基于最优fcm聚类和最小二乘支持向量回归的短期电力负荷预测 short-term load forecasting based on least square support vector regression and fuzzy c-mean clustering with the best class number.pdfVIP

第25卷第2期 现代电力 V01．25No．2 2008年4月 ModemElectricPower Ap“2008 文章编号：1007—2322(2008)02一0076一06文献标识码：A 中图分类号：TM73 基于最优FCM聚类和最小二乘支持向量回归的 短期电力负荷预测 唐杰明，刘俊勇，刘友波 (四川大学电气信息学院，四川成都610065) Short-tennLoad BasedonLeast Vector Forecasting SquareSupport and C—mean withtheBestClassNumber Fuzzy Cl吣tering Youbo TangJieming，LiuJunyong，Liu (sch001ofE1ect“cal andInfomation。sichuan Engineering University，Chengdu610065，China) 10ad 摘要：提出了一种最优FcM聚类分析和最小二乘支持向 words：short．term Key forecasting；leastsquaresupport vector withthebestclass 量机回归算法(IS、Ⅵt)相结合的电力系统短期负荷预测方 machine；FCM n岫ber； clustering 法。在考虑电力系统负荷日周期性的基础上，运用基于改 similaritydegree；powersystem 进划分系数最大原则的最优FCM聚类分析获取历史负荷样 本的最优数据模式划分，并根据输入样本相似度选取L：ss一 0 引 言 Ⅵt训练样本。既强化了训练样本的数据规律，又保证了数 据特征的一致性，从而提高了LssⅥt训练速度，改善了预 准确的短期负荷预测有助于经济安排发电机组 测效果。仿真实验表明：ussvR点模型的平均预测精度约启停、合理制定检修计划、维持系统安全运行、降 98％，而本文模型的平均预测精度达到了98．7％，证明了低发电成本、提高电能量市场交易水平，因此提高 该方法的有效性和实用性。 短期负荷预测的精度具有重要意义。 关键词：短期负荷预测：最小二乘支持向量机；最优FCM 目前短期负荷预测方法大致可分为传统方法和 聚类；相似度；电力系统 ， 智能方法两大类。传统方法所建的模型由于难以表 Abst吼d：Ashort-termload methodleast达负荷与其影响因素的非线性关系，其预测精度难 forecastingusing support andFCM 以进一步提高，因此限制了它在短期负荷预测中的 squares vectorregressionclusteringanaly- siswiththebcstclustersn哪beris thebasis0f 应用[1q3；作为智能方法主要代表的人工神经网络， proposed．On t