基于多层聚类和改进BP神经网络的短期负荷预测

被引：28

作者：

赵云 ^{[1
]}

高泽璞 ^{[2
]}

肖勇 ^{[1
]}

常润勉 ^{[2
]}

何恒靖 ^{[1
]}

机构：

[1] 南方电网科学研究院

[2] 武汉大学电气与自动化学院

来源：

武汉大学学报(工学版) | 2019年 / 52卷 / 07期

关键词：

模糊C均值聚类; 多层聚类; 气象因素; 改进BP神经网络;

D O I：

10.14188/j.1671-8844.2019-07-009

中图分类号：

TM715 [电力系统规划]; TP183 [人工神经网络与计算];

学科分类号：

080802 [电力系统及其自动化]; 140502 [人工智能];

摘要：

随着电网规模的扩大,数据量的急剧增加,漏采、误采等不良数据及数据冗余会对短期负荷预测产生负面影响,造成预测准确度下降,预算结果无法正常使用.针对这些现象,提出一种基于多层聚类和改进BP神经网络的负荷预测模型.该模型基于多层聚类对原始数据进行预处理,选取形成与待预测数据相似的样本数据集,建立基于改进BP神经网络的预测模型.多层聚类模型减小了输入改进BP神经网络的数据量,避免了不良数据对预测模型造成的影响,预测模型更贴近待预测数据特点;改进BP神经网络避免了在训练过程中陷入局部最小解.预测结果表明:相比模糊C均值聚类方法,多层聚类与改进BP神经网络的负荷预测方法提高了预测精度与预测速度.

引用

页码：622 / 629

页数：8

共 14 条

[1]

Short term load forecast using fuzzy logic and wavelet transform integrated generalized neural network.[J].D.K. Chaturvedi;A.P. Sinha;O.P. Malik.International Journal of Electrical Power and Energy Systems.2015,

[2]

基于聚类分析与随机森林的短期负荷滚动预测 [J].