王沛， 王翰林， 徐文涛， 路洁， 牛文浩

(国网宁夏电力有限公司, 宁夏 银川 750002)

0 引言

随着经济水平的快速发展，各工业领域对用电量的需求也持续上升。为充分满足电力系统内各用户端对电力使用需求量的增长，需对电力负荷进行准确预测，从而提前做好电力供应准备[1-3]。其中，短期负荷预测在当前电力网络调度过程中发挥了重要作用，实际预测误差将会直接影响全网系统的发电与供电预期安排[4-5]。考虑到当前大部分电力用户都对供电能力提出了越来越高的标准，需达到稳定、经济、高质量的多方面要求，在电网实时运行过程中会产生大量数据，并且存在多维度信息交错的特征，为了对这些数据进行高效分析，需选择具备优异聚类性能的模型[6-8]。以传统数据挖掘模型进行分析时无法达到可视化的效果，严重制约了挖掘深度信息的过程[9-10]。

以神经网络方法进行处理时会造成过拟合的结果，因此有学者重新设计了随机权重神经网络来消除传统神经网络需要进行梯度训练的缺陷，实现训练速率与泛化性能的大幅提升[11-14]。毛力[15]综合运用结构风险最小理论以及最小二乘向量机对神经网络进行了优化。此外还有研究人员利用权重神经网络构建了特征映射网络(SOM)，通过对特征提取过程进行优化的方式来消除主观盲目性产生的影响，从而适应更大范围维数陷阱的条件，显著提升了聚类分析性能，同时也获得了更精确的模型预测结果[16]。……