短期负荷预测的聚类组合和支持向量机方法.pdf

《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，