基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)

《基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的電力負(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、第21卷第1期電子設(shè)計(jì)工程2013年1月Vo1．21No．1ElectronicDesignEngineeringJan．2013基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)張燕．謝峰(河北工業(yè)大學(xué)天津300130)摘要：為了提高電力系統(tǒng)負(fù)荷預(yù)測(cè)的精度與速度的需求，提出使用交替梯度算法改進(jìn)徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)，對(duì)天津市電網(wǎng)進(jìn)行負(fù)荷預(yù)測(cè)。改進(jìn)的算法與傳統(tǒng)梯度下降算法相比，具有更快的收斂速度和更高的預(yù)測(cè)精度。仿真結(jié)果表明該算法具有可行性關(guān)鍵詞：交替梯度算法；徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)；負(fù)荷預(yù)測(cè)；電力系統(tǒng)中圖分類號(hào)：TM715文獻(xiàn)標(biāo)識(shí)碼：A

2、文章編號(hào)：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負(fù)荷預(yù)測(cè)[q是根據(jù)系統(tǒng)的運(yùn)行特性。增容決策，自然條件與社會(huì)影響等諸多因素．在滿足一定精度要求的條件下。確定未來(lái)某特定時(shí)刻的負(fù)荷數(shù)據(jù)．其中負(fù)荷是指電力需求量(功率)或用電量：負(fù)荷預(yù)測(cè)是電力系統(tǒng)經(jīng)濟(jì)調(diào)度中的一項(xiàng)重要內(nèi)容，是能量管理系統(tǒng)(EMS)的一個(gè)重要模塊。短期負(fù)荷預(yù)測(cè)是指在已知?dú)v史負(fù)荷與氣象數(shù)據(jù)的基礎(chǔ)上，分析影響電力負(fù)荷的相關(guān)因素，提取歷史負(fù)荷、各相關(guān)因圖1RBF神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)素

5、(溫度、天氣、日類型等)和未來(lái)負(fù)荷之間的內(nèi)在關(guān)系，實(shí)現(xiàn)Fig．1DevelopstructurebasedonRBFNN對(duì)未來(lái)電力負(fù)荷需求的預(yù)測(cè)過(guò)程閉。且隨著隱節(jié)點(diǎn)數(shù)目的增加，極小值點(diǎn)也會(huì)增加。因此．尋找1RBF神經(jīng)網(wǎng)絡(luò)模型或設(shè)計(jì)出好的算法，最大程度地避免陷入局部極小值是非常重要的。RBF網(wǎng)絡(luò)刪是一種三層前饋網(wǎng)絡(luò)，如圖1所示，由輸入層2．1交替梯度算法到隱含層的映射是非線性的，而隱含層空間到輸出空間的映當(dāng)人工神經(jīng)網(wǎng)絡(luò)的規(guī)模較大時(shí)，非線性化程度越高，射是線性的。從而大大加快了學(xué)習(xí)速度并避免局部極小問(wèn)傳統(tǒng)的梯度算法訓(xùn)練的速度將變緩[41，訓(xùn)

6、練的效率降低，題。目前已經(jīng)證明，徑向基網(wǎng)絡(luò)能以任意精度逼近任意連續(xù)學(xué)習(xí)速率難以精確確定，且隨著學(xué)習(xí)的進(jìn)行，學(xué)習(xí)系數(shù)越函數(shù)。如果要實(shí)現(xiàn)同一個(gè)功能，RBF網(wǎng)絡(luò)的神經(jīng)元個(gè)數(shù)可能來(lái)越?。W(wǎng)絡(luò)的收斂性就更加難以控制。對(duì)于短期負(fù)荷要比前向BP網(wǎng)絡(luò)的個(gè)數(shù)要多，但是，RBF網(wǎng)絡(luò)所需要的訓(xùn)練預(yù)測(cè)而言．由于要考慮多種因素的影響．網(wǎng)絡(luò)的輸入比較時(shí)間確比前向BP網(wǎng)絡(luò)要少。龐大，隱節(jié)點(diǎn)數(shù)目較多，非線性化的程度相對(duì)也較高．傳統(tǒng)2RBF神經(jīng)網(wǎng)絡(luò)的交替梯度算法的梯度算法則顯得有些力不從心了。為提高網(wǎng)絡(luò)的訓(xùn)練效率，保證網(wǎng)絡(luò)能夠快速收斂。文獻(xiàn)提到了，一種交替梯度從函數(shù)逼近

7、的角度看，學(xué)習(xí)的過(guò)程實(shí)際上是在n維的誤算法。交替梯度算法就是將網(wǎng)絡(luò)訓(xùn)練分為兩個(gè)階段：輸入差曲面上搜索全局最小點(diǎn)。n是訓(xùn)練參數(shù)的總數(shù)。對(duì)于非線層一隱含層階段，隱含層一輸出層階段。訓(xùn)練時(shí)首先固性的神經(jīng)網(wǎng)絡(luò)而言，誤差曲面可能存在著多個(gè)局部極小值，定網(wǎng)絡(luò)的輸出層權(quán)值，運(yùn)用梯度算法訓(xùn)練網(wǎng)絡(luò)的中心和寬收稿日期：2012—08—26稿件編號(hào)：201208147度，然后固定網(wǎng)絡(luò)的中心和寬度，運(yùn)用梯度算法訓(xùn)練輸出作者簡(jiǎn)介：張燕(1974一)，女，河北石家莊人，博士，副教授。研究方向：智能系統(tǒng)，預(yù)測(cè)控制。一117—《電子設(shè)計(jì)工程~2013年第1期層權(quán)值。這

8、兩個(gè)過(guò)程交替進(jìn)行，直到達(dá)到要求的精度為為3個(gè)時(shí)段，每次只預(yù)測(cè)一個(gè)時(shí)段，即8個(gè)整點(diǎn)時(shí)刻的負(fù)荷，止_5J'如圖2所示。輸出節(jié)點(diǎn)為8個(gè)。如時(shí)段一對(duì)應(yīng)1：O0—8：00時(shí)刻，其余類推之。3．2訓(xùn)練樣本的選擇為保證訓(xùn)