论文部分内容阅读
随着智能电网建设步伐的推进,如何从智能电表所提供的海量用户数据中挖掘关键信息,掌握不同用户之间的用电规律差异,准确地预测用户用电负荷,并为用户制定科学合理、绿色节能的用电方案成为衡量各个售电公司是否具有核心竞争力的重要准则。开放售电环境下的负荷预测不同于传统针对整个供电区域的粗放型预测,它是一种以用户为单位的精细化预测。研究方案大体分为三个部分,各部分具体工作如下:一、整体用电行为优选。为达到减少聚类分析的时间复杂度和计算开销的同时不影响聚类精度,构建了整体用电行为评价体系,并采用该体系对用户的整体用电行为进行了筛选,筛选结果表明该体系具有科学性和实用性。二、聚类分析。为克服K-means算法需要事先确定K值,聚类结果受初始聚类中心影响大等缺点,将Canopy聚类算法与K-means算法融合。该混合聚类算法可避免K值的试探工作,减小选取初始聚类中心时的随机性,并显著提高误差平方和的收敛速度。三、负荷预测。针对I-ELM神经网络的无在线学习能力,以及OS-ELM的需要人为确定隐层节点数的缺陷,将I-ELM与OS-ELM两种极限学习机算法结合,提出了I-OS-ELM模型。该模型兼具I-ELM的可自主寻找最优隐层节点数以及OS-ELM的在线学习功能。文末使用I-OS-ELM模型对加拿大的用电数据进行训练学习,结果表明了该模型的有效性和可行性。本论文有图22幅,表9个,参考文献86篇。