基于k-means聚类与RBF网络的电力系统日负荷预测

针对大型工业企业电力负荷震荡剧烈,幅度大等问题,提出了借助卡尔曼滤波对“失真数据”进行实时估计,弱化陈旧数据权值的k-means聚类和径向基网络的组合预测模型,依据最小逼近误差,利用最小二乘法对RBF网络的输出权值进行优化。文中方法对电力系统不同的工况背景,使用k-means聚类算法来确定隐藏节点的数据中心和扩展常数,改善了常规RBF网络随机选择网络中心的情况,同时使电力负荷精度得以有效提高。最后,依据文中的组合模型和其它4种常用算法分别对宝钢电力系统负荷数据进行分析预测,仿真结果表明：本文方法对负荷预测效果较好。     

基于工艺的自适应数据质量多模型择优预测

针对钢铁企业实际生产过程中,采用单一预测模型进行预测难以把握大规模启停设备用电规律,预测精度较低等问题,根据生产-检修阶段的实际工艺情况,将生产,检修问题采用随机近似贪婪搜索RAGS对复杂特征进行特征选择,建立了一个自适应数据质量的多模型择优预测框架进行建模;将其应用于宝钢电网。仿真结果表明,提出多模型择优预测框架可以准确预测钢铁企业电力日负荷,为实现电力系统能源调度提供决策依据。     

基于k-means聚类与径向基神经(RBF)网络的电力系统日负荷预测

对大型工业企业电力负荷震荡剧烈、幅度大等问题,提出了借助卡尔曼滤波对"失真数据"进行实时估计,弱化陈旧数据权值的k-means聚类和径向基网络的组合预测模型。依据最小逼近误差,利用最小二乘法对RBF网络的输出权值进行优化。文中方法对电力系统不同的工况背景,使用k-means聚类算法来确定隐藏节点的数据中心和扩展常数,改善了常规RBF网络随机选择网络中心的情况,同时使电力负荷精度得以有效提高。最后,依据文中的组合模型和其他4种常用算法分别对宝钢电力系统负荷数据进行分析预测,仿真结果表明:方法对负荷预测效果较好。