基于k-means聚类与径向基神经(RBF)网络的电力系统日负荷预测

被引：11

作者：

张庆新 ^{[1
]}

崔展博 ^{[1
]}

马睿 ^{[2
]}

陈磊 ^{[3
]}

机构：

[1] 沈阳航空航天大学自动化学院

[2] 上海宝信软件股份有限公司自动化技术研究所

[3] 沈阳航空航天大学安全工程学院

来源：

科学技术与工程 | 2013年 / 13卷 / 34期

关键词：

Kalman滤波; 组合预测模型; 负荷预测; 最小二乘法;

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：

对大型工业企业电力负荷震荡剧烈、幅度大等问题,提出了借助卡尔曼滤波对"失真数据"进行实时估计,弱化陈旧数据权值的k-means聚类和径向基网络的组合预测模型。依据最小逼近误差,利用最小二乘法对RBF网络的输出权值进行优化。文中方法对电力系统不同的工况背景,使用k-means聚类算法来确定隐藏节点的数据中心和扩展常数,改善了常规RBF网络随机选择网络中心的情况,同时使电力负荷精度得以有效提高。最后,依据文中的组合模型和其他4种常用算法分别对宝钢电力系统负荷数据进行分析预测,仿真结果表明:方法对负荷预测效果较好。

引用

页码：10177 / 10181

页数：5

共 8 条

[1]

Nonlinear prediction of chaotic signals using a normalised radial basis function network [J].