基于模糊聚类分析与最小二乘支持向量机的短期负荷预测

电力系统短期负荷预测是电力系统一项非常重要的基础工作,涉及到发电、输电以及电能分配等方面的合理安排。准确的、可靠的电力短期负荷预测对于电力系统经济、安全、可靠的运行具有特别重要的意义。随着电力系统日趋复杂化,尤其是随着电力市场竞争机制的逐步深入,短期负荷预测被赋予了更高的要求。因此,快速、准确的短期负荷预测在电力系统运行、调度与控制中具有十分重要的理论现实意义。 本文在对现有各种预测算法进行深入、细致研究的基础上,分析了各种算法的优缺点以及其所适用的范围,尤其对历史数据特征的提取、相关影响因素及预测模型、预测方法进行了深入的研究。针对不同负荷特征及呈现的规律,将模糊聚类分析引入短期负荷预测中,提出了基于优化FCM聚类分析和LS-SVM的短期负荷预测新方法。在考虑电力负荷变化周期性的基础上,通过对历史负荷样本的优化FCM分析,获取了负荷样本的最优模式分类和预测时刻的最优训练样本集,强化了参与LS-SVM训练建模的负荷样本的输入-输出数据规律性,保障了训练样本在更高程度上近似满足相同的输入-输出函数关系,实现了优化FCM聚类分析和LS-SVM算法的有效结合。在减少训练样本的同时,提高了LS-SVM模型的预测效果,并以仿真实验证明了所提混合模型的有效性。 最后,将本文采用的组合方法取得的结果与单一LS-SVM模型及BP模型算法所得的结果相比较,证明该方法具有较高的精度,取得了令人满意的结果。