基于聚类分析和PSO优化的神经网络短期负荷预测研究

摘要：

为了提高电力系统短期负荷预测的精度,本文在分析传统的负荷预测模型在实际应用中存在问题的基础上,提出了一种新的预测模型:基于聚类分析和粒子群优化的BP神经网络模型.由于负荷具有波动性大、日周期性强等特点,对初始负荷数据进行预处理,按时段对数据空间进行划分,对每个子空间的数据分别建模,可以大幅度的提高神经网络的预测精度和泛化能力,同时利用惯性权重线性微分递减的粒子群算法优化神经网络的连接权值和阀值,可以提高神经网络的全局搜索能力和收敛速度.以某市公布的全网负荷数据进行预测验证,证明了此方法所建立的模型的合理性和有效性.

关键词：负荷预测、K-means聚类、BP神经网络

所属期刊栏目：16

分类号：TM715(输配电工程、电力网及电力系统)

在线出版日期：2013-09-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1-5,9