基于聚类及神经网络的广义负荷建模方法

    公开(公告)号:CN110991638B

    公开(公告)日:2024-01-05

    申请号:CN201911201936.X

    申请日:2019-11-29

    摘要: 本发明公开了一种基于聚类及神经网络的广义负荷建模方法,涉及广义负荷建模领域,所述方法包括以下步骤:步骤1、基于主成分分析对多维的负荷数据进行降维,获得降维数据;步骤2、采用K‑means算法对所述降维数据进行大时间尺度和小时间尺度的聚类分析,获得聚类数据;步骤3、对所述聚类数据进行RBF神经网络建模,构建广义负荷模型。本发明根据广义负荷的多影响因素,以重要性为优先级处理大量多维数据,实现了数据的精准采集与有效利用;包含传统负荷、可再生能源、电动汽车的配网中,实现广义负荷时变性、温度相关性的分析;本发明提供的模型的使用较为便捷,应用范围较广。(56)对比文件Yun Lu.An Improved RBF Neural Networkfor Short-TermLoad Forecast in SmartGrids.IEEE.2016,第1-6页.刘颖.基于PCA聚类分析的神经网络模型设计与应用.电子制作.2015,第58-59页.

    基于聚类及神经网络的广义负荷建模方法

    公开(公告)号:CN110991638A

    公开(公告)日:2020-04-10

    申请号:CN201911201936.X

    申请日:2019-11-29

    IPC分类号: G06N3/08 G06K9/62

    摘要: 本发明公开了一种基于聚类及神经网络的广义负荷建模方法,涉及广义负荷建模领域,所述方法包括以下步骤:步骤1、基于主成分分析对多维的负荷数据进行降维,获得降维数据;步骤2、采用K-means算法对所述降维数据进行大时间尺度和小时间尺度的聚类分析,获得聚类数据;步骤3、对所述聚类数据进行RBF神经网络建模,构建广义负荷模型。本发明根据广义负荷的多影响因素,以重要性为优先级处理大量多维数据,实现了数据的精准采集与有效利用;包含传统负荷、可再生能源、电动汽车的配网中,实现广义负荷时变性、温度相关性的分析;本发明提供的模型的使用较为便捷,应用范围较广。