基于kmeans聚类与BP神经网络算法的办公建筑逐时电负荷预测

被引：74

作者：

刘倩颖 ^{[1
]}

阮应君 ^{[1
]}

时翔 ^{[2
]}

李铮伟 ^{[1
]}

机构：

[1] 同济大学机械与能源工程学院

[2] 国网山东省电力公司青岛供电公司

来源：

热能动力工程 | 2018年 / 33卷 / 03期

基金：

国家重点研发计划;

关键词：

能源; 聚类分析; 神经网络; 预测; 相对误差; 均方根误差; 平均绝对百分误差;

D O I：

10.16146/j.cnki.rndlgc.2018.03.021

中图分类号：

TM715 [电力系统规划];

学科分类号：

080802 [电力系统及其自动化];

摘要：

基于青岛某办公建筑2015年全年逐时总用电能耗及空调用电能耗数据,利用kmeans聚类算法对其进行聚类,将全年能耗水平分为四大类。利用求平均值法得到每一类典型设备使用率曲线。将典型曲线的数据、日前两周数据以及气象数据一同作为BP神经网络的输入,预测未来24小时的建筑总用电和空调用电,该方法比单用日前两周数据及气象数据进行负荷预测能获得更低的相对误差、均方根误差、平均绝对百分误差。BP负荷预测相对误差在5%以内,而kmeans-BP负荷预测算法控制在±2.5%以内;BP预测得到的均方根误差和平均绝对百分误差范围分别在4.6～9.0之间、2.3%4.4%之间,kmeans-BP将该误差缩小到3.1、2.0%以内,对于负荷预测精度要求上是阶跃性的突破。

引用

页码：138 / 144

页数：7

共 16 条

[1]

基于k-means聚类和BP神经网络组合模型的用电负荷预测 [J].

黄磊 ;

陈浩 ;

衣乔木 ;

陶亚龙 .

电力与能源, 2016, 37 (01) :56-60

[2]

基于模糊聚类与改进BP算法的日负荷特性曲线分类与短期负荷预测 [J].

黎祚 ;

周步祥 ;

林楠 .

电力系统保护与控制, 2012, 40 (03) :56-60

[3]

基于偏最小二乘回归分析的中长期电力负荷预测 [J].

毛李帆 ;

江岳春 ;

龙瑞华 ;

李妮 ;

黄慧 ;

黄珊 .

电网技术, 2008, (19) :71-77

[4]

基于最小二乘支持向量机的天然气负荷预测 [J].

刘涵 ;

刘丁 ;

郑岗 ;

梁炎明 ;

宋念龙 .

化工学报, 2004, (05) :828-832

[5]

EXPERIMENTAL VALIDATION OF A ENERGYPLUS MODEL: APPLICATION OF A MULTI-STOREY NATURALLY VENTILATED DOUBLE SKIN FA?ADE.[J].Aleksandar S. An?elkovi?;Igor Mujan;Stojanka Daki?.Energy & Buildings.2016,

[6]

Comparative study of wavelet-ARIMA and wavelet-ANN models for temperature time series data in northeastern Bangladesh [J].

Nury, Ahmad Hasan ;

Hasan, Khairul ;

Bin Alam, Md Jahir .

JOURNAL OF KING SAUD UNIVERSITY SCIENCE, 2017, 29 (01) :47-61

[7]

Forecasting the COMEX copper spot price by means of neural networks and ARIMA models.[J].Fernando Sánchez Lasheras;Francisco Javier de Cos Juez;Ana Suárez Sánchez;Alicja Krzemień;Pedro Riesgo Fernández.Resources Policy.2015,

[8]

Ensemble of various neural networks for prediction of heating energy consumption.[J].Radiša Ž. Jovanović;Aleksandra A. Sretenović;Branislav D. Živković.Energy & Buildings.2015,

[9]

A review on applications of ANN and SVM for building electrical energy consumption forecasting.[J].A.S. Ahmad;M.Y. Hassan;M.P. Abdullah;H.A. Rahman;F. Hussin;H. Abdullah;R. Saidur.Renewable and Sustainable Energy Reviews.2014,

[10]

Short-term load forecasting using SVR (support vector regression)-based radial basis function neural network with dual extended Kalman filter.[J].Chia-Nan Ko;Cheng-Ming Lee.Energy.2013, Jan.

← 1 2 →