为提高负荷预测的精度和速毒,本文依托国家里点专坝甲的课题3“基于数据挖掘的精细化负荷预测方法研究”,提出了一种融合历史数据和实时影响因素的支持向量机(Support Vector Machine,SVM)精细化短期负荷预测方法,主要研究内容如下:(1)数据的采集及预处理。本文所采用的负荷数据和天气数据均来源于浙江省某地级市电网公司,数据质量对预测精度有显著影响。因此,本章重点介绍了数据预处理的四个环节,对该地区2012年的样本数据进行预处理,主要包括不良负荷数据的识别和修正、天气数据的插值处理、星期类型及节假日的量化以及样本数据的归一化,为下文分析负荷特性和建立预测模型奠定基础。(2)基于数据挖掘技术的负荷特性分析及聚类。在上述数据预处理的基础上,从负荷预测的三项基础性工作展开定性分析和定量计算。首先,采用数据挖掘技术从典型日、星期及节假日三个不同时间维度定性分析负荷的规律特性。其次,采用皮尔森相关系数从2012年全年和夏季两个角度定量计算负荷与各天气影响因素之间的相关系数,选择主要天气影响因素作为SVM建模的输入。最后,采用基于加权平均距离的层次聚类对该地区2012年366天的历史负荷进行聚类分析,针对不同的聚类结果分别建立预测模型。(3)提出了一种融合历史数据和实时影响因素的SVM精细化短期负荷预测方法。基于SVM的统计学理论和回归预测理论,以该地区2012年的负荷、天气、星期类型及节假日作为样本数据,针对六类聚类结果分别建立预测模型,选择适用于不同预测模型SVM核函数的种类,并采用交叉验证法对不同预测模型SVM的核心参数c和g进行全局搜索寻优。采用上述建立的不同预测模型对同地区2013年的日96点负荷进行预测,给出实际系统的算例验证,并与三种传统预测方法的预测结果进行对比,验证了本文所提方法的正确性。(4)提出了一种在极端台风天气下负荷对主要天气影响因素进行敏感度分析的方法,是上述建模预测部分的一个特例。由于浙江省地处东南沿海地带,易受到极端台风天气的影响,本文提出采用灰色关联系数变化率和分段回归相结合的分析方法,以该地区2012年三次主要台风为例进行实例分析,基于灰色关联系数变化率选择影响负荷的主要天气因素,精确地建立负荷与主要天气影响因素之间的多元分段回归关系,在不同的分段区间内进行负荷对主要天气影响因素的敏感度分析,并对台风期间的负荷进行预测,验证了本文所提方法的有效性。