大数据环境下的电力负荷预测研究

• 作者: 宋占党 李湘华 王海宾 白霄磊 陈德高
• 来源期刊: 电子测量技术
• 学科: 工学
• 关键词: 大数据 负荷 预测 长短期记忆网络
• 年，卷（期）: 2019,（12）
• 所属期刊栏目: 理论与算法
• 页码范围: 51-54
• 页数: 4页
• 分类号: TM714|TN0
• 语种: 中文
• DOI: 10.19651/j.cnki.emt.1802555

摘要

随着智能电网的快速发展,电力系统采集了海量的数据信息,如何利用海量电力数据预测电力负荷值,为企业合理地制定供需计划提供可靠保障,是一个值得研究的问题.为了使负荷预测模型适应各类用户的负荷预测,采用Kernel-K-means算法对电力用户进行聚类分析.将待预测的用户进行类别划分,然后采用LSTM方法建立负荷预测模型,预测未来某时刻用户的负荷值.通过实验仿真对比分析,验证了Kernel-K-means算法比传统的K-means算法具有较少的耗时和较高的聚类性能;LSTM算法比BP算法具有更高的负荷预测精度;实验说明所提方法适用于大数据环境下的电力负荷预测.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	宋占党		5	0	0.0	0.0
2	李湘华		1	0	0.0	0.0
3	王海宾		3	0	0.0	0.0
4	白霄磊		7	2	1.0	1.0
5	陈德高		4	2	1.0	1.0