基于RBF神經網絡的負荷預測研究綜述

摘要：負荷預測是實現電力系統優化運行的基礎，對于電力系統的安全性、可靠性和經濟性都有著顯著的影響。RBF是一種三層前饋神經網絡，具有良好的函數逼近性能，已被廣泛應用到電力負荷預測中，并取得良好的效果。本文主要整理并介紹當前基于RFB神經網的負荷預測方法，對存在的問題進行了分析，并對未來的發展進行了展望。

關鍵詞：負荷預測 RBF 神經網絡 電力系統

0 引言

負荷預測是實現電力系統優化運行的基礎，對于電力系統的安全性、可靠性和經濟性都有著顯著影響。負荷預測是指從已知的經濟、社會發展和電力系統需求出發，考慮政治、經濟、氣候等相關因素，通過對歷史數據的分析和研究，探索事物之間的內在聯系和發展規律，以未來經濟和社會發展情況的預測結果為依據，對未來的電力需求做出估計和預測[1]。相關研究工作已在國內廣泛開展，其研究成果已經廣泛應用到電力系統實際運行維護當中，并取得了良好的經濟效益。

負荷預測的方法主要分為兩大類，分別是基于參數模型預測法和基于非參數模型預測方法?；趨的Ｐ偷念A測方法主要有單耗法、負荷密度法、電力彈性系數法、回歸模型預測法、趨勢外推預測法、時間序列預測法等；基于非參數模型預測方法主要有專家系統法、模糊預測法、灰色預測法、人工神經網絡預測法、小波分析預測法等[2]。

RBF神經網絡具有良好的函數逼近功能，在函數回歸上表現出較好的性能，已被廣泛應用到人工智能領域。在負荷預測方面，RBF也得到了廣泛的應用。本文的主要工作是整理了主要的基于RBF的電力負荷研究內容，對存在的問題進行了分析，并對未來的發展進行了展望。

本文接下來的內容安排如下，第二章介紹了RBF神經網絡的基本原理，第三章對基于RBF的電力負荷研究進行了綜述，最后給出了總結。

1 RBF神經網絡基本原理

RBF網絡的結構與多層前向網絡類似，如圖1所示，它由三層組成：第一層為輸入層，第二層為隱含層，第三層為輸出層[3]。

假設RBF神經網絡的輸入向量為n維，學習樣本為 （X，Y），其中，X=（X1，X2，…XN），為輸入向量，Xi=（Xi1，Xi2，…，XiN）T，1≤i≤Nj；Y=（y1，y2，…，yN），為期望輸出；N為訓練樣本個數。當神經網絡輸入為Xi時，隱含層第j節點的輸出如式（1）所示[4]。

對于全體輸入學習樣本，RBF神經網絡的輸出如式（2）所示。

2 基于RBF負荷預測相關研究

文獻[4]通過建立徑向基（RBF）神經網絡和自適應神經網絡模糊系統（ANFIs）相結合的短期負荷預測模型來應對實時電價對短期負荷的影響。由于固定電價時代的預測方法在電價敏感環境下效果不理想，文章根據近期實時電價的變化應用ANns系統對RBF神經網絡的負荷預測結果進行修正，提高預測效果。

文獻[5]研究了基于RBF神經網絡的多變量系統建模。文章將正規化正交最小二乘算法引入多輸入多輸出系統，進行相關研究，建立了基于RBF神經網絡的多變量系統的模型。對電廠單元機組負荷系統進行建模仿真研究的結果表明，用該方法建立的多變量熱工系統的非線性模型是有效的，具有較高的辨識精度和較好的泛化能力。

文獻[6]提出了一種基于交替梯度算法的RBF神經網絡，并將之應用到負荷預測領域，取得較好的效果。通過使用交替梯度算法來優化RBF輸出層權值和中心與偏差值來得到改進的RBF算法。與傳統梯度下降算法相比，改進的RBF算法具有更高的預測精度和更快的收斂速度。模型綜合考慮了氣象數據、日類型等影響負荷變化的多種因素，實驗結果表明改進的RBF網絡算法具有更優的性能。

文獻[7]將RBF神經網絡和專家系統相結合，在深入研究天氣和特殊事件對電力負荷的影響的基礎上，提出了新的負荷預測模型。利用RBF神經網絡的非線性逼近能力預測出日負荷曲線，然后利用專家系統根據天氣因素或特殊事件對負荷曲線進行修正，使其在天氣突變等情況下也能達到較高的預測精度。表1為文獻[7]的實驗結果對比表。

文獻[8]將模糊聚類分析中的隸屬度應用到負荷預測應，通過隸屬度原理得到一批與預測日在樣本信息上類似的歷史日。采用模糊聚類分析獲得的樣本作為RBF神經網絡的訓練樣本，并應用改進的RBF神經網絡進行訓練，在不需大量訓練樣本的前提下實現對短期負荷的預測。

影響電網負荷預測的因素很多，而地區電網負荷易受氣象因素影響，文獻[9]針對電網負荷預測以上特點，把氣象因素作為影響負荷的主要因素，采用模糊規則控制的徑向基神經網絡（RBF）算法，對某地區電網的日負荷數據進行預測，實驗證明采用這種預測方法可以提高負荷預測的速度和精度。表2給出了文獻[9]的實驗結果表。

3 結束語

本文針對基于RBF神經網絡負荷預測進行了綜述，但由于文章篇幅的原因，不能將所有的方法列舉出來，只列舉了具有代表性的方法，希望能起到拋磚引玉的作用。

參考文獻：

[1]肖國泉，王春，張福偉.電力負荷預[M].北京：中國電力出版社，2001.

[2]李昀.電力系統中長期負荷預測方法研究與應用[D].2011.

[3]張師玲.基于RBF神經網絡與模糊控制的電力系統短期負荷預測[D].江蘇大學，2010.

[4]雷紹蘭，孫才新，周湶等.基于徑向基神經網絡和自適應神經模糊系統的電力短期負荷預測方法[J].中國電機工程學報，2005.

[5]劉志遠，呂劍虹，陳來九等.基于RBF神經網絡的單元機組負荷系統建模研究[J].控制與決策，2003.

[6]郭偉偉，劉家學，馬云龍等.基于改進RBF網絡算法的電力系統短期負荷預測[J].電力系統保護與控制，2008.

[7]張濤，趙登福，周琳等.基于RBF神經網絡和專家系統的短期負荷預測方法[J].西安交通大學學報，2001.

[8]王平，張亮，陳星鶯等.基于模糊聚類與RBF網絡的短期負荷預測[J].繼電器，2006.

[9]張德玲，陳根永，郭飛.模糊規則控制的RBF短期負荷預測[J].微計算機信息，2007.