基于FHNN相似日聚类自适应权重的短期电力负荷组合预测
提出一种有效的组合预测新模型进行电力负荷短期预测.不同预测模型在不同情况下的预测结果和精度有所变化,因此组合预测模型的权重应随着预测情景的变化而变化.文中将原始负荷数据分为训练集、验证集和测试集3类,并选择4种单一预测模型,即自回归滑动平均(ARMA)模型、广义自回归条件异方差(GARCH)模型、人工神经网络(ANN)和支持向量机(SVM)分别进行模型预测.对于需要预测的负荷,根据历史数据,将一年的数据先按照季度分类,再分别按照月、日、小时,利用模糊神经网络(FHNN)将其聚类.根据不同单一预测模型在不同情景下的误差计算出组合权重,从而获得组合预测模型.算例分析验证了所提出的组合预测模型的有效性和精确性.
负荷预测、组合预测、自回归滑动平均模型、广义自回归条件异方差模型、人工神经网络、支持向量机、模糊神经网络、相似日
37
TM7;TU9
国家自然科学基金资助项目71071052;中央高校基本科研业务费专项资金资助项目12QX22
2013-03-22(万方平台首次上网日期,不代表论文的发表时间)
共4页
54-57