基于K-means聚類的LS-SVM短期負荷預測方法研究.pdf

1、短期負荷預測作為電力部門的一項重要工作，在智能電網(wǎng)大環(huán)境下具有更加重要的意義。其預測精度的高低直接關系著電力系統(tǒng)的安全、穩(wěn)定、可靠、經(jīng)濟運行。因此，如何提高預測精度成了短期負荷預測的研究重點。由于短期負荷預測與實際電網(wǎng)負荷特性，運行情況，當?shù)貧庀?、?jīng)濟、社會等現(xiàn)實因素息息相關，因此，分析影響負荷預測的因素，運用數(shù)學和計算機等方面的知識，對歷史數(shù)據(jù)進行預處理，消除其中不能反應負荷真實情況的異常數(shù)據(jù)，建立合理準確的數(shù)學模型，最終方可得到高精

2、度的預測結(jié)果。
　　本文通過研究短期負荷預測的國內(nèi)外發(fā)展現(xiàn)狀，歸納了傳統(tǒng)與智能負荷預測方法，在分析了已有智能方法的優(yōu)缺點后，總結(jié)出當前待解決的關鍵性問題。結(jié)合浙江省某地區(qū)的負荷特性及影響因素，采用雙向比較法對歷史數(shù)據(jù)進行必要的預處理。為了避免多種影響因素及多類型負荷對預測造成的維數(shù)災難及低精度問題，采用數(shù)據(jù)挖掘中的經(jīng)典聚類算法——K-means算法，對歷史負荷數(shù)據(jù)進行聚類分析，從而選擇相似日數(shù)據(jù)建立樣本集，采用能較好地解決小樣本、

3、非線性、高維數(shù)和局部極小點等實際問題的最小二乘支持向量機(LS-SVM)方法建立模型，并引入結(jié)構(gòu)簡單、尋優(yōu)速度較快的果蠅參數(shù)優(yōu)化算法(FOA)對其參數(shù)進行優(yōu)化，建立基于K-means聚類的FOA-LSSVM短期負荷預測模型。
　　通過研究發(fā)現(xiàn)，由于不同用戶具有不同的負荷特性，導致其日負荷曲線不盡相同，因此，將該模型應用于分類負荷預測中，采用浙江省某地區(qū)2014年6月至11月各行業(yè)負荷作為樣本集，對國慶假日前三天及11月最后三天的每