据挖掘中，聚类分析主要集中在聚类方法的 计算该类的中心，并设其新中心为（ＣＪ）（Ｇ） 。 可伸缩性、聚类复杂形状和类型的数据有效性、高维 ３） 一后＋１ 即将原有聚类数目加１，置该层的初 聚类分析技术、针对大型数据库中混合数值和分类数 １ … 据的聚类方法上口ｊ。 始中心为（ ，ｃ。，＾，（Ｇ） ，八 Ｋ－一：）。 １．１ 寻优 ４）计算 中所有数据与中心的距离，并把它们 对一个样本数据空间进行聚类分析可以归结为 分别划分在离它们最近的中心所在类中。 求以下数学问题的寻优问题： ５）重新计算类的中心 ：（ｃ ，…，ｃ：），判断 ｍ ｎ ｍｉｎ Ｐ， （ ，）， ） （１） 是否有变化，若有，则转４；否则继续执行下一步。 ６）判断是否有孤立类Ｊｓ ，若有，记下孤立类的个 数ｔ，令Ｙ ｛Ｘ ＩＸ ∈Ｓ ｝，重置样本数据集合ｘ，使得 收稿日期：２０１１—０４—２６ （ ＝ ｎ ）ｃ， 十 一１，ｍ—ｍ—ｔ，跳转第３步。否则执行 作者简介：白 迪（１９７９一），女，硕士，讲师，从事电力系统及其 下一步 自动化的研究工作。 农业科技与装备 Ｌ卜。 前一个星期中同【ｊ期类型 ７）计算所有类的方差Ｄ （Ｄ：，…，Ｄ：，类中心两 的峰值负荷 Ｈ，Ｌｆ两之间的距离Ｇ＝（Ｇ 一，Ｇ＾，），这里Ｎ＝ｋｘ（ｋ一１）／２。 １．２．３中止准则判断聚类是否应该终止．通过两种关 系综合进行分析判断，一是“逐级点”与类方差的关 ２ ｄ峰值负荷 这些天相应的最大最小温度及 预测日的最大、平均温度 输 节点 图１中第１４组子直方图互不相连，每组【｝Ｊ的第 系，二是孤立类集Ｓ＝Ｙ Ｙ 与剩余数据空间 的关系。 “逐级点”与它所在类的距离度量了所有类的极大偏 列为对应于该天的实际负荷 第一列埘麻ｒ预测 值。图２中“直线一星号”连接线反映ｌｒ运｝｛ｊ陔模型的 一误差情况，对应于周末负荷的第６、７、ｌ３、ｌ４点，返说 差Ｄ～，而方差度量了每个类的平均偏差Ｄ～，如果 Ｄ～＜ｍｒｄＸ（Ｄ一），则表明聚类完成。对于孤立类集‘ｓ， 随着ｋ值逐渐增大， 在空间上的离散程度变小．一 旦孤立类存在，可以通过其内部关系反映空间的聚类 情况。如果Ｓ中孤立类两两之间的最小距离 小于 剩余空间中类的最大方差或类中心向量两两之间的 最小距离，则表示聚类完成。 １．２．４检测检测的目的主要是对于孤立类集的点进 行分析，由于孤立点要么是伪数据．要么是样本数据 选择不足。所以对孤立类的事后处理也很重要。 １．２．５分类由于逐级点刻画了其所在层所有类中 特性差异最大的点，那么当向现有样本中加入瓶的数 据时，可以通过比较新的数据点Ⅳ与逐级点的这种 特性来判断，ｖ是孤立集中的点还是应该归并到该层 的某一类中（见表１）。 表１逐级均值聚类结果 Ｔａｂｌｅ １ Ｔｈｅ Ｒｅｓｕｌｔｓ ｏｆ Ｒａｎｋｉｎｇ Ｍｅａｎｓ Ｃｌｕｓｔｅｒｉｎｇ 类别 主要类别特征 类内距 １［１，３］ ｌ～３月双休日（除去春节） ５９９．５９ ２［２，４］ １—３月中旬工作日 ５１６．４６ ３『４］ ３月下旬工作日４６８．５３ ４ ７］ 肚旬 长假 ３２８．４９ ５ｆ６＇８］ 肚 ¨肚旬５ ９ ６［７，９］６月中旬一９月初双休日（弱聚类）５０１．９２（８９０．１１） ７［８，１０］６月中旬一９月初工作日（弱聚类）４４１．８９（８７８．７２） ８［３，７］ ９月中旬～ｌ１月上旬双休日４８７．６０ ９［１，３］ ｌ１月中旬－－１２月双休日 ３３９．５６ １０１２，４］ １１月中旬－－１２月初作日 ２６９．Ｏｌ ｌ１［１１］ 五一长假中前３ ｄ，十一长假４５２．０９ ｌ２ｆｌ１］ 春节 ５１０．５２ 类总平均４５１．６８（５２０．４３１ ３预测实例分析 利用上述基于逐级均值聚类算法对２００９年７月 １Ｏ一２３日进行提前一天峰值负荷预测。确定前３ ａ的 同月历史负荷为学习样本，输入节点ｌ７个：前３ ｄ内 明该模型对双休日也具有很好的预测效果，原【大Ｊ在）： 由该模型具有较强的泛化能力，即网络识刖学习洲练 集合以外样本的能力。 图１ ２００９年３月１Ｏ一２３臼峰值负荷预测直方图 Ｆｉｇｕｒｅ １ Ｉｎ Ｍａｒｃｈ．２００９ ｌ０—２３ｒｄ Ｐｅａｋ Ｖａｌｕｅ Ｌｏａｄ Ｆｏｒｅｃａｓｔ Ｈｉｓｔｏｇｒａｍ ０ ７ ８ ‘ ｊｉ ¨划 一 图２ ２００９年３月１Ｏ一２３ Ｅｔ峰值负荷误差比较图 Ｆｉｇｕｒｅ ２ Ｉｎ Ｍａｒｃｈ．２００９ ｌＯ一一２３ｒｄ ｔｈｅ Ｐｅａｋ Ｖａｌｕｅ Ｌｏａｄ Ｅｒｒｏｒ Ｃｏｍｐａｒｅｓ ｔｈｅ Ｃｈａｒｔ ４结论 本研究充分考虑气候、温度、节假臼等ｌ夫Ｊ素．采ＪｆＪ 逐级均值聚类算法选取历史数据进行聚类和分类，认 为负荷的变化主要由温度等天气因素决定，坪ｆＪ＿负荷 的变化与天气变化之间的关系相对稳定；给 恕期电 力负荷预测中数据挖掘的基本过程，并通过数据挖掘 寻找影响负荷变化的因素及相关影响ｌ夭Ｉ素变化时饥 荷的变化情况规律。通过实例分析，证明该疗法收敛 速度较快，预测误差较小．能够实现Ｔ程应川 （下转第４６页） 农业科技与装备 ２０１ １年１０月 发生的最低限度的基本事件集合，也就是最小割集。 根据图１所示，采用自上而下的故障树搜寻法，逻辑 与门增加割集的容量，逻辑或门增加割集个数的性 质，遇到与门就把其下面的输人事件排列成一行．遇 到或门就把其下面的输人事件排列成一列，直到不能 分解为止。由此得出的导致电源故障的ｌ６个最小割 集是：［ｘＩ］、［ｘ ］．．…・［ｘ ］。根据得到的最小割集可 以直观清楚地知道，造成该加工中心电源故障的原因 有上电按钮接触不好、熔断器熔断、滤波电容损坏等 】６个。 ２．３故障诊断及保养建议 得出最ＪＩ，￣Ｕ集就可以全面掌握顶事件不发生的 各种可能性，为故障的诊断和设备的保养维护提供可 靠依据。如该加工中心在上班时不能接通电源．根据 故障树，在排除了电网故障后．确定是由元器件故障 所引起的，而其故障是由滤波电容击穿元器件所致。 深入分析电容击穿的原因，可以有效预防类似故障的 发生。潮湿是电容击穿的主要原因，所以在潮湿的梅 参考文献 雨季节，应及时、有效的对控制柜进行除湿，以保证设 备的正常使用。 此外。该机床在正常运行时出现１６０号低电压报 警。由故障树可知，引起低电压报警的原因有变压器 故障、电压测量模块故障和部件故障３种；得出的最 小割集显示，引起１６０号故障的有线圈、铁芯、传感 器、矢量驱动器和主板等６个基本事件。采用替换法 逐一排除，最终确定是主板发生故障。对主板损坏原 因进行分析，确定电网电压不稳定是主要因素。通过 对电压值的观察，最大值和最小值均超过机床承受范 围．在瞬时大电压的作用下，主板上的ＲＯＭ芯片被 烧坏。由此，给该设备配置稳压电源，减少因电网电ｆ 不稳带来的损害十分必要。 ３结语 故障树分析法具有直观性和理论性强、逻辑严密 等特点¨３］。对具体故障的诊断分析表明，故障树分析 法可以快速、准确的排除故障，有效提高设备的利用 率 ［１］郑小年，杨克冲．数控机床故障诊断与维修［Ｍ］．武汉：华中科技大学ｍ版社，２００５． ［２］牟春燕，徐刚．ＦＴＡ在汽车起重机液压系统的诊断应用［Ｊ］．起重运输机械，２００６（１０）：５７—５８ ［３］陈黎敏．数控机床的故障树分析［Ｊ］．常州信息职业技术学院学报，２００７（６）：１３—１５． Ａｐｐｌｉｃａｔｉｏｌｉ ｏｆ ＦＴＡ ｉｎ ＮＣ Ｍａｃｈｉｎｅ Ｔｏｏｌ Ｆａｉｌｕｒｅ Ｄｉａｇｎｏｓｉｓ ＷＡＮＧ Ｊｕｎ （Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｍｅｃｈａｎｉｃａｌ ａｎｄ Ｅｌｅｃｔｉｒｃａｌ，Ｃｈａｎｇｚｈｏｕ Ｉｎｆｏｒｍａｔｉｏｎ Ｖｏｃａｔｉｏｎａｌ Ｔｅｃｈｎｉｃａｌ Ｃｏｌｌｅｇｅ，Ｃｈａｎｇｚｈｏｕ Ｊｉａｎｇｓｕ ２ １ ３ １ ６４，Ｃｈｉｎ ａｊ Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ａｒｔｉｃｌｅ ｄｅａｌｓ ｗｉｔｈ ｔｈｅ ａｐｐｌｉｃａｔｉｏｎｓ ｏｆ ｆａｕｌｔ ｔｒｅｅ ａｎａｌｙｓｉｓ ｉｎ ＮＣ ｍａｃｈｉｎｅ ｔｏｏｌ ｆａｉｌｕｒｅ ｄｉａｇｎｏｓｉｓ ｗｉｔｈ ａｎ ｅｘａｍｐｌｅ ｏｆ ｅｓｔａｔ ｌｉｓｈｉｎｇ ｆａｕｌｔ ｔｒｅｅ ｆｏｒ ａ ｐｏｗｅｒ－ｓｕｐｐｌｙ ｓｙｓｔｅｍ ｏｆ ａ ｐｒｏｃｅｓｓｉｎｇ ｃｅｎｔｅｒ．Ｓｕｇｇｅｓｔｉｏｎｓ ａｒｅ ｇｉｖｅｎ ａｓ ｔｏ ｔｈｅ ｍａｉｎｔｅｎａｎｃｅ ｏｆ ｆａｃｉｌｉｔｉｅｓ ＳＯ ａｓ ｔｏ ｉｍ— ｐｒｏｖｅ ｉｔｓ ｕｔｉｌｉｚａｔｉｏｎ ｒａｔｅ． Ｋｅｙ ｗｏｒｄｓ：ＮＣ ｍａｃｈｉｎｅ ｔｏｏｌ；ｆａｕｌｔ ｔｒｅｅ ａｎａｌｙｓｉｓ；ｆａｉｌｕｒｅ ｄｉａｇｎｏｓｉｓ 。 ： ： ｃ ： 。 镓 。 ｃ％ ０每毒ｉ ： （上接第４４页） 参考文献 ［１］牛东晓，曹树华，赵磊，等．电力负荷预测技术及其应用ｆＭ］．北京：中国电力出版社，１９９８． ［２］肖白，穆钢，黎平，等．空间负荷预测中的负荷时序消差方法［Ｊ］．电力系统自动化，２０１０，３４（８）：５ｌ一５４． ［３］杨政，李卓玲，王大玲．基于数据挖掘的智能化电力负荷预测［Ｊ］．沈阳工程学院学报，２００８，４（２）：１６０—１６２ Ｓｈｏｒｔ－ｔｅｒｍ Ｌｏａｄ Ｆｏｒｅｃａｓｔｉｎｇ Ｂａｓｅｄ ｏｎ Ｒａｎｋｉｎｇ Ｍｅａｎｓ Ｃｌｕｓｔｅｒｉｎｇ ＢＡＩ Ｄｉ ．ＤＩ Ｙｕｅｂｉｎ ，ＹＡＮＧ Ｚｈｅｎｇ （１．Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｈｅｎｙａｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｈｅｎｙａｎｇ １ １０１３６，Ｃｈｉｎａ；２．Ｐｒｏｔｅｃｔｉｏｎ Ｉｎｓｔｉｔｕｔｅ ｆｌ｛＇Ａｕ— ｔｏｍａｔｉｏｎ．Ｄａｎｄｏｎｇ Ｐｏｗｅｒ Ｓｕｐｐｌｙ Ｃｏｍｐａｎｙ，Ｄａｎｄｏｎｇ Ｌｉａｏｎｉｎｇ １ １ ８０００，Ｃｈｉｎａ；３．Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｈｅｎｙａｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｈｅｎｙａｎｇ １１ Ｏ１ ３６，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｎ ｔｈｅ ｌｌｒｉｇｉｎａｌ ｓｈｏｒｔ—ｔｅｒｎ）ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｚ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｔｈｅ ｃｏｎｓｉｄｅｒａｔｉｏｎ ｏｆ ｃｌｉｍａｔｅ，ｓｅａｓｏｎ，ｔｅｍｐｅｒａｔｕｒｅ ａｌｌｄ ｈｏｌｉｄａｙ￣ ａｎｄ ０ｔｈｅｒ ｔａｃｔｏｒｓ．ｃｏｍｌｆｉｎｅｄ ｗｉｔｈ ｃｌｕｓｔｅｒ ａｎａｌｙｓｉｓ ｉｎ ｄａｔａ ｍｉｎｉｎｇ ｐｒｉｎｃｉｐｌｅｓ，ｔｈｒｏｕｇｈ ｒａｎｋｉｎｇ ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｆｏｒｅｃａｓｔ ａｃｃｕｒａｃｙ ｉｎ ｔｈｅ ｓｐｅｃｉａｌ ｄａｙ，ｆｏｒｅｃａｓｔ ｔｈｅ ｆｏｒｍａｔｉｏｎ ｏｆ ａ ｖｉａｂｌｅ ｍｏｄｅ１． Ｋｅｙ ｗｏｒｄｓ：ｓｈｏｒｔ—ｔｅｒｍ ｌｏａｄ ｆｏｒｅｃａｓｔ；ｄａｔａ ｍｉｎｉｎｇ；ｒａｎｋｉｎｇ ｍｅａｎｓ（；ｌｕｓｔｅｒｉｎｇ
