黄元生 杨红杰

华北电力大学工商管理学院 河北 保定 071003

0 前言

短期电力负荷预测是指从电力负荷历史数据及其相关因素等资料出发，运用某种方法合理推测未来24h至几天内的电力负荷需求情况。 短期负荷预测特别是日负荷预测曲线为地区电力余缺调度、合理安排机组开停计划、以及电力市场交易等提供可靠的依据。

从国内外长期的研究中发现，传统的短期负荷预测方法有趋势外推法、回归分析法、灰色系统法等。 然而，由于影响短期电力负荷的因素大都具有很强的非线性，传统的拟线性预测方法存在着局限性，一些智能算法凸显出了一定的优势。 但同时由于大量影响负荷的随机因素存在，使得负荷波动性及其大， 无疑对负荷预测的精度带来了一定的难度，一些新的预测方法也显现出不足。［1-4］

传统的短期负荷预测方法大部分是针对未来所有时段的负荷使用同一个模型进行预测，以致模型的泛化能力非常差，或者针对24个时段建立24个模型，使得计算过程过于复杂。 文中在综合考虑历史负荷特征、日最高温度和日期类型等因素的基础上，提出了一种基于K-means聚类算法和BP神经网络的短期负荷预测方法，将日负荷的96个时段负荷数据进行聚类， 将同类负荷的时段使用同一个神经网络模型进行训练和预测，提高了网络的泛化能力和预测精度。

1 K-means聚类算法

2 基于粒子群优化的BP神经网络

2.1 BP神经网络的基本模型

误差反向传播神经网络，简称BP（Back Propagation），是一种含有隐含层的多层前馈网络，三层BP网络结构如图1所示。……