吴丽珍, 孔 纯, 陈 伟

(兰州理工大学 电气工程与信息工程学院, 甘肃 兰州 730050)

电力系统负荷预测是从已知的电力系统数据、经济状况、气象变化、人口数量等多种情况出发,通过对历史数据的提取分析,研究事物之间的内在联系和变化规律,从而对未来负荷的变化作出预先的估计和推测[1].短期负荷预测是电力系统运行、规划、调度的基础.精准的短期负荷预测有助于电力系统规划、控制、运行,合理地安排发电厂发电机组的启停,确定电厂冷、热备用容量,有效降低发电成本,提高经济效益和社会效益[2].要实现精准的短期负荷预测需要精准的预测模型,精准的预测模型来源于海量的精准数据.随着各种配电智能终端在电力系统中的广泛应用,以及社会智能化、信息化水平不断的提高,产生了庞大且多样的电力数据和丰富的天气、温度、地理等数据,这些数据构成了短期负荷预测的数据来源[3],数据呈现“4V”特征[4],即数据量大(volume)、数据格式多样(variety)、数据处理速度快(velocity)和数据价值密度低(value).在如此海量的数据中常常存在着大量重复记录、错误记录和不完整记录的数据,这些数据将对负荷预测产生不良后果.如何从海量数据中提取有效数据,并快速处理这些数据,是大数据背景下负荷预测的关键问题[5].为了从海量数据中提取有效数据,需在计算之前对数据进行清洗.近年来,数据清洗技术获得了广泛关注.Nascimento等[6]利用近邻排序算法(sorting neighbor algorithm,SNM)对文中数据进行清……