文献类型：期刊文章

作　　者：荀超[1] 陈伯建[2] 吴翔宇[2] 项康利[3] 林可尧[1] 肖芬[1] 易杨[4]

XUN Chao;CHEN Bojian;WU Xiangyu;XIANG Kangli;LIN Keyao;XIAO Fen;YI Yang(State Grid Fujian Electric Power Co., Ltd.,Fuzhou 350000, China;Electric Power Science Research Institute,State Grid Fujian Electric Power Co., Ltd.,Fuzhou 350000, China;Economic and Technological Research Institute,State Grid Fujian Electric Power Co., Ltd., Fuzhou 350000, China;College of Electrical Engineering and Automation, Fuzhou University,Fuzhou 350108, China)

机构地区：[1]国网福建省电力有限公司,福建福州350000 [2]国网福建省电力有限公司电力科学研究院,福建福州350000 [3]国网福建省电力有限公司经济技术研究院,福建福州350000 [4]福州大学电气工程与自动化学院,福建福州350108

出　　处：《电力科学与技术学报》

基　　金：国家自然科学基金(51177107);国家电网有限公司科技项目(52022319003P)。

年　　份：2022

卷　　号：37

期　　号：1

起止页码：90-95

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：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。

关 键 词：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  

分 类 号：TM715]