林順富，郝 朝，湯曉棟，李東東，符 楊

(1.上海電力學(xué)院電氣工程學(xué)院，上海 200090；2.上海高校高效電能應(yīng)用工程研究中心，上海 200090；3.上海電器科學(xué)研究所，上海 200063)

基于數(shù)據(jù)挖掘的樓宇短期負(fù)荷預(yù)測(cè)方法研究

林順富1,2，郝 朝1，湯曉棟3，李東東1,2，符 楊1

(1.上海電力學(xué)院電氣工程學(xué)院，上海 200090；2.上海高校高效電能應(yīng)用工程研究中心，上海 200090；3.上海電器科學(xué)研究所，上海 200063)

樓宇短期負(fù)荷預(yù)測(cè)是樓宇能效管理系統(tǒng)中對(duì)用能子系統(tǒng)進(jìn)行評(píng)估診斷、優(yōu)化控制以及調(diào)度規(guī)劃的重要基礎(chǔ)。針對(duì)智能樓宇參與需求響應(yīng)所需高精度、實(shí)時(shí)負(fù)荷信息的要求，提出一種基于數(shù)據(jù)挖掘支持向量機(jī)的樓宇短期負(fù)荷預(yù)測(cè)方法。選擇與待預(yù)測(cè)時(shí)點(diǎn)相似相近的樣本數(shù)據(jù)集，采用K-means算法對(duì)樣本數(shù)據(jù)集中的溫度、濕度、氣壓等氣象數(shù)據(jù)進(jìn)行聚類，根據(jù)聚類結(jié)果提取訓(xùn)練樣本，最后采用支持向量機(jī)(SVM)算法建立負(fù)荷預(yù)測(cè)模型。實(shí)際應(yīng)用結(jié)果表明，該方法預(yù)測(cè)結(jié)果平均相對(duì)誤差為1.34%，相對(duì)誤差在1%以內(nèi)的概率達(dá)到67.5%，優(yōu)于現(xiàn)有的時(shí)間序列法、同結(jié)構(gòu)SVM法、不考慮氣象因素的DMSVM法等方法。

樓宇能效管理；負(fù)荷預(yù)測(cè)；數(shù)據(jù)挖掘；支持向量機(jī)；聚類分析

0 引言

樓宇建筑能耗約占全球總能源消耗的40%，是溫室氣體排放的重要來源之一。我國(guó)樓宇耗電量約占全國(guó)城鎮(zhèn)總耗電量的27%，95%以上建筑屬于高耗能建筑，單位建筑能耗是發(fā)達(dá)國(guó)家的1.5～2倍[1]。隨著我國(guó)經(jīng)濟(jì)發(fā)展和產(chǎn)業(yè)結(jié)構(gòu)調(diào)整，樓宇建筑能耗比重將繼續(xù)上升。為了應(yīng)對(duì)能源危機(jī)和環(huán)境惡化，樓宇建筑的節(jié)能工作及能效管理受到政府以及學(xué)界的重要關(guān)注[2]。樓宇負(fù)荷預(yù)測(cè)是樓宇能效管理系統(tǒng)對(duì)建筑內(nèi)的各個(gè)用能子系統(tǒng)評(píng)估診斷、優(yōu)化控制用電以及調(diào)度規(guī)劃的重要基礎(chǔ)。結(jié)合精確的負(fù)荷預(yù)測(cè)，可以分析用戶曲線高峰以及可控負(fù)荷的節(jié)能潛力，并為制定基于需求響應(yīng)的柔性負(fù)荷控制機(jī)制提供支撐。

目前常用的負(fù)荷預(yù)測(cè)方法有時(shí)間序列法、灰色預(yù)測(cè)法、BP神經(jīng)網(wǎng)絡(luò)以及組合預(yù)測(cè)法等。時(shí)間序列法、灰色預(yù)測(cè)法等方法在面對(duì)辦公樓宇非線性、周期性的負(fù)荷特點(diǎn)時(shí)預(yù)測(cè)難度較大[3]。此外，樓宇負(fù)荷受諸多隨機(jī)因素尤其是氣象因素的直接干擾，要排除這些干擾因素或者將其考慮到負(fù)荷預(yù)測(cè)模型中是提高負(fù)荷預(yù)測(cè)精度的常用方法[4-8]。人工智能預(yù)測(cè)法可以勝任考慮多因素的預(yù)測(cè)工作，但是訓(xùn)練這些大量的非線性影響因素?cái)?shù)據(jù)，不僅導(dǎo)致訓(xùn)練速度降低，非有效樣本的輸入會(huì)大大降低訓(xùn)練的精度。數(shù)據(jù)挖掘可以提取海量數(shù)據(jù)中相似相近樣本，將智能預(yù)測(cè)法與數(shù)據(jù)挖掘技術(shù)聯(lián)合，可以極大地降低非有效訓(xùn)練樣本的輸入，提高訓(xùn)練速度和精度[9-12]。

文獻(xiàn)[13]提出了一種提高負(fù)荷預(yù)測(cè)精度的方法，通過對(duì)歷史數(shù)據(jù)的預(yù)處理方式進(jìn)行改進(jìn)，得到較高的預(yù)測(cè)精度。文獻(xiàn)[14]聯(lián)合聚類分析和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法并應(yīng)用到商業(yè)辦公區(qū)的負(fù)荷預(yù)測(cè)，比時(shí)間序列法(ARIMA)預(yù)測(cè)精度提高50%。文獻(xiàn)[15]將自回歸小波神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)方法應(yīng)用于微網(wǎng)的樓宇建筑中，考慮了微電網(wǎng)負(fù)荷時(shí)間序列的波動(dòng)性和不光滑的特點(diǎn)，并且通過增加日期類型影響因素來提高負(fù)荷預(yù)測(cè)精度。文獻(xiàn)[16]采用混沌時(shí)間序列法對(duì)微網(wǎng)中居民小區(qū)負(fù)荷進(jìn)行預(yù)測(cè)，但混沌理論不適于周期性負(fù)荷預(yù)測(cè)中。

本文針對(duì)智能樓宇負(fù)荷特點(diǎn)結(jié)合實(shí)時(shí)氣象數(shù)據(jù)提出一種DMSVM負(fù)荷預(yù)測(cè)方法，首先選擇待預(yù)測(cè)整時(shí)點(diǎn)的相似相近歷史數(shù)據(jù)；然后采用數(shù)據(jù)挖掘中K-means聚類算法對(duì)待預(yù)測(cè)整時(shí)點(diǎn)的氣象因素聚類，根據(jù)聚類結(jié)果提取與待預(yù)測(cè)整時(shí)點(diǎn)同類的歷史負(fù)荷數(shù)據(jù)；最后選擇支持向量機(jī)建立負(fù)荷預(yù)測(cè)模型。將本方法應(yīng)用到上海某辦公樓宇證明本文DMSVM方法預(yù)測(cè)精度更高。

1 DMSVM負(fù)荷預(yù)測(cè)流程

采用聯(lián)合聚類分析和支持向量機(jī)的負(fù)荷預(yù)測(cè)方法，通過提取歷史數(shù)據(jù)集中相關(guān)負(fù)荷數(shù)據(jù)，并考慮氣象因素進(jìn)行負(fù)荷預(yù)測(cè)，可以充分發(fā)揮聚類分析和支持向量機(jī)各自的優(yōu)勢(shì)，實(shí)現(xiàn)高精度快速度負(fù)荷預(yù)測(cè)[17-19]。在進(jìn)行負(fù)荷預(yù)測(cè)前首先要進(jìn)行數(shù)據(jù)預(yù)處理，針對(duì)待預(yù)測(cè)時(shí)點(diǎn)，收集相關(guān)預(yù)測(cè)影響因素的數(shù)據(jù)，如氣溫、氣壓、濕度等，組成如下的歷史數(shù)據(jù)集記錄：

整點(diǎn)時(shí)刻 負(fù)荷 氣溫 氣壓 濕度 …

基于數(shù)據(jù)挖掘的負(fù)荷預(yù)測(cè)方法流程如圖1所示，主要分為以下幾個(gè)步驟：

1) 對(duì)預(yù)處理后的數(shù)據(jù)記錄，按照預(yù)測(cè)的相似相近原則，選擇與待預(yù)測(cè)點(diǎn)相關(guān)的歷史負(fù)荷數(shù)據(jù)，組成待預(yù)測(cè)點(diǎn)的聚類輸入樣本集；

2) 對(duì)上述得到的數(shù)據(jù)集中的氣象因素(氣溫、氣壓、濕度)進(jìn)行聚類分析，根據(jù)聚類結(jié)果選擇與待預(yù)測(cè)點(diǎn)的氣象因素同類的歷史數(shù)據(jù)集作為訓(xùn)練樣本數(shù)據(jù)集；

圖1 負(fù)荷預(yù)測(cè)流程圖Fig. 1 Flowchart of load forecasting

3) 對(duì)上述得到的數(shù)據(jù)集運(yùn)用SVM算法進(jìn)行訓(xùn)練并預(yù)測(cè)。

2 關(guān)鍵技術(shù)

2.1 聚類分析

K-means算法是一種基于原型的、劃分的動(dòng)態(tài)聚類技術(shù)，通過計(jì)算兩個(gè)對(duì)象間歐氏距離來評(píng)價(jià)相似度，即距離越近其相似度越高[20]。本文對(duì)歷史數(shù)據(jù)集中整時(shí)點(diǎn)的溫度、濕度、氣壓等氣象因素進(jìn)行聚類，其目標(biāo)是：類內(nèi)的氣象數(shù)據(jù)相互之間是相似相近的，而不同類間的氣象數(shù)據(jù)是差異較大的。同類內(nèi)的相似性越大，類間的差別越大，聚類效果就越好[21-23]。具體步驟如下：

1) 對(duì)于給定的一個(gè)包含n個(gè)d維數(shù)據(jù)點(diǎn)的數(shù)據(jù)集X={x1,x2, …,xi, …,xn}，其中xi∈Rd，選擇數(shù)據(jù)集中K個(gè)點(diǎn)作為初始聚類中心，每個(gè)對(duì)象代表一個(gè)類別的中心μk(k=1, 2, …,K)。

2) 計(jì)算各點(diǎn)到中心μk的歐氏距離，按距離最近的準(zhǔn)則分別將它們分配給與其最相似的聚類中心代表的類，形成K個(gè)簇C={ck,k=1, 2, …,K}。每個(gè)簇ck代表一個(gè)類。計(jì)算該類各點(diǎn)到聚類中心μk的距離平方和J(ck)：

3) 計(jì)算各類樣本到其所在類別聚類中心μk總的距離平方和J(C)，直至最小。

式中：若xi∈ci，dki=1；若xi?ci，dki=0。

最后計(jì)算類內(nèi)所有對(duì)象的均值作為該類的新聚類中心。

4) 判斷聚類中心和J(C)值是否發(fā)生改變，若發(fā)生改變則轉(zhuǎn)步驟2)，若不再改變則聚類結(jié)束。

2.2 支持向量機(jī)

針對(duì)樓宇負(fù)荷的非線性、日周期性等特點(diǎn)以及預(yù)測(cè)過程考慮氣象等因素，本文選取支持向量機(jī)算法建立負(fù)荷預(yù)測(cè)模型。支持向量機(jī)在20世紀(jì)90年代提出，其實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化訓(xùn)練樣本，克服了神經(jīng)網(wǎng)絡(luò)經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的局限。支持向量機(jī)的訓(xùn)練等價(jià)于解一個(gè)線性約束的二次規(guī)劃問題，因此存在唯一解。通過數(shù)據(jù)挖掘提取有效訓(xùn)練樣本可提高訓(xùn)練速度和精度，支持向量機(jī)被認(rèn)為是替代神經(jīng)網(wǎng)絡(luò)方法的較好選擇[24-27]。支持向量機(jī)原理模型如下：假定一組樣本數(shù)據(jù)集：

式中：xi是輸入向量；yi是相應(yīng)輸出；n為數(shù)據(jù)總數(shù)。支持向量機(jī)非線性回歸的核心思想是樣本映射到高維特征空間，然后在此高維特征空間進(jìn)行線性回歸，回歸函數(shù)為

其函數(shù)逼近問題通過最小化下式來實(shí)現(xiàn)：

為了尋找系數(shù)w、b，引入兩個(gè)松弛變量ξ，ξ*,上式可以寫成如下形式：

c(c>0)是懲罰參數(shù)，表示對(duì)誤分訓(xùn)練實(shí)例的懲罰。引入拉格朗日乘子β，β*，可以得到支持向量機(jī)回歸函數(shù)：

通過控制c和ε兩個(gè)參數(shù)以及核函數(shù)可以實(shí)現(xiàn)支持向量機(jī)非線性回歸預(yù)測(cè)。式中K(x,xi)稱為核函數(shù)，需要滿足Mercer條件，本文選取高斯核函數(shù)：

3 案例分析

3.1 數(shù)據(jù)處理

本文歷史負(fù)荷數(shù)據(jù)來自于上海某辦公樓宇2014年7月26至2014年8月31日的整時(shí)點(diǎn)負(fù)荷數(shù)據(jù)，只考慮工作日共得到25天的歷史數(shù)據(jù)L(取每小時(shí)1個(gè)點(diǎn)，每日24點(diǎn)，共600點(diǎn))，如圖2。歷史數(shù)據(jù)中還包括溫度、濕度、氣壓等整點(diǎn)氣象因素?cái)?shù)據(jù)，分別如圖3—圖5所示。

圖2 歷史負(fù)荷數(shù)據(jù)集Fig. 2 Historical data set of load

圖3 歷史溫度數(shù)據(jù)集Fig. 3 Historical data set of temperature

圖4 歷史濕度數(shù)據(jù)集Fig. 4 Historical data set of humidity

圖5 歷史氣壓數(shù)據(jù)集Fig. 5 Historical data set of barometric pressure

對(duì)接下來的一周2014年9月1日至2014年9月5日內(nèi)各個(gè)整時(shí)點(diǎn)負(fù)荷進(jìn)行預(yù)測(cè)。首先選取待預(yù)測(cè)時(shí)點(diǎn)t的前3個(gè)小時(shí)的歷史數(shù)據(jù)L(t-i)和前25天中與待預(yù)測(cè)時(shí)點(diǎn)同一時(shí)刻的歷史數(shù)據(jù)L(t-24j) 作為聚類分析的樣本數(shù)據(jù)集，其中i=1,2,3；j=1,2,3,…, 25。對(duì)得到的樣本數(shù)據(jù)集中的氣象因素?cái)?shù)據(jù)進(jìn)行聚類分析，根據(jù)聚類結(jié)果選擇與待預(yù)測(cè)時(shí)點(diǎn)屬于同類氣象因素的歷史負(fù)荷作為負(fù)荷預(yù)測(cè)的訓(xùn)練樣本數(shù)據(jù)集。

3.2 預(yù)測(cè)結(jié)果

提出的DMSVM預(yù)測(cè)方法，與時(shí)間序列法ARIMA(1,1,1)、同結(jié)構(gòu)SVM(考慮氣象因素但未經(jīng)過聚類分析)、不考慮氣象因素DMSVM方法(聚類過程考慮氣象因素，在SVM訓(xùn)練時(shí)不考慮氣象因素)程序均在Matlab平臺(tái)上成功運(yùn)行，將其結(jié)果進(jìn)行對(duì)比，圖6是2014年9月3日的預(yù)測(cè)結(jié)果。

表1是2014年9月3日不考慮氣象因素的DMSVM方法和本文提出的DMSVM預(yù)測(cè)結(jié)果統(tǒng)計(jì)表，并計(jì)算其平均相對(duì)誤差：

圖6 2014年9月3日的負(fù)荷預(yù)測(cè)結(jié)果Fig. 6 Forecasting results in Sep.3, 2014

表1 2014年9月3日的負(fù)荷預(yù)測(cè)結(jié)果Table 1 Forecasting results in Sep.3, 2014

從表1結(jié)果來看，本文中提出的DMSVM預(yù)測(cè)結(jié)果的平均相對(duì)誤差為0.90%，相比不考慮氣象因素的DMSVM降低了0.36%；DMSVM最大相對(duì)誤差為2.04%，最小相對(duì)誤差為0.01%。將9月1日至9月5日的四種方法預(yù)測(cè)結(jié)果的平均相對(duì)誤差落在某一范圍內(nèi)的頻數(shù)用直方圖表示，得到了圖7—圖10所示的四種方法的預(yù)測(cè)誤差分布直方圖。9月1日至9月5日的預(yù)測(cè)結(jié)果平均相對(duì)誤差如表2所示。

從圖7—圖10的直方圖中，可以看出本文提出的改進(jìn)DMSVM方法相對(duì)誤差在0附近更加集中，表2中時(shí)間序列法、同結(jié)構(gòu)SVM法、不考慮氣象因素DMSVM法預(yù)測(cè)結(jié)果相對(duì)誤差控制在1%以內(nèi)分別為12.5%、46.7%、55.8%，而改進(jìn)DMSVM預(yù)測(cè)結(jié)果相對(duì)誤差控制在1%以內(nèi)概率達(dá)到67.5%，極端相對(duì)誤差只是小概率事件。綜上所述，改進(jìn)DMSVM在辦公樓宇負(fù)荷預(yù)測(cè)中具有更低的相對(duì)誤差，預(yù)測(cè)結(jié)果整體的誤差指標(biāo)更好，為下一步樓宇負(fù)荷優(yōu)化運(yùn)行和需求響應(yīng)策略制定提供可靠依據(jù)。

圖7 時(shí)間序列法誤差分布圖Fig. 7 Distribution histogram of ARIMA

圖8 同結(jié)構(gòu)SVM誤差分布圖Fig. 8 Distribution histogram of SVM with same structure

圖9 不考慮氣象因素DMSVM誤差分布圖Fig. 9 Distribution histogram of DMSVM without meteorological data

圖10 改進(jìn)DMSVM誤差分布圖Fig. 10 Distribution histogram of improved DMSVM

表2 四種方法預(yù)測(cè)結(jié)果誤差對(duì)比Table 2 Comparison of forecasting errors among four methods

4 結(jié)論

本文通過將數(shù)據(jù)挖掘技術(shù)與負(fù)荷預(yù)測(cè)技術(shù)有效聯(lián)合，針對(duì)樓宇負(fù)荷非線性、周期性的特點(diǎn)，同時(shí)考慮溫度、濕度、氣壓等氣象因素，建立了基于數(shù)據(jù)挖掘的負(fù)荷預(yù)測(cè)技術(shù)模型。并且與時(shí)間序列法、同結(jié)構(gòu)SVM、不考慮氣象因素DMSVM法預(yù)測(cè)結(jié)果相比較，證明了本文提出的方法整體預(yù)測(cè)指標(biāo)更好，相對(duì)誤差控制在1%以內(nèi)的概率達(dá)到67.5%。高精度的負(fù)荷預(yù)測(cè)可為樓宇能效有效管理提供依據(jù)，并為下一步基于需求響應(yīng)的柔性負(fù)荷控制奠定基礎(chǔ)。當(dāng)然本文還存在些不足之外：K-means是一種貪心算法，容易獲得局部最優(yōu)而非全局最優(yōu)聚類結(jié)果；提出的負(fù)荷預(yù)測(cè)模型中支持向量機(jī)算法自選參數(shù)的選取對(duì)其他應(yīng)用領(lǐng)域的拓展還有待通過其他案例進(jìn)行驗(yàn)證。

[1] LAUSTEN J. Energy efficiency requirements in building codes, energy efficiency policies for new buildings[R]. Paris, France: International Energy Agency, 2008.

[2] 清華大學(xué)建筑節(jié)能研究中心. 中國(guó)建筑節(jié)能年度發(fā)展研究報(bào)告2013[M]. 北京: 中國(guó)建筑工業(yè)出版社, 2013.

[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] 高賜威, 李倩玉, 蘇衛(wèi)華, 等. 短期負(fù)荷預(yù)測(cè)中考慮積溫效應(yīng)的溫度修正模型研究[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(4): 242-248. GAO Ciwei, LI Qianyu, SU Weihua, et al. Temperature correction model research considering temperature cumulative effect in short-term load forecasting[J]. Transactions of China Electrotechnical Society, 2015, 30(4): 242-248.

[5] CHATURVEDI D K, SINHA A P, MALIK O P. Short term load forecast using fuzzy logic and wavelet transform integrated generalized neural network[J]. Electrical Power and Energy Systems, 2015, 67: 230-237.

[6] LU Xin, DONG Zhaoyang, LI Xue. Electricity market price spike forecast with data mining techniques[J]. Electric Power Systems Research, 2005, 73(1): 19-29.

[7] SAJJAD K, FARSHID K, SAJAD N R. A new short-term load forecast method based on neuro-evolutionary algorithm and chaotic feature selection[J]. Electrical Power and Energy Systems, 2014, 62: 862-867.

[8] 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.

[9] 王惠中, 劉軻, 周佳. 基于綜合氣象指數(shù)和日期類型的電力系統(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.

[10] 郝爽, 仲林林, 王小華, 等. 基于支持向量機(jī)的高壓斷路器機(jī)械狀態(tài)預(yù)測(cè)算法研究[J]. 高壓電器, 2015, 51(7): 155-165. HAO Shuang, ZHONG Linlin, WANG Xiaohua, et al. Mechanical life prognosis of high voltage circuit breaker based on support vector machine[J]. High Voltage Apparatus, 2015, 51(7): 156-165.

[11] 范山東, 趙宏宇. 基于模糊神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷短期預(yù)測(cè)[J]. 電氣與自動(dòng)化, 2013, 41(2): 182-184. FAN Shandong, ZHAO Hongyu. Short-term load forecast based on fuzzy neural network[J]. Electrical and Automation, 2013, 41(2): 182-184.

[12] 荀挺, 張珂珩, 薛浩然, 等. 電網(wǎng)調(diào)控?cái)?shù)據(jù)綜合智能分析決策架構(gòu)設(shè)計(jì)[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(11): 121-127. XUN Ting, ZHANG Keheng, XUE Haoran, et al. Framework design of the analysis decision system about the power grid data[J]. Power System Protection and Control, 2015, 43(11): 121-127.

[13] 牛東曉, 谷志紅, 邢棉, 等. 基于數(shù)據(jù)挖掘的SVM短期負(fù)荷預(yù)測(cè)方法研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2006, 26(18): 6-12. NIU Dongxiao, GU Zhihong, XING Mian, et al. Study on forecasting approach to short-term load of SVM based on data mining[J]. Proceedings of the CSEE, 2006, 26(18): 6-12.

[14] JORJETA G J, MOSTAFA M, CHEN Weipeng. Neural network model ensembles for building-level electricity load forecasts[J]. Energy and Buildings, 2014, 84: 214-223.

[15] HAMED C, HAMID S, HAMIDREZA Z, et al. Short-term electricity load forecasting of buildings in microgrids[J]. Energy and Buildings, 2015, 99: 50-60.

[16] 李東東, 覃子珊, 林順富, 等. 基于混沌時(shí)間序列法的微網(wǎng)短期負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2015, 27(5): 14-18. LI Dongdong, QIN Zishan, LIN Shunfu, et al. Short-term load forecasting for microgrid based on method of chaotic time series[J]. Proceedings of the CSU-EPSA, 2015, 27(5): 14-18.

[17] 牛東曉, 刑棉, 孟明. 基于聯(lián)合數(shù)據(jù)挖掘技術(shù)的神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型研究[J]. 電工技術(shù)學(xué)報(bào), 2004, 19(9): 62-68. NIU Dongxiao, XING Mian, MENG Ming. Research onANN power load forecasting based on united data mining technology[J]. Transactions of China Electrotechnical Society, 2004, 19(9): 62-68.

[18] 李霄, 王昕, 鄭益慧, 等. 基于改進(jìn)最小二乘支持向量機(jī)和預(yù)測(cè)誤差校正的短期風(fēng)電負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(11): 63-69. LI Xiao, WANG Xin, ZHENG Yihui, et al. Short-term wind load forecasting based on improved LSSVM and error forecasting correction[J]. Power System Protection and Control, 2015, 43(11): 63-69.

[19] 劉巍, 黃曌, 李鵬, 等. 面向智能配電網(wǎng)的大數(shù)據(jù)統(tǒng)一支撐平臺(tái)體系與構(gòu)架[J]. 電工技術(shù)學(xué)報(bào), 2014, 29(1): 486-491. LIU Wei, HUANG Zhao, LI Peng, et al. Summary about system and framework of unified supporting platform of big data for smart distribution grid[J]. Transactions of China Electrotechnical Society, 2014, 29(1): 486-491.

[20] TAN Pangning, MICHAEL S, VIPIN K. 數(shù)據(jù)挖掘?qū)д揫M]. 北京: 人民郵電出版社, 2011: 202-228.

[21] HAN Jiawei, MICHELINE K, JIAN Pei. 數(shù)據(jù)挖掘概念與技術(shù)[M]. 北京: 機(jī)械工業(yè)出版社, 2012: 132-161.

[22] 王志勇, 郭創(chuàng)新, 曹一家. 基于模糊粗糙集和神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2005, 25(19): 7-11. WANG Zhiyong, GUO Chuangxin, CAO Yijia. A method for short term load forecasting integrating fuzzy-rough set with artificial neural network[J]. Proceedings of the CSEE, 2005, 25(19): 7-11.

[23] 崔和瑞, 彭旭. 基于ARIMAX模型的夏季短期電力負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2015, 43(4): 108-114. CUI Herui, PENG Xu. Summer short-term load forecasting based on ARIMAX model[J]. Power System Protection and Control, 2015, 43(4): 108-114.

[24] 牛東曉, 曹樹華, 盧建昌, 等. 電力負(fù)荷預(yù)測(cè)技術(shù)及其應(yīng)用[M]. 北京: 中國(guó)電力出版社, 2009.

[25] 穆鋼, 侯凱元, 楊右虹, 等. 負(fù)荷預(yù)報(bào)中負(fù)荷規(guī)律性評(píng)價(jià)方法的研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2001, 21(10): 96-101. MU Gang, HOU Kaiyuan, YANG Youhong, et al. Studies on load regularity evaluating method for load forecasting[J]. Proceedings of the CSEE, 2001, 21(10): 96-101.

[26] 李龍, 魏靖, 黎燦兵, 等. 基于人工神經(jīng)網(wǎng)絡(luò)的負(fù)荷模型預(yù)測(cè)[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(8): 225-230. LI Long, WEI Jing, LI Canbing, et al. Prediction of load model based on artificial neural network[J]. Transactions of China Electrotechnical Society, 2015, 30(8): 225-230.

[27] 任志玲, 郭超, 徐麗霞. QGA-SVM在弓網(wǎng)滑動(dòng)電接觸下的最優(yōu)載荷研究[J]. 高壓電器, 2015, 51(4): 133-138. REN Zhiling, GUO Chao, XU Lixia. Application of QGA-SVM to load optimization for pantograph-catenary system sliding electrical contact[J]. High Voltage Apparatus, 2015, 51(4): 133-138.

(編輯 周金梅)

Study of short-term load forecasting method based on data mining for buildings

LIN Shunfu1,2, HAO Chao1, TANG Xiaodong3, LI Dongdong1,2, FU Yang1
(1. College of Electrical Engineering, Shanghai University of Electric Power, Shanghai 200090, China; 2. Shanghai Higher Institution Engineering Research Center of High Efficiency Electricity Application, Shanghai 200090, China; 3. Shanghai Electrical Apparatus Research Institute, Shanghai 200063, China)

The load forecasting is the important basis of the energy management systems for the evaluation and diagnosis, optimized control, and scheduling of the energy subsystems in buildings. In order to obtain real-time and high accuracy load information, this paper proposes a short-term load forecasting method based on data mining for buildings. It firstly finds the sample datasets that are similar to the forecasted time points from the historical data, and then performs the K-means cluster analysis on the meteorological data, such as temperature, humidity, barometric pressure, etc., and finally adopts the support vector machine (SVM) for short term forecasting. The practical application results prove that the eMAPEof the proposed method is 1.34%, and the probability of the relative error less than 1% is 67.5%, which are obviously better than that of the ARIMA, SVM and DMSVM without meteorological data.

This work is supported by National Natural Science Foundation of China (No. 51207088).

energy management of buildings; load forecasting; data mining; support vector machine; cluster analysis

10.7667/PSPC151318

2015-07-30；

2015-12-18

林順富(1983-)，男，博士，教授，研究方向?yàn)橹悄苡秒娂坝脩魝?cè)技術(shù)研究；E-mail: shunfu.lin@163.com

郝 朝(1990-)，男，碩士研究生，研究方向?yàn)橹悄苡秒娂坝脩魝?cè)技術(shù)研究；E-mail: haochao_1990@163.com

湯曉棟(1983-)，男，工程師，研究方向?yàn)橹悄茈娋W(wǎng)用戶端能源管理。E-mail: tangxd@seari.com.cn

上海市科委科創(chuàng)項(xiàng)目(14DZ1201602)；國(guó)家自然科學(xué)基金項(xiàng)目(51207088)；上海綠色能源并網(wǎng)工程技術(shù)研究中心(13DZ2251900)；國(guó)網(wǎng)公司科技項(xiàng)目(SGRI-DL-71-14-004)