欢迎来到天天文库
浏览记录
ID:52493461
大小:325.83 KB
页数:5页
时间:2020-03-28
《短期负荷预测的聚类组合和支持向量机方法.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库。
1、第23卷第1期电力系统及其自动化学报Voi.23NO.12Ol1年2月ProceedingsoftheCSU—EPSAFeb.2O11短期负荷预测的聚类组合和支持向量机方法梁建武,陈祖权,谭海龙(中南大学信息科学与工程学院,长沙410083)摘要:为提高电力系统短期负荷预测的精度,提出了一种基于聚类组合和支持向量机的短期负荷预测方法。该方法用SOM网络训练规格化的特征数据并获得初始聚类中心,将初始聚类中心作为c一均值算法的输入,并用DB指数评价聚类结果以获得最佳聚类数,通过训练可得相似日样本,最后选择合适的参数
2、和核函数构造支持向量机模型来进行逐点负荷预测。预测结果表明,该方法比单一的支持向量机算法具有明显的优势。关键词:短期负荷预测;聚类组合;SOM网络;C一均值;相似日中图分类号:TM715文献标志码:A文章编号:10038930(2O11)01—003405ApplicationofClusteringCombinationandSupportVectorMachineinShort—termLoadForecastingLIANGJian—wu.CHENZu—quan.TANHai—long(Institute
3、ofInformationScienceandEngineering,CentralSouthUniversity,Changsha410083,China)Abstract:Inordertoimprovetheaccuracyofpowersystemshort—termloadforecasting,amethodofshort—termloadforecastingbasedOilclusteringcombinationandsupportvectormachineisproposed.First,t
4、hestandardizeddataaretrainedthroughSOMnetworkandtheinitialclusteringcenterareacquired,thentheinitialclusteringcentreisusedastheinputvaluesoftheC-meansalgorithm,andthebestnumberoftheclusteringisobtainedthroughDBindex,thesamplesofsimilardaysareacquiredthrought
5、raining.Finally,supportvectormachineu—singappropriateparmaetersandkernelfunctionareconstructedandtheloadwasforecastedpointbypoint.Theresultsshowedthatthemethodhasadistinctadvantagethansimplesupportvectormachinealgorithms.Keywords:short—termloadforecasting;cl
6、usteringcombination;SOMnetwork;C—means;similarday目前,短期负荷预测方法主要包括回归分析者组合进行聚类,引入DB指数_10]作为聚类质量评法[¨、时间序列法[、人工神经网络方法_31、模糊价标准,获取与预测日特征相似的相似日样本集,预测法[s和小波分析法’等。以克服传统SVM方法训练样本集过大的缺点,利支持向量机SVM(supportvectormachine)方用sVM模型对预测日96点负荷进行预测,取得了法较好地解决小样本、非线性、高维数和局部极小满意的预测精
7、度。点等实际问题],在时间序列预测问题上得到了应1基本原理与方法用]。但其预测精度在很大程度上依赖于训练集的选择,恰当、合理的样本可使预测方法快速、有效地1.1SOM算法逼进目标矢量,达到误差要求。SOM神经网络是南Kohonen[“首次提出的。本文考虑到电力负荷变化的周期性和相似性SOM网络包含输入层和输出层两层神经元。输入特点,根据自组织映射SOM(self-organizingmap)层对应一个高维的输入向量,输出层是由一系列组网自组织和G均值算法高效率的特点,通过将两织在二维网格上的有序节点构成,输入节
8、点与输出收稿日期:2009—11—06;修回日期;2010—01—25基金项目:国家自然科学基金资助项目(60173041)第1期梁建武等:短期负荷预测的聚类组合和支持向量机方法·35·节点通过权重向量连接。在每个输入样本学习过程法停止,否则转向步骤2继续迭代。中,SOM找出与之距离最小的输出层单元,即获胜经过G均值算法划分后,同一个簇的样本具单元,然后更新获胜单元及其邻近区域的权值,
此文档下载收益归作者所有