改进RBF神经网络在短期负荷预测中的应用

张红+金月+郭彦春

摘 要：电力系统负荷预测对电力调度部门来说是非常重要的，精确的负荷预测是经济、可靠和安全的电力系统运行和规划的依据，直接关系到电力系统供电计划的制定和电力系统短期运行方式的安排。该文提出了一种改进的基于径向基函数（Radial Basis Function，RBF）神经网络的短期负荷预测的方法，经GA优化的SVM多核径向基函数去提取有用数据，提高了短期负荷预测精度，该文以吉林某地区春季负荷为输入，仿真结果表明算法的可行性。

关键词：RBF 神经网络 负荷预测 支持向量机

中图分类号：TM715 文献标识码：A 文章编号：1672-3791（2014）10（b）0089-01

电力系统负荷预测直接影响供电平衡。由于电能不能大量储存，发电、供电、用电必须同时完成。这就要求发电厂与电力公司发电、用电有严格的计划性，使发电用电能够达到瞬间平衡。假如系统的用电量超过发电量，则应当采取必要措施增加发电量，否则将出现电压下降、频率下降；反之，如发电量过剩，则也应采取必要措施来降低供电量，否则将出现频率上升，电能质量严重下降等严重后果[1]。

随着影响电力负荷的条件越来越复杂，电力负荷的变化非线性、时变性和不确定性特点需要进一步提高预测精度。同时随着现代科学技术的不断进步，理论研究的逐步深入，以灰色理论、专家系统理论、模糊数学、神经网络等为代表的新兴交叉学科理论的出现，也为负荷预测的飞速发展提供了坚实的理论依据和数学基础。现在典型的非数学模型法主要有人工神经网络（artificial neural network）法以及模糊理论建立起来的预测方法等[2]。

1 支持向量机

1.1 SVM简介

支持向量机SVM （Support Vector Machine，简称SVM）是由Vanpik领导的AT&T Bell实验室研究小组。在1963年提出的一种新的非常有潜力的分类技术，SVM是一种基于统计学习理论的模式识别方法，主要应用于模式识别领域，直到20世纪90年代，出现了过学习与欠学习问题、局部极小点问题等，使得SVM迅速发展和完善，其在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。SVM用于分类决策的基本思想是构造一个超平面，使正负模式之间的间隔最大[3]。

SVM算法基本过程：

准备多组训练样本

约束条件：

寻求最优超平面：

2 基于GA算法改进的多核SVM

2.1 遗传算法的基本概念

遗传算法（Genetic Algorithm，简称GA）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，进行遗传（选择），交叉，变异使得基因不断优化，经过N代，产生更适应环境的新种群（即近似最优解）[4]。

遗传算法的处理流程为产生的新一代种群又进行循环操作，这样一代又一代不断繁殖、进化，最后收敛到一群最适应环境的个体上，求得问题的最优解。对于复杂的优化问题，遗传算法无需建模和进行复杂的运算，只要利用遗传算法的三种算子就能寻找到优化的解。它尤其适用于处理传统方法难以解决的复杂和非线性问题。本文则应用遗传算法去优化支持向量机中核函数的核参数.

2.2 基于GA算法改进的多核SVM

由于径向基核函数是最为常见的核函数，将径向基核函数的SVM为研究目标。在解决分类问题时，应尽可能发挥SVM识别能力较强的特征的作用，抑制无效特征，由公式：

3 实例仿真与分析

以吉林某地区的负荷数据作为原始数据，输入样本为15天输出为第15天的原负荷与预测负荷。

图1中红线为预测日期望负荷，蓝线为模型预测负荷。由图可以看出预测模型结果与真实负荷走向一致。由以上仿真实例可以看出改进后的RBF神经网络与原RBF神经网络相比具有更高的精确性，平均误差、最大误差、最小误差都较原始RBF神经网络有较大的减小。

4 结语

采用经GA优化的多核SVM网络对输入样本进行分类，对预测日样本分类，找出与预测日样本类相同的一组数据，输入RBF神经网络中，对网络进行训练。最后输入预测日的样本输出结果，将结果进行还原得到预测日负荷。通过比较可知与原始RBF神经网络较好的优越性，说明算法的可行性。

参考文献

[1] 王毅.电力系统短期负荷预测技术的研究与实现[M].华北电力大学硕士学位论文，2008.

[2] 王黎明，王艳松.基于RBF神经网络的短期负荷预测[J].电气技术，2007（4）：53-55.

[3] 曹安照，田丽.基于RBF神经网络的短期电力负荷预测[J].电子科技大学学报，2006（2）：33-35.

[4] 李良敏，温广瑞.基于遗传算法的改进径向基支持向量机及其应用[J].系统仿真学报，2008，20（22）：6088-6092.endprint