基于RBF神经网络的负荷预测研究综述.docVIP

基于RBF神经网络的负荷预测研究综述 　　摘要：负荷预测是实现电力系统优化运行的基础，对于电力系统的安全性、可靠性和经济性都有着显著的影响。RBF是一种三层前馈神经网络，具有良好的函数逼近性能，已被广泛应用到电力负荷预测中，并取得良好的效果。本文主要整理并介绍当前基于RFB神经网的负荷预测方法，对存在的问题进行了分析，并对未来的发展进行了展望。 　　关键词：负荷预测 RBF 神经网络 电力系统 　　0 引言 　　负荷预测是实现电力系统优化运行的基础，对于电力系统的安全性、可靠性和经济性都有着显著影响。负荷预测是指从已知的经济、社会发展和电力系统需求出发，考虑政治、经济、气候等相关因素，通过对历史数据的分析和研究，探索事物之间的内在联系和发展规律，以未来经济和社会发展情况的预测结果为依据，对未来的电力需求做出估计和预测[1]。相关研究工作已在国内广泛开展，其研究成果已经广泛应用到电力系统实际运行维护当中，并取得了良好的经济效益。 　　负荷预测的方法主要分为两大类，分别是基于参数模型预测法和基于非参数模型预测方法。基于参数模型的预测方法主要有单耗法、负荷密度法、电力弹性系数法、回归模型预测法、趋势外推预测法、时间序列预测法等；基于非参数模型预测方法主要有专家系统法、模糊预测法、灰色预测法、人工神经网络预测法、小波分析预测法等[2]。 　　RBF神经网络具有良好的函数逼近功能，在函数回归上表现出较好的性能，已被广泛应用到人工智能领域。在负荷预测方面，RBF也得到了广泛的应用。本文的主要工作是整理了主要的基于RBF的电力负荷研究内容，对存在的问题进行了分析，并对未来的发展进行了展望。 　　本文接下来的内容安排如下，第二章介绍了RBF神经网络的基本原理，第三章对基于RBF的电力负荷研究进行了综述，最后给出了总结。 　　1 RBF神经网络基本原理 　　RBF网络的结构与多层前向网络类似，如图1所示，它由三层组成：第一层为输入层，第二层为隐含层，第三层为输出层[3]。 　　假设RBF神经网络的输入向量为n维，学习样本为 （X，Y），其中，X=（X1，X2，…XN），为输入向量，Xi=（Xi1，Xi2，…，XiN）T，1≤i≤Nj；Y=（y1，y2，…，yN），为期望输出；N为训练样本个数。当神经网络输入为Xi时，隐含层第j节点的输出如式（1）所示[4]。 　　对于全体输入学习样本，RBF神经网络的输出如式（2）所示。 　　2 基于RBF负荷预测相关研究 　　文献[4]通过建立径向基（RBF）神经网络和自适应神经网络模糊系统（ANFIs）相结合的短期负荷预测模型来应对实时电价对短期负荷的影响。由于固定电价时代的预测方法在电价敏感环境下效果不理想，文章根据近期实时电价的变化应用ANns系统对RBF神经网络的负荷预测结果进行修正，提高预测效果。 　　文献[5]研究了基于RBF神经网络的多变量系统建模。文章将正规化正交最小二乘算法引入多输入多输出系统，进行相关研究，建立了基于RBF神经网络的多变量系统的模型。对电厂单元机组负荷系统进行建模仿真研究的结果表明，用该方法建立的多变量热工系统的非线性模型是有效的，具有较高的辨识精度和较好的泛化能力。 　　文献[6]提出了一种基于交替梯度算法的RBF神经网络，并将之应用到负荷预测领域，取得较好的效果。通过使用交替梯度算法来优化RBF输出层权值和中心与偏差值来得到改进的RBF算法。与传统梯度下降算法相比，改进的RBF算法具有更高的预测精度和更快的收敛速度。模型综合考虑了气象数据、日类型等影响负荷变化的多种因素，实验结果表明改进的RBF网络算法具有更优的性能。 　　文献[7]将RBF神经网络和专家系统相结合，在深入研究天气和特殊事件对电力负荷的影响的基础上，提出了新的负荷预测模型。利用RBF神经网络的非线性逼近能力预测出日负荷曲线，然后利用专家系统根据天气因素或特殊事件对负荷曲线进行修正，使其在天气突变等情况下也能达到较高的预测精度。表1为文献[7]的实验结果对比表。 　　文献[8]将模糊聚类分析中的隶属度应用到负荷预测应，通过隶属度原理得到一批与预测日在样本信息上类似的历史日。采用模糊聚类分析获得的样本作为RBF神经网络的训练样本，并应用改进的RBF神经网络进行训练，在不需大量训练样本的前提下实现对短期负荷的预测。 　　影响电网负荷预测的因素很多，而地区电网负荷易受气象因素影响，文献[9]针对电网负荷预测以上特点，把气象因素作为影响负荷的主要因素，采用模糊规则控制的径向基神经网络（RBF）算法，对某地区电网的日负荷数据进行预测，实验证明采用这种预测方法可以提高负荷预测的速度和精度。表2给出了文献[9]的实验结果表。 　　3 结束语 　　本文针对基于RBF神经网络