基于改进K-means算法的电力短期负荷预测方法研究

作者：荀超^*; 陈伯建; 吴翔宇; 项康利; 林可尧; 肖芬; 易杨

来源：电力科学与技术学报, 2022, 37(01): 90-95.

DOI：10.19781/j.issn.1673-9140.2022.01.011

• K-means算法
• 数据聚类
• RNN神经网络模型
• 电力负荷大数据
• 预测方法

现有方法预测电力短期负荷时忽略了对其进行聚类优化处理，导致预测耗时较长，短期负荷预测精度偏低。为此，提出一种基于改进K-means算法的电力短期负荷预测方法。该方法利用改进后的K-means算法聚类处理电力负荷大数据，使用聚类后获得的训练样本构建循环神经网络RNN拓扑结构，然后通过对RNN神经网络模型设置最优权值，实现电力负荷的短期预测。实验结果表明，所提方法具有高预测效率和高短期负荷预测精准度。

• 单位
  国网福建省电力有限公司; 国网福建省电力有限公司电力科学研究院; 自动化学院; 国网福建省电力有限公司经济技术研究院; 福州大学