基于RBF神经网络的负荷预测研究综述

摘要：负荷预测是实现电力系统优化运行的基础，对于电力系统的安全性、可靠性和经济性都有着显著的影响。RBF是一种三层前馈神经网络，具有良好的函数逼近性能，已被广泛应用到电力负荷预测中，并取得良好的效果。本文主要整理并介绍当前基于RFB神经网的负荷预测方法，对存在的问题进行了分析，并对未来的发展进行了展望。

关键词：负荷预测 RBF 神经网络 电力系统

0 引言

负荷预测是实现电力系统优化运行的基础，对于电力系统的安全性、可靠性和经济性都有着显著影响。负荷预测是指从已知的经济、社会发展和电力系统需求出发，考虑政治、经济、气候等相关因素，通过对历史数据的分析和研究，探索事物之间的内在联系和发展规律，以未来经济和社会发展情况的预测结果为依据，对未来的电力需求做出估计和预测[1]。相关研究工作已在国内广泛开展，其研究成果已经广泛应用到电力系统实际运行维护当中，并取得了良好的经济效益。

负荷预测的方法主要分为两大类，分别是基于参数模型预测法和基于非参数模型预测方法。基于参数模型的预测方法主要有单耗法、负荷密度法、电力弹性系数法、回归模型预测法、趋势外推预测法、时间序列预测法等；基于非参数模型预测方法主要有专家系统法、模糊预测法、灰色预测法、人工神经网络预测法、小波分析预测法等[2]。

RBF神经网络具有良好的函数逼近功能，在函数回归上表现出较好的性能，已被广泛应用到人工智能领域。在负荷预测方面，RBF也得到了广泛的应用。本文的主要工作是整理了主要的基于RBF的电力负荷研究内容，对存在的问题进行了分析，并对未来的发展进行了展望。

本文接下来的内容安排如下，第二章介绍了RBF神经网络的基本原理，第三章对基于RBF的电力负荷研究进行了综述，最后给出了总结。

1 RBF神经网络基本原理

RBF网络的结构与多层前向网络类似，如图1所示，它由三层组成：第一层为输入层，第二层为隐含层，第三层为输出层[3]。

假设RBF神经网络的输入向量为n维，学习样本为 （X，Y），其中，X=（X1，X2，…XN），为输入向量，Xi=（Xi1，Xi2，…，XiN）T，1≤i≤Nj；Y=（y1，y2，…，yN），为期望输出；N为训练样本个数。当神经网络输入为Xi时，隐含层第j节点的输出如式（1）所示[4]。

对于全体输入学习样本，RBF神经网络的输出如式（2）所示。

2 基于RBF负荷预测相关研究

文献[4]通过建立径向基（RBF）神经网络和自适应神经网络模糊系统（ANFIs）相结合的短期负荷预测模型来应对实时电价对短期负荷的影响。由于固定电价时代的预测方法在电价敏感环境下效果不理想，文章根据近期实时电价的变化应用ANns系统对RBF神经网络的负荷预测结果进行修正，提高预测效果。

文献[5]研究了基于RBF神经网络的多变量系统建模。文章将正规化正交最小二乘算法引入多输入多输出系统，进行相关研究，建立了基于RBF神经网络的多变量系统的模型。对电厂单元机组负荷系统进行建模仿真研究的结果表明，用该方法建立的多变量热工系统的非线性模型是有效的，具有较高的辨识精度和较好的泛化能力。

文献[6]提出了一种基于交替梯度算法的RBF神经网络，并将之应用到负荷预测领域，取得较好的效果。通过使用交替梯度算法来优化RBF输出层权值和中心与偏差值来得到改进的RBF算法。与传统梯度下降算法相比，改进的RBF算法具有更高的预测精度和更快的收敛速度。模型综合考虑了气象数据、日类型等影响负荷变化的多种因素，实验结果表明改进的RBF网络算法具有更优的性能。

文献[7]将RBF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，提出了新的负荷预测模型。利用RBF神经网络的非线性逼近能力预测出日负荷曲线，然后利用专家系统根据天气因素或特殊事件对负荷曲线进行修正，使其在天气突变等情况下也能达到较高的预测精度。表1为文献[7]的实验结果对比表。

文献[8]将模糊聚类分析中的隶属度应用到负荷预测应，通过隶属度原理得到一批与预测日在样本信息上类似的历史日。采用模糊聚类分析获得的样本作为RBF神经网络的训练样本，并应用改进的RBF神经网络进行训练，在不需大量训练样本的前提下实现对短期负荷的预测。

影响电网负荷预测的因素很多，而地区电网负荷易受气象因素影响，文献[9]针对电网负荷预测以上特点，把气象因素作为影响负荷的主要因素，采用模糊规则控制的径向基神经网络（RBF）算法，对某地区电网的日负荷数据进行预测，实验证明采用这种预测方法可以提高负荷预测的速度和精度。表2给出了文献[9]的实验结果表。

3 结束语

本文针对基于RBF神经网络负荷预测进行了综述，但由于文章篇幅的原因，不能将所有的方法列举出来，只列举了具有代表性的方法，希望能起到抛砖引玉的作用。

参考文献：

[1]肖国泉，王春，张福伟.电力负荷预[M].北京：中国电力出版社，2001.

[2]李昀.电力系统中长期负荷预测方法研究与应用[D].2011.

[3]张师玲.基于RBF神经网络与模糊控制的电力系统短期负荷预测[D].江苏大学，2010.

[4]雷绍兰，孙才新，周等.基于径向基神经网络和自适应神经模糊系统的电力短期负荷预测方法[J].中国电机工程学报，2005.

[5]刘志远，吕剑虹，陈来九等.基于RBF神经网络的单元机组负荷系统建模研究[J].控制与决策，2003.

[6]郭伟伟，刘家学，马云龙等.基于改进RBF网络算法的电力系统短期负荷预测[J].电力系统保护与控制，2008.

[7]张涛，赵登福，周琳等.基于RBF神经网络和专家系统的短期负荷预测方法[J].西安交通大学学报，2001.

[8]王平，张亮，陈星莺等.基于模糊聚类与RBF网络的短期负荷预测[J].继电器，2006.

[9]张德玲，陈根永，郭飞.模糊规则控制的RBF短期负荷预测[J].微计算机信息，2007.