典型文献
基于改进聚类算法的人工神经网络短期负荷预测研究
文献摘要：
基于人工神经网络的短期负荷预测相比传统预测方法预测精度更高,但依赖于训练样本的质量,为了解决这一问题,本文提出一种样本的优化处理方法.文中首先采用小波阈值去噪滤除噪声数据,然后利用改进的聚类算法识别并剔除异常负荷曲线,减小噪声数据及异常曲线的干扰,并同时实现可用样本的筛选与分类.将处理后的样本每类均取一定数量用于神经网络训练建模,减小训练样本规模的同时不遗漏样本数较小的类别,达到更小的训练样本规模包含更多有用特征的目的,提高了神经网络运算速度,同时提升了预测模型泛化性能和预测精度.文中阐释了BP神经网络负荷预测原理,介绍了曲线的小波阈值去噪和改进的k?means聚类原理及应用方法,建立了短期负荷预测模型并进行负荷预测仿真,与直接采用未优化处理样本训练得到的预测模型行了对比分析,结果证实了采用本文所提方法建立的神经网络负荷预测模型稳定性更好,且有更小的预测误差.
文献关键词：
短期负荷预测;k-means聚类;小波阈值去噪;人工神经网络
中图分类号：
作者姓名：
甘景福;晏坤;马明晗;贺鹏康;田新成
作者机构：
国网冀北电力有限公司唐山供电公司,河北 唐山063000;华北电力大学电力工程系,河北 保定071000
文献出处：
引用格式：
[1]甘景福;晏坤;马明晗;贺鹏康;田新成-.基于改进聚类算法的人工神经网络短期负荷预测研究)[J].电工电能新技术,2022(09):40-46
A类：
神经网络运算
B类：
改进聚类算法,人工神经网络,短期负荷预测,预测研究,传统预测,优化处理,小波阈值去噪,滤除噪声,噪声数据,算法识别,负荷曲线,并同,每类,神经网络训练,小训练样本,不遗漏,模型泛化性,泛化性能,网络负荷,means,原理及应用,应用方法,负荷预测模型,样本训练,练得,模型稳定性,预测误差
AB值：
0.27403
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
