基于RBF神经网络的短期负荷预测
电力系统中的负载预测与优化方法
![电力系统中的负载预测与优化方法](https://img.taocdn.com/s3/m/88dac166302b3169a45177232f60ddccda38e617.png)
电力系统中的负载预测与优化方法随着社会经济的快速发展,人们日益增多的用电需求使得电力系统的负载预测和优化越来越重要。
电力系统的负载预测和优化是为了能够更加稳定可靠地向用户提供电力服务,同时也是为了更加高效地利用电力资源,减少电力浪费和污染。
本文将详细介绍电力系统中的负载预测和优化方法,以及它们的应用。
一、电力系统中的负载预测电力系统的负载预测是通过对历史负载数据进行分析,结合未来可能发生的事件和因素,来预测未来的负载情况。
这个预测过程可以分为短期预测、中期预测和长期预测。
1.1 短期负载预测短期负载预测一般是指对未来一周或者一天内的负载情况进行预测。
这种负载预测是最为常见的,因为它在电力系统的准确调度和优化中扮演着至关重要的角色。
短期负载预测的方法可以分为基于统计学的方法和基于人工神经网络的方法。
基于统计学的方法是通过对历史负载数据的统计分析和建模来进行预测。
具体来说,可以采用平均值法、最小二乘法、指数平滑法、ARIMA模型等方法来进行预测。
它们的共同特点是都需要对历史负载数据进行一定的预处理和分析,选取合适的模型并进行参数调整,最后得到预测结果。
基于人工神经网络的方法则是通过构建人工神经网络来进行预测。
这种方法的优点在于它可以自适应地学习和适应负载数据的变化,并且可以处理多变量问题。
人工神经网络的种类很多,其中包括BP神经网络、RBF神经网络、神经模糊系统等。
1.2 中期负载预测中期负载预测一般是指对未来一周到一个月内的负载情况进行预测。
这种负载预测方法的主要目的是为电力系统提供长期调度和规划的决策依据。
中期负载预测的方法可以分为基于时间序列分析和基于回归分析的方法。
基于时间序列分析的方法是通过对负载数据进行分解和周期性分析,得到其趋势和季节性变化,再利用ARIMA模型和灰度预测模型等方法来进行预测。
基于回归分析的方法则是结合多个影响负载的因素,如天气、经济等,采用线性回归、非线性回归或者广义回归模型来进行预测。
基于改进RBF神经网络的电力负荷预测
![基于改进RBF神经网络的电力负荷预测](https://img.taocdn.com/s3/m/fde13f4fa8956bec0975e323.png)
( 河北工业 大学 天津 3 0 0 1 3 0 ) 摘 要 :为 了提 高 电 力 系统 负荷 预 测 的 精 度 与速 度 的 需 求 , 提 出使 用 交替 梯 度 算 法 改 进 径 向 基 函数 ( R B F )神 经 网络 , 对 天 津 市 电 网进 行 负荷 预 测 。改 进 的算 法 与 传 统 梯 度 下 降 算 法相 比 , 具 有 更 快 的收 敛 速 度 和 更 高 的预 测 精 度 。 仿 真 结果 表 明 该 算 法 具 有 可 行 性 关 键 词 :交 替 梯 度 算 法 ;径 向基 函 数 ( R B F )神 经 网络 ;负荷 预 测 ;电 力 系统 中图 分 类 号 : T M7 1 5 文献标识码 : A 文 章 编 号 :1 6 7 4 — 6 2 3 6 ( 2 0 1 3 ) O l 一 0 l 1 7 — 0 2
第2 1 卷 第 1 期
Vo 1 . 21 No . 1
电子 设计 工 程
El e c t r o n i c De s i g n E n g i n e e r i n g
2 0 1 3年 1月
J a n . 2 0 1 3
基于改进 R B F神经网络的电力 负荷预测
负荷预测[ q 是 根 据 系 统 的运 行 特 性 。 增容 决策 , 自然 条 件
与社 会影响 等诸多 因素 . 在满 足一定 精度要 求 的条件下 。 确
定 未 来 某 特 定 时 刻 的 负 荷 数 据 .其 中负 荷 是 指 电 力 需 求 量
( 功率 ) 或用 电量 : 负 荷 预 测 是 电 力 系 统 经 济 调 度 中 的 一 项 重 要 内容 , 是 能量管理 系统 ( E MS ) 的一个重 要模块 。 短 期 负 荷 预 测 是 指 在 已 知 历 史 负 荷 与 气 象 数 据 的 基 础 上, 分 析 影 响 电力 负荷 的 相 关 因素 , 提取历 史负荷 、 各 相 关 因 图1 R B F 神经 网络 的拓扑结构
中文翻译
![中文翻译](https://img.taocdn.com/s3/m/65f8de1ef18583d0496459db.png)
一种新为了负荷预测的小波变换模糊RBF神经网络的短期电力系统模型Jingduan Dong, Changhao Xia, and Wei Zhang摘要电力负荷的周期性变化和气候的影响(降水,温度,相对湿度,风速)对荷载应模糊。
为了解决这一问题,本章提出了一种结合小波变换,模糊概念的方法,和用于短期负荷预测的神经网络。
通过小波变换,将负荷序列分解成不同的子序列的小波系数组成的。
另一方面,通过模糊神经网络,对影响电力负荷的五个气象因子的样本转化为模糊输入的子序列,然后,对合适的RBF神经网络的预测选择。
最后,负荷序列的预测结果重构而得到的子序列。
仿真结果表明提出的方法具有有效性和实用性与绝对平均误差低于1.5%。
1.1引言电力负荷预测是研究电力负荷变化规律和变化趋势。
准确的负荷预测可以提高安全性和稳定性以及电力系统经济。
由于气候等因素,经济,价格政策,和更多的努力已经走向,为电力负荷预测技术来适应这些因素的影响改进的应用。
短期负荷预测是电力系统运行的一个重要组成部分,主要用于机组优化组合,发电计划,水热协调,电力交易计划等[ 1 ]。
准确预测负荷变化,提前为电网低功率损耗预测。
J.东(*)•C.夏•W.张电气工程和新能源学院,中国三三峡大学,宜昌443002,中国电子邮件:76471786@j。
东(*)•C.夏•W.张此外还有电力负荷的不确定性和复杂多变的外部因素。
研究表明,不同的气象因素对电力负荷的影响也不同。
气候变化是一个负荷波动,提高预测方法的进一步研究[ 2 ]的重要原因。
有用于预测多年来负荷的各种方法。
传统的短期负荷预测方法有时间序列,自回归滑动平均,指数平滑预测模型等,这些数学表达式不能满足当今电力系统的要求。
现代预测算法的人工神经网络(ANN)将在这一章中,网络可以逼近任意非线性函数模型的性能和学习特征的原因。
人工神经网络已被广泛应用于电力系统短期负荷预测。
本文介绍了小波模糊神经网络模型。
基于模糊聚类与RBF网络的短期负荷预测
![基于模糊聚类与RBF网络的短期负荷预测](https://img.taocdn.com/s3/m/7debf1f6700abb68a982fbf1.png)
个 分支 。模 糊集 将 普 通 集 合 的特 征 函数 灵 活 化 ,
使 元 素对 集 合 的从 属 程 度 由只 能 取 { 1 中的 值 0 } 扩 充 到 [ 1 中 的任何 值 , 0 ] 一个 元 素 和 一 个集 合 的 关系 , 不一 定 是 绝 对 的 “ 于 ” “ 属 于 ”, 需 要 属 或 不 而
9 4l% 。 7.
关 键 词 :模 糊 聚 类 ; 隶 属 度 ; R F网络 ; 短 期 负荷 预 测 B 中 图 分 类 号 :T 7 5 M 1 文 献标 识 码 :A 文章 编 号 :10 -8 7 20 )00 6 44 0 34 9 (0 6 1 - 4 3 0
0 引言
对 的隶属 程 度 。 因此 , 模 糊 集 来 刻 画 影 响 因 素 与 用 预测 对 象之 间 的关 系 , 非 常合 理的 。 是 基 于模 糊 集 理 论 的模 糊 聚类 分 析 , 年 来研 究 近
测 。采 用该 方法 对浙 江 省某地 区相 对 误 差 为 1 9 % , 该 .1 预测 准 确度 为 9 . 1 。 74%
足 一定 精度 的前提 下 , 未来 2 对 4 h至 18 h的 电力 6
本 文 在分 析模 糊 聚 类 与 A N各 自特 点 的基 础 N 上, 发挥它 们 各 自的优 势 , 出一 种新 的 短期 负荷 预 提
测 方 法 : 于 模 糊 聚 类 分 析 与 径 向 基 函 数 网 络 基
( 海 大 学 电 气工 程 学 院 , 苏 南 京 20 9 ) 河 江 10 8
摘 要 :采 用 模 糊 聚 类 分 析 方 法 , 用 隶属 度 来描 述 负荷 与 影 响 负荷 变 化 因素 之 间 的 关 系 , 到 一 批 与 预 测 日 应 得
基于RBF神经网络的负荷预测研究综述
![基于RBF神经网络的负荷预测研究综述](https://img.taocdn.com/s3/m/402bd7de80eb6294dd886c43.png)
廖 小红 于辉 ( 1 . 广东 科 技学 院 计算 机系 ; 2 . 广东 电 网 东 莞 供电 局)
摘要 : 负荷 预 测 是 实 现 电力 系统 优 化 运 行 的基 础 , 对于 电力 系统 ,X . N ) , 1 ≤i ≤N ; Y =( Y 1 , Y 2 , …, y N ) , 为期望输 出; N 为 训 的安 全 性 、 可 靠 性 和 经 济 性 都 有着 显 著 的 影 响。 R B F是 一 种 三 层 前 练 样本 个数 。 当神 经 网络输 入 为 X . 时, 隐含层 第 节点 的
了展 望 。
输 出如 式( 1 ) 所 示1 4 ] 。
G( X i , C . , 1 3 " 。 ) = e x p f \ —L 上 2 上L L l o j 』
『 _l J X— C l l \
( 1 )
关 键词 : 负 荷预 测
R B F 神经网络
电力 系统
Байду номын сангаас0 引言
式中, C _ = ( C j 1 , C j 2 , …, C j ) , 为第 j 个隐 含层 高 斯 函数 的 中心 ; o; 为第 i 个 隐含层 高斯 函数 的宽 度。
负荷预 测 是 实现 电力 系统 优 化运 行 的基 础 , 对于 电力 对 于 全 体 输 入 学 习样 本 , R B F神 经 网络 的输 出如 式 系统 的安 全性 、 可 靠性 和 经济 性都 有着 显著 影 Ⅱ 向 。 负荷预 ( 2) 所 示。 M 测是 指从 已知 的经 济 、社 会 发展 和 电力 系统 需 求 出发 , 考 Y = G( X, C , oi ) W. + e ( 2 ) 意政 治 、 经济 、 气 候 等相 关 因素 , 通 过 对历史 数 据 的分析 和 j = 。 一l 。 研究 , 探 索 事物 之 间 的内在 联 系和 发展 规 律 , 以 未来 经济 式中, W; 为第 i 个 隐层 节 点 与输 出层 之间 的 网络连 接 和社 会发 展 情 况 的预 测 结 果 为依 据 , 对 未来 的 电力 需 求做 权, M 为 隐含 层 节点 数 , e为 拟合误 差。 出估计 和预 测川 。 相 关研 究 工作 已在 国 内广泛 开展 , 其 研 究 2 基 于 RB F负 荷预 测相 关研 究 成果 已经广 泛应 用 到 电力 系统 实 际运行 维 护 当 中 , 并 取得 文献 【 4 】 通 过建 立径 向基 ( R B F ) 神 经 网络和 自适 应神 经 了 良好 的经济 效益 。 网络 模糊 系统 ( AN F I s ) ) f B 结 合 的短期 负 荷预 测 模 型来 应 对 负荷 预 测 的 方法主 要 分为 两 大类 , 分别 是 基于 参 数模 实时 电价 对短期 负荷 的影 响 。由于 固定 电价 时代 的预 测 方 型 预 测法和 基 于 非参数 模型 预 测 方法。 基 于参 数模 型 的预 法在 电价 敏感 环境 下 效 果不理 想 , 文章 根据 近 期 实时 电价 测 方法主 要 有单 耗 法、 负荷 密度 法 、 电力 弹 性 系数 法、 回 归 的 变化应 用 AN n s系 统 对 R B F神 经 网络 的 负荷 预 测结 果 模 型预 测 法 、 趋势 外 推预 测 法、 时 间序列 预 测法 等 ; 基 于 非 进行修 正 , 提高预 测效 果。 参 数 模 型 预 测 方 法主 要 有 专 家 系统 法 、 模糊预测法、 灰 色 文献【 5 】 研 究 了基于 R B F神 经 网络 的多变量 系统建模 。 预 测 法、 人 工神 经 网络预 测 法、 小 波 分析 预 测 法等 。 文章将 正 规化 正 交最 小 二乘算 法 引入 多输 入 多输 出 系统 , R B F神 经 网络具 有 良好 的函数 逼近 功 能 , 在 函数 回 归 进行相 关研 究 ,建 立 了基 于 R B F神 经 网络 的 多变 量 系统 上 表 现 出较 好 的性 能 , 已被 广泛 应 用到人 工 智 能领 域 。在 的模型 。对 电厂单元 机组 负荷 系统 进行建 模仿 真研 究 的结 负 荷预 测 方面 , R B F也 得 到 了广泛 的应 用。 本 文 的主 要工 果表 明 , 用 该 方法 建 立 的多变 量热 工 系统 的 非线性 模 型是 作 是 整理 了主要 的基 于 R B F的 电力 负荷 研 究 内容 ,对存 有效 的 , 具 有较 高 的辨识精 度和 较好 的泛 化 能力。 在 的问题进 行 了分析 , 并 对 未来 的发展 进行 了展 望 。 文献 【 6 】 提 出了一种 基于 交 替梯 度 算法 的 R B F神 经 网 本文 接下 来 的 内容 安排 如 下 ,第 二章 介绍 了 R B F神 络, 并将 之 应用 到负 荷预 测领 域 , 取得 较 好 的效 果 。 通过 使 经 网络 的基 本原理 ,第 三章 对基 于 R B F的 电力 负荷 研 究 用交替 梯 度 算法来 优 化 R B F输 出层权 值 和 中心 与偏 差 值 进 行 了综述 , 最 后给 出了总结 。 来 得到 改进 的 R B F算 法。与传 统梯 度下 降 算法相 比, 改进 1 RB F神经 网络 基本 原理 的 RB F算 法具 有更 高 的预 测精 度和 更 快 的 收敛 速度 。模 RB F网络 的结 构 与多层 前 向 网络类似 ,如 图 1所 示 , 型综合 考 虑 了气象 数据 、 日类 型等 影 响负荷 变化 的多种 因 它 由三层 组成 : 第 一层 为输入 层 , 第 二层 为 隐含层 , 第 三层 素, 实验 结 果表 明改进 的 R B F网络 算法具 有更优 的性 能 。 为输 出层㈤ 。 文献【 7 】 将R B F神 经 网 络和 专 家 系统相 结 合 , 在 深 入 研 究天 气和 特殊 事 件对 电力 负 荷 的影 响 的基 础上 , 提出了
电力系统中的负荷预测方法
![电力系统中的负荷预测方法](https://img.taocdn.com/s3/m/5e15f16d11661ed9ad51f01dc281e53a580251c7.png)
电力系统中的负荷预测方法在当今社会,电力作为一种至关重要的能源形式,其稳定供应对于经济发展和人们的日常生活具有举足轻重的意义。
而电力系统中的负荷预测,作为电力规划、运行和调度的重要依据,对于确保电力系统的安全、可靠和经济运行起着关键作用。
那么,究竟有哪些方法可以用来进行电力系统的负荷预测呢?首先,我们来谈谈基于时间序列分析的方法。
这种方法把历史的负荷数据看作是一个随时间变化的序列,通过对这个序列的分析和建模来预测未来的负荷。
常见的时间序列模型有自回归移动平均(ARMA)模型和自回归积分移动平均(ARIMA)模型。
ARMA 模型假设当前的负荷值是过去若干个负荷值和随机干扰项的线性组合。
它通过对历史数据的统计分析,确定模型的参数,从而进行预测。
而 ARIMA 模型则是在 ARMA 模型的基础上,考虑了数据的非平稳性,通过对数据进行差分处理,使其变为平稳序列后再进行建模。
时间序列分析方法的优点是计算相对简单,对短期负荷预测往往能取得较好的效果。
但它也有局限性,比如对于负荷数据中的突变点和异常值比较敏感,而且对于外部因素的影响考虑不足。
接下来是回归分析方法。
这种方法试图建立负荷与各种影响因素之间的线性或非线性关系。
常见的影响因素包括气温、日期类型(工作日、周末、节假日等)、经济指标等。
通过收集大量的历史数据,运用统计方法确定回归方程的参数,从而可以根据给定的影响因素值来预测负荷。
多元线性回归是其中较为常见的一种形式。
它假设负荷与各个影响因素之间是线性关系。
但在实际情况中,这种线性关系往往并不准确,于是就有了非线性回归方法,如多项式回归、逻辑回归等。
回归分析方法的优点是能够清晰地展示负荷与影响因素之间的关系,预测结果具有一定的解释性。
然而,它需要准确地选择影响因素和建立合适的模型,否则可能导致预测误差较大。
再说说灰色预测方法。
灰色系统理论认为,部分信息已知、部分信息未知的系统可以被看作是灰色系统。
电力负荷系统就是这样一个灰色系统,因为我们虽然有一定的历史负荷数据,但对于未来的影响因素和变化趋势并不完全清楚。
基于PSO的RBF神经网络短期电力负荷预测
![基于PSO的RBF神经网络短期电力负荷预测](https://img.taocdn.com/s3/m/2cab8d82d0d233d4b14e694c.png)
J n 2 0 H .. 0 7
文 章 编 号 : 6 2 2 7 (0 7 0 —0 3 —0 1 7 ~ 4 7 2 0 )2 0 3 3
基 于 P O 的 RB S F神 经 网 络 短 期 电 力 负 荷 预 测
田 丽, 黄世 伟 , 李泽 应 , 王 军
( 徽 工 程 科 技 学 院 安 徽 省 电气 传 动 与 控 制 重 点 实 验 室 , 徽 芜 湖 2 10 ) 安 安 4 0 0
作者简介 : 田 丽 (9 2 )女 。 徽 芜 湖 人 , 授 , 导 . 1 6~ 。 安 教 硕
维普资讯
安
徽
工
程
科
技
学
院
学
报
网络算法 相竞 争 的算 法 . 系统初 始化 为一 组随机 解 , 通过 迭代 搜 寻最 优 值. 同于 遗 传算 法 中 的交 叉 和变 不 异, 粒子群 算法 主要 是让 粒子在 解 空间追 随最优 的粒 子进行 搜 索. 比于 遗传 算法 , 相 它更 加容 易实 现 , 没有 许 多参数需 要调 整 , 以可 以更 好 的应 用 于函数 优化 , 所 神经 网络 训练 以及 模糊 系统控 制 等应用 领 域. P O初始化 为~群 随机 粒子 , S 然后通 过迭代 寻 找最 优解. 每一 次 迭代 , 子通 过 跟踪 两 个 “ 值 ” 更 粒 极 来
具有 不确 定性 、 机性 和模 糊性 的特 点 , 随 因而 负荷预 测很 难得 到 准确 的结 果. 本研 究使 用径 向基 函 数神 经 网络结合 粒 子群 优化算 法 建 立短 期 电力 负荷 预 测模 型 , 合安 徽 省 巢 湖 结 地 区电力 负荷 的 实际情 况 , 对预 测方 法进行 探 讨和 研究 .
基于神经网络的短期电力负荷预测研究
![基于神经网络的短期电力负荷预测研究](https://img.taocdn.com/s3/m/c8770119302b3169a45177232f60ddccda38e6b6.png)
基于神经网络的短期电力负荷预测研究摘要:随着电力供需关系的日益紧张和新能源的广泛应用,短期电力负荷预测变得至关重要。
传统的统计模型在电力负荷预测中存在一定的局限性,而神经网络作为一种非线性建模方法,具有较强的适应性和预测能力。
本文基于神经网络的方法,研究了短期电力负荷预测问题,并通过实证分析验证了该方法的有效性。
1. 引言短期电力负荷预测是电力系统调度和运营中的重要任务,是合理安排电力资源、保障电力供应的关键。
传统的统计模型如ARIMA、SARIMA等在电力负荷预测中得到了广泛应用,但这些模型往往无法很好地捕捉到非线性关系和复杂的动态变化,导致预测精度有限。
神经网络作为一种自适应非线性建模方法,通过学习样本中的模式和规律来预测未知数据的值,具有很强的适应能力和非线性拟合能力,因此在短期电力负荷预测中具有潜力。
本研究旨在探究基于神经网络的短期电力负荷预测方法,并通过实证验证其预测效果。
2. 神经网络模型神经网络是由多个神经元以及它们之间的连接构成的一个网络系统。
本研究使用多层感知器(MLP)作为预测模型,它是一种常见的前馈神经网络模型。
MLP包括输入层、隐藏层和输出层,其中隐藏层的数量和神经元的个数可以根据实际问题进行调整。
在本研究中,输入层的节点表示历史负荷数据和其他相关因素,输出层的节点表示未来一段时间内的电力负荷。
隐藏层的神经元使用激活函数对输入进行非线性变换,通过学习样本数据的特征来对未知数据进行预测。
3. 数据处理和模型训练为了建立短期电力负荷预测模型,首先需要收集和处理相关的数据。
常见的输入因素包括历史负荷数据、温度、季节性等。
本研究选择了历史负荷数据和温度作为输入因素。
然后,将数据集划分为训练集和测试集。
训练集用于模型的参数估计,测试集用于评估模型的预测能力。
为了提高模型的泛化性能,本研究采用了交叉验证的方法进行模型训练和调优。
在模型训练过程中,需要选择合适的损失函数和优化算法。
本研究选择了均方误差(MSE)作为损失函数,用于衡量模型的预测误差。
基于RBF神经网络的短期负荷预测
![基于RBF神经网络的短期负荷预测](https://img.taocdn.com/s3/m/ed4b91b5f121dd36a32d827c.png)
只-
遗传算法是建立在 自然选择和群体遗传学机理 基础上的随机迭代与进化的搜索方法,是一种通用 的自适应随机搜索方法,对优化设计限制较少,而 且能以较大的概率求得全局最优解。用遗传算法训 练神经网络可以克服神经网络原有固定结构学习方 法的缺陷,从中找到合适的网络结构,因而具有广
取 0.9。
式=a 。 1一 么 x + a ( ) 减二 x, 1一 凡 a + a ( )
研 究 与开 发
基于 RBF 神经网络的短期负荷预测
王黎明 王艳松
( 中国石油大学信息与控制工程学院,山东 东营 2 706 ) 5 1 摘要 针对 BP 网络的缺陷,提出了一种基于 RBF 神经网络的短期负荷预测方法,利用遗传 算法训练神经网络,使神经网络以较快的收敛速度和较大的概率得到了 最优解。实例研究结果表 明该方法可以 取得较高的预测精度。 关键词: 短期负荷预测; RBF 网络;Forecasting Algorithm
B SSe d o n R B F N e u f a l N et w o r k
下王 Liming 下 ng y nsong 珑ng a V a (China University of Pet oleum, r Dongying, Shandong 257061)
to the f ult of BP neural network, PaPer Presents a shor 一 a this t term load o f recasting algorithm based on RBF neural network and take genetic algor thm to t ain neural networ . i r k The result of study indicates that this method can gain a higher f recasting Precision. o
基于RBF神经网络的NPP运行状态趋势预测
![基于RBF神经网络的NPP运行状态趋势预测](https://img.taocdn.com/s3/m/64b1f30352ea551810a687b8.png)
变化 , 与实测值拟合较好 , 能 实 现 事 故 的早 期 预 警 。
关键词 : 核动力装置 ; 运行状态 ; R B F神 经 网络 ; 趋 势 预 测 中图 分 类 号 : T L 4 1 3 文 献 标 志码 : A 文章编号 : 1 0 0 0 — 6 9 3 1 ( 2 0 1 3 ) 1 1 - 2 1 0 3 — 0 5
参数 的变化趋势 、 利用 R B F神 经 网 络 良好 的局 部 特 性 对 核 动 力 装 置 运 行 状 态 趋 势 进 行 预 测 的方 法 。 对 正 常 瞬变 和 小 破 口失 水 事 故 下 运 行 状 态 趋 势 进 行 了预 测 , 结果表 明, R B F神 经 网络 能很 好 地 预测 状 态 的
t r a d i t i o n a l t h r e s h o l d wa y c a n h a r d l y r e a l i z e e a r l y wa r n i n g ,t h e p r e d i c t i o n mo d e l a c c o r d i n g t o
第4 7 卷第 1 1 期
2 0 1 3 焦I l y ]
原
子
能பைடு நூலகம்
科
学
技
术
Vo 1 . 4 7 , No . 1 1
NO V .2 O1 3
At om i c En e r gy Sc i e n c e a nd Te c hn ol o gy
基 于 RB F神 经 网 络 的 NP P运 行 状 态 趋 势 预 测
Ke y wo r d s :n u c l e a r p o we r p l a n t ;o p e r a t i n g c o n d i t i o n;RB F n e u r a l n e t wo r k;t r e n d p r e d i c t i o n
基于RBF核函数的SVM方法在短期电力负荷预测中的应用
![基于RBF核函数的SVM方法在短期电力负荷预测中的应用](https://img.taocdn.com/s3/m/3946333087c24028915fc3cb.png)
f
。 【
8, 8 ≥O
上 面 的 问 题 是 一 个 凸 二 次 优 化 问 题 , 入 引 L ga g a rn e函数
L( , , , 口 , , ) 叫 b , 口, r r = W ・ + W
给 定样本 { , ) , i , … , , 为样 ( } (=1 2 m) m
c D2 i l  ̄Fra bibliotek位置等 ) 可将 训 练转 化 为二 次 规划 问题 ( 、 有全 局
最优 解) 以及 对 于小样 本 良好 的 学习能 力 等特性 , 正成 为继神 经 网络之后 的新 的研 究热 点 。
∑
LY j )i 专 。 3 (-‘ , + 训 ) lF X ( ) Ⅲ( 五
式 中 : 为权 值 向量 ; W b为偏 差 ( i ) ( *) ba ; *, 表 s
负荷预 测适应 度差 、 度不能 符合要 求 。 精
在统计 学理论 [ 2 1 ] [ 基础 上 , Va nk3等人 由 p il 于2 O世纪 9 O年 代 提 出 了一 种 新 的通 用 学 习方 法—— 支 持 向 量 机 ( u p r Vetr Ma hn , S p o t co c ie
广泛 应用于 函数 回归 、 式识 别等 问题 中 。 模
』
o
l一 ‘, 叫 I () y 2
和传统 的神经 网络 方法不 同 ,MV 方法应 用 S 的是结 构风 险最小 化 ( R ) S M 原则 , 寻求 的是一 般
误差 上界 的最 小 化 , 不 是单 纯 训 练 误 差 的最 小 而 化 。S VM 具 有模 型 的 自动选 择 ( 数 、 函数 的 参 基
中圈 分 类 号 : TM l 74 文 献 标 识 码 : B 文 章 编 号 :O 6 6 5 (0 6 O —0 1 —0 lO — 3 7 2 0 )1 0 6 3
基于相似搜索和RBF神经网络的短期电价预测
![基于相似搜索和RBF神经网络的短期电价预测](https://img.taocdn.com/s3/m/cdc31c2baf45b307e87197b3.png)
6项 ;预测 日该 时段预 测 负荷 。网络 的输 出只 有预 R F神经 网络是一种性能 良好 的前 向神经 网 B 测 日该 时段 电价 1 。 项 络模型, 它具有全局逼近 的性质, 并且不存在局部 最 小 问题 。R BF 网络 是 一个包 括输 入层 、隐含层 2 预测实例及结果分析 和输出层的多输入单输出系统, 其隐含层执行的是
由于 电价序列是一个时间序列, 一般 络的输入,本文利用相似 日搜索 来生成 网络 的 似的负荷 日。 训 练矩 阵 , 即在历 史负 荷数据 中搜索 与预 测 日负荷 来 说 ,时 间隔得越 远其 相似 性越 小 ,故本 文将 搜索
收 稿 日期 :2 0 —01. 0 61—6
作者简介:翁陈字 (9 2一) 男,西南交通大学 电气工程学 院硕士研究生 18 ’
维普资讯
1 0
电
力
科
学
与
工
程
M
2 0 焦 07
的范 围定在 预测 目的前 二十 天 内 。 似程度 用指 数 相 相似 系数来衡 量 ,计算 公式 为
式 中P 一 G , , ) ;Y为 当输 入 样本 为 『
i =1 =
型 。采用澳大利亚维多利亚 电力市场 2 0 0 2年 1月 1日至 3月 1 7日共 7 5天数据 进行 了实验分析 ,对 3月
1 ~7目 1日 1 的各 时段 电价进行 了 测,通过 比较验证 了本文方法的有效性。 预
关键词 :电价预 测;相似搜索;R F神 经网络 B
中图分类号:T 3 M7 文献标识码 :A
时的期 望输 出 。
∑mnL ) i (
基于GA的改进SVM算法对RBF优化算法在短期负荷预测中的应用
![基于GA的改进SVM算法对RBF优化算法在短期负荷预测中的应用](https://img.taocdn.com/s3/m/9da5d21817fc700abb68a98271fe910ef12daeeb.png)
基于GA的改进SVM算法对RBF优化算法在短期负荷预测
中的应用
张红;张建红;康岩松
【期刊名称】《长春工程学院学报(自然科学版)》
【年(卷),期】2011(012)002
【摘要】高预测精度的短期负荷预测对于坚强电网非常重要,根据电力负荷特性的变化规律,提出了一种改进的基于径向基函数神经网络的短期负荷预测方法,应用经GA优化的SVM多核径向基函数去提取有用数据,提高了基于RBF神经网络的短期负荷预测精度.以美国加州春季负荷为输入数据,应用MATLAB仿真说明改进算法的优越性和其鲁棒性.
【总页数】5页(P21-25)
【作者】张红;张建红;康岩松
【作者单位】长春工程学院电气与信息学院,长春130012;长春工程学院电气与信息学院,长春130012;吉电股份有限公司四平热电公司,四平255400
【正文语种】中文
【中图分类】TM732
【相关文献】
1.一种电力系统短期负荷预测的RBF优化算法 [J], 胡迎松;陈明;范志明
2.应用近邻传播算法改进RBF的短期负荷预测 [J], 回立川;于淼;梁芷睿
3.基于RBF核函数的SVM方法在短期电力负荷预测中的应用 [J], 潘锋;程浩忠
4.基于改进RBF网络算法的电力系统短期负荷预测 [J], 郭伟伟;刘家学;马云龙;李书琰
5.改进遗传算法优化RBF神经网络在短期电力负荷预测中的应用 [J], 宋朝鹏因版权原因,仅展示原文概要,查看原文内容请购买。
RBF神经网络在燃气负荷预测的应用
![RBF神经网络在燃气负荷预测的应用](https://img.taocdn.com/s3/m/918d83df33d4b14e85246817.png)
2 R B F网络 结 构 及 特 点
R B F神 经 网络 , 也 称 径 向基 函数 神 经 网 络 , 是
一
种多输 入单输出 的前馈神 经 网络。R B F神经 网
络 示意 图见 图 1 。R B F神 经 网络 由输 入 层 、 隐含 层 和输 出层构 成 。隐含 层采 用径 向基 函数作 为激 励 函 数, 执行 一种 固定 不变 的非 线性 变换 , 将输 入空 间 映
R B F网络有 以下特 点 和优点 :
① 网络 隐含层 单元 的激 活 函数 通常 为具有 局 部接 受域 的 函数 , 即仅 当输 入 落在 输 入 空 间 中一 个 很 小 的指定 区域 中时 , 隐 含 层 单元 才 作 出有 意 义 的 非零 响应 。这 种局部 接受 特性 使得其 决策 时 隐含 了 距 离 的概念 , 即只有 当输 入接 近 R B F网 络 的接受 域
有权重 固定 为 1 , 隐含 层 R B F单元 的 中心及 半 径 通 常也 预先确 定 , 仅 隐含层 至输 出层之 间 的权 重可 调 。
R B F网络 的隐 含 层 执 行 一 种 固定 不 变 的 非 线 性 变 换, 将输 入 空间映 射到一个 新 的隐含 层空 间 , 输 出层 在该新 的空间 中实 现线性 组合 。显 然 由于输 出单 元
超平 面分 割所 带来 的任 意划分 特性 。 ② 神经 网络误 差 反 向传播 算 法 ( B a c k P r o p a . t i o n , 以下 简称 B P ) 是 一 种 多层 前 向神 经 网络 , 即 网 络权值 的调 整 规 则 采 用 B P学 习 算 法 的 神 经 网 络 , 而R B F网络 是一种 径 向基 神 经 网络 , 即 网络 的 隐含
基于RBF神经网络的建筑逐时空调负荷预测模型
![基于RBF神经网络的建筑逐时空调负荷预测模型](https://img.taocdn.com/s3/m/d84b9b4d69eae009581bec57.png)
输人层节点只传递输入信号到隐层, 隐层节点一 般 由辐射状的作用 函数构成, 通常采用高斯 函数. 输 入层实现从 X ( 的非线性映射; i ) — 而输 出层节点
通常选取线性函数, 从而使输出层实现从 ( — 墨) 的线性映射.
足 )
时, 权值调节采用负梯度下降法 , 这种调节权值的方 法存 在 收 敛 慢 和 局 部 极 小 等 缺 点. 向基 函数 径 ( B ) 经 网络是 一 种 在 逼 近能 力 、 类 能 力 和 学 R F神 分
( trl c neE io ) Na a S i c dt n u e i
文 章编号 : 0055 2 0 )0 02 —6 10 -6 X(0 8 1—0 50
基于 R F神经 网络的建筑逐时空调负荷预测模型 木 B
李琼 孟庆林
( 华南 理工大学 亚热带建筑科学 国家重点实验室 , 广东 广州 504 ) 160
华 南 理 工 大 学 学 报 (自 然 科 学 版 )
第3 6卷 第 1 0期
20 0 8年 l O月 J un lo o t hn ie sy o e h oo y o r a fS uh C i aUnv ri fT c n lg t
Vo . 6 No 1 13 .0 Oco e 2 o tb r 0 8
建筑物空调负荷受 到诸多参数 的影 响, 关系较 为复杂. 一般而言 , 建筑物空调负荷是 由建筑物外扰 和内扰引起 的, 室外气象参数 ( 温度 、 湿度 、 阳辐 太 射和风速等) 和室内人员变动与设备启停是引起建 筑物负荷波动的主要原因. 于某些人员变动和设 对 备 启停较 为规律 的建 筑 , 办公 楼 、 书馆 等 , 如 图 内扰
输
RBF神经网络在电力系统短期负荷预测中的应用
![RBF神经网络在电力系统短期负荷预测中的应用](https://img.taocdn.com/s3/m/c94eba0dbed5b9f3f90f1c64.png)
络 训 练 。然 而 , 传 统的 B P算 法 有 诸 如 不 易 确 定 隐
层 神经 元 的个数 , 可 能 陷于 局 部 极小 以及 耗 费 大 量
信号到 隐含层 , 隐含层节点一般取 高斯核 函数 , 该核 函
数 能对输入 矢量产 生局部 响应 , 而输 出层节 点通常是 简单 的线性 函数 , 输 出节 点对 隐含 层节点 的输 出进行 线性加权 。它是 具有标 准全连 接 的前 向 网络 , 从 而实 现输入空 间到输 出空间 的映射 , 使 整个 网络达到分类 和函数逼近的 目的。R B F网络模 型如图 1 所示 。
较. 总 结 了一 些 比 较 成 熟 的 基 于 R B F神 经 网络在 电力 系统 短 期 负荷 预 测 中的 应 用现 状 和 技 术 特 点 。根 据 电力 系统 运 行 的 实 际特 点 和 面 临 的 新 情 况 , 探 讨 了该 预 测 方 法 的发 展 空 间 和技 术 趋 势 。 关键词 : R B F神 经 网络 ; B P神 经 网 络 ; 短 期 负荷 预 测 文章编号 : 1 0 0 8—0 8 3 X( 2 0 1 3 ) 0 7— 0 0 1 3— 0 5 中图分类号 : T M7 1 5 文献 标 志 码 : B
客 观 的总结 和展 望 。
褥 屦
图1 R B F网络 模 型
1 R B F神 经 网络 模 型及 其 应 用 于 短 期 负 荷 预 测 的 概 述
1 9 8 5年 , P o w e l l 提 出 了多变量 插值 的径 向基 函数
( R a d i a l —B a s i s F u n c t i o n , R B F ) 方法 。R B F神经 网络 的
基于改进RBF神经网络的电力系统短期负荷预测
![基于改进RBF神经网络的电力系统短期负荷预测](https://img.taocdn.com/s3/m/22334b47e518964bcf847cde.png)
一短期负荷预测是 电力系统运行 Nhomakorabea调度部 门的 项重要工作.电力负荷的准确预测对于电力生产
曲线拟合 法等 ) 和结构分析 法 ( 回归法 、 如 主成 分 分析法等) 在解 决特定场 合的预 测任务时发 挥 了 重要的作用.但是 , 气象等不确定性因素对电力负 荷的变化起着越来越 重要 的作 用, 可是 由于种 种
ag rt m a uc e o v r e c ae a d hg e o e a t g p eiin M a y i f e cn a t r r l o ih h s q ik r c n e g n e rt n ih r f rc si r cso . n n n l n i g fco s a e u
文章 编 号 :17 — 4420)2 00 — 4 61 04(080 — 24 0
基 于 改进 RB F神 经 网络 的 电力系 统短 期 负荷 预 测
杨 胡萍 , 慧 , 白 刘家学。张 力 ,
上海 212; 0 60 (. 昌大学 信息工程学院 , 1南 江西 南 昌 30 2; 东华大学 信息科学与工程学院 , 3092
原因, 上述方 法对这些 影响 因素还没能给 出合 理
的解 决 .
和电力安全运行以及国民经济都有着重要意义….
Ke od : h r tr la oeat g atr a t rde t loi m; da B s u ci R F n ua yw rs s o t em dfrc si ; l n n a i g r h Ra il ai F n t n( B ) e rl — o n e g na t s o
RBF神经网络自适应模糊控制在短期负荷预测中的应用
![RBF神经网络自适应模糊控制在短期负荷预测中的应用](https://img.taocdn.com/s3/m/5fff301210a6f524ccbf851a.png)
目前 , 多数采用 的是基于 B 大 P算法的静 态前馈神经网络预测。利用 静态前馈 网络对动态 时间序 列数据进行 预测 ,
实际上是将动态时间建模 问题 变为静态空间建模 问题 , 同时还需要对模 型结 构进行定阶 , 特别是随着系统阶次的增加或 阶次未知 , 速扩大 的网络结构使网络学 习的收敛速度减慢 , 迅 并造成 网络输入结点 过多 、 训练 困难及外 部噪声敏感 等弊
序列法 、 回归分析法和模式识别法 , 但这些方法都存在各 自的缺陷 : 时间序列法不 易考虑气象数据对 负荷 的影 响 ; 回归分
析法存在如何确定合适 的回归方程的问题 ; 式识别法难于处理大地 区中负荷的分散性 , 模 而且对气象灵敏的负荷模式 也 只能适应于小区域电力 系统[ 。 目前 , ¨ 专家系统、 神经网络 、 糊集 理论等也逐渐应用于该 领域 , 模 但是 , 专家 系统的通用
病。相比之下 , B R F网络是一种新颖有效的前 向型神经网络 , 由于该 网络输 出层 是对 中间层 的线性加权 , 使得该 网络避
免了像 B 网络那样繁琐冗 长的计算 , P 具有较 高的运算 速度和外推能力 , 同时使 得网络有较强 的非线性映 射功能 。R F B 网络是通 过非线性基函数的线性组合实现从输入空间 R N到输 出空间 R M的非线性转换L 。 4 J
平 顶 山 工 学 院 学 报
Jun l f ! ora i 0 PI a ntue0 T ቤተ መጻሕፍቲ ባይዱ n l y nIstt f eh oo i g
V . 6N 2 d 1 o. Ma .0 f r2 0 7
文章 编 号 :6 1 622a )2 01 0 17 —96 (0r 0 —04 — 3 7
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
本科毕业设计(论文)基于RBF神经网络的短期负荷预测学院自动化学院专业电气工程及其自动化___(电力系统自动化方向)年级班别 2007级(3)班学号 3107001208学生姓名郭祝帆指导教师彭显刚2011年 5 月基于RBF 神经网络的短期负荷预测郭祝帆自动化学院摘要电力系统负荷预测的水平已成为衡量电力系统运行管理现代化的标志之一。
精确的短期负荷预测,对电力系统的生产安排、经济调度和安全分析都起着十分重要的作用,也直接影响着电力企业的经济效益。
因此,短期负荷预测结果成为制定电力市场交易计划的重要依据,这就对短期负荷预测提出了更高的要求。
由于常规算法不能较好地反映气象条件等外界因素对负荷的影响,而近年来人工神经网络法等智能算法具有高度的非线性映射能力,可以较好地考虑气象条件等因素对电网负荷的影响,所以本文采用了基于RBF(Radial Basis Function)神经网络的电力系统短期负荷预测方法。
该模型训练速度快,收敛性好,而且可以大大地减少隐含层神经元的数目,有效地提高了预测精度。
本文在分析了目前短期电力负荷预测的现状及各种预测方法、预测模型的基础上,根据电力负荷特性的变化规律,通过对河源地区的历史负荷数据分析,考虑了日期类型、温度、天气状况等影响负荷预测的因素,结合神经网络的预测算法,建立RBF神经网络的短期负荷预测数学模型,并在此基础上,利用面向对象的编程方法实现短期负荷预测程序。
本文讨论了影响负荷的各种因素,在输入变量中考虑临近日负荷特点,以及各种气象因素,对输入负荷值进行归一化处理,对温度、天气和日期等因素进行了量化处理。
利用河源地区的历史负荷数据比较未含天气因素的神经网络和具有天气因素的神经网络的预测效果,根据本文所介绍的方法编程,其结果表明预测精度是符合要求的,从而说明了该方法的可行性和实用性。
关键词:短期负荷预测,RBF神经网络,编程AbstractThe level of load forecasting is one of the measures of modernization of Power system management. Accurate short-term load forecasting plays an important role for planning, economical scheduling and security analysis in production, which directly influences the profit of the electric utility enterprises. Therefore, short-term load forecasting reseult become importance basis of drawing up the electric power market bargain plan. So these put short-term load forecasting forward a higher request.The normal calculate way can not reflect goodly weather condition and other outside factors to the influence for load forecasting. In recent years, the artificial neural network method etc have height nonlinear to reflect the ability of shoot, can reflect goodly the weather factor etc. So this paper presents a short-term load forecast method based on RBF(Radial Basic Function) neural network for power system. This model speeds rapidly,improves convergence property in training process and the number of neurons in the hidden layer can be significantly decreased. So the forecasting accuracy can be increased effectively.This text analyze the present condition and various methods and mathematics model of the short-term load forecasting. According to the rule of change of load characteristic, the RBF models for the short-term load forecasting are proposed by combining the artificial neural networks and electric load characteristics on HeYuan Power Markets, after calculating the factors such as date type, temperature,weather status etc which influencing the load forecasting. Based on the models, the load forecasting software has programmed by Object Oriented method.This thesis analyzes every kind of factor which impacts load. In its input features, the load characteristic of neat days every kind of weather factors that considered. Then we unify the input variables, quantify the temperature, weather and date etc. The forecasting accuracy of neural networks models including climate factors and no those factors is compared by the load data from HeYuan. The testing results illustrate that the forecasting accuracy is satisfactory, accordingly it shows the validity and practicability of the method.Keywords: Neural network, RBF, Short-term load forecasting目录1 绪论 (1)1.1课题研究的背景 (1)1.2国内外负荷预测的研究现状 (2)1.3本课题研究的意义 (5)1.4本课题的主要工作 (6)2 电力负荷预测概述 (7)2.1 负荷预测的概念和原理 (7)2.1.1 负荷预测的概念 (7)2.1.2 负荷预测的基本原理 (7)2.2 电力负荷预测的分类 (8)2.3 负荷预测的步骤 (10)2.4 电力负荷的特性分析 (11)2.4.1 负荷的周期性 (11)2.4.2 负荷的随机性 (12)2.4.3 负荷的影响因素分析 (12)2.5 影响负荷预测的因素及误差分析 (14)2.5.1 影响负荷预测的主要因素 (14)2.5.2 负荷预测的误差分析 (14)2.6 本章小结 (16)3 RBF神经网络及其结构分析 (17)3.1 人工神经网络的基本概念 (17)3.2 RBF神经网络 (18)3.2.1 RBF神经网络的结构 (18)3.2.2 RBF神经网络的具体实现 (19)3.2.3 RBF神经网络的学习算法 (21)3.3 RBF神经网络与BP网络的比较 (24)3.3.1 BP网络存在的问题 (24)3.3.2 RBF网络与BP网络之间的差别 (25)3.4 本章小结 (25)4 基于RBF神经网络的短期负荷预测实例分析 (26)4.1 RBF神经网络的建立 (26)4.2 RBF神经网络的训练 (27)4.2.1 样本的选取 (27)4.2.2 数据预处理 (28)4.2.3 神经网络输入数据的归一化处理 (29)4.3 短期负荷预测结果与分析 (30)4.4 本章小结 (35)结论 (36)参考文献 (37)致谢 (39)1 绪论1.1课题研究的背景电力系统是一个大面积分布的复杂系统,电力系统调度的主要任务是控制整个电力系统的运行方式,使之能够保证供电的优良质量,保证系统的经济运行,保证系统具有较高的安全水平,并提供有力的事故处理能力等。
负荷预测是电力系统管理现代化的重要内容之一,是对发电、输电和电能分配等合理安排的必要前提。
电力系统负荷预测是在充分考虑一些重要的系统运行特性、增容决策、自然条件和社会影响的条件下,研究或利用一套系统地处理过去与未来负荷的数学方法,在满足一定精度要求的意义下,确定未来特定时刻的负荷数据。
它的重要意义可以归纳为以下几个方面:1、短期负荷预测是电力系统优化调度的基础。
准确的短期负荷预测是电网调度机构制定发供电计划、合理安排机组启停和做好电网供需平衡的关键。
有助于运行人员估计电能的生产、输送、分配和消费各个环节的情况,制定出合理的运行方案,确保电网和机组的安全、稳定、经济运行。
以短期负荷预测和在线实时负荷预报为依据,系统才能有计划地安排旋转备用和不同网问可能实现的功率交换,这是决定系统供电安全水平的重要因素。
2、在电力市场条件下,短期负荷预测不再是纯技术性的问题,它应当是一个技术性与经济性相结合的问题。
同时也不再仅仅是能量管理系统(EMS)的一部分,它是电力市场制定各种计划的重要依据。
对于发电单位,短期负荷预测是制定发电计划和报价的依据;对供电部门,短期负荷预测为供电方制定购电计划提供依据;对输电单位,短期负荷预测也是制定发电计划及安全、可靠、经济运行的基础。