基于Kohonen聚类和SVM组合算法的电网日最大负荷预测.pdf

《基于Kohonen聚类和SVM组合算法的电网日最大负荷预测.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、_SmartGrid第30卷第2期电网与清洁能源Vo1．30No．22014年2月PowerSystemandCleanEnergyFeb．2014文章编号：1674—3814(2014)02—0007—05中图分类号：TM715文献标志码：A基于Kohonen聚类和SVM组合算法的电网日最大负荷预测马小慧，，阳育德-，一，龚利武-(1．广西大学电力系统最优化研究所，广西南宁530004；2．广西电力系统最优化与节能技术重点实验室，广西南守530004)ForecastingoftheDailyMaximum

2、LoadBasedonaCombinedModelofKohonenClusteringandSVMMAXiaohui，YANGYude，．，GONGLiwu(1．InstituteofPowerSystemsOptimization，GuangxiUniversity，Nanning530004，Guangxi，China；2．PowerSystemOptimizationandEnergySavingTechnologyKeyLaboratoryofGuangxi，Nanning530004，Guangx

3、i，China)ABSTRACT：Powersystemloadisafectedbyavarietyof经过仿真实验，验证了该方法的有效性。factorsincludingmeteorologicalconditions．Toimprovethe关键词：Kohonen聚类；支持向量机；负荷预测powersystemshort—termpredictionaccuracy，thispaperpre—sentsapredictionalgorithmcombinedwithKohonenclustering电力

4、系统负荷预测是电源调度的重要参考量，andSVM．Themethodologytakesintoconsiderationofthe对电网的安全和经济运行具有重大的意义【JJ。随着characteristicsofcyclicalchangesinpowersystem，and社会经济的不断发展，我国电网规模日益扩大，近choosesthesimilardayswiththesamecharacteristicsinhistory年来电力负荷迅速增长并且规律日趋复杂。同时，byclusteringthelea

5、ningsampleandconstitutesthetraining由于负荷成分的不断变化以及降温取暖等用电设samplesforthesimilardays，andpredictionisconductedbytheSVMmode1．Thesamplefeaturevectorcontainsavarietyof备的大量普及，影响负荷变动的因素增多并且规律factorssuchasmeteorologicalfactorsandholidays．Thesimula-难以把握，给电力系统短期负荷预测工作带来

6、了巨tionhasverifiedtheefectivenessofthealgorithm．大的挑战。KEYWORDS：Kohonenclustering；supportvectormachine；传统的电力负荷预测方法[21有单耗法、电力弹loadforecasting性形法、负荷密度法、分类负荷预测法和人均电量摘要：电力系统负荷受到气象等多种因素的共同影响，为提法等。但这些预测方法没有考虑影响负荷的外在因高电力系统短期预测的准确度，提出了一种将Kohonen聚类素，已经无法满足当今复杂的负荷行式对预测精

7、度和SVM结合的预测算法。该方法考虑到电力系统变化周期性的要求[31。近年来，国内外研究人员致力于研究提高的特点，通过对学习样本进行聚类，选出具有相同特征的历史相似日，构造相似日训练样本并利用SVM模型进行预测。预测精度和预测时间的方法，目前，神经网络和支样本特征向量中同时包含了多种气象因子及节假日等因素，持向量机(supportvectormachine，SVM)比较受到大家的青睐。神经网络[4-6~法在电力系统负荷预测方基金项目：广西理工科学实验中心重点项目(LGZx2012o9)；面已经取得了很大的成果

8、，但样本数据有限时使用广西教育厅高校科研项目(201203YB011)；广西大学科研基金项目具有一定的局限性。支持向量机是建立在统计学习(XBZ120037)。理论基础上的通用学习方法，目前在模式识别和处ProjectSupposedbyKeyProjectsProgramforScienceExpefi—理回归问题等方面取得了较突出的表现，在处理小mentsforGuangxiTechnology