改進RBF神經網絡在短期負荷預測中的應用

張紅+金月+郭彥春

摘 要：電力系統負荷預測對電力調度部門來說是非常重要的，精確的負荷預測是經濟、可靠和安全的電力系統運行和規劃的依據，直接關系到電力系統供電計劃的制定和電力系統短期運行方式的安排。該文提出了一種改進的基于徑向基函數（Radial Basis Function，RBF）神經網絡的短期負荷預測的方法，經GA優化的SVM多核徑向基函數去提取有用數據，提高了短期負荷預測精度，該文以吉林某地區春季負荷為輸入，仿真結果表明算法的可行性。

關鍵詞：RBF 神經網絡 負荷預測 支持向量機

中圖分類號：TM715 文獻標識碼：A 文章編號：1672-3791（2014）10（b）0089-01

電力系統負荷預測直接影響供電平衡。由于電能不能大量儲存，發電、供電、用電必須同時完成。這就要求發電廠與電力公司發電、用電有嚴格的計劃性，使發電用電能夠達到瞬間平衡。假如系統的用電量超過發電量，則應當采取必要措施增加發電量，否則將出現電壓下降、頻率下降；反之，如發電量過剩，則也應采取必要措施來降低供電量，否則將出現頻率上升，電能質量嚴重下降等嚴重后果[1]。

隨著影響電力負荷的條件越來越復雜，電力負荷的變化非線性、時變性和不確定性特點需要進一步提高預測精度。同時隨著現代科學技術的不斷進步，理論研究的逐步深入，以灰色理論、專家系統理論、模糊數學、神經網絡等為代表的新興交叉學科理論的出現，也為負荷預測的飛速發展提供了堅實的理論依據和數學基礎。現在典型的非數學模型法主要有人工神經網絡（artificial neural network）法以及模糊理論建立起來的預測方法等[2]。

1 支持向量機

1.1 SVM簡介

支持向量機SVM （Support Vector Machine，簡稱SVM）是由Vanpik領導的AT&T Bell實驗室研究小組。在1963年提出的一種新的非常有潛力的分類技術，SVM是一種基于統計學習理論的模式識別方法，主要應用于模式識別領域，直到20世紀90年代，出現了過學習與欠學習問題、局部極小點問題等，使得SVM迅速發展和完善，其在解決小樣本、非線性及高維模式識別問題中表現出許多特有的優勢，并能夠推廣應用到函數擬合等其他機器學習問題中。SVM用于分類決策的基本思想是構造一個超平面，使正負模式之間的間隔最大[3]。

SVM算法基本過程：

準備多組訓練樣本

約束條件：

尋求最優超平面：

2 基于GA算法改進的多核SVM

2.1 遺傳算法的基本概念

遺傳算法（Genetic Algorithm，簡稱GA）是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優解的方法。遺傳算法是從代表問題可能潛在的解集的一個種群（population）開始的，進行遺傳（選擇），交叉，變異使得基因不斷優化，經過N代，產生更適應環境的新種群（即近似最優解）[4]。

遺傳算法的處理流程為產生的新一代種群又進行循環操作，這樣一代又一代不斷繁殖、進化，最后收斂到一群最適應環境的個體上，求得問題的最優解。對于復雜的優化問題，遺傳算法無需建模和進行復雜的運算，只要利用遺傳算法的三種算子就能尋找到優化的解。它尤其適用于處理傳統方法難以解決的復雜和非線性問題。本文則應用遺傳算法去優化支持向量機中核函數的核參數.

2.2 基于GA算法改進的多核SVM

由于徑向基核函數是最為常見的核函數，將徑向基核函數的SVM為研究目標。在解決分類問題時，應盡可能發揮SVM識別能力較強的特征的作用，抑制無效特征，由公式：

3 實例仿真與分析

以吉林某地區的負荷數據作為原始數據，輸入樣本為15天輸出為第15天的原負荷與預測負荷。

圖1中紅線為預測日期望負荷，藍線為模型預測負荷。由圖可以看出預測模型結果與真實負荷走向一致。由以上仿真實例可以看出改進后的RBF神經網絡與原RBF神經網絡相比具有更高的精確性，平均誤差、最大誤差、最小誤差都較原始RBF神經網絡有較大的減小。

4 結語

采用經GA優化的多核SVM網絡對輸入樣本進行分類，對預測日樣本分類，找出與預測日樣本類相同的一組數據，輸入RBF神經網絡中，對網絡進行訓練。最后輸入預測日的樣本輸出結果，將結果進行還原得到預測日負荷。通過比較可知與原始RBF神經網絡較好的優越性，說明算法的可行性。

參考文獻

[1] 王毅.電力系統短期負荷預測技術的研究與實現[M].華北電力大學碩士學位論文，2008.

[2] 王黎明，王艷松.基于RBF神經網絡的短期負荷預測[J].電氣技術，2007（4）：53-55.

[3] 曹安照，田麗.基于RBF神經網絡的短期電力負荷預測[J].電子科技大學學報，2006（2）：33-35.

[4] 李良敏，溫廣瑞.基于遺傳算法的改進徑向基支持向量機及其應用[J].系統仿真學報，2008，20（22）：6088-6092.endprint