基于机器学习的短期电力负荷预测方法研究

被引：76

作者：

徐晴 ^{[1
,2
]}

周超 ^{[1
,2
]}

赵双双 ^{[1
,2
]}

刘建 ^{[1
,2
]}

龚丹 ^{[1
,2
]}

赵永春 ^{[3
]}

机构：

[1] 国网江苏省电力有限公司电力科学研究院

[2] 国家电网公司电能计量重点实验室

[3] 南京致德电子科技有限公司

来源：

电测与仪表 | 2019年 / 23期

关键词：

机器学习; 负荷预测; RBF神经网络; 岭回归估计; 广义交叉验证;

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：

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。

引用

页码：70 / 75

页数：6

共 18 条

[1]

改进的并行模糊核聚类算法在电力负荷预测的应用 [J].