基于模糊聚類與RBF網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)

《基于模糊聚類與RBF網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、維普資訊http://www.cqvip.com第34卷第10期繼電器Vo1．34No．10642006年5月16日RELAYMay16，2006基于模糊聚類與RBF網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)王平，張亮，陳星鶯(河海大學(xué)電氣工程學(xué)院，江蘇南京210098)摘要：采用模糊聚類分析方法，應(yīng)用隸屬度來描述負(fù)荷與影響負(fù)荷變化因素之間的關(guān)系，得到一批與預(yù)測(cè)日在樣本信息上類似的歷史日；改進(jìn)RBF網(wǎng)絡(luò)的訓(xùn)練算法，增強(qiáng)RBF網(wǎng)絡(luò)的局部逼近能力和泛化能力，采用由模糊聚類分析獲得的樣本對(duì)RBF網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在不需大量訓(xùn)練樣本的前提下實(shí)現(xiàn)對(duì)短期負(fù)荷的預(yù)測(cè)。對(duì)浙江省某地區(qū)電網(wǎng)的實(shí)際負(fù)荷

2、數(shù)據(jù)仿真結(jié)果表明：該方法預(yù)測(cè)的日平均相對(duì)誤差為19l％，預(yù)測(cè)準(zhǔn)確度為97．4l％。關(guān)鍵詞：模糊聚類；隸屬度；RBF網(wǎng)絡(luò)；短期負(fù)荷預(yù)測(cè)中圖分類號(hào)：TM715文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1003-4897(2006)10-0064434本文在分析模糊聚類與ANN各自特點(diǎn)的基礎(chǔ)0引言上，發(fā)揮它們各自的優(yōu)勢(shì)，提出一種新的短期負(fù)荷預(yù)短期負(fù)荷預(yù)測(cè)_l是指預(yù)測(cè)未來一天至一周的測(cè)方法：基于模糊聚類分析與徑向基函數(shù)網(wǎng)絡(luò)電力負(fù)荷，為電力系統(tǒng)預(yù)調(diào)度計(jì)劃提供決策依據(jù)。(RBF)的短期負(fù)荷預(yù)測(cè)。在該方法中，首先從歷史它通過對(duì)已有的歷史負(fù)荷和影響負(fù)荷變化的各種相樣本中采樣，將影響負(fù)荷變

3、化的影響因素(氣溫、日關(guān)因素進(jìn)行分析和研究，采用有效的預(yù)測(cè)方法，在滿類型、光照量、降雨量)數(shù)值化，進(jìn)行模糊聚類分析，足一定精度的前提下，對(duì)未來24h至168h的電力得到一批與預(yù)測(cè)日樣本信息類似的歷史日樣本信負(fù)荷作出預(yù)測(cè)。息；然后將這些歷史日樣本信息及相應(yīng)的歷史日負(fù)模糊集理論2是數(shù)學(xué)領(lǐng)域近年來發(fā)展較快的荷值輸入RBF神經(jīng)網(wǎng)絡(luò)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；最后，將一個(gè)分支。模糊集將普通集合的特征函數(shù)靈活化，預(yù)測(cè)日樣本信息輸入訓(xùn)練好的RBF網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)短使元素對(duì)集合的從屬程度由只能取{01}中的值期負(fù)荷的預(yù)測(cè)。該方法利用模糊聚類分析對(duì)類似信擴(kuò)充到[01]中的任何值，一個(gè)元

4、素和一個(gè)集合的息的聚類能力，從歷史日中選取與預(yù)測(cè)日類似的一關(guān)系，不一定是絕對(duì)的“屬于”或“不屬于”，而需要批樣本，利用RBF網(wǎng)絡(luò)的局部逼近能力，保證了在考慮元素隸屬于集合的程度是多少。所以，模糊集歷史樣本較少的情況下也能成功進(jìn)行短期負(fù)荷預(yù)合是經(jīng)典集合的推廣，讓精確的數(shù)學(xué)語(yǔ)言進(jìn)入了模測(cè)。采用該方法對(duì)浙江省某地區(qū)電網(wǎng)的短期負(fù)荷預(yù)糊現(xiàn)象的禁區(qū)。短期負(fù)荷預(yù)測(cè)中，影響負(fù)荷變化的測(cè)結(jié)果顯示：該方法的日平均相對(duì)誤差為1．91％，因素與預(yù)測(cè)對(duì)象之間沒有絕對(duì)的隸屬關(guān)系，只有相預(yù)測(cè)準(zhǔn)確度為97．41％。對(duì)的隸屬程度。因此，用模糊集來刻畫影響因素與1預(yù)測(cè)樣本的模糊聚類分析預(yù)測(cè)

5、對(duì)象之間的關(guān)系，是非常合理的。基于模糊集理論的模糊聚類分析，近年來研究由Tamura首創(chuàng)的基于模糊等價(jià)關(guān)系的動(dòng)態(tài)聚較多，并且已經(jīng)在環(huán)境保護(hù)、地質(zhì)勘探、氣象預(yù)報(bào)等類分析方法J，發(fā)展較早，是一種實(shí)用的聚類分析方領(lǐng)域得到很多應(yīng)用。但是，把模糊聚類分析應(yīng)用法。該方法的基本思想是將預(yù)測(cè)樣本的各項(xiàng)指標(biāo)進(jìn)于電力系統(tǒng)短期負(fù)荷預(yù)測(cè)，目前研究較少。行量化，形成指標(biāo)特征值，然后對(duì)指標(biāo)特征值進(jìn)行相人工神經(jīng)網(wǎng)絡(luò)(ANN)是近十幾年來的研究似陛標(biāo)定，形成模糊矩陣R，通過模糊計(jì)算，形成具有熱點(diǎn)，把ANN應(yīng)用于電力系統(tǒng)短期負(fù)荷預(yù)測(cè)，研究自反性、對(duì)稱性和傳遞性的模糊等價(jià)矩陣t(R)，最后

6、的較多，方法也較為成熟。但是，單純采用ANN進(jìn)選取水平值A(chǔ)進(jìn)行分類。1．1模糊相似矩陣的建立行短期負(fù)荷預(yù)測(cè)，基本上都需要大量的訓(xùn)練樣本，來設(shè)凡個(gè)樣本組成的集合X={，：，?，}，每大范圍映射負(fù)荷變化的因素與負(fù)荷值之間復(fù)雜的非線性關(guān)系，使得訓(xùn)練的過程中誤差較大J。個(gè)樣本有m個(gè)指標(biāo)特征值Xj=(：一，面)，所維普資訊http://www.cqvip.com王平，等基于模糊聚類與RBF網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)65以集合可用矩陣表示為X={z，其中為聚類樣本指標(biāo)i的特征值，i=1，2，?，m；_『=1，2，?，／7,。計(jì)算的：1n均值：x—i=1∑xi'(1)輸入層隱

7、層輸出層————一圖1徑向基函數(shù)網(wǎng)絡(luò)標(biāo)準(zhǔn)差：sj=^，＼／17∑(一)(2)Fig．1Radialbasisfunctionnetwork,不同于反向傳播(BP)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)作用函標(biāo)準(zhǔn)化值：=(3)i數(shù)(通常是Sigmoid函數(shù))，RBF網(wǎng)絡(luò)隱層的作用，，^，一^，函數(shù)通常采用高斯函數(shù)：相對(duì)隸屬度：=衛(wèi)(4)jmax—jram()=exp[一L_一L](7)式(1)、(2)、(3)是對(duì)樣本數(shù)據(jù)的預(yù)處理，使得實(shí)際樣本指標(biāo)值差異較大的數(shù)據(jù)具有可比性，并且使所式(7)中，i=1，2，?，m，m是隱層神經(jīng)元的個(gè)數(shù)；有樣本值標(biāo)準(zhǔn)化在[0，1]閉區(qū)間中。式(4)中

8、，r稱是／7,維輸入向量；ci是第i個(gè)徑向基函數(shù)的中心，與為樣本_『的指標(biāo)i對(duì)某