[发明专利]基于改进RBF神经网络的智能电网短期负荷预测方法

权利要求书

1.一种基于改进RBF神经网络的智能电网短期负荷预测方法，其特征在于，包括：

S1、网络初始化；

将智能电网样本数据进行降维处理；将PCA降维处理后的样本数据进PCA行加权FCM基函数聚类，其中，在对PCA降维处理后的智能电网样本数据进行加权FCM基函数聚类时，将PCA降维处理中获得的不同属性的方差贡献率给降维后属性聚类加权，得到基函数中心c_i，具体如下：

S2、计算基函数中心c_i；

S3、根据基函数中心c_i，计算方差ζ_i；

聚类加权值的计算方法如下：

计算出协方差矩阵C：令一个S维空间数据映射到L维子空间中，其中，LS，假设X＝{x_n}为零均值数据，即其中，n＝1,2,…,N，T为转秩符号；

对协方差矩阵C进行特征值分解：

将一个S维的数据x_i向L维主成分方向投影，即，Y＝XQ_L；

设协方差矩阵C的特征根λ₁≥λ₂≥…≥λ_S，且为第l个主成分的贡献率，为前L个主成分的累积贡献率；

降维后第k个属性的聚类属性权值：

特征向量合集Q＝[q₁,q₂,…,q_S]，特征值Л＝diag(λ₁,λ₂,…,λ_S)，令累积贡献率大于95％；

依据得到的基函数中心c_i和方差ζ_i，对加权FCM基函数聚类后的样本数据进行RBF神经网络预测得到输出层输出，具体如下：

S4、根据基函数中心c_i以及方差ζ_i，计算隐含层的输出R_i；

步骤S4包括：

根据降维后的样本数据X_new、基函数中心c_i以及方差ζ_i，得到隐含层的输出:

式中，N_Ⅱ表示隐含层神经元个数；

S5、根据隐含层的输出R_i，计算输出层的输出，从而得到智能电网短期负荷预测结果；

S6、根据均方误差和函数计算预测误差E；

S7、对神经网络中隐含层神经元与输出层神经元的连接权重进行更新；

S8、对预测误差E进行判断，若预测误差E在预期内，则迭代计算结束；反之，返回步骤S4，重新迭代计算预测误差E。

2.根据权利要求1所述的基于改进RBF神经网络的智能电网短期负荷预测方法，其特征在于，步骤S1包括：

确定输入层神经元个数N_Ⅰ，隐含层神经元个数N_Ⅱ，输出层神经元个数N_Ⅲ，以及初始化学习速率η和基函数重叠系数τ；其中，输出层神经元个数N_Ⅲ＝1，隐含层神经元个数N_Ⅱ即为基函数中心个数。