基于aga-rbf神经网络的短期负荷预测 short-term load forecasting based on aga-rbf neural network.pdfVIP

研 究 与 分 析 基于 神经网络的短期 员荷预测 黄永高 卢 毅 东南大学电气工程 学院江苏 南京 摘 要 针对 神经 网络的不足 以及传统遗传算法的特点 采用浮点数编码的 自适应遗传算法 作为 神经 网络的学习算法 来确定 神经 网络隐含层 的中心参数和宽度参数 形成 网络来进行负荷预 测 并通过实例验证 该方法与 神经 网络相比 能有效提高预测精度和改善 网络性能 关键词 短期 电力负荷预测 神经 网络 自适应遗传算法 中图分类号 文献标志码 文章编号 弓隋 基本理论 短期负荷预测是 电力系统运行和调度部 门的一 神经网络 项重要工作 电力负荷的准确预测对于电力生产和 神经 网络 由 层组成 输入层节点传递输入 电力安全运行 以及 国民经济都有着重要意义 尤其 信号到隐层 隐层节点 由高斯核函数 径 向基 描述 在当前 电力生产和供用 电管理走 向市场 短期负荷 而输出层节点通常由简单 的线性函数刻画 网 预测结果成为制定 电力市场交易计划 的重要依据 络的基函数常用的是高斯函数 可表示为 这就对短期负荷预测提出了更高的要求 由于电力系统负荷与很多复杂因素相关 其变 式 中 表示第 个输 出 表示输入样本 表示 化具有不确定性和随机性等特点 而人工神经网络 具有很强 的 自学习和复杂 的非线性 函数拟合能力 第 个隐层节点的高斯核函数 的中心且与 具有相 同 的维数 表示第 个隐层节点的变量 即基宽度 很适合于电力负荷预测 问题 其 中 神经 网络 是一种局部逼近网络 具有学习速度快的特点 同时 表示隐层节点的个数 具有很强的函数逼近和模式分类能力 近年来广泛 网络的输出为隐层节点输出的线性组合 应用 于短期 负荷 预测 然而 如何有效地确定 神经 网络 的网络结构和参数 至今没有系统