適用于海量負荷數據分類的高性能反向傳播神經網絡算法

劉 洋, 劉 洋, 許立雄

(四川大學電氣信息學院, 四川省成都市 610065)

0 引言

負荷分類對電網經濟分析和安全可靠運行具有重要意義,并且可對訂制電價[1]、負荷預測[2]、系統規劃、負荷管理與負荷建模[3]等提供基礎和參考。長期以來,負荷分類是智能電網數據挖掘的一個重要方面,如何對電力負荷數據高效準確地分類受到諸多學者的廣泛關注和研究[3-6]。

近年來,利用人工智能神經網絡算法進行負荷分類和預測,取得了良好實際效果,其根據訓練樣本不斷迭代更新網絡參數,具有良好的學習和容錯能力,且不受負荷成分和特性限制,具有描述復雜動態行為方面的優勢。其中,反向傳播神經網絡(back propagation neural network,BPNN)算法作為神經網絡訓練采用最多、也是最成熟的分類算法之一,具有極強的函數逼近與模式分類能力,在負荷模型辨識中應用廣泛。文獻[5]提出了一種基于模糊聚類與改進的反向傳播(BP)算法的負荷特性曲線分類方法,在C-均值聚類得到典型負荷曲線后,結合多種環境因素作為學習樣本建立BP模型,取得良好的分類效果。文獻[6]利用模糊理論對典型BPNN算法進行參數修正,提出自適應神經網絡有效提高負荷建模的速度和精度。文獻[7]建立基于知識挖掘分類技術的自適應結構日負荷曲線BPNN算法預測模型,通過計算負荷曲線相似度對歷史數據進行排序與初步分類,再利用BPNN算法對誤差糾偏得到的負荷分類模型進行更加精確的負荷預測。

然而,隨著智能電表的普及與傳感器技術、通信技術的發展,負荷數據采集間隔縮短,數據量成倍增加,用戶負荷數據呈現出體量大、類型多、速度快、隨機性強等特點[7-9]。……