科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于人工神经网络的短期负荷预测相比传统预测方法预测精度更高，但依赖于训练样本的质量，为了解决这一问题，本文提出一种样本的优化处理方法。文中首先采用小波阈值去噪滤除噪声数据，然后利用改进的聚类算法识别并剔除异常负荷曲线，减小噪声数据及异常曲线的干扰，并同时实现可用样本的筛选与分类。将处理后的样本每类均取一定数量用于神经网络训练建模，减小训练样本规模的同时不遗漏样本数较小的类别，达到更小的训练样本规模包含更多有用特征的目的，提高了神经网络运算速度，同时提升了预测模型泛化性能和预测精度。文中阐释了BP神经网络负荷预测原理，介绍了曲线的小波阈值去噪和改进的k-means聚类原理及应用方法，建立了短期负荷预测模型并进行负荷预测仿真，与直接采用未优化处理样本训练得到的预测模型行了对比分析，结果证实了采用本文所提方法建立的神经网络负荷预测模型稳定性更好，且有更小的预测误差。
-
单位华北电力大学; 国网冀北电力有限公司唐山供电公司
