【技术实现步骤摘要】
基于BR
‑
SOM聚类算法的配电网短期负荷预测模型建立方法
[0001]本专利技术涉及配电网短期负荷预测
,具体为一种基于BR
‑
SOM聚类算法的配电网短期负荷预测模型建立方法,提高配电网短期负荷预测能力。
技术介绍
[0002]随着经济水平的快速发展,各工业领域对用电量的需求也持续上升。为充分满足电力系统内各用户端对电力使用需求量的增长,需对电力负荷进行准确预测,从而提前做好电力供应准备。其中,短期负荷预测在当前电力网络调度过程中发挥了重要作用,实际预测误差将会直接影响全网系统的发电与供电预期安排。考虑到当前大部分电力用户都对供电能力提出了越来越高的标准,需达到稳定、经济、高质量的多方面要求,在电网实时运行过程中会产生大量数据,并且存在多维度信息交错的特征,为了对这些数据进行高效分析,需选择具备优异聚类性能的模型。以传统数据挖掘模型进行分析时无法达到可视化的效果,严重制约了挖掘深度信息的过程。
[0003]人工神经网络技术在不同预测尺度的负荷预测中均有良好的发展及应用。也有采取不同的优化技术对传统的BP神经网络进行改进,包括模拟退火算法、猫群优化算法、遗传算法以及蝙蝠优化算法等,并对改进后的网络预测精度提升情况进行了应用评估。此外,启发式及其改进算法在优化BP神经网络初始值及各项权值中也得到了广泛的应用。典型的BP神经网络虽然结构简单,非线性回归拟合能力良好,但其信息主要通过单一的前向传递与反向修正进行交互,容易忽略历史信息中的精细特征;并且BP网络适应性不强,容易 ...
【技术保护点】
【技术特征摘要】
1.一种基于BR
‑
SOM聚类算法的配电网短期负荷预测模型建立方法,其特征在于:包括如下步骤:步骤1、选择某地区的电网作为测试对象,从中选出负荷样本数据预处理:1)、由于短期负荷历史样本不可避免会发生丢失或者存在异常点,因此采用改丢失点或异常点的前一个点和后一个点平均值进行补遗操作,具体如下:z
i
=r1z
i
‑1+r2z
i+1
式中,z
i
‑1和z
i+1
分别为前一个点和后一个点的负荷值;r1和r2分别为权重系数;z
i
表示待补遗的单个负荷值;2)、短期负荷预测由于多种因素影响,具有时变性,为此在贝叶斯学习算法建模之前,对原始短期负荷数据进行归一化预处理,将数据限制在0
‑
1,具体如下式中,x'
i
为标准化后的短期负荷值;x
max
、x
min
分别为短期负荷的最大、最小值;步骤2、采用SOM算法对短期负荷数据进行聚类分析,构建短期符合样本集的类别信息;具体流程如下:1)、初始化网络,设置初始学习率、神经元邻域范围以及最大迭代次数T;之后设置判断学习结束的条件,考虑到收敛准则受到多种因素的共同影响,为其确定一个最大长度;2)、竞争学习,对t时刻的各节点之间的欧式距离进行计算;按照随机选择参数的方式构建训练样本集X
i
,以距离最近输出节点作为最佳节点w
j
,构建计算式,如式(1):其中,x
i
表示补遗后完整空间的某个元素,w
ij
表示神经元j权重向量的每个元素;神经元j是指每轮竞争获胜的输出节点;3)、优化修正值,综合运用X
i
和神经元j确定最佳超参数,再通过校正处理形成新目标函数;如下:根据神经元权值计算得到惩罚因子,再对其进行贝叶斯正则化转换处理来实现权值调节的过程,从而得到以下优化结果,如式(2);其中,M表示待修正的权值向量,η表示学习率,β(t)表示t时已输出节点的集合,m
k
表示对M进行调节的修正函数,再利用以下表达式进行求解,如式(3);m
k
(t)=δE
k
(t)+εE
【专利技术属性】
技术研发人员:李灯熬,赵菊敏,王鑫磊,
申请(专利权)人:山西省能源互联网研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。