基于FHNN相似日聚类自适应权重的短期电力负荷组合预测

提出一种有效的组合预测新模型进行电力负荷短期预测。不同预测模型在不同情况下的预测结果和精度有所变化，因此组合预测模型的权重应随着预测情景的变化而变化。文中将原始负荷数据分为训练集、验证集和测试集3类，并选择4种单一预测模型，即自回归滑动平均（ARMA）模型、广义自回归条件异方差（GARCH）模型、人工神经网络（ANN）和支持向量机（SVM）分别进行模型预测。对于需要预测的负荷，根据历史数据，将一年的数据先按照季度分类，再分别按照月、日、小时，利用模糊神经网络（FHNN）将其聚类。根据不同单一预测模型在不同情景下的误差计算出组合权重，从而获得组合预测模型。算例分析验证了所提出的组合预测模型的有效性和精确性。