杨亚洲，钱秋明，梁鸭红

(云南电网有限责任公司普洱供电局，云南 普洱 665000)

0 引 言

对于电力负荷的预测，很大程度上依靠对大量历史用电负荷的历史数据进行分析处理。因此，电力负荷预测结果的准确性，往往跟所提供的以往用电负荷历史数据的可靠性以及有相关因素的资料的准确性等因素紧密相关。目前，我国各级电力调度中心对历史数据进行采集的系统多为SCADA(数据采集与监控)系统[1]。由于采集设备故障、通信网络故障和程序错误等原因，在数据库存储的电力负荷历史数据会出现空值，即发生数据缺失现象。数据缺失现象会对负荷预测的准确性产生不良影响。研究缺失数据的补全方法具有重要的意义。

用于补全数据的方法主要分为统计法和分类法两种。统计法包括传统的数学方法和新兴的机器学习算法。传统的数学方法包括线性插值法补全法[2]和样条插值拟合补全法等。王雁平直接将负荷按照前N天的平均负荷曲线对缺失数据进行补全，该方法没有充分考虑负荷变化规律[3]。传统的统计算法补全数据计算量小，易于实现，但是补全的准确度低。机器学习算法通过复杂的数据挖掘处理，能够大幅提高数据补全的准确度如神经网络[4]、贝叶斯神经网络[5]、k-邻近算法[6]，但是这些算法计算成本高，实际应用困难。已有研究表明，分类法相比于统计法在缺失数据补全上具有明显优势。李晓飞提出了基于k-means算法的缺失数据填充方法，通过将数据聚类寻找特征数据，选择出现最多的离散性数据进行填补[7]。……