改進SOM算法的電網負荷預測與實測驗證分析

摘要：為了提高電網負荷預測能力，設計了一種改進SOM聚類算法的電網負荷預測方法。在UCI數據集中測試該方法的有效性，并測定了電網運行階段的負荷特性。研究結果表明，經過改進的SOM聚類算法的Max-AE減小，使算法擬合能力顯著提升，預測誤差明顯減小。利用cholesky分解獲得的SOM聚類算法相對于普通SOM聚類算法表現出更強跟蹤能力。核極限學習機能夠在最短時間內達到最佳擬合效果，具有優異泛化能力。用戶負荷測試聚類激活神經元具有明顯差異，SOM聚類算法準確率均在97%以上，通過驗證本算法具有很好的精度。

關鍵詞：電網；負荷；SOM聚類；預測；泛化能力

中圖分類號：TP391文獻標志碼：A文章編號：1001-5922（2025）02-0189-04

Improved SOM algorithm for grid load forecasting and measured verification analysis

GAO Jiahao，DU Yue，ZHAO Shuzhi

（1.Tangshan Power Supply Company，State Grid Jibei Electric Power Co.，Ltd.，Tangshan 063000，Hebei China）

Abstract：In order to improve the load forecasting ability of power grid，a power grid load forecasting method with improved SOM clustering algorithm was designed.The effectiveness of the method was tested in the UCI dataset and the load characteristics of the grid operation phase were determined.The results showed that the Max-AE of the im-proved SOM clustering algorithm was reduced，which significantly improved the fitting ability of the algorithm and reduced the prediction error.The SOM clustering algorithm obtained by cholesky decomposition showed stronger tracking ability than the ordinary SOM clustering algorithm.The nuclear extreme learning machine could achieve the best fitting effect in the shortest time and had excellent generalization ability.There were obvious differences in the clustering of activated neurons in user load tests，and the accuracy of SOM clustering algorithms was more than 97%，which was verified by the proposed algorithm to have good accuracy.

Key words：power grid；load；SOM clustering；predict；generalization ability

如何實現電網系統數據的高效處理并從中提取有用信息成為現階段的一項重要研究內容[1-3]。聚類算法屬于一種具有重要應用價值的數據挖掘方法，對于樣本參數分析與特征提取方面表現了極大優勢，能夠從用電曲線中快速提取潛在信息[4-7]。通常將電力系統內電能需求表示為電力負荷，而進行負荷的準確預測已成為現階段許多研究人員開展電力網絡調度分析的一項重點課題[8-9]。為了對電網運行期間電力負荷變化特征進行綜合探討，需為負荷特性指標建立完整的評價體系，當前已有大量學者針對該領域進行了深入研究，為電網系統規劃提供了較大參考價值[10-11]。引入特征優化的條件進行數據提取時能夠避免主觀盲目性對結果產生影響，有效克服維數陷阱的干擾，獲得更準確的聚類分析與模型預測結果[12]。研究了不同氣象條件下的相似日與輸入特征產生，從而獲得更準確的負荷預測性能，開發了一種以時間卷積網絡與長短期記憶網絡相結合的電網負荷預測技術[13]。設計了一種具備強適應能力的日均負荷日期以及非線性擬合特性的門控循環系統（GRU）以及強搜索特性的麻雀搜索（IS-SA）技術共同實現的ISSA-GRU混合模型，之后利用該模型完成短期電力負荷的預測分析[14]。利用特征選擇方法與組合模型預測短期電力負荷，該方法實現了預測精度的顯著提升并具備良好的魯棒效果[15]。

研究利用優化Relief特征選擇方法確定影響用電模式的重要特征向量集合，根據該方法構建貝葉斯正則SOM聚類分析方法，之后在UCI數據集中測試該方法的有效性，最后測定了電網運行階段的負荷特性。

1模型算法

1.1 SOM聚類算法

利用神經元權值均方方法建立懲罰因子，再以貝葉斯正則化概率模型進行權值調節，由此確定最優性能，建立以下函數表達式[16]：

wj（t+ 1） = wj（t） + αM（t） j? β（t）""""""" （1）

M（t） = （m1（t） m2（t） × × ×" mk（t） × × ×" mn（t））" （2）

式中：mk代表M修正函數。通過下式計算超參數[17]：

mk（t） = δEk（t） + δEw（t）

íì?Ek（t） = xik n（-）wjk（t）""""""""""""""""""" （3）

式中：Ek為t時神經元修正權值；Ew為神經元j平均權值。通過最大后驗概率確定目標函數mk最小值，計算式如下：

δ= 2Ek（λ）（t）"" ε= 2E w（n-））"""""""""""""""""" （4）

式中：λ表示修正系數。

1.2 SOM聚類改進極限學習機模型

經過Cholesky分解獲得SOM權值，具體步驟如下[18]：

+ Ωθ= T

íZ（Z）+ HHT T=" + HHT= Z

利用Cholesky分解計算R內元素rmn：

rmn= í???（ì??）zmn z r n（r）r kk（m）m（n）gt; n

同時以R-1與等式兩邊相乘計算：

em= í???（ì??）tm-t m（m）e n（m）gt; 1

考慮到逆矩陣求解較為復雜，因此選擇Cholesky開展分解處理，此時不需要對矩陣開展求逆計算，能夠促進計算效率的顯著提升。

2算例驗證

2.1參數設置

初始隱含層中含有5個神經元，按照間隔等于5的狀態使間距增大到40，結果見圖1。

由圖1可知，隨著神經元增加至25時，達到了最低誤差值，因此采用以上條件的SOM聚類算法組成最優算法。

2.2算例驗證結果分析

將所有初始變量輸入到SOM聚類算法中，同時以溫度和濕度作為網絡氣候的輸入參數，并輸出預測日t時刻的有功功率。進行聚類預測結果對比，如表1所示。聚類預測誤差對比，如表2所示。

從表1中可以看到，相對于未聚類得SOM預測結果，通過聚類后SOM預測結果均表現出來降低的變化規律，而且更接近于實際值，證明聚類得SOM方法的準確性。

是否聚類預測誤差對比，如表2所示。

由表2可知，采用以上2種不同算法獲得的絕對誤差最大值依次為93.62%和71.3%，在聚類方法基礎上經過改進的SOM聚類算法得到的Max-AE進一步減小，使算法擬合能力顯著提升；此外也可以發現，采用聚類SOM算法獲得的RMSE相對于直接預測的結果降低了16.66個碼點；經聚類處理后的SOM算法相對于直接預測方式運行速率更快，該結果表明經過聚類得到的組合預測算法的運行效率更高，具備更強適用性。

為達到簡化算法的效果，將所有數據分為96組再進行預測，各時刻分別對應一組輸出，按照0.01的方式完成500次Elman迭代。圖2顯示了通過傳統Elman神經網絡預測并達到迭代收斂的過程。

由圖3可知，利用Cholesky分解獲得的SOM聚類算法相對于普通SOM聚類算法表現出了更強跟蹤能力。此時，需為極限學習機算法設定合適的隱含層神經元個數，之后將權值與偏置向量調整到穩定的狀態，經過算法迭代處理后，實現了運行效率的大幅提升，最終獲得一個最優解。根據以上分析可以發現，核極限學習機能夠在最短時間內達到最佳擬合效果，表現出優異泛化能力。

3實測驗證結果分析

3.1特征向量權重計算

選擇河北某電網數據作為測試對象。根據《電力工業統計指標》要求，建立包含負荷特征的12個列向量[19]。

經過歸一化計算獲得特指標[20]。之后計算平均權重，圖4包含12個特征權重的分布數據。

通過SOM聚類對負荷特征向量實施優化，負荷指標得到準確率很高的日負荷，準確反饋特征信息。但只根據上述矩陣分析，也無法實現各類行為的分類過程。因此，需通過SOM聚類的方式對上述指標進行可視化處理。

3.2準確率檢驗

選擇具備顯著特征的用戶負荷測試，依次為A類（高校用戶）、B類（家庭用戶）、C類（商業用戶）。完成歸一化計算獲得的結果如圖5所示。

為各項參數設置初始值，接著利用SOM神經網絡開展5次聚類計算，各次聚類激活神經元具有明顯差異，但實際分類過程相近，由此獲得表3的準確率均值。

由表3可知，改進的SOM聚類算法準確率均在97%以上，驗證本算法具有很好的精度。

4結語

（1）經過改進的SOM聚類算法的Max-AE減小，使算法擬合能力顯著提升，預測誤差明顯減小。利用cholesky分解獲得的SOM聚類算法相對于普通SOM聚類算法表現出更強跟蹤能力。核極限學習機能夠在最短時間內達到最佳擬合效果，具有優異泛化能力；

（2）用戶負荷測試聚類激活神經元具有明顯差異，改進的SOM聚類算法準確率均在97%以上，驗證本算法具有很好的精度；

（3）研究有助于提高電網負荷預測質量，但在面對突發情況的時候存在收斂效率過低的問題，期待后續引入深度學習方法對其進行加強。

【參考文獻】

[1]姜文，宋麗珠，吳清玉，等.基于電網格的電網調度交易機構模型[J].電測與儀表，2020，57（16）：101-108.

[2]SOROUDI A，SIANO P，KEANE A.Optimal DR and ESS scheduling for distribution losses payments minimization under electricity price uncertainty[J].IEEE Transactions on Smart Grid，2016，7（1）：261-272.

[3]王珊珊，呂飛鵬，張國星.含分布式電源多點接入的電網新型縱聯保護[J].電測與儀表，2020，57（4）：49-54.

[4]崔偉，康偉，郭成光，等.智能電網的非侵入式負荷監測系統設計[J].粘接，2022，49（0）：182-185.

[5]李建澤，路坦，吳仲超，等.基于積溫熱累積效應的電網可中斷負荷預測模型[J].粘接，2020，43（9）：164-168.

[6]張浩，趙莉華，景偉，等.基于Relief特征量優化及SOM網絡的斷路器操作機構狀態評估[J].高壓電器，2017，53（9）：240-246.

[7]FAN S，HYNDMAN R J.load forecasting based on a semi-parametric additive model[J].Monash Econometricsamp;Business Statistics Working Papers，2010，27（1）：134-141.

[8]陳瀅，楊蘋，呂宇樺，等.計及故障供電恢復策略的主動電網電源規劃[J].電測與儀表，2020，57（16）：65-70.

[9]田昊，賈春燕.考慮電網運行特性含風、光發電的電網動態重構[J].電測與儀表，2019，56（23）：86-89.

[10]史雷，趙濱濱，徐曉萌，等.基于分層節點識別策略的中低壓電網同期線損優化系統的研究[J].電測與儀表，2019，56（24）：39-45.

[11]王德文，孫志偉.電力用戶側大數據分析與并行負荷預測[J].中國電機工程學報，2015，35（3）：527-537.

[12]HYNDMAN R J，FAN S.Density forecasting for long-term peak electricity demand[J].Monash Econometricsamp;Busi-ness Statistics Working Papers，2010，25（2）：1142-1153.

[13]劉輝，凌寧青，羅志強，等.基于TCN-LSTM和氣象相似日集的電網負荷預測方法[J].智慧電力，2022，50（8）：30-37.

[14]陳梓行，金濤，鄭熙東，等.基于新型日期映射法和ISGU混合模型的短期電力負荷預測[J].電力系統保護與控制，2022，50（15）：72-80.

[15]徐宇頌，鄒山花，盧先領.基于特征選擇和組合模型的短期電力負荷預測[J].中國電力，2022，55（7）：121-127.

[16]袁琳琳，陳春艷，秦進.結合DenseNet和SOM聚類的個性化推薦方法[J].計算機應用與軟件，2022，39（1）：250-258.

[17]鐘吉，錢海忠，王驍，等.顧及多特征的散列式居民地SOM聚類選取算法[J].測繪科學技術學報，2020，37（6）：643-651.

[18]曹步清，肖巧翔，張祥平，等.融合SOM功能聚類與DeepFM質量預測的API服務推薦方法[J].計算機學報，2019，42（6）：1367-1383.

[19]周德才，陳金金，劉波.中國電力景氣指數的混頻非對稱測度[J].中國電力，2022，55（6）：172-185.

[20]林順富，詹銀楓，李毅等.基于CNN-BiLSTM與DTW的非侵入式住宅負荷監測方法[J].電網技術，2022，46（5）：1973-1981.

（責任編輯：平海，蘇幔）