基于RBF神经网络的短期负荷预测.docx

基于 RBF 神经网络的短期负荷预测Short－term Load Forecasting Based on RBF Neural Network吕二争王小平 （五邑大学信息工程学院， 基于 RBF 神经网络的短期负荷预测 Short－term Load Forecasting Based on RBF Neural Network 吕二争 王小平 （五邑大学信息工程学院，广东 江门 529020） 摘 要 短期电力负荷预测是电力系统运行调度中一项重要的内容，传统的电力负荷预测方法都是建立在线性假设基础之上， 由于预测精度低，难以满足现在电力部门的要求。 人工神经网络己被应用在电力负荷预测中，并取得了较为理想的结果。 主 要基于神经网络的负荷预测模型，通过 MATLAB 仿真实验平台，构建 RBF 神经网络模型，并用历史电力负荷数据进行训 练，成功的进行了电力系统的短期负荷预测，预测结果误差较小，取得了令人满意的结果。 关键词：负荷预测，人工神经网络，RBF Abstract Short－Term Load Forecasting is one of the most important contents of running and dispatching power system．Traditonal load forecasting method is establish the linear hypothesis on the basis of its low prediction accuracy．It is difficult to meet the requirements of the electricity sector．ANN have been applied in power load forecasting,and get the results．This paper builds a RBF neural network model based on MATLAB．Trains short－term load forecasting of a power system by using the historical data．The error of the prediction is relatively small and the results are satisfactory． Keywords:load forecasting，ANN，RBF 电力系统的负荷预测是从己知的电力需求出发， 通过对历 史数据的分析，并考虑经济气候等诸多因素，对未来某一段时期 的用电需求做出预测。 电力系统的负荷预测是电力系统规划、供 电、调度等部门十分重要的一项工作之一，它对于经济合理地安 排发电机组的启停、 保持电网安全稳定运行以及未来电网的增 容和改建等有着十分重要意义。 随着人工智能的发展，人工神经 网络（ANN）方法引入负荷预测，克服了传统方法在处理非线性 问题方面的不足。 现有的 ANN 方法一般采用 BP 神经网络学习 算法进行网络训练，但 BP 算法学习收敛速度慢，容易陷入局部 极小点，从而限制了神经网络方法在负荷预测中的实际应用。 近 年来发展的径向基函（RBF）理论为前传网络提供了一种新的手 段，克服了 BP 方法的不足，具有广阔的应用前景。 1 基于 RBF 神经网络短期电力负荷预测模型 RBF 神经网络具有很强的非线性拟合能力和收敛速度快 ， 它是一个多输入单输出的前馈神经网络。 RBF 神经网络它是一 种三层前向网络。 如图 1 所示。 第一层即输入层由信号源节点组 成，并把信号传递给隐含层；第二层为隐含层 ，隐单元的变换函 数是 RBF，它是对称中心径向对称且衰减的非线性函数；第三层 为输出层，它对输入模式的作用做出响应。 由于输入到输出的映 射是非线性的，而隐含层空间到输出空间的映射是线性的，从而 可以大大加快学习速度并避免局部极小问题。 RBF 神经网络有 很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学 习规则简单，便于计算机实现。 具有很强的鲁棒性、记忆能力、非 线性映射能力以及强大的自学习能力。 隐含层的高斯函数的一般表达式为： 2 ‖x－c ‖ k hi ＝exp（－ ） 2 2σk 其中‖·‖为 欧式范式，σ 为节点的基宽度参数 ，c 为第 k k k 个高斯函数的中心值，隐含层节点输出范围在（0，1）之间。 输入 样本越靠近中心值，输出就越大。 输出层函数可表示为： y（x）＝ M Σwk hk 式中 wk 是隐含层到输出层的权值。 k ＝ 1 2 RB