[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

说明书

本发明公开一种基于改进RBF神经网络的智能电网短期负荷预测方法，涉及智能电网技术领域，用于确定基函数中心，提升智能电网负荷预测精度。该预测方法包括：网络初始化；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；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；S5、根据隐含层的输出R_i，计算输出层的输出；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。本发明用于对电网负荷进行预测。

技术领域

本发明涉及智能电网技术领域，尤其涉及一种基于改进RBF神经网络的智能电网短期负荷预测方法。

背景技术

智能电网的快速发展产生了大量的用电数据(亦称为样本数据)，对这些样本数据进行分析具有重大意义。利用预测方法将样本数据应用到短期负荷预测中，从而提升负荷预测精度，这对电力系统的安全调度和经济运行起着重要的作用。径向基函数(RadialBasis Function，以下简称RBF)神经网络是应用于负荷预测中最为广泛的一种预测方法，因为它是一种局部逼近网络，能以任意精度逼近任意连续函数，具有唯一最佳逼近特性且无局部极小问题，而且拓扑结构简单、学习速率快。RBF神经网络预测方法中主要有三个参数影响预测精度，分别为基函数中心、基函数半径以及网络隐含层与输出层的连接权值。其中连接权值常采用梯度下降法求得。基函数中心以及基函数半径对预测精度的影响非常大，因此现有研究主要集中在如何确定RBF神经网络的基函数中心以及基函数半径上。现有技术中主要采用如下方法计算基函数中心以及基函数半径：

第一种采用聚类分析法(例如，K-means方法和FCM方法)计算基函数中心以及基函数半径；第二种采用启发式方法(例如，如遗传方法和粒子群方法)计算基函数中心以及基函数半径。其中，启发式方法复杂度高，在智能电网大规模负荷数据下预测时间较长，因此在智能电网大规模负荷预测下，聚类法更适合确定RBF神经网络基函数中心以及基函数半径。

另外，对于RBF神经网络基函数中心，主要采用FCM方法确定，但是在智能电网负荷预测中，FCM方法负荷数据规模大、维数多，方法较复杂，最终使得智能电网负荷预测精确度较低。

发明内容

本发明的目的在于提供一种基于改进RBF神经网络的智能电网短期负荷预测方法，用于确定基函数中心，提升智能电网负荷预测精度。

为达到上述目的，本发明采用如下技术方案：

本发明提供一种基于改进RBF神经网络的智能电网短期负荷预测方法，基于改进RBF神经网络的智能电网短期负荷预测方法包括：

S1、网络初始化；

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；

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；

S5、根据隐含层的输出R_i，计算输出层的输出；

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。