基于用電模式數(shù)的大用戶負(fù)荷短期預(yù)測(cè)技術(shù)研究

欒開(kāi)寧， 鮑 敏， 易永仙，趙雙雙

(1. 國(guó)網(wǎng)江蘇省電力有限公司， 江蘇 南京 210024；2. 國(guó)網(wǎng)江蘇省電力有限公司電力科學(xué)研究院，江蘇 南京 211103)

0 引言

近年來(lái)，我國(guó)電力高峰負(fù)荷的持續(xù)增長(zhǎng)以及間歇性能源的迅猛發(fā)展增加了電網(wǎng)調(diào)度運(yùn)行的難度，對(duì)電網(wǎng)運(yùn)行調(diào)節(jié)提出新的重大挑戰(zhàn)[1-3]。需求側(cè)管理成為削峰填谷、平衡電網(wǎng)缺口的重要措施。而提高負(fù)荷容量預(yù)測(cè)的準(zhǔn)確性對(duì)于激勵(lì)用戶參與需求側(cè)管理及提高需求側(cè)管理質(zhì)量是非常必要的[4]。

負(fù)荷預(yù)測(cè)主要分為居民用電，商業(yè)用電以及工業(yè)用電三大類(lèi)[5]。其中工業(yè)用戶整體的電能消耗在電能總消耗中所占比例較大，存在巨大的節(jié)能潛力，是需求響應(yīng)實(shí)施的良好對(duì)象。工業(yè)用戶負(fù)荷曲線特性含有非常豐富的用電信息。同一行業(yè)的不同企業(yè)也會(huì)由于生產(chǎn)計(jì)劃、用電設(shè)備以及公司的管理水平等不同導(dǎo)致負(fù)荷特性的差異[6]。因此，只按照行業(yè)進(jìn)行分類(lèi)是粗糙且不嚴(yán)謹(jǐn)?shù)摹６唐谪?fù)荷預(yù)測(cè)方法有回歸分析法、相似日法、小波分析法以及支持向量機(jī)(support vector machines， SVM)等方法[7-8]。但由于用電負(fù)荷的復(fù)雜多樣性，以上方法往往只對(duì)某一類(lèi)負(fù)荷具有良好的效果，并不具有較強(qiáng)的廣泛適用性[9-12]。

由于傳統(tǒng)負(fù)荷預(yù)測(cè)方法適用性差，故本文通過(guò)月均負(fù)荷率和負(fù)荷標(biāo)準(zhǔn)差與月均負(fù)荷率的比值劃分大用戶，明確其負(fù)荷特性分類(lèi)[13-15]。基于此，文中提出一種基于負(fù)荷決策預(yù)測(cè)樹(shù)的用電模式數(shù)預(yù)測(cè)方法，根據(jù)不同類(lèi)型的大用戶制定針對(duì)性的預(yù)測(cè)方法，提高可調(diào)度容量的預(yù)測(cè)精確度，為電力營(yíng)銷(xiāo)需求響應(yīng)業(yè)務(wù)的快速發(fā)展提供技術(shù)支撐。

1 工業(yè)用戶負(fù)荷特性分析

選取華東某市50個(gè)大用戶，對(duì)其進(jìn)行分類(lèi)，再深入負(fù)荷曲線分析、波動(dòng)曲線分析以及連續(xù)負(fù)荷分析等得出其用電模式和規(guī)律，提高預(yù)測(cè)的準(zhǔn)確性。文中選取時(shí)間段為2013年6月1日～28日。

1.1 負(fù)荷率分析及用戶分類(lèi)

文中通過(guò)月均負(fù)荷率和負(fù)荷標(biāo)準(zhǔn)差與月均負(fù)荷率的比值劃分大用戶，以月均負(fù)荷率0.4，0.6，0.8為界對(duì)50個(gè)大用戶進(jìn)行劃分，可分為4類(lèi)用戶，再以“負(fù)荷率標(biāo)準(zhǔn)差/月負(fù)荷率=0.1”為界，可進(jìn)一步劃分為7類(lèi)大用戶，分類(lèi)結(jié)果見(jiàn)圖1。可以看到，A、C、D、F 4類(lèi)用戶數(shù)較多，B、E、G 3類(lèi)用戶數(shù)較少。為便于分析，從上述各類(lèi)用戶中抽取典型代表，作進(jìn)一步的分析，見(jiàn)表1。

圖1 50名用戶分類(lèi)Fig.1 50 users classification

表1 各類(lèi)別用戶特性分析Tab.1 Analysis of different kinds user characteristics

1.2 典型負(fù)荷曲線、波動(dòng)曲線分析

根據(jù)上述的大用戶分類(lèi)，作出7類(lèi)典型用戶的負(fù)荷曲線(圖2)以及波動(dòng)曲線(圖3)。圖2反映了大用戶一天內(nèi)的負(fù)荷變化，由圖可見(jiàn)A、B類(lèi)大用戶負(fù)荷的波動(dòng)極小；C類(lèi)大用戶波動(dòng)較大，但波動(dòng)特性接近系統(tǒng)負(fù)荷，有早高峰和晚高峰現(xiàn)象；D、E、F、G 4類(lèi)大用戶負(fù)荷的波動(dòng)較大，且波動(dòng)特性各不相同。圖3反映了用戶負(fù)荷曲線在各個(gè)時(shí)段的波動(dòng)性大小，值越大，對(duì)應(yīng)大用戶負(fù)荷在該時(shí)段上不同日之間的負(fù)荷差異越大。A、C、E類(lèi)用戶的值較小且穩(wěn)定，說(shuō)明這3類(lèi)大用戶有較強(qiáng)的用電規(guī)律，利于預(yù)測(cè)。B類(lèi)呈現(xiàn)階梯波動(dòng)，除了突變點(diǎn)，其他時(shí)段都很穩(wěn)定，也較利于預(yù)測(cè)。D、F、G類(lèi)大用戶的波動(dòng)值較高，說(shuō)明用電模式較多，規(guī)律性差，難以準(zhǔn)確預(yù)測(cè)。

圖2 典型用戶負(fù)荷曲線Fig.2 Typical user load curve

圖3 典型用戶波動(dòng)曲線Fig.3 Typical user fluctuation curve

1.3 連續(xù)負(fù)荷曲線分析

分別對(duì)7種類(lèi)別中的典型大用戶進(jìn)行28 d連續(xù)負(fù)荷曲線分析。分別以各類(lèi)典型代表企業(yè)為例，由圖4整體分析可知，A、B、C、E類(lèi)呈現(xiàn)重復(fù)用電模式，說(shuō)明用電模式比較固定，可預(yù)測(cè)性高。D、F、G類(lèi)負(fù)荷波動(dòng)都十分劇烈，不存在顯著的重復(fù)性模式，預(yù)測(cè)難度比較大。從圖4的細(xì)節(jié)分析可知：

(1) A類(lèi)重疊負(fù)荷曲線呈現(xiàn)重復(fù)式的用電模式，用電模式為4種(忽略只出現(xiàn)一次的異常模式)，在時(shí)段20(早上10點(diǎn))前有較小的波動(dòng)差異。因此，對(duì)此用戶采用基于用電模式的預(yù)測(cè)方法。

(2) B類(lèi)典型大用戶整體呈現(xiàn)整天負(fù)荷率比較高的單一用電模式(忽略只出現(xiàn)一次的異常模式)，即使是低谷負(fù)荷標(biāo)幺值也在0.9之上。結(jié)合B類(lèi)連續(xù)負(fù)荷曲線不難發(fā)現(xiàn)，B類(lèi)典型用戶負(fù)荷水平在6.2～6.8 kW之間波動(dòng)，波動(dòng)差小于10%。這種模式對(duì)負(fù)荷預(yù)測(cè)工作是十分有利的。

圖4 7種類(lèi)型的負(fù)荷曲線(左邊：重疊繪制；右邊：連續(xù)繪制)Fig.4 7 types of load curves(left： overlap drawing； right： continuous drawing)

(3) C類(lèi)用電模式整體上為單一的雙峰雙谷用電模式(早高峰+下午高峰，中午低谷+晚低谷)。結(jié)合C類(lèi)連續(xù)負(fù)荷曲線，發(fā)現(xiàn)其負(fù)荷波動(dòng)區(qū)間為7.8～12.0 kW左右，負(fù)荷水平變化較大，但從單日來(lái)看規(guī)律性較強(qiáng)，總體而言具有一定的用電規(guī)律。

(4) D、F、G類(lèi)負(fù)荷波動(dòng)都十分劇烈，用電模式(大于7種)不存在顯著的重復(fù)性模式，變化錯(cuò)綜復(fù)雜，預(yù)測(cè)難度比較大，此類(lèi)用戶與最近日的負(fù)荷有著較強(qiáng)的相關(guān)性，因此可以采用最近日負(fù)荷預(yù)測(cè)法[9]。用戶負(fù)荷特性差異如此之大，一是因?yàn)橛脩羲鶎傩袠I(yè)千差萬(wàn)別，二是即使屬于同一行業(yè)，不同用戶所屬行業(yè)上下游差異、生產(chǎn)計(jì)劃的差異都會(huì)導(dǎo)致負(fù)荷特性不盡相同[10]。

2 需求側(cè)資源可調(diào)度容量預(yù)測(cè)方法

通過(guò)大用戶負(fù)荷的特性分析，為了進(jìn)一步提高大用戶短期負(fù)荷預(yù)測(cè)的準(zhǔn)確度，文中提出基于決策樹(shù)的個(gè)性化用戶負(fù)荷預(yù)測(cè)思路。通過(guò)上述分析提取典型用電模式，根據(jù)模式數(shù)多少選擇預(yù)測(cè)方法。如對(duì)于用電模式單一的情況，可以采用聚類(lèi)還原法；對(duì)于用電模式適中(2～6種)的情況，采用基于用電模式挖掘的用戶側(cè)短期負(fù)荷預(yù)測(cè)法；對(duì)于模式較多(大于7種)的情況，采用最近日負(fù)荷預(yù)測(cè)法。對(duì)于用電模式變化較大的D、F、G類(lèi)鋼鐵等行業(yè)大用戶負(fù)荷，由于其負(fù)荷呈現(xiàn)鋸齒形波動(dòng)特征，采用小波包分解法[12]，先通過(guò)頻域處理將鋸齒形波動(dòng)分量剔除，再基于剩余的穩(wěn)定分量進(jìn)行預(yù)測(cè)。

方案一：聚類(lèi)預(yù)測(cè)還原法。適用于用電模式單一的大用戶，將這一類(lèi)型的所有用戶聚類(lèi)加總形成聚類(lèi)負(fù)荷，其中每個(gè)用戶占整個(gè)聚類(lèi)負(fù)荷的配比因子也較為穩(wěn)定。通過(guò)預(yù)測(cè)出整個(gè)聚類(lèi)負(fù)荷再乘以配比因子即可快速預(yù)測(cè)得到每個(gè)用戶負(fù)荷。算法步驟如下：

將所有用電模式數(shù)為1的大用戶加總形成聚類(lèi)負(fù)荷；基于聚類(lèi)負(fù)荷，采用對(duì)照方案二的方法進(jìn)行預(yù)測(cè)；維護(hù)“聚類(lèi)負(fù)荷——用戶負(fù)荷”配比模型，根據(jù)聚類(lèi)負(fù)荷預(yù)測(cè)結(jié)果，得到每個(gè)用戶負(fù)荷的預(yù)測(cè)值[15]。配比因子可通過(guò)平滑近日配比因子得到。對(duì)于系統(tǒng)短期負(fù)荷而言，其負(fù)荷預(yù)測(cè)評(píng)價(jià)指標(biāo)一般采用絕對(duì)百分比誤差(mean absolute percent error，MAPE)值，以日負(fù)荷曲線yt為例，其MAPE指標(biāo)值計(jì)算公式如下：

(1)

MAPE指標(biāo)具有相對(duì)誤差的性質(zhì)，有效避免了負(fù)荷水平對(duì)預(yù)測(cè)結(jié)果評(píng)價(jià)的影響。但當(dāng)負(fù)荷水平較低甚至為0時(shí)，預(yù)測(cè)精度指標(biāo)發(fā)散，此時(shí)MAPE指標(biāo)數(shù)值巨大，不具有可比性，難以據(jù)其判斷預(yù)測(cè)結(jié)果的好壞。因此，MAPE指標(biāo)難以應(yīng)用在負(fù)荷水平較低的用戶負(fù)荷上。

大用戶都擁有自己的報(bào)裝容量，報(bào)裝容量一般是固定的，但也會(huì)隨著用戶安裝新的電氣設(shè)備而增加。可以采用報(bào)裝容量值Y代替dMAPE中分母yt，從而避免精度指標(biāo)發(fā)散的情況。這樣設(shè)計(jì)的精度指標(biāo)稱(chēng)為客戶的絕對(duì)百分比誤差(customer mean absolute percent error,CMAPE)，表達(dá)式如下：

(2)

式中：CMAPE值為預(yù)測(cè)誤差占用戶報(bào)裝容量的平均比例， CMAPE值越大，平均預(yù)測(cè)誤差越大。用1減去CMAPE值，即為用戶負(fù)荷預(yù)測(cè)的百分比精度。

方案二：基于用電模式挖掘的大用戶短期負(fù)荷預(yù)測(cè)法。適用于模式適中的大用戶，通過(guò)統(tǒng)計(jì)其歷史用電模式出現(xiàn)順序，采用統(tǒng)計(jì)決策方法得到其模式的狀態(tài)轉(zhuǎn)移矩陣，依據(jù)此矩陣決策出待預(yù)測(cè)日用戶的用電模式，再對(duì)歷史日中同一模式的負(fù)荷曲線進(jìn)行指數(shù)平滑，得到待預(yù)測(cè)日負(fù)荷。算法步驟如下：

采用聚類(lèi)分析法(無(wú)監(jiān)督聚類(lèi))對(duì)歷史負(fù)荷進(jìn)行聚類(lèi)，生成典型用電模式集合A={1， 2，…，i，…，N}，并得到每一個(gè)歷史日的生產(chǎn)模式。

根據(jù)用戶歷史日生產(chǎn)模式的辨識(shí)結(jié)果，生成狀態(tài)轉(zhuǎn)移矩陣M，該矩陣記錄了基準(zhǔn)日用電模式固定為i的條件下，待預(yù)測(cè)日用電模式服從各典型生產(chǎn)模式j(luò)(j=1，2，…，N)的概率Mij。依據(jù)基準(zhǔn)日u0生產(chǎn)模式i和這一矩陣，決策出轉(zhuǎn)移概率最大的生產(chǎn)模式Mik=max(Mi1，Mi2，…，MiN)，即待預(yù)測(cè)日r0最有可能出現(xiàn)的生產(chǎn)模式。

從歷史日中篩選出用電模式為k的歷史日r1，r2，…，rn，其下標(biāo)越小，表示離待預(yù)測(cè)日r0越近，r1最近，rn最遠(yuǎn)。按照歷史日負(fù)荷與待預(yù)測(cè)日r0的遠(yuǎn)近取指數(shù)平滑權(quán)重，離待預(yù)測(cè)日越近，權(quán)重越大。權(quán)重wl如下：

wl=α(1-α)l-1l=1，2，…，n

(3)

將歷史日rl負(fù)荷曲線按wl加權(quán)求和，得到待預(yù)測(cè)日負(fù)荷曲線Pr0，其中Prl為歷史rl負(fù)荷曲線。

(4)

方案三：最近日負(fù)荷預(yù)測(cè)法。適用于用電模式較多的用戶，最近日負(fù)荷對(duì)其未來(lái)負(fù)荷的影響較大，因此可直接采用最近日負(fù)荷作為預(yù)測(cè)結(jié)果[16]。

3 某省級(jí)電網(wǎng)算例分析

為了考察用電模式挖掘預(yù)測(cè)法的性能，將其與最近日預(yù)測(cè)法、最近三日預(yù)測(cè)法、向量機(jī)(support vector machine,SVM)預(yù)測(cè)法進(jìn)行對(duì)比分析[17]。對(duì)本文選取的50個(gè)大用戶的數(shù)據(jù)進(jìn)行分析，可以看到，對(duì)于大多數(shù)大用戶負(fù)荷，采用模式挖掘預(yù)測(cè)法的精度是最高的，尤其對(duì)于其中一部分用戶，例如用戶35～38，預(yù)測(cè)精度有顯著提升。

圖5 用戶短期負(fù)荷預(yù)測(cè)誤差Fig.5 Users short-term load forecasting error

對(duì)每個(gè)用戶，對(duì)4種方法的預(yù)測(cè)精度進(jìn)行排序，找到各自最優(yōu)的預(yù)測(cè)方法。統(tǒng)計(jì)每種預(yù)測(cè)方法為最優(yōu)預(yù)測(cè)的比例，如表2所示，不難發(fā)現(xiàn)，模式預(yù)測(cè)法的占比高達(dá)52.00%。同時(shí)統(tǒng)計(jì)4種方法的平均精度，由表2可見(jiàn)，模式數(shù)預(yù)測(cè)法的精度高達(dá)93.51%，比其他方法平均提高了0.49%。結(jié)果表明模式挖掘預(yù)測(cè)法的效果是最好的。

表2 4種預(yù)測(cè)模式對(duì)比Tab.2 Comparison of four forecasting models %

4 結(jié)語(yǔ)

文中通過(guò)對(duì)7種典型的大用戶負(fù)荷分析，可以得出以下結(jié)論：(1) 不同大用戶的負(fù)荷特性個(gè)性不一，差異十分之大，部分呈現(xiàn)規(guī)律的用電模式，部分用戶負(fù)荷呈現(xiàn)出與越近歷史負(fù)荷日的相關(guān)性越強(qiáng)，并無(wú)明顯的周期。(2) 針對(duì)不同的大用戶類(lèi)型，文中采用基于用電模式數(shù)的預(yù)測(cè)方法，對(duì)于用電模式單一的情況采用聚類(lèi)還原法；對(duì)于用電模式適中(2～6種)的情況，采用基于用電模式挖掘的用戶側(cè)短期負(fù)荷預(yù)測(cè)法；對(duì)于模式較多(大于7種)的情況，采用最近日負(fù)荷預(yù)測(cè)法。(3) 對(duì)比模式數(shù)預(yù)測(cè)方法與最近日預(yù)測(cè)法、最近三日預(yù)測(cè)法、SVM預(yù)測(cè)法可知，模式數(shù)預(yù)測(cè)法的精度高達(dá)93.51%，比其他方法平均提高0.49%。事實(shí)證明模式數(shù)預(yù)測(cè)法可有效提高負(fù)荷預(yù)測(cè)的準(zhǔn)確性。

參考文獻(xiàn)：

[1] 王 珂，姚建國(guó)，姚良忠，等. 電力柔性負(fù)荷調(diào)度研究綜述[J]. 電力系統(tǒng)自動(dòng)化，2014，38(20)：127-135.

WANG Ke，YAO Jianguo，YAO Liangzhong，et al. Survey of research on flexible loads scheduling technologies[J]. Automation of Electric Power Systems，2014，38(20)：127-135.

[2] 牛東曉，陳志強(qiáng). 電力市場(chǎng)下的需求響應(yīng)研究[J]. 華東電力，2008(9)：5-9.

NIU Dongxiao，CHEN Zhiqiang. Demand response in electricity markets[J]. East China Electric Power，2008(9)：5-9.

[3] 馬燕軍，陳嘉曦，華亮亮，等. 電力需求側(cè)的超短期負(fù)荷預(yù)測(cè)分析[J]. 機(jī)電信息，2015(21)：122-123，125.

MA Yanjun，CHEN Jiaxi，HUA Liangliang，et al. Study on short-term forecasting of power demand-side[J].Mechanical and Electrical Information，2015(21)：122-123，125.

[4] 馬 朝，王 瑩，史 雷. 基于組合模型的制造業(yè)用電量預(yù)測(cè)[J]. 管理觀察，2017(9)：34-36.

MA Chao，WANG Ying，SHI lei. Prediction of electricity consumption in manufacturing industry based on combination model[J]. Management Observer，2017(9)：34-36.

[5] 包哲靜. 支持向量機(jī)在智能建模和模型預(yù)測(cè)控制中的應(yīng)用[D]. 杭州：浙江大學(xué)，2007.

BAO Zhejing. Applications of support vector machine in intelligent modeling and model predictive control[D]. Hangzhou：Zhejiang University，2007.

[6] 張素香，趙丙鎮(zhèn)，王風(fēng)雨，等. 海量數(shù)據(jù)下的電力負(fù)荷短期預(yù)測(cè)[J]. 中國(guó)電機(jī)工程學(xué)報(bào)，2015，35(1)：37-42.

ZHANG Suxiang，ZHAO Bingzhen，WANG Fengyu，et al.Short-term power load forecasting based on big data[J]. Proceedings of the CSEE，2015，35(1)：37-42.

[7] 張 欽，王錫凡，王建學(xué)，等. 電力市場(chǎng)下需求響應(yīng)研究綜述[J]. 電力系統(tǒng)自動(dòng)化，2008，32(3)：97-106.

ZHANG Qin，WANG Xifan，WANG Jianxue，et al. Survey of demand response research in deregulated electricity markets[J]. Automation of Electric Power Systems，2008，32(3)：97-106.

[8] 陳明照，毛 堅(jiān)，杜宗林，等. 基于聚類(lèi)法的工業(yè)用戶需求側(cè)管理(DSM)方案分析與研究[J]. 電力系統(tǒng)保護(hù)與控制，2017，45(7)：84-89.

CHEN Mingzhao，MAO Jian，DU Zonglin，et al. Analysis on demand side management scheme of industrial enterprise based on clustering method[J]. Power System Protection and Control，2017，45(7)：84-89.

[9] 孫海斌，李 揚(yáng)，盧 毅，等. 電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法綜述[J]. 江蘇電機(jī)工程，2000(2)：9-13，17.

Sun Haibin，Li Yang，Lu Yi，et al. Synthesis of the short-term load forecast method of power system[J]. Jiangsu Electrical Engineering，2000(2)：9-13，17.

[10] 王德文，孫志偉. 電力用戶側(cè)大數(shù)據(jù)分析與并行負(fù)荷預(yù)測(cè)[J]. 中國(guó)電機(jī)工程學(xué)報(bào)，2015，35(3)：527-537.

WANG Dewen，SUN Zhiwei. Big data analysis and parallel load forecasting of electric power user side[J]. Proceedings of the CSEE，2015，35(3)：527-537.

[11] 曾 鳴，李 娜，王 濤，等. 兼容需求側(cè)資源的負(fù)荷預(yù)測(cè)新方法[J]. 電力自動(dòng)化設(shè)備，2013，33(10)：59-62，73.

ZENG Ming，LI Na，WANG Tao，et al. Load forecasting compatible with demand-side resources[J]. Electric Power Automation Equipment，2013，33(10)：59-62，73.

[12] 程建東，杜積貴. 組合預(yù)測(cè)方法在電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J]. 江蘇電機(jī)工程， 2011， 30(6)： 38-40，44.

Cheng Jiandong，Du Jigui. Application of combined method in power load forecasting[J]. Jiangsu Electrical Engineering， 2011， 30 (6)： 38-40，44.

[13] 沈 沉，秦 建，盛萬(wàn)興，等. 基于小波聚類(lèi)的配變短期負(fù)荷預(yù)測(cè)方法研究[J]. 電網(wǎng)技術(shù)，2016，40(2)：521-526.

SHEN Chen，QIN Jian，SHENG Wanxing，et al. Study on short-term forecasting of distribution transformer load using wavelet and clustering method[J]. Power System Technology，2016，40(2)：521-526.

[14] 林啟開(kāi)，王 珂，余 坤，等. 峰谷電價(jià)下居民用電聚合響應(yīng)特性分析[J]. 電力工程技術(shù)，2017，36(3)：88-93.

Lin Qikai，Wang Ke，Yu Kun，et al. Analysis on the polymeric response characteristics of residents under the peak and valley electricity price[J]. Electric Power Engineering Technology，2017，36(3)：88-93.

[15] 宗 柳，李 揚(yáng)，王蓓蓓. 計(jì)及需求響應(yīng)的多維度用電特征精細(xì)挖掘[J]. 電力系統(tǒng)自動(dòng)化，2012，36(20)：54-58.

ZONG Liu，LI Yang，WANG Beibei. Fine-mining of multi-dimension electrical characteristics consi-dering demand response[J]. Automation of electric power system，2012，36(20)：54-58.

[16] 陶小馬，周 雯. 電力需求響應(yīng)的研究進(jìn)展及文獻(xiàn)述評(píng)[J]. 北京理工大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)，2014，16(1)：32-40.

TAO Xiaoma，ZHOU Wen. A review of the research on electricity demand response[J]. Journal of Beijing Institute of Technology(Social Sciences Edition)，2014，16(1)：32-40.

[17] 馬小慧，陽(yáng)育德，龔利武. 基于Kohonen聚類(lèi)和SVM組合算法的電網(wǎng)日最大負(fù)荷預(yù)測(cè)[J]. 電網(wǎng)與清潔能源，2014，30(2)：7-11.

MA Xiaohui，YANG Yude，GONG Liwu. Forecasting of the daily maximum load based on a combined model of Kohonen clustering and SVM[J]. Power System and Clean Energy，2014，30(2)：7-11.