典型文献
基于改进K-means算法的电力短期负荷预测方法研究
文献摘要：
现有方法预测电力短期负荷时忽略了对其进行聚类优化处理,导致预测耗时较长,短期负荷预测精度偏低.为此,提出一种基于改进K-means算法的电力短期负荷预测方法.该方法利用改进后的K-means算法聚类处理电力负荷大数据,使用聚类后获得的训练样本构建循环神经网络RNN拓扑结构,然后通过对RNN神经网络模型设置最优权值,实现电力负荷的短期预测.实验结果表明,所提方法具有高预测效率和高短期负荷预测精准度.
文献关键词：
K-means算法;数据聚类;RNN神经网络模型;电力负荷大数据;预测方法
中图分类号：
作者姓名：
荀超;陈伯建;吴翔宇;项康利;林可尧;肖芬;易杨
作者机构：
国网福建省电力有限公司,福建 福州,350000;国网福建省电力有限公司电力科学研究院,福建 福州,350000;国网福建省电力有限公司经济技术研究院,福建 福州,350000;福州大学电气工程与自动化学院,福建 福州 350108
文献出处：
引用格式：
[1]荀超;陈伯建;吴翔宇;项康利;林可尧;肖芬;易杨-.基于改进K-means算法的电力短期负荷预测方法研究)[J].电力科学与技术学报,2022(01):90-95
A类：
电力负荷大数据
B类：
means,短期负荷预测,负荷预测方法,聚类优化,优化处理,法利,训练样本,循环神经网络,RNN,拓扑结构,权值,短期预测,数据聚类
AB值：
0.200632
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。
