苏舟，李灿，姚李孝，崔寒珺

（西安理工大学水利水电学院，陕西西安 710048）

电力负荷数据预处理研究及应用

苏舟，李灿，姚李孝，崔寒珺

（西安理工大学水利水电学院，陕西西安 710048）

电力系统历史负荷数据的准确与否对负荷预测效果有重要影响，首先采用减法聚类算法得到历史负荷数据的聚类数目和聚类中心，并以此来作为模糊c-均值聚类的起点，然后通过负荷曲线的横向相似性找出不良数据，最后修正不良数据，得到连续准确的负荷数据。通过实例分析验证了此方法的有效性。

不良数据；减法聚类；模糊c-均值聚类

历史负荷数据一般来源于SCADA数据库。因为一些随机的小干扰或特殊事件的发生，影响了SCADA中的数据的准确性，使SCADA数据库中出现不良数据。不良负荷数据一般分为缺失值和异常值两种[1]。缺失值一般是由于切负荷、线路检修停电或SCADA系统故障产生；异常值则通常是因为一些突发性的大事件对电力负荷造成了冲击，导致负荷异于平常。负荷的异常值通常表现为出现极大极小值、负荷毛刺现象等。电力负荷资料中存在一些不良数据，由于不良数据都是不准确的，因此在负荷预测中应用将会影响其精度[2]，为了保证负荷预测的准确性，我们需要对历史的负荷数据进行预处理，使其更加准确地接近原始值。

缺失值非常容易识别和辨认，对于缺失值，传统的处理办法有人工填写法、采用缺失值两侧数据平均值填写法、插值法等。对于异常值，在异常值较多的日期可以通过曲线置换的方法将异常的负荷曲线替换下来，若是只存在个别的孤立异常点，则可以采用分时段设定阈值的方法，超出阈值的点可以看作异常点，识别出异常点后通过公式进行修正。……