资料下载
基于层次聚类和极限学习机的母线短期负荷预测
分享资料个
利用传统方法预测母线负荷时，通常选取离待测日相近的一段时间作为历史相似日进行模型训练，没有考虑其天气情况、星期类型、节假日等因素的影响，相似日与待测日特征相差较大。为解决以上问题，提出一种基于层次聚类（ HC）和极限学习机（ELM）的母线负荷预测算法。首先使用层次聚类法将母线历史日负荷进行聚类，然后对层次聚类得出的聚类结果建立决策树，其次根据待测日的温度、湿度、星期和节假日类型等日属性在决策树中匹配出训练极限学习机预测模型的历史日负荷，最后建立极限学习机预测模型，对待测日母线日负荷进行预测。对两条不同母线的负荷进行了预测，与传统单一的极限学习机相比，所提算法的平均绝对百分比误差（ MAPE）分别降低了1.4和0.8个百分点。实验结果表明，所提算法预测母线负荷具有更高的预测精度和稳定性。
母线负荷可以定义为由变电站的主变压器供给一个相对较小的供电区域的终端负荷的总和，是系统负荷的细化。对母线负荷的精确预测是改善电网安全性、稳定性和经济性，提高用电质量的重要保证。母线负荷不同于系统负荷，它具有以下特点：母线负荷易受气象因素变化影响，如气温的突然升高和降低，将引起居民用电特别是空调负荷的剧烈变化，大面积降雨后会引起排渍负荷的突然增加；电网系统中母线数目众多、量大面广、负荷基数小，波动性大，不同母线之间负荷差异较大，难以人工逐一深入分析。因此，对母线负荷进行精准的预测具有较高的难度。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
