基于改进RBF神经网络的电力负荷预测

《基于改进RBF神经网络的电力负荷预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第21卷第1期电子设计工程2013年1月Vo1．21No．1ElectronicDesignEngineeringJan．2013基于改进RBF神经网络的电力负荷预测张燕．谢峰(河北工业大学天津300130)摘要：为了提高电力系统负荷预测的精度与速度的需求，提出使用交替梯度算法改进径向基函数(RBF)神经网络，对天津市电网进行负荷预测。改进的算法与传统梯度下降算法相比，具有更快的收敛速度和更高的预测精度。仿真结果表明该算法具有可行性关键词：交替梯度算法；径向基函数(RBF)神经网络；负荷预测；电力系统中图分类号：TM715文献标识码：A

2、文章编号：1674—6236(2013)Ol一0l17—02BasedontheimprovedRBFneuralnetwokpowerloadforecastingZHANGYan，XIEFeng(Hebei西eofTechnology，Tianjin300130，China)Abstract：Inordertoimprovethepowersystemloadforecastingaccuracyandspeeddemend，putsforwadusingalternatinggradientalgorithmtoimproveth

3、eradialbasisfunction(RBF)neuralnetworktoTianjinpowergridinloadforecasting．Theimprovedalgorithmandthetraditionalgradientdescentalgorithm，hasfasterconvergencespeedandhigerprecisionofprediction．Thesimulationresultsshowthatthealgorithtingmisfeasible．Keywords：Alternatinggradi

4、entalgorithm；Radialbasisfunction(RBF)neuralnetwork；loadforecasting；powersystem负荷预测[q是根据系统的运行特性。增容决策，自然条件与社会影响等诸多因素．在满足一定精度要求的条件下。确定未来某特定时刻的负荷数据．其中负荷是指电力需求量(功率)或用电量：负荷预测是电力系统经济调度中的一项重要内容，是能量管理系统(EMS)的一个重要模块。短期负荷预测是指在已知历史负荷与气象数据的基础上，分析影响电力负荷的相关因素，提取历史负荷、各相关因图1RBF神经网络的拓扑结构素

5、(温度、天气、日类型等)和未来负荷之间的内在关系，实现Fig．1DevelopstructurebasedonRBFNN对未来电力负荷需求的预测过程闭。且随着隐节点数目的增加，极小值点也会增加。因此．寻找1RBF神经网络模型或设计出好的算法，最大程度地避免陷入局部极小值是非常重要的。RBF网络删是一种三层前馈网络，如图1所示，由输入层2．1交替梯度算法到隐含层的映射是非线性的，而隐含层空间到输出空间的映当人工神经网络的规模较大时，非线性化程度越高，射是线性的。从而大大加快了学习速度并避免局部极小问传统的梯度算法训练的速度将变缓[41，训

6、练的效率降低，题。目前已经证明，径向基网络能以任意精度逼近任意连续学习速率难以精确确定，且随着学习的进行，学习系数越函数。如果要实现同一个功能，RBF网络的神经元个数可能来越小．网络的收敛性就更加难以控制。对于短期负荷要比前向BP网络的个数要多，但是，RBF网络所需要的训练预测而言．由于要考虑多种因素的影响．网络的输入比较时间确比前向BP网络要少。庞大，隐节点数目较多，非线性化的程度相对也较高．传统2RBF神经网络的交替梯度算法的梯度算法则显得有些力不从心了。为提高网络的训练效率，保证网络能够快速收敛。文献提到了，一种交替梯度从函数逼近

7、的角度看，学习的过程实际上是在n维的误算法。交替梯度算法就是将网络训练分为两个阶段：输入差曲面上搜索全局最小点。n是训练参数的总数。对于非线层一隐含层阶段，隐含层一输出层阶段。训练时首先固性的神经网络而言，误差曲面可能存在着多个局部极小值，定网络的输出层权值，运用梯度算法训练网络的中心和宽收稿日期：2012—08—26稿件编号：201208147度，然后固定网络的中心和宽度，运用梯度算法训练输出作者简介：张燕(1974一)，女，河北石家庄人，博士，副教授。研究方向：智能系统，预测控制。一117—《电子设计工程~2013年第1期层权值。这

8、两个过程交替进行，直到达到要求的精度为为3个时段，每次只预测一个时段，即8个整点时刻的负荷，止_5J'如图2所示。输出节点为8个。如时段一对应1：O0—8：00时刻，其余类推之。3．2训练样本的选择为保证训