基于改进K-means算法的电力短期负荷预测方法研究

被引：57

作者：

荀超 ^{[1
]}

陈伯建 ^{[2
]}

吴翔宇 ^{[2
]}

项康利 ^{[3
]}

林可尧 ^{[1
]}

肖芬 ^{[1
]}

易杨 ^{[4
]}

机构：

[1] 国网福建省电力有限公司

[2] 国网福建省电力有限公司电力科学研究院

[3] 国网福建省电力有限公司经济技术研究院

[4] 福州大学电气工程与自动化学院

来源：

电力科学与技术学报 | 2022年 / 37卷 / 01期

关键词：

K-means算法; 数据聚类; RNN神经网络模型; 电力负荷大数据; 预测方法;

D O I：

10.19781/j.issn.1673-9140.2022.01.011

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：

现有方法预测电力短期负荷时忽略了对其进行聚类优化处理，导致预测耗时较长，短期负荷预测精度偏低。为此，提出一种基于改进K-means算法的电力短期负荷预测方法。该方法利用改进后的K-means算法聚类处理电力负荷大数据，使用聚类后获得的训练样本构建循环神经网络RNN拓扑结构，然后通过对RNN神经网络模型设置最优权值，实现电力负荷的短期预测。实验结果表明，所提方法具有高预测效率和高短期负荷预测精准度。

引用

页码：90 / 95

页数：6

共 13 条

[1]

基于深度学习的多特征短期负荷预测 [J].