基于系统聚类和神经网络的母线负荷预测

摘要：

针对应用传统BP(backforword progration)神经网络进行母线负荷预测时,用梯度下降法修正网络权值收敛速度慢的不足,本文提出一种采用改进算法来形成权值修正量的神经网络模型,该算法是高斯-牛顿法的改进形式,它既有高斯-牛顿法的收敛速度快的特点,又有梯度下降法保证收敛的特性,该法能够减少收敛的迭代次数.此外,引入数据挖掘技术中的系统聚类理论,将历史日的母线负荷数据按标准化欧氏距离进行聚类分析,建立与基准日具有相似负荷变化趋势的历史负荷序列样本集,从而约简网络输入样本集,提高计算效率.最后进行算例仿真,验证本文方法的可行性.

关键词： 母线负荷预测 系统聚类 Levenberg-Marquardt算法 神经网络 高斯-牛顿法

作者: 梁捷 黎静华 韦化

作者单位: 广西大学电气工程学院,广西壮族自治区南宁市 530004

会议类型: 国内会议

会议名称: 中国高等学校电力系统及其自动化专业第二十六届学术年会暨中国电机工程学会电力系统专业委员会2010年年会

会议地点: 上海

会议语种:中文

页码: 1-4

在线出版日期: 2010-10-01（万方平台首次上网日期，不代表论文的发表时间）