基于k-means聚类和变分位鲁棒极限学习机的短期负荷预测方法

被引：28

作者：

林志坚 ^{[1
]}

鲁迪 ^{[2
]}

林锐涛 ^{[1
]}

王星华 ^{[2
]}

许韩斌 ^{[1
]}

彭显刚 ^{[2
]}

机构：

[1] 广东电网有限责任公司汕头供电局

[2] 广东工业大学自动化学院

来源：

智慧电力 | 2019年 / 47卷 / 03期

关键词：

k-means聚类; 变分位鲁棒极限学习机; 短期负荷预测;

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：

随着售电侧市场的逐步开放,集中式的供售电模式被打破,为获取更精确的区域短期负荷预测值,提出一种基于k-means聚类和变分位鲁棒极限学习机的短期负荷预测方法。首先利用传统的k-means聚类算法对历史电力负荷数据进行负荷模式的提取,获取相同用电行为的用户负荷曲线。然后采用变分位鲁棒极限学习机对不同类负荷曲线分别建立预测模型,最后叠加单个的预测值形成最终的预测结果。通过设定不同的分位值来模拟不同的预测场景,以此得到所有可能性的预测值,即实现变分位-多场景的VQR-ORELM灵活预测。为验证所提方法的有效性,采用2个实际案例进行仿真分析。结果表明,相对于支持向量机、BP神经网络、极限学习机模型、鲁棒极限学习机模型,所提模型在聚类前后预测精度始终最高,进一步验证了所提方法的优越性和灵活性。通过k-means聚类后,所有模型预测性能都有较大提高。

引用

页码：46 / 53

页数：8

共 15 条

[1]

考虑主动需求的主动配电网负荷预测 [J].

刘会家 ;

管鑫 ;

陈波 ;

黄泰相 ;

程璐瑶 ;

刘士祥 .

电力系统保护与控制, 2018, 46 (10) :68-74

[2]

Embedding based quantile regression neural network for probabilistic load forecasting.[J].Dahua GAN;Yi WANG;Shuo YANG;Chongqing KANG;.Journal of Modern Power Systems and Clean Energy.2018, 02

[3]

基于GMM聚类和SVM的用户负荷行业分类辨识方法 [J].