RBF神经网络在电力系统短期负荷预测中的应用 Application of radial basis function neural network model in short-term load forecasting.pdfVIP

2013年7月第16卷第7期 贵州电力技术 电网科技 2013，Vol，16，No．7 GUIZHOUELECTRICPOWERTECHNOLOGYPowerGrid Technology RBF神经网络在电力系统短期负荷预测中的应用 刘雪茹，张 栩，张守磊 (贵州大学电气工程学院，贵州贵阳550025) 摘要：介绍了基于RBF神经网络的电力系统短期负荷预测方法的相关概念及其具体实现途径。通过分析和比 较，总结了一些比较成熟的基于RBF神经网络在电力系统短期负荷预测中的应用现状和技术特点。根据电力系统 运行的实际特点和面临的新情况，探讨了该预测方法的发展空间和技术趋势。 关键词：RBF神经网络；BP神经网络；短期负荷预测 文章编号：1008—083X(2013)07—0013—05中图分类号：TM715文献标志码：B 电力系统短期负荷预测是电力系统日常运行中 输入数据变换到高维空间内，使得在低维空间内的线 的一项重要工作。精确的负荷预测，对电力系统的 性不可分问题在高维空间内线性可分。 生产安排、经济调度和安全分析都起着十分重要的 RBF神经网络是单隐层的前向网络，由三层构成； 作用，也直接影响着电力企业的经济效益。近几年 第一层是输入层，由信号源节点组成；第二层是隐层， 来，人工神经网络被应用于电力负荷预测，它融合了 隐单元的个数由所描述的问题而定，隐层节点由径向 时间序列法和气象条件两方面的因素，其预测的准 基函数构成；第三层是输出层，对输入模式做出响应， 确性是令人满意的。应用最多的人工神经网络是多 通常是简单的线性函数。在RBF神经网络中，输入层 层感知器，并采用反向传播算法(BP算法)进行网和输出层由线性神经元组成，输人层节点只传递输入 络训练。然而，传统的BP算法有诸如不易确定隐 信号到隐含层，隐含层节点一般取高斯核函数，该核函 层神经元的个数，可能陷于局部极小以及耗费大量 数能对输入矢量产生局部响应，而输出层节点通常是 计算机时等缺点，因而不适合于实际应用。近来基 简单的线性函数，输出节点对隐含层节点的输出进行 于RBF神经网络的负荷预测方法是目前电力系统 线性加权。它是具有标准全连接的前向网络，从而实 短期负荷预测中应用最广泛的方法之一，因其与传 现输入空间到输出空间的映射，使整个网络达到分类 统神经网络相比具有更高的精确度和更强的学习能 和函数逼近的目的。RBF网络模型如图1所示。 力，且具有可以逼近任意非线性映射的能力，故而在 近年的实际负荷预测应用研究中得到了高度重视。 本文收集整理了近几年研究RBF神经网络的电力 系统短期负荷预测方法的论文，针对基于RBF神经 网络的电力系统短期负荷预测方法进行了系统概 述，评价了当前各种相关短期负荷预测模型在电力 系统中的具体应用效果，并对其最新发展趋势做出 瑟瑟 客观的总结和展望。 图1 RBF网络模型 RBF网络是一种前向网络，其隐含层单元的激 1 RBF神经网络模型及其应用于短期负荷 活函数通常为具有局部接受域的函数。因此，网络 预测的概述 有时也称为局部接受域网络。RBF网络的局部接 1985年，Powell提出了多变量插值的径向基函数 受特性使得其决策时隐含了距离的概念。这就避免 (Radial—BasisFunction，RB