改进的并行模糊核聚类算法在电力负荷预测的应用

被引：40

作者：

谢伟 ^{[1
]}

赵琦 ^{[2
]}

郭乃网 ^{[1
]}

苏运 ^{[1
]}

田英杰 ^{[1
]}

机构：

[1] 国网上海市电力公司

[2] 复旦大学数学科学学院

来源：

电测与仪表 | 2019年 / 56卷 / 11期

关键词：

用电大数据; 短期负荷预测; 多核模糊C均值聚类; 并行计算;

D O I：

暂无

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：

用户用电典型模式的分类预测是电力负荷预测的重要组成部分。针对单核模糊C均值算法在电力大数据挖掘中不能兼顾预测精度和普适性能好的问题,提出了一种电力短期负荷场景中改进的无监督学习多核模糊C均值聚类算法,建立了双层神经网络的电力数据负荷预测模型对比该改进的算法对电力负荷预测效果的影响。用户数据由MapReduce并行化处理加速。数值实验结果表明:改进的算法在实际电力用户数据集中,具有广泛的适用性和有效性,同时能显著提高电力短期负荷预测的精度。

引用

页码：49 / 54+60 +60

页数：7

共 11 条

[1]

智能用电大数据环境下的短期负荷预测研究 [D].