基于核主成分分析法的BP神经网络短期负荷预测.docVIP

基于核主成分分析法的BP神经网络短期负荷预测 　　摘 要：短期负荷预测的方法有很多，BP神经网络是目前研究最为成熟的神经网络模型之一。然而BP网络存在着收敛速率慢、易陷入局部极小等问题。针对此缺陷，文章提出了基于核主成分分析的遗传算法神经网络模型，利用KPCA法提取负荷数据的主成分。并用GA优化BP网络的权值和阈值，克服易陷入局部极小的不足。最后通过实例分析，证明了算法的有效性。 　　关键词：短期负荷预测；遗传算法；核主成分；BP神经网络 　　短期电力负荷预测主要是指预报未来几小时、一天至几天的电力负荷，电力负荷预测是能量管理系统的重要组成部分[1]。目前神经网络技术在短期负荷预测中使用广泛，并已有许多很成功的应用实例[2]。然而BP神经网络具有训练速度慢和对初始权值敏感以致容易陷入局部极小点的缺陷。针对以上问题，文章提出了基于核主成分分析法的BP神经网络模型。利用KPCA对训练样本的输入个数进行降维优选，以较少输入代替原始大量输入，同时信息大部分得以保留。同时将遗传算法与BP神经网络结合，利用GA的全局搜索优化BP网络的结构参数，有效克服BP算法的局部收敛等问题。 　　1 核主成分分析法 　　核主成分分析（Kernel Principle Component Analysis： KPCA）的基本思想为：首先通过非线性映射将非线性可分的原始样本输入空间变换到一个线