一种新型RBF短期负荷预测模型 A New RBF Short-Term Load Forecasting Model.pdfVIP

2008年第5期 东北电力技术 一种新型RBF短期负荷预测模型 ANewRBFShort—TermLoad Model Forecasting 康丽峰1，王敬成2 (1．河北建筑工程学院，河北张家口075024；2．冀州中学，河北衡水053200) 摘要：针对RBF网络中心确定的常用方法K一均值聚类法的不足，引入了一种新的聚类算法一动态聚类法，解决了解的局 部最优性问题和如何确定聚类数目的问题。对于网络参数的确定，设计了一种新的混合学习算法；在动态聚类和最小二乘 初始化网络的基础上，采用蚁群优化算法调整网络参数。最后运用浙江和保定2个地区的实际负荷数据进行了测试，结果 表明，该方法具有较高的预测精度和较强的适应能力。 关键词：负荷预测；RBF网络；动态聚类法；最d、乘法；蚁群优化算法 [中圈分类号]TM715[文献标识码]B[文章编号]1004—7913(2008)05—0023—03。 短期负荷预测对电力系统的安全稳定经济运行 1短期负荷预测的RBF网络模型 具有重要的意义。随着数据挖掘和人工智能的发 展，短期负荷预测的应用研究已发展到广泛深入阶 1．1 RBF网络模型结构 段。 RBF网络是一个两层前传网络。负荷预测的 多数专家和学者的经验表明，采用RBF网络 RBF网络模型结构如图1所示。 进行负荷预测，收敛速度快，预测精度也较高。因 此，采用RBF网络进行负荷预测的应用研究已经 很普遍。绝大多数研究过程都存在2个问题：一是 y 隐节点函数中心的确定常采用对初值依赖性强的K 一均值聚类法，如果初始聚类不合理，就会影响最 输入层 隐含层 输出层 终的聚类效果；二是参数调整常采用单一的学习算 法，会突显该方法的缺陷对预测结果的影响。 图1 RBF网络模型结构 针对上述问题，本文提出了一种联合各种数据 输入变量为最终确定的负荷影响因素。根据经 挖掘技术确定RBF网络的电力系统短期负荷预测 验初选后经信息熵与主成分分析联合约简选出的对 方法。采用了一种无需事先设定初始聚类条件，可 负荷影响较大且互不相关的因素；隐节点个数为动 以由少到多自动聚类的方法(动态聚类法…)，确 态聚类法确定的类别数；输出等于隐节点对输入激 定隐节点的中心。设计了一种新的混合学习算法调 励产生的局部响应的线性加权和。隐节点的激励函 整网络参数；在动态聚类和最小二乘拉。初始化网 数取高斯核函数旧J： 络的基础上，采用蚁群优化【31(ACO)算法修正 (1) 网络。 铲知…p【_丢(等)】 对于传统问题(影响因素和训练样本的合理 式中：i为第i个隐节点；_『为输入维；M为其维 选择)，本文分别采用的处理方法是：通过信息 数；xj、勺、or扑伽“分别为输入向量、第i个高斯 熵H1和主成分分析法[5“3联合约简以确定出对负荷函数的中心、宽度及权矢量％的第，项。 影响较大却彼此互不相关的因素；’通过动态聚类和 1．2 RBF网络的学习算法 灰色关联分析L7罐。结合，选择出与预测负荷模式最 对于RBF网络，需要确定的参数有隐含层激 相似的类中的数个样本作为训练样本。 励函数的中心、宽度及隐含层和输出层之间的连接 最后，采用浙江和保定2个地区的实际负荷数 权。确定三者的学习过程如下。 据进行了测试，结果表明，本