Print

大数据环境下的电力负荷预测研究

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

  • 0 引 言
  • 1 Kernel K-means
  • 2 长短期记忆网络
  • 3 算例仿真
  •   3.1 基于Kernel-K-means和LSTM的负荷预测
  •   3.2 算例仿真
  •   3.3 结果分析
  • 4 结 论

    • 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

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/6faf32d511a4c08d7c8e4356.html