考慮噪聲數(shù)據(jù)的FCM-LSSVM負(fù)荷預(yù)測(cè)模型

楊冰芳，薛琢成

(上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093)

考慮噪聲數(shù)據(jù)的FCM-LSSVM負(fù)荷預(yù)測(cè)模型

楊冰芳，薛琢成

(上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093)

針對(duì)傳統(tǒng)負(fù)荷預(yù)測(cè)未考慮噪聲數(shù)據(jù)影響的問(wèn)題，提出了一種基于模糊C均值聚類(lèi)與最小二乘支持向量機(jī)的組合預(yù)測(cè)模型。首先利用FCM對(duì)歷史數(shù)據(jù)進(jìn)行聚類(lèi)分析，剔除孤立樣本，繼而構(gòu)建負(fù)荷預(yù)測(cè)訓(xùn)練集并輸入最小二乘支持向量機(jī)進(jìn)行學(xué)習(xí)，進(jìn)一步采用粒子群算法優(yōu)化參數(shù)，得到最優(yōu)預(yù)測(cè)模型。仿真結(jié)果表明，相對(duì)于其他負(fù)荷預(yù)測(cè)模型，該算法有效地消除了噪聲數(shù)據(jù)對(duì)負(fù)荷預(yù)測(cè)精度的影響，泛化能力更佳。

負(fù)荷預(yù)測(cè)； 模糊C均值聚類(lèi)； 最小二乘支持向量機(jī)； 噪聲數(shù)據(jù)

0 引言

負(fù)荷預(yù)測(cè)是能量管理系統(tǒng)重要的組成部分，合理準(zhǔn)確地預(yù)測(cè)負(fù)荷情況既有利于電力系統(tǒng)的可靠運(yùn)行，同時(shí)也有益于電網(wǎng)的經(jīng)濟(jì)調(diào)度與合理規(guī)劃[1]。但由于負(fù)荷數(shù)據(jù)受到節(jié)假日、溫度、用戶(hù)用電行為差異等多重影響，使其變化不僅具有周期性，還具有很大的隨機(jī)性。因此，建立一個(gè)準(zhǔn)確度更高的負(fù)荷預(yù)測(cè)模型具有重要的意義。

針對(duì)負(fù)荷預(yù)測(cè)隨機(jī)性強(qiáng)的特點(diǎn)，許多學(xué)者展開(kāi)了研究，并提出了許多有效的預(yù)測(cè)模型。總體來(lái)說(shuō)，常用的短期負(fù)荷預(yù)測(cè)方法主要分為三類(lèi)：傳統(tǒng)負(fù)荷預(yù)測(cè)法(如最小二乘法回歸預(yù)測(cè))、智能負(fù)荷預(yù)測(cè)法(如灰色模型)、支持向量機(jī)預(yù)測(cè)等。文獻(xiàn)[2]利用Spark并行處理數(shù)據(jù)，在粒子群優(yōu)化LSSVM算法模型下進(jìn)行負(fù)荷預(yù)測(cè)，預(yù)測(cè)速度得到了有效的提高。文獻(xiàn)[3]采用魯棒ELM算法進(jìn)行回歸分析的基礎(chǔ)上引入基因遺傳算法對(duì)負(fù)荷預(yù)測(cè)模型參數(shù)進(jìn)行優(yōu)化，平滑預(yù)測(cè)曲線(xiàn)。文獻(xiàn)[4]不直接考慮影響負(fù)荷的因素，運(yùn)用混沌理論重構(gòu)相空間，在最大Lyapunov模型下預(yù)測(cè)對(duì)負(fù)荷進(jìn)行預(yù)測(cè)。文獻(xiàn)[5]利用主成分分析和極限學(xué)習(xí)機(jī)，并通過(guò)交互驗(yàn)證法確定最優(yōu)參數(shù)，得到較好的預(yù)測(cè)結(jié)果。文獻(xiàn)[6-8]也通過(guò)組合智能算法提高了預(yù)測(cè)精度。考慮經(jīng)濟(jì)指標(biāo)、氣象特征等因素的新型負(fù)荷預(yù)測(cè)方法，文獻(xiàn)[9]在大數(shù)據(jù)環(huán)境下，充分考慮影響負(fù)荷波動(dòng)的諸多因素之間的多源異構(gòu)關(guān)系，建立并行化的多核SVM預(yù)測(cè)模型。文獻(xiàn)[10]利用卡爾曼濾波方法,同樣通過(guò)考慮各個(gè)變量之間的耦合關(guān)系有效提高了預(yù)測(cè)精度。文獻(xiàn)[11]在大數(shù)據(jù)空間下對(duì)用電群體進(jìn)行聚類(lèi)，綜合考慮了經(jīng)濟(jì)、氣候等關(guān)聯(lián)因素，實(shí)現(xiàn)了在隨機(jī)森林模型下劃分為多種用電模式的預(yù)測(cè)。文獻(xiàn)[12-14]充分考慮了氣象因素對(duì)用電行為的影響，有效地修正了組合負(fù)荷預(yù)測(cè)模型。盡管短期預(yù)測(cè)的隨機(jī)性較大，以上算法仍獲得了較好的預(yù)測(cè)精度；但與此同時(shí)，噪聲數(shù)據(jù)的存在使得預(yù)測(cè)效果無(wú)法達(dá)到最優(yōu)，降低了負(fù)荷預(yù)測(cè)的效率。

針對(duì)上述不足，本文提出了一種基于有效訓(xùn)練樣本選擇的負(fù)荷預(yù)測(cè)模型，首先采樣模糊C均值聚類(lèi)(Fuzzy C-means, FCM)剔除孤立樣本，即噪聲數(shù)據(jù)，再利用最小二乘支持向量機(jī)(Least Squares Support Veotor Machine, LSSVM)根據(jù)訓(xùn)練集建立最優(yōu)負(fù)荷預(yù)測(cè)模型。算例表明，通過(guò)FCM消除噪聲帶來(lái)的不利影響，減少訓(xùn)練數(shù)據(jù)規(guī)模，不僅可以加快負(fù)荷數(shù)據(jù)的建模速度，同時(shí)能夠有效提高LSSVM算法的泛化能力和預(yù)測(cè)精度。

1 FCM-LSSVM算法

1.1 LSSVM原理

LSSVM是一種改進(jìn)的支持向量機(jī)(Support Vector Machine, SVM)，相對(duì)于SVM，LSSVM將不等式約束轉(zhuǎn)化為等式約束，最小二乘線(xiàn)性解決算法作為損失函數(shù)，能夠有效地描述負(fù)荷預(yù)測(cè)這種非線(xiàn)性關(guān)系，訓(xùn)練速度更快。在LSSVM中，假設(shè)訓(xùn)練數(shù)據(jù)集{xn,yn}(n=1,2,…N)，其中輸入數(shù)據(jù)為用電特征值，用xn=(xn1,…,xnL)表示，輸出數(shù)據(jù)用電量，用yn=(yn1,…,ynd)表示，L和d分別是輸入數(shù)據(jù)維數(shù)和輸出數(shù)據(jù)維數(shù)。LSSVM通過(guò)解決公式(1)作為目標(biāo)函數(shù)，求解最小化問(wèn)題來(lái)預(yù)測(cè)輸出。且LSSVM不直接計(jì)算yn，通過(guò)分別計(jì)算yn中的每一維變量ynj進(jìn)行預(yù)測(cè)。

(1)

對(duì)每個(gè)輸出ynj約束條件為

ynj=ωTφ(xn)+bj+enj,n=1,2,…,N

(2)

式中：ω是權(quán)重；γj是懲罰系數(shù)；φ(·)是非線(xiàn)性映射函數(shù)；bj∈R是偏置量；e.j=[e1j，…，eNj]T是誤差向量。

采用拉格朗日函數(shù)進(jìn)行求解

(3)

式中：αnj是拉格朗日乘子。

通過(guò)對(duì)ω,bj,enj和αnj偏微分得到

(4)

消除eij和ω得到

(5)

式中：輸出數(shù)據(jù)y·j=[y1j,y2j,…,yNj]T，拉格朗日因子α·j=[α1j,α2j,…,αNj]T，單位矩陣E=[1,1,…,1]T，Ω=φ(xn)φ(xm)N×N是核函數(shù)矩陣，I∈RN×N是單位矩陣。

根據(jù)Hilbert-Schmidt原理，通過(guò)引入滿(mǎn)足Mercer條件且參數(shù)少通用性強(qiáng)的的核函數(shù)(6)求取Ω和bj以及α·j。

K(xnew,xn)=exp((-‖xnew-xn‖2)/σj2)

(6)

在計(jì)算每一維輸出ynj對(duì)應(yīng)的bj以及α·j后，對(duì)于新的輸入數(shù)據(jù)，其相應(yīng)的預(yù)測(cè)輸出通過(guò)(6)式計(jì)算。

(7)

1.2 模糊C均值聚類(lèi)算法

在負(fù)荷預(yù)測(cè)中，當(dāng)訓(xùn)練樣本含有噪聲數(shù)據(jù)，即不良數(shù)據(jù)樣本，將會(huì)增加LSSVM算法的訓(xùn)練時(shí)間，對(duì)預(yù)測(cè)結(jié)果也具有不利影響。因此本文提出使用模糊C均值聚類(lèi)算法來(lái)改進(jìn)LSSVM的訓(xùn)練集輸入，去除噪聲數(shù)據(jù)。FCM算法是一種基于劃分的聚類(lèi)算法，通過(guò)對(duì)數(shù)據(jù)對(duì)象之間的距離迭代計(jì)算，使得具有相似特征的數(shù)據(jù)聚為一類(lèi)。它的主要思想是使得劃分到同一類(lèi)別中數(shù)據(jù)對(duì)象之間具有最大的相似度，而不同類(lèi)別之間也具有差異性。FCM相對(duì)傳統(tǒng)K-means算法的模糊劃分更為柔性化[15-16]。

FCM通過(guò)隸屬度確定每個(gè)數(shù)據(jù)點(diǎn)屬于某個(gè)類(lèi)的程度，從而劃分?jǐn)?shù)據(jù)點(diǎn)類(lèi)別。假設(shè)存在樣本A=(x1，x2…xn)，F(xiàn)CM把n個(gè)向量xi(i=1,2,…,n)劃分為c個(gè)模糊組，求取使非相似性指標(biāo)的價(jià)值函數(shù)達(dá)到最小時(shí)的各組聚類(lèi)中心，從而得到最佳聚類(lèi)。相較于傳統(tǒng)聚類(lèi)而言，F(xiàn)CM用模糊劃分類(lèi)別，即樣本數(shù)據(jù)點(diǎn)對(duì)各個(gè)類(lèi)別的隸屬矩陣U用[0,1]內(nèi)的值進(jìn)行模糊定義。由于進(jìn)行歸一化處理，則一個(gè)數(shù)據(jù)集的隸屬度的和總等于1。

?j=1,…,n

(8)

則FCM的價(jià)值函數(shù)如下

(9)

式中：uij∈[0,1]；ci表示模糊組I的聚類(lèi)中心，dij=||xj-ci||為第j個(gè)數(shù)據(jù)點(diǎn)與第i個(gè)聚類(lèi)中心J間的歐幾里德距離；且m∈[0,1]是一個(gè)加權(quán)指數(shù)。通過(guò)反復(fù)迭代c和U使得價(jià)值函數(shù)達(dá)到最小。在進(jìn)行數(shù)據(jù)批處理時(shí)，F(xiàn)CM通過(guò)以下步驟來(lái)確定聚類(lèi)中心ci和隸屬矩陣U。

步驟1：用[0,1]內(nèi)的隨機(jī)數(shù)初始化隸屬矩陣U，使其滿(mǎn)足式(7)等式約束。

步驟2：計(jì)算c個(gè)聚類(lèi)中心ci，i=1,…,c。

步驟3：根據(jù)式(8)計(jì)算價(jià)值函數(shù)。當(dāng)價(jià)值函數(shù)小于設(shè)定的閾值，或所求價(jià)值函數(shù)相對(duì)于上次值的變化量小于某個(gè)閾值，則算法停止。

步驟4：計(jì)算新的U矩陣。返回步驟2。

1.3 FCM-LSSVM負(fù)荷預(yù)測(cè)模型

1.3.1 數(shù)據(jù)庫(kù)預(yù)處理

負(fù)荷預(yù)測(cè)中存在諸多影響的因素如溫度、天氣條件，國(guó)民經(jīng)濟(jì)發(fā)展水平等，此外，用電設(shè)備的特性以及用戶(hù)用電行為特征的變化，也對(duì)負(fù)荷的大小具有決定性意義。但這些因素通常具有較大的隨機(jī)性和波動(dòng)性。因此，綜合考慮影響負(fù)荷的可取因素在負(fù)荷預(yù)測(cè)中尤為重要。通過(guò)灰色關(guān)聯(lián)度分析，選取溫度(最高溫、最低溫)、天氣類(lèi)型、是否節(jié)假日作為負(fù)荷影響因素進(jìn)行分析。其中是否節(jié)假日參照法定節(jié)假日，分別用特征值0、1表示。

日最高溫、最低溫、天氣條件采集自中國(guó)天氣網(wǎng)；其中天氣條件因素如日照強(qiáng)度、濕度，影響人體舒適度，進(jìn)而影響人的部分用電行為?？紤]到日負(fù)荷預(yù)測(cè)天氣類(lèi)型復(fù)雜的特點(diǎn)，進(jìn)一步細(xì)化不同氣象間的關(guān)聯(lián)性關(guān)系，量化天氣類(lèi)型，量化特征指數(shù)如表1。根據(jù)量化出的天氣特征值表示日照強(qiáng)度、濕度等天氣因素對(duì)負(fù)荷的影響，有利于對(duì)不同天氣下的負(fù)荷進(jìn)行合理劃分。

表1 天氣特征值數(shù)值表

1.3.2 基于FCM-LSSVM的負(fù)荷預(yù)測(cè)模型

電力負(fù)荷受突發(fā)事件、用電器故障或采集過(guò)程不當(dāng)?shù)纫蛩赜绊憣?dǎo)致歷史數(shù)據(jù)庫(kù)包含噪聲數(shù)據(jù)，即不良數(shù)據(jù)樣本。本文采用FCM算法對(duì)歷史負(fù)荷數(shù)據(jù)進(jìn)行聚類(lèi)分析消除噪聲數(shù)據(jù)點(diǎn)，通過(guò)K向量近鄰(K-Vector Nearest Neighbors, K-VNN)方法判斷與待測(cè)點(diǎn)相似程度更高的類(lèi)別作為訓(xùn)練集，最后采用LSSVM方法建立負(fù)荷預(yù)測(cè)模型?；贔CM-LSSVM的負(fù)荷預(yù)測(cè)模型流程如圖1所示，具體預(yù)測(cè)步驟如下：

(1)收集負(fù)荷數(shù)據(jù)及其對(duì)應(yīng)特征值作為訓(xùn)練集輸入，進(jìn)行標(biāo)準(zhǔn)化處理，構(gòu)建改進(jìn)價(jià)值函數(shù)。

(10)

式中：λj(j=1,2,…,n)，為(8)式的n個(gè)約束式的拉格朗日乘子。通過(guò)對(duì)所有輸入?yún)⒘壳髮?dǎo)，得到使改進(jìn)達(dá)到最小的必要條件為

(11)

(12)

從而得到滿(mǎn)足最優(yōu)情況下的輸入?yún)⒘烤垲?lèi)。

(2)將待測(cè)點(diǎn)特征值作為輸入向量，采用K-VNN方法，根據(jù)經(jīng)驗(yàn)選取K=5個(gè)近鄰點(diǎn)，計(jì)算采樣點(diǎn)與聚類(lèi)后各類(lèi)中數(shù)據(jù)的距離和相角D(up，uq)，D(up，uq)越小表示待測(cè)點(diǎn)與該聚類(lèi)集合相似度越高，確立與待測(cè)點(diǎn)相似程度最高的聚類(lèi)集合作為L(zhǎng)SSVM的訓(xùn)練集，排除孤立樣本對(duì)負(fù)荷數(shù)據(jù)擬合的影響。

(3)將訓(xùn)練集輸入LSSVM進(jìn)行訓(xùn)練，并采用粒子群算法尋找LSSVM的最優(yōu)參數(shù)，建立最優(yōu)負(fù)荷預(yù)測(cè)模型

(4)在該模型下獲取采樣點(diǎn)的預(yù)測(cè)輸出，并計(jì)算與采樣點(diǎn)實(shí)測(cè)輸出之間的絕對(duì)誤差。

圖1 負(fù)荷預(yù)測(cè)流程圖

(13)

2 算例分析

本文采用武漢某高校圖書(shū)館2017年1月1日至2017年6月13日共164個(gè)用電數(shù)據(jù)及其影響因素進(jìn)行分析，負(fù)荷數(shù)據(jù)如圖2所示。選用前124個(gè)樣本用于訓(xùn)練建立負(fù)荷預(yù)測(cè)模型，最后40個(gè)數(shù)據(jù)作為測(cè)試集對(duì)模型進(jìn)行檢驗(yàn)測(cè)試模型的泛化能力。為充分考慮待測(cè)點(diǎn)臨近日對(duì)其結(jié)果的影響，同時(shí)對(duì)訓(xùn)練集中采用留一法進(jìn)行逐點(diǎn)預(yù)測(cè)。

首先對(duì)整體訓(xùn)練集進(jìn)行聚類(lèi)，得到6個(gè)大類(lèi)，選取待測(cè)點(diǎn)，計(jì)算與每個(gè)類(lèi)的D(up，uq)，選取最小D(up，uq)所在類(lèi)為新的訓(xùn)練集建立預(yù)測(cè)模型。

本文同時(shí)對(duì)沒(méi)有FCM處理的LSSVM模型(記作LSSVM)、FCM和SVM(記作FCM-SVM)與本文所用FCM-LSSVM模型進(jìn)行模型對(duì)比。預(yù)測(cè)指標(biāo)定義如下：

(14)

(15)

圖3與圖4分別給出各算法模型在訓(xùn)練集和測(cè)試集的預(yù)測(cè)結(jié)果。表2說(shuō)明了3種模型在訓(xùn)練集和測(cè)試集的合格率(預(yù)測(cè)誤差小于給定誤差的天數(shù)占該階段的天數(shù)比例)及訓(xùn)練集的預(yù)測(cè)指標(biāo)。進(jìn)一步分析可以得到如下結(jié)論：

圖2 負(fù)荷預(yù)測(cè)數(shù)據(jù)

(1)通過(guò)對(duì)訓(xùn)練集采用留一法建立負(fù)荷預(yù)測(cè)模型的合格率與測(cè)試集合格率對(duì)比，可以得出負(fù)荷預(yù)測(cè)的訓(xùn)練數(shù)據(jù)與待測(cè)日越靠近，預(yù)測(cè)結(jié)果越好。

(2)由表2可知在40個(gè)訓(xùn)練數(shù)據(jù)的預(yù)測(cè)中，F(xiàn)CM-LSSVM的EMAPE為4.74，EMSE為0.025 7，表明FCM-LSSVM平均預(yù)測(cè)誤差小。在訓(xùn)練集和測(cè)試集當(dāng)中，E<5%和E<10%的數(shù)據(jù)點(diǎn)個(gè)數(shù)均滿(mǎn)足nLSSVM

表2 算法結(jié)果比較分析

圖3 各模型對(duì)訓(xùn)練集的預(yù)測(cè)結(jié)果

圖4 各模型對(duì)測(cè)試集的預(yù)測(cè)結(jié)果

(3)相對(duì)于沒(méi)有聚類(lèi)分析的LSSVM，整體預(yù)測(cè)情況偏離預(yù)測(cè)值過(guò)遠(yuǎn)，充分說(shuō)明FCM算法消除了噪聲數(shù)據(jù)帶來(lái)的不良影響，得到了更好的訓(xùn)練集，建立更加完善的預(yù)測(cè)模型使得預(yù)測(cè)結(jié)果更加接近真實(shí)值，且聚類(lèi)能夠有效提高LSSVM建模預(yù)測(cè)的速度。

(4)訓(xùn)練集中FCM-SVM存在過(guò)擬合、局部最優(yōu)的現(xiàn)象，在測(cè)試集中存在部分采樣點(diǎn)預(yù)測(cè)反向偏離的情況且FCM-SVM無(wú)法對(duì)新數(shù)據(jù)進(jìn)行準(zhǔn)確的預(yù)測(cè)，更適用于相對(duì)平滑且數(shù)據(jù)庫(kù)豐富的曲線(xiàn)預(yù)測(cè)；而FCM-LSSVM獲得了更好的預(yù)測(cè)結(jié)果。相對(duì)SVM，LSSVM的改進(jìn)能夠更加有效地處理具有隨機(jī)性的數(shù)據(jù)。

3 結(jié)論

考慮到歷史數(shù)據(jù)庫(kù)中噪聲數(shù)據(jù)對(duì)負(fù)荷預(yù)測(cè)帶來(lái)的不良影響，本文提出了一種基于FCM-LSSVM混合算法的負(fù)荷預(yù)測(cè)模型，通過(guò)FCM對(duì)負(fù)荷數(shù)據(jù)進(jìn)行聚類(lèi)選擇更加有效的訓(xùn)練樣本，去除噪聲數(shù)據(jù)。仿真結(jié)果表明，F(xiàn)CM-LSSVM算法的預(yù)測(cè)精度要高于傳統(tǒng)LSSVM算法模型和FCM-SVM算法模型，整體預(yù)測(cè)曲線(xiàn)更加貼近真實(shí)值，能夠有效預(yù)測(cè)隨機(jī)性強(qiáng)、復(fù)雜性高的負(fù)荷數(shù)據(jù)，具有更優(yōu)秀的泛化能力。

[1]趙騰, 張焰, 張東霞. 智能配電網(wǎng)大數(shù)據(jù)應(yīng)用技術(shù)與前景分析[J]. 電網(wǎng)技術(shù), 2014, 38(12):3305-3312.

[2]王保義, 王冬陽(yáng), 張少敏. 基于Spark和IPPSO_LSSVM的短期分布式電力負(fù)荷預(yù)測(cè)算法[J]. 電力自動(dòng)化設(shè)備, 2016, 36(1):117-122.

[3]彭顯剛, 鄭偉欽,林利祥,等. 考慮負(fù)荷自適應(yīng)檢測(cè)和修復(fù)的魯棒極限學(xué)習(xí)機(jī)短期負(fù)荷預(yù)測(cè)方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2016, 36(23):6409-6417.

[4]李東東, 覃子珊, 林順富,等. 基于混沌時(shí)間序列法的微網(wǎng)短期負(fù)荷預(yù)測(cè)[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2015, 27(5):14-18.

[5]成天樂(lè), 周勝瑜, 李斯,等. 基于極限學(xué)習(xí)機(jī)方法的短期負(fù)荷預(yù)測(cè)[J]. 電力科學(xué)與工程, 2013, 29(4):24-29.

[6]張淑清, 師榮艷, 董玉蘭,等. 雙變量小波閾值去噪和改進(jìn)混沌預(yù)測(cè)模型在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2015, 35(22):5723-5730.

[7]孫薇, 劉默涵. 基于改進(jìn)最小二乘支持向量機(jī)的短期負(fù)荷預(yù)測(cè)[J]. 電力科學(xué)與工程, 2015, 31(12):16-21.

[8]王龍, 成天樂(lè), 陳宇. 基于EMD和ELM的短期負(fù)荷預(yù)測(cè)[J]. 電力科學(xué)與工程, 2014,30(6):54-58.

[9]吳倩紅, 高軍, 侯廣松,等. 實(shí)現(xiàn)影響因素多源異構(gòu)融合的短期負(fù)荷預(yù)測(cè)支持向量機(jī)算法[J]. 電力系統(tǒng)自動(dòng)化, 2016, 40(15):67-72.

[10]趙峰, 孫波, 張承慧. 基于多變量相空間重構(gòu)和卡爾曼濾波的冷熱電聯(lián)供系統(tǒng)負(fù)荷預(yù)測(cè)方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2016, 36(2):399-406.

[11]趙騰, 王林童, 張焰,等. 采用互信息與隨機(jī)森林算法的用戶(hù)用電關(guān)聯(lián)因素辨識(shí)及負(fù)荷預(yù)測(cè)方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2016, 36(3):604-614.

[12]李濱, 黃佳, 吳茵,等. 基于分形特性修正氣象相似日的節(jié)假日短期負(fù)荷預(yù)測(cè)方法[J]. 電網(wǎng)技術(shù), 2017, 41(6):1949-1955.

[13]高亞靜, 孫永健, 楊文海,等. 基于新型人體舒適度的氣象敏感負(fù)荷短期預(yù)測(cè)研究[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2017, 37(7):1946-1954.

[14]高賜威, 李倩玉, 蘇衛(wèi)華,等. 短期負(fù)荷預(yù)測(cè)中考慮積溫效應(yīng)的溫度修正模型研究[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(4):242-248.

[15]CAI W, CHEN S, ZHANG D. Fast and robust fuzzy c-means clustering algorithms incorporating local information for image segmentation[J]. Pattern Recognition, 2007, 40(3):825-838.

[16]程其云. 基于數(shù)據(jù)挖掘的電力短期負(fù)荷預(yù)測(cè)模型及方法的研究[D]. 重慶:重慶大學(xué), 2004.

Study on FCM-LSSVM Load Forecasting Model Considering Noise Data

YANG Bingfang， XUE Zhuocheng

(School of Optoelectronic Information and Computer Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China)

In view of the fact that the traditional load forecasting model does not take into account the influence of noise data, a new forecasting model which is a combination of fuzzy C mean clustering (FCM) and least squares support vector machines (LSSVM), is proposed in this paper. First, FCM is used for clustering analysis of historical data and excluding the isolated samples, and then the load forecasting training set is constructed and is input to the least squares support vector machine for training; afterwards, the particle swarm optimization algorithm is used to get the optimal prediction model. Simulation results show that compared with other load forecasting models, the proposed algorithm can effectively eliminate the impact of noise data on the load forecasting accuracy, and it has better generalization ability.

load forecasting; fuzzy C means clustering; least squares support vector machines; noise data

10.3969/j.ISSN.1672-0792.2017.11.003

2017-08-21。

國(guó)家自然科學(xué)基金項(xiàng)目(51207092)。

TM715

A

1672-0792(2017)11-0012-06

楊冰芳(1994-)，女，碩士研究生，研究方向：電力系統(tǒng)不良數(shù)據(jù)辨識(shí)；薛琢成(1993-)，男，碩士研究生，研究方向：電力系統(tǒng)優(yōu)化運(yùn)行。