基于改進模糊聚類法和CPSO-LSSVM的母線負荷預測

楊 波

（四川明星電力股份有限公司，四川 遂寧 629000）

基于改進模糊聚類法和CPSO-LSSVM的母線負荷預測

楊 波

（四川明星電力股份有限公司，四川 遂寧 629000）

針對大型冶金企業專用母線負荷種類多、分布不均、規律性弱等特點，利用自組織特征映射神經網絡（self-organizing feature map,SOM）對模糊聚類法進行改進，以選擇待預測日的相似日，通過db4小波對相似日負荷數據進行分解、去噪和重構處理后作為后期預測模型的訓練樣本；采用混沌粒子群算法(chaos particle swarm optimization,CPSO)對最小二乘支持向量機(least square support vector machine,LSSVM)算法的懲罰參數和核函數覆蓋寬度進行優化，構造了基于CPSO和LSSVM的母線負荷預測模型。仿真結果表明：該負荷預測模型，將預測結果的相對誤差降低到1.998%，預測精度達到了97%，提高了專用母線負荷預測準確性。

SOM；模糊聚類法；db4小波；CPSO-LSSVM；母線負荷預測

對工廠專用母線負荷預測的準確性對于提高工廠的安全穩定性、生產效率、生產材料利用率及節約成本等方面都有重要意義。工廠專用母線負荷類似電網的母線負荷，但其負荷值遠小于系統負荷，因此預測基數比較小，規律性弱，且專用母線負荷很容易受到供電區域內的小電源、用戶、變電站內變壓器運行方式、環境因素等影響而出現數據突變，所以相對系統負荷預測而言，母線負荷預測更為困難，且預測精度也較低。

1 研究現狀及需要解決的問題

目前母線負荷預測主要是利用母線負荷的歷史數據、負荷特性以及相應的影響因素直接進行母線負荷預測。文獻［1］提出基于事例推理模糊神經網絡對母線負荷進行預測，該神經網絡使用混合學習算法，使其具備良好的泛化能力。……