基于RBFNN的短期电力负荷混沌局域预测法

《基于RBFNN的短期电力负荷混沌局域预测法》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、维普资讯http://www.cqvip.com第34卷第14期继电器Vo1．34No．14242006年7月16日RELAYJu1．16，2006基于RBFNN的短期电力负荷混沌局域预测法艾名舜，马红光，刘遵雄(1．第二炮兵工程学院101教研室，陕西西安710025；2．西安交通大学电子与信息工程学院，陕西西安710049；3．华东交通大学信息工程学院，江西南昌330013)摘要：短期负荷序列数据表现出混沌特性，可以使用混沌时序局域方法进行预测。在混沌时序重构相空间中预则中心相点和趋势相点之间的映射关系不是单纯的线性关系，而常用的线性回归预测模型只能逼近线性

2、映射。提出利用径向基函数神经网络(RBFNN)来建立预测模型，可以更加精确逼近预则中心相点和预测相点之间的映射关系，并用欧氏距离和关联系数联合方法选取近邻相点，选取的近邻相点与预测中心相点的关联性更好。利用西北电网的负荷数据所做的实验证明，本文提出的基于RBFNN的局域预测法比线性局域预测法获得了更为满意的预测精度。关键词：短期负荷预测；混沌时序；径向基函数神经网络；局域模型中图分类号：TM715文献标识码：A文章编号：1003-4897(2006)14-0024-04试验，结果表明基于RBFNN的局域预测方法可以0引言获得较为满意的预测精度。短期负荷预测是电

3、力系统现代化管理的重要内1基于RBFNN的局域预测法容，随着电力的市场化进程不断推进，短期负荷预测在电力调度中的重要性也日益明显。电力负荷的变1．1局域预测法化受到多种因素的影响，如气候，经济，人们的生活、混沌时间序列在一维空间表现为复杂多变的混工作习惯等，而且这些因素也相互作用，形成了一个乱状态，从而给直接预测带来极大困难。然而混沌复杂的非线性动力系统，因此可以将短期负荷看成序列在相空间中表现出较强的规律性，相空间轨线是复杂动力系统的一个状态变量。实际上，短期负围绕着吸引子演化，轨线在局部具有自相似特性，即荷时序具有混沌特性已经得到证明1，而基于混相邻轨线的

4、演化方向是相近的。从空间几何角度来沌的预测方法在电力负荷预测方面的应用也取得了看，这种自相似性意味着其近邻相点内部有相同的较好的效果．4J。混沌局域预测法的核心思想是利映射关系：用吸引子局部范围内近邻相点的相似性，提取预测f-(n)=(n一)，(n一2r)，⋯)(1)中心相点与预测点之间的映射关系，进而得到预测基于这一特性，利用相邻轨线的演化过程来获数据。这种方法的关键是建立一个精确的模型来逼得待预测点数据，称之为混沌序列的局域预测。目近预测中心相点与预测点之间的映射。目前常用的前主要是利用线性回归模型来进行局域预测J．就模型是线性回归模型，这种模型的优点是计

5、算简单，是将式(1)中的映射关系，视为线性关系，但实际上在近邻点选择恰当的情况下可以有效逼近实际的线这种假设并非处处成立的，由于非线性系统的复杂性映射；缺点是回归模型对于受噪声干扰的近邻点性，映射关系，应该是非线性的或者两者兼有之。比较敏感。更为重要的问题在于，混沌系统的复杂考虑到人工神经网络具有强大的线性和非线性函数性决定相点与预测点之间的映射关系不是单纯的线逼近能力，利用神经网络来建立预测模型能够更精性关系，而是线性和非线性关系兼而有之，线性回归确逼近，，从而提高预测的精度。该方法主要分为三模型不能逼近非线性映射，从而限制了这种模型的个步骤：1)对时间序列

6、进行相空间重构；2)选择预预测精度。我们提出利用径向基函数神经网络RBFNN(RadialBasisFunctionNeuralNetwork)来建测中心点的近邻相点；3)将近邻相点作为训练样本立局域预测模型，这种模型具有强大的线性及非线训练RBFNN，得到预测模型。性映射逼近能力，通过对西北电网的短期负荷预测1．2相空间重构无论利用何种模型进行局域预测，恰当的相空基金项目：军队2l10院校重点学科建设基金资助项目间重构是保证预测精度的首要前提。Takens定理维普资讯http://www.cqvip.com艾名舜，等基于RBFNN的短期电力负荷混沌局域预测法

7、证明6j，如果嵌入维m≥2d+l(d是系统吸引子的的延迟时间。维数)，且其相应的延迟时间．r选择恰当，则可以利3)将获得的．r代回第l步，再次计算m，依次用时间序列在m维空间中重构吸引子，并且这个吸循环，对于特定的时间序列，时间窗t=(m—1)·引子与原系统吸引子保持微分同胚。Packard等人近似为一个常数，所以最终m和．r一定会收敛或接提出了坐标延迟相空间重构方法J，其基本思想是近收敛于．r。和‰，我们利用这两个值来重构相空确定一对恰当的嵌入维m和延迟时间．r，将一维的间吸引子。时间序列X=[，：，⋯，]扩展成为m维相空间1．3近邻点的选择中的轨线{}，每

8、个相点为=[，，⋯，近邻点的选取通常以