資源描述：
《短期負(fù)荷預(yù)測(cè)的聚類組合和支持向量機(jī)方法.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、第23卷第1期電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)Voi．23NO．12Ol1年2月ProceedingsoftheCSU—EPSAFeb．2O11短期負(fù)荷預(yù)測(cè)的聚類組合和支持向量機(jī)方法梁建武，陳祖權(quán)，譚海龍(中南大學(xué)信息科學(xué)與工程學(xué)院，長(zhǎng)沙410083)摘要：為提高電力系統(tǒng)短期負(fù)荷預(yù)測(cè)的精度，提出了一種基于聚類組合和支持向量機(jī)的短期負(fù)荷預(yù)測(cè)方法。該方法用SOM網(wǎng)絡(luò)訓(xùn)練規(guī)格化的特征數(shù)據(jù)并獲得初始聚類中心，將初始聚類中心作為c一均值算法的輸入，并用DB指數(shù)評(píng)價(jià)聚類結(jié)果以獲得最佳聚類數(shù)，通過(guò)訓(xùn)練可得相似日樣本，最后選擇合適的參數(shù)
2、和核函數(shù)構(gòu)造支持向量機(jī)模型來(lái)進(jìn)行逐點(diǎn)負(fù)荷預(yù)測(cè)。預(yù)測(cè)結(jié)果表明，該方法比單一的支持向量機(jī)算法具有明顯的優(yōu)勢(shì)。關(guān)鍵詞：短期負(fù)荷預(yù)測(cè)；聚類組合；SOM網(wǎng)絡(luò)；C一均值；相似日中圖分類號(hào)：TM715文獻(xiàn)標(biāo)志碼：A文章編號(hào)：10038930(2O11)01—003405ApplicationofClusteringCombinationandSupportVectorMachineinShort—termLoadForecastingLIANGJian—wu．CHENZu—quan．TANHai—long(Institute
3、ofInformationScienceandEngineering，CentralSouthUniversity，Changsha410083，China)Abstract：Inordertoimprovetheaccuracyofpowersystemshort—termloadforecasting，amethodofshort—termloadforecastingbasedOilclusteringcombinationandsupportvectormachineisproposed．First，t
4、hestandardizeddataaretrainedthroughSOMnetworkandtheinitialclusteringcenterareacquired，thentheinitialclusteringcentreisusedastheinputvaluesoftheC-meansalgorithm，andthebestnumberoftheclusteringisobtainedthroughDBindex，thesamplesofsimilardaysareacquiredthrought
5、raining．Finally，supportvectormachineu—singappropriateparmaetersandkernelfunctionareconstructedandtheloadwasforecastedpointbypoint．Theresultsshowedthatthemethodhasadistinctadvantagethansimplesupportvectormachinealgorithms．Keywords：short—termloadforecasting；cl
6、usteringcombination；SOMnetwork；C—means；similarday目前，短期負(fù)荷預(yù)測(cè)方法主要包括回歸分析者組合進(jìn)行聚類，引入DB指數(shù)_10]作為聚類質(zhì)量評(píng)法[¨、時(shí)間序列法[、人工神經(jīng)網(wǎng)絡(luò)方法_31、模糊價(jià)標(biāo)準(zhǔn)，獲取與預(yù)測(cè)日特征相似的相似日樣本集，預(yù)測(cè)法[s和小波分析法’等。以克服傳統(tǒng)SVM方法訓(xùn)練樣本集過(guò)大的缺點(diǎn)，利支持向量機(jī)SVM(supportvectormachine)方用sVM模型對(duì)預(yù)測(cè)日96點(diǎn)負(fù)荷進(jìn)行預(yù)測(cè)，取得了法較好地解決小樣本、非線性、高維數(shù)和局部極小滿意的預(yù)測(cè)精
7、度。點(diǎn)等實(shí)際問題]，在時(shí)間序列預(yù)測(cè)問題上得到了應(yīng)1基本原理與方法用]。但其預(yù)測(cè)精度在很大程度上依賴于訓(xùn)練集的選擇，恰當(dāng)、合理的樣本可使預(yù)測(cè)方法快速、有效地1．1SOM算法逼進(jìn)目標(biāo)矢量，達(dá)到誤差要求。SOM神經(jīng)網(wǎng)絡(luò)是南Kohonen[“首次提出的。本文考慮到電力負(fù)荷變化的周期性和相似性SOM網(wǎng)絡(luò)包含輸入層和輸出層兩層神經(jīng)元。輸入特點(diǎn)，根據(jù)自組織映射SOM(self-organizingmap)層對(duì)應(yīng)一個(gè)高維的輸入向量，輸出層是由一系列組網(wǎng)自組織和G均值算法高效率的特點(diǎn)，通過(guò)將兩織在二維網(wǎng)格上的有序節(jié)點(diǎn)構(gòu)成，輸入節(jié)
8、點(diǎn)與輸出收稿日期：2009—11—06；修回日期；2010—01—25基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(60173041)第1期梁建武等：短期負(fù)荷預(yù)測(cè)的聚類組合和支持向量機(jī)方法·35·節(jié)點(diǎn)通過(guò)權(quán)重向量連接。在每個(gè)輸入樣本學(xué)習(xí)過(guò)程法停止，否則轉(zhuǎn)向步驟2繼續(xù)迭代。中，SOM找出與之距離最小的輸出層單元，即獲勝經(jīng)過(guò)G均值算法劃分后，同一個(gè)簇的樣本具單元，然后更新獲勝單元及其鄰近區(qū)域的權(quán)值，
