基于大数据简约及PCA改进RBF网络的短期电力负荷预测

来源：计量学报杂志2018年第3期北京时间：

作者：张淑清,任爽,陈荣飞,钱磊,姜万录,李盼

单位：燕山大学 电气工程学院, 河北 秦皇岛 066004

摘要：针对电力负荷大数据化越发突出,引入最小绝对值收敛及选择（Lasso）算法解决电力负荷大数据难题,对电力负荷及相关天气因素大数据进行高维数据特征提取,获得有用数据集。为避免输入空间严重自相关及网络维数较高,造成径向基函数（RBF）神经网络预测精度严重下降的不良影响,提出基于主元分析(PCA)改进的RBF神经网络电力负荷预测模型,消除多气象因素相关性,剔除冗余,提取天气因素特征量,将新天气特征量与历史负荷数据共同作为RBF网络的建模对象,既全面表征天气因素对电力负荷的影响,又简化预测模型,加快预测速率。 经美国南部某地区实际电力负荷数据的预测分析,充分证明该方法的有效性及可靠性。

关键词：计量学; 短期负荷预测; 电力负荷; 大数据简约; 主元分析; RBF神经网络; 气象因子

基金资助：国家自然科学基金 (51475405,61077071);河北省自然科学基金 (E2018203439,E2018203339);河北省高等学校科技研究重点项目(ZD2014100)