電力負荷預測前應首先對負荷數據進行清洗，根據電力日負荷曲線的特征，應用改進的ART-2 神經網絡準確的提取電力日負荷特征曲線，然后利用支持向量數據描述法對不良數據進行精確定位，最后利用特征曲線對不良數據進行修正。由于ART2 網絡能夠動態調整特征曲線以及支持向量數據描述法快速準確性，使得該清洗模型具有對不良數據進行動態清洗的功能，實例分析說明了該模型的高效性。
關鍵詞： 不良數據； 清洗； ART2 網絡； 模式漂移； 支持向量數據描述法
電力系統在實際運行中，來源于SCADA 數據庫的數據由于測量和信道的誤差及系統各
種故障及沖擊負荷的影響，會產生一定數量的不良數據。不良數據增加了負荷分析的難度，降低了負荷預測的精度。在利用這些數據進行分析計算前應該對不良數據進行清洗，采用人工智能方法進行清洗較為迅速和準確，文獻[1]，[2]采用Kohonen 網或Kohonen 網與模糊聚類結合網絡進行分類和產生特征曲線，用BP 網絡或RBF 網絡進行不良數據的定位，采用特征曲線進行修正，存在以下問題： Kohonen 網易陷入局部極值，文獻[2]雖能動態的更新特征曲線，但模糊聚類收斂速度較慢。用BP 網絡或RBF 網絡進行不良數據的定位，在小樣本下效果較差。
基于以上問題，文章采用基于自適應共振理論的ART-2 神經網絡提取負荷的特征曲線，克服了大多數前向網絡容易陷入局部極小點的缺陷，可以得到全局最優點，具有實時學習的能力和很強的抗差能力，同時能夠動態調整特征曲線。采用支持向量數據描述法進行不良數據的定位，即使在小樣本下也能得到滿意的結果。 由于傳統的ART2 網絡存在模式漂移的不足，文章基于類內樣本與類中心的距離的不同而對類中心的偏移產生不同影響的思想，對其進行了改進，從而使模板中心更能反映真正的負荷特征曲線。利用江蘇某地區的負荷數據進行測試，說明了該模型的高效性。