摘要
变电站的负荷受到多种因素的影响,如季节变化、节假日、工业生产班次等,呈现出复杂的时变特性和非线性关系,导致运行负荷预测误差较大。因此,提出基于深度学习的高压变电站运行负荷聚类预测方法。运用模糊C均值聚类算法,对变电站历史负荷数据进行聚类,体现不同场景下负荷波动特点。选择与预测时间段变电站运行特点相同的聚类,通过经验模态分解处理聚类中包含的负荷数据,得到多个内涵模态分量(IMF)。应用长短时记忆网络,构建基于深度学习的负荷预测模型,将IMF分量输入其中学习线性、非线性变化特征,最终输出变电站运行负荷预测值。实验结果表明,该方法给出的负荷预测结果均方根误差小于10MW,实现了对电力负荷的准确预测。
出处
《电气技术与经济》
2025年第11期407-409,412,共4页
Electrical Equipment and Economy
