计算智能概论.docVIP

计 算 智 能 概 论 学院: 信息科学与工程 专业: 软件工程 学号: 201216040105 姓名: 李小光 RBF神经网络在中长期负荷预测中的应用 随着我国电力事业的发展电网管理日趋现代化,负荷预测问题的研究也越来越引起人们的重视,并已成为现代电力系统科学中一个重要领域。在实践中,无论是制订电力系统规划还是实现电力系统运行自动化,进行相应的负荷预测都是必不可少的。负荷预测的核心问题是预测的技术方法,或者说是预测的数学模型。由于人工神经网络ANN(artificialneuralnetwork)适于解决时间序列预测问题(尤其是平稳随机过程的预测),其在电力系统负荷预测中的应用从理论上是可行的。所以,ANN一经引入电力系统负荷预测就成为其应用研究的一个领域。 与ANN方法中一般采用的BP(backpropagation)算法相比,后来发展起来的径向基函数RBF(radialbasisfunction)网络具有良好的推广能力,而且学习速度比通常的BP算法快得多。本文从中长期负荷预测的实际应用出发,将径向基函数网络引入缺损数据的处理并提出了基于RBF神经网络的改进的预测模型,重点讨论了空缺数据的补全、失真数据的查找和修正以及预测模型的改进,多个仿真算例结果均具有很好的收敛性,且效果令人满意。 径向基函数RBF神经网络的结构与多层前向网络类似,它也是一种三层前向网络(结构下图所示)。输入层由信号源点组成;第二层为隐含层,它将输入空间映射到新的空间,其元数视所描述问题的需要而定;第三层为输出层,它对输入模式的作用做出响应。从输入空间到隐含层空间的变换是非线性的,它执行的是一种用于特征提取的非线性变换,而从隐含层空间到输出层空间变换是线性的。隐含层单元的变换函数是RBF函数,与BP网络中的Sigmoid函数相类似,只不过它是一种局部分布的对中心点径向对称衰减的非负非线性函数。 RBF网络应用的关键是隐层节点基函数的中心C和方差的选取以及隐层与输出层间权值的确定。根据径向基函数中心选取方法的不同,RBF网络有不同的学习方法,其中最常用的四种学习方法是:随机选取中心法、自组织选取中心法、有监督选取中心法和正交最小二乘法。这些学习方法的具体推导可参考文献。本文采用的是Matlab神经网络工具箱中具体的函数,而该工具箱中的Solverb函数正是根据正交最小二乘法编写的。 径向基函数网络具有以下特点:1)很强的泛函逼近能力,原理上能逼近任意的非线性函数;2)典型的局部逼近网络,对于每一个输入输出样本,网络中只需要调整少量的权值,从而具有训练速度快的优点;3)不需要大量的样本,在每一个输入、输出样本附近均有较好的泛化能力。还有,对于高斯基函数,每个基函数Ri(x)都有自己的平滑因子i,而不必所有的基函数共有一个平滑因子。在径向基函数网络的设计中,由于基函数的个数m小于数据集样本点的个数n,从而提高了训练速度。同时,由于每个基函数均有自身的平滑控制因子,故能更好地去掉数据中的噪声,使插值函数更为平滑。 神经网络结构和学习算法的选择对负荷预测计算的速度和精度有着直接的影响。现有的ANN方法一般采用误差反向传播算法的前向多层感知器网络,由于感知器网络权重初始化的随机性,难根据负荷预测的实际情况确定一组较好的初始值,并且BP算法学习收敛速度较慢,容易陷于局部极小点,从而极大地限制了神经网络在负荷预测中的实际应用。后来发展起来的径向基函数RBF理论为前向网络的学习提供了一种新颖而有效的手段。 1输入变量的选取 输入变量选择是神经网络建模前的一项重要工作,是否能够选出一组最能反映期望输出变化原因的输入变量,直接关系到网络预测的性能。此外,还要求各输入变量之间互不相关或相关性很小,这是输入变量选择的两条基本原则。对某个变量是否适合作为网络输入没有把握,可分别训练含有和不含有该输入的两个网络,对其效果进行对比。负荷预测在本质上是对未来一段时期的负荷如何受其它变量的影响进行预测,而影响负荷变化的因素很多且具有如下特点:某一因素对负荷未来变化的影响一般很难用一个准确的关系式表示出来;这些因素的影响可能彼此相关的;这就使负荷预测问题变得复杂了,同时也使得神经网络在负荷预测方面具有一定的优势。因为神经网络能学习和存储大量输入、输出模式的映射关系,而无须事先了解描述这种映射关系的数学方程,只要能提供足够的样本模式进行学习训练,便能完成由n维输入空间到m维输出空间的非线性映射。但是,如果输入变量中包含过多的影响因素,将加重