基于改进RBF网络算法的电力系统短期负荷预测

《基于改进RBF网络算法的电力系统短期负荷预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第36卷第23期电力系统保护与控制、bl_36No．232008年l2月1日PowerSystemProtectionandControlDec．1．2oo8基于改进RBF网络算法的电力系统短期负荷预测郭伟伟，刘家学，马云龙，李书琰(I．许昌供电公司，河南许昌461000；2．深圳供电局，广州深圳518020)摘要：提出了一种交替梯度算法对径向基函数(RBF)神经网络的训练方法进行改进，并将之运用于电力系统短期负荷预测。交替梯度算法通过优化输出层权值和优化RBF函数的中心与标准偏差值来实现。改进的算法与传统梯度下降算法相比，具

2、有更快的收敛速度和更高的预测精度。所构建的负荷预测模型综合考虑了气象、日类型等影响负荷变化的因素，并在预测形式上做了巧妙处理。预测结果表明改进的RBF网络算法具有一定的实用性。关键词：短期负荷预mq；交替梯度算法；人工神经网络；径向基函数；实用性Optimalalgorithmofelectricpowersystem’Sshort-termloadforecastingbasedonradialfunctionneuralnetwork。GUOWei_wei，L1UJia—xue，MAYun—long1LIShu．yan。,

3、(1．XuchangPowerSupplyCompany，Xuchang461000，China；2．ShenzhenPowerSupplyBureau，Shenzhen518020，China)Abstract：ThispaperproposesonekindofalternantgradientalgorithmforimprovingthetrainingofRBFneuralnetwork，whichisappliedtoshort—termelectricload．Thisalgorithmcametruebyopt

4、imumoutputlayercoefficientandcenterandstandarddeviationofoptimumRBFfunction．Comparedtothetraditionalgradientdropalgorithm，theimprovementalgorithmhasquickerconvergencerateandhigherforecastingprecision．Theforecastingmodelconsidersmanyinfluencingfactorssuchasweather，da

5、te—type，andSOon，anddealswithforecastformsverytactfully．Wecanseethattheforecastingmodelhascertainusabilityfromtheresultofforecasting．Keywords：short—termloadforecasting；alternantgradientalgorithm；artificialneuralnetwork；radialbasisfunction(RBF)；usability中图分类号：TM715文献标

6、识码：A文章编号：1674—3415(2008)23—0045—04负荷预测领域颇受人们青睐，取得了比传统负荷预0引言测更好的效果。其中，RBF网络便是里面异军突起短期负荷预测是电力系统运行和调度部门的一的一支。它强大的多元非线性映射能力使得它能够项重要工作。电力负荷的准确预测对于电力生产和精确捕捉负荷值与气象因素等不确定因素之间的非电网安全运行以及国民经济都有着重要意义uJ。但线性关系，大大提高了短期负荷预测的精度。本文由于电力负荷变化的复杂性，无法建立一个确定的即是针对典型的RBF算法，结合电力系统短期负荷模型来对它进行精

7、确的预测。多年来，国内外专家、预测的实际情况，对其训练方法加以改进，以求网学者对负荷预测进行了广泛深入的研究，得出了一络能更快更精确地向网络目标函数收敛。并与广泛些有意义的结论【JJ。研究表明，时间序列法(如指采用的传统梯度算法加以对比，算例在收敛速度和数平滑法、曲线拟合法等)和结构分析法(如回归预测精度上都表明此种改进方法有着突出的优势。法、主成分分析法等)在解决特定场合的预测任务1径向基函数的网络模型时发挥了重要的作用。但是，气象等不确定性因素对电力负荷的变化起着越来越重要的作用，可是由众所周知，BP网络学习过程是一个非线

8、性优化于种种原因上述方法对这些影响因素都没能给出合过程，所以不可避免地会遇到局部极小问题，使网理的解决途径。络收敛速度慢或不收敛，学习结果不理想。本文采负荷预测的核心问题是预测的技术方法，或者用改进的径向基函数网络来训练样本，该网络逼近说是预测的数学模型【4J。因而，近年来，