论文摘要
随着智能电网的快速发展,电力系统采集了海量的数据信息,如何利用海量电力数据预测电力负荷值,为企业合理地制定供需计划提供可靠保障,是一个值得研究的问题。为了使负荷预测模型适应各类用户的负荷预测,采用Kernel-K-means算法对电力用户进行聚类分析。将待预测的用户进行类别划分,然后采用LSTM方法建立负荷预测模型,预测未来某时刻用户的负荷值。通过实验仿真对比分析,验证了Kernel-K-means算法比传统的K-means算法具有较少的耗时和较高的聚类性能;LSTM算法比BP算法具有更高的负荷预测精度;实验说明所提方法适用于大数据环境下的电力负荷预测。
论文目录
文章来源
类型: 期刊论文
作者: 宋占党,李湘华,王海宾,白霄磊,陈德高
关键词: 大数据,负荷,预测,长短期记忆网络
来源: 电子测量技术 2019年12期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 电力工业,计算机软件及计算机应用
单位: 国网乌鲁木齐供电公司
分类号: TM715;TP311.13
DOI: 10.19651/j.cnki.emt.1802555
页码: 51-54
总页数: 4
文件大小: 218K
下载量: 243