遗传算法改进灰色RBF模型在负荷预测中的应用.pdfVIP

《电气自动化)2Ol1年第33卷第6期 电力系统及其 自动化 PowerSystem ＆Automation 遗传算法改进灰色 RBF模型在负荷预测中的应用 吴曦 袁荣湘 (武汉大学 电气工程学院。湖北 武汉 430072) 摘 要：灰色模型和神经网络作为常用的负荷预测方法虽应用较广，但各有缺陷。将两者结合起来一定程度上能实现双方的互补，但 是存在的局部最优和收敛性问题一直没有很好的解决。利用遗传算法鲁棒性强、收敛速度快以及全局定位能力强的功能，代 替传统的最小二乘法对GM(1，1)模型的参数进行高效求解，可以避免陷入局部最优 ，实现全局最优。将优化后的GM(1，1)模 型与RBF神经网络结合起来 ，对某市的负荷进行预测。经分析知，用遗传算法优化过的灰色模型与RBF预测模型结合起来具 有更快的收敛速度和更高的精度。 关键词：GM(1，1)模型 遗传算法 RBF模型 负荷预测 [中图分类号]TM744 [文献标志码]A [文章编号]1000—3886(2011)06—0054—03 GeneticAlgorithm ImprovetheApplicationofGrayRBFModelinLoadForecast WuXi YuanRongxiang (SchoolofElectricalEngineering，WuhanUniversity，WuhanHubei430072，China) Abstract：Althroughthegeneticalgorithm andneutralnetworksarewidelyusedinloadforecasting，theybothhavetheirdefects．Combingthe twoofthem canhavecomplementaryadvantages，buttheproblemsoflocaloptimaandconvergencehavenotbeensolved．Sincethe geneticalgorithm hasstrongrobustness，quickconvergenceandpowerfulglobalpositioningcapability，itisintroducedtoworkoutthe parametersoftheGM(1，1)inordertoreducethepossibilityofsinkingintolocaloptima。realizingtheGlobalOptima．Thencombine theoptimizedGM(1，1)withtheRBFmodeltoforecasttheloadinacity。theresultshowsthattheoptimizedmodelisfasterandmore accuratethan山etrladiti0na1one． Keywords：GM(1，1)Geneticalgorithm Radialbasisfunctionneutralnetworks Loadforecasting 0 引 言 1 GM(1，1)传统建模 电力系统负荷预测是电力规划、控制和运行等工作的重要组 设原始序列为 {。‘’(1)，。(2)，…，。‘(n)}，一阶累加生 成部分。准确的负荷预测有利于提高电网运行的安全稳定性，有 成序列{“(1)， (2)，…，“()}，其中 (k)=主 。‘ 效地降低发电成本 ，增强供电可靠性 ，从而提高电力系统的经济 ‘(i)。其中k=1，2，…，n。由于 ‘‘(k)具有指数增长规律，故满 效益和社会效益。因此 ，提高负荷预测精度具有重要意义。 负荷预测的方法很多。灰色模型作为一种常用的负荷预测