改进的遗传灰色RBF模型的短期电力负荷预测.pdf
《改进的遗传灰色RBF模型的短期电力负荷预测.pdf》由会员分享,可在线阅读,更多相关《改进的遗传灰色RBF模型的短期电力负荷预测.pdf(5页珍藏版)》请在咨信网上搜索。
1、第 5 l卷第 5期 2 0 1 4年3月 1 0日 电测与仪表 El e c t r i c a i M e a s ur e me n t& I n s t r u m e nt a fio n V0 1 5 1 NO 5 M a r 1 0。 2 0 1 4 改进的遗传 灰色 R B F模型 的短期 电力 负荷预测 张毅 , 姜思博 , 李铮 ( 东北 电力大学 经济管理学院, 吉林 吉林 1 3 2 0 1 2 ) 摘要 : 为了在智能电网环境下提高短期 电力负荷预测的精度 , 提出了一种考虑实时电价影响的遗传算法改进的 灰色 R B F模型。该方法利用灰色模 型可以减弱数据随机性以及
2、 R B F神经网络的高度非线性的优点 , 弱化实时 电价对短期电力负荷预测的影响, 针对两种方法结合容易陷入局部最优和收敛性问题, 采用遗传算法对网络进 行 了优化 , 得到最终预测结果。实例验证表明, 与灰色 R B F预i 贝 0 方法相 比, 该方法具有更高的负荷预测精度和 较强 的适应能力。 关键词: 智能电网; 短期负荷预测; 实时电价; 遗传算法; 神经网络 中图分类号 : T M 7 1 5 文献标识码 : A 文章编号 : 1 0 0 11 3 9 0 ( 2 0 1 4 ) 0 5 0 0 0 1 0 4 A Gr a y RBF M o de l I mpr o v e
3、d by Ge ne t i c Al g o r i t hm f o r Sho r t Te r m Lo a d Fo r e c a s t i ng Z HANG Yi ,J I ANG S i b o,L I Z h e n g ( S c h o o l o f E c o n o mi c s a n d M a n a g e m e n t , N o r t h e a s t D i a n L i U n i v e r s i t y , J i l i n 1 3 2 0 1 2 , J i l i n ,C h i n a ) Ab s t r a c t :
4、I n o r d e r t o i mp r o v e s h o rt t e r m l o a d f o r e c a s t i n g a c c u r a c y o f t h e s ma r t g ri d,t h i s p a p e r p r o p o s e s a g r a y R BF mo d e l i mp r o v e d b y g e n e t i c a l g o r i t h m ,w h i c h c o n s i d e r s t h e i n fl u e n c e o f r e a l t i me
5、e l e c t ri c i t y p ri c i n g T h i s me t h o d d e c l i n e s t h e i n f l u e n c e o f r e a l - - t i me pr i c i ng o n s h o rt- -t e r m l o a d f o r e c a s t i n g us i n g t h e c h a r a c t e ris t i c s t ha t g r a y mo d e l c a n we a k e n da t a r a n d o mne s s a nd RBF n
6、 e u r a l n e t wo r k i s h i g h l y n o n l i ne a r Co n s i d e rin g t h e p r o b l e m o f l o c a l o pt i mu m a n d c o n v e r g e n c e,t h e p a p e r u s e s g e ne t i c a l g o rit hm f o r n e t o p t i mi z a t i o n t o o b t a i n t he fi na l pr e d i c t i o n r e s u l t Ex
7、p e r i me n t s h o w s t h a t t h i s me t h o d h a s h i g h e r p r e c i s i o n a n d s t r o n g e r a d a p t a t i o n a b i l i t y t h a n g r a y R BF mo d e l p r e d i c t i o n Ke y wo r d s : s ma rt g r i d ,s h o r t t e rm l o a d f o r e c a s t i n g ,r e a l - t i me p ri c i
8、 n g ,g e n e t i c a l g o ri t h m,n e u r a l n e t wo r k 0 引 言 随着技术的进步与 电力 市场 的改革 , 适应 未来 可持续发展 的智能 电网应运 而生 , 智能 电网强 调互 动 , 体现在 电网与用 户间信息上 的互 动。用 户通 过某种“ 途径 和手段 ” 获得 电网公 司的信息 , 包括实 时电价 、 供需 形势等 , 从 而实现科学合理用 电, 减少 用电成本 , 从而有效减 少了负荷 的峰谷 差。与 此同 时 , 也使 负荷 预测工作 更加复 杂 , 在智 能 电网条 件 下 , 影响负荷 预测精度 的除 了以
9、往 的天气 、 季节 、 日 类 型等因素 , 实时 电价也 已经 成 了一个非常重要 的 因素 , 忽略此影响因素, 负荷预测 的结果将会产 生很 大偏差, 从而造成经济损失。 现有的预测方法大体分 为 2类 :传统 预测 阶段 的方法有 回归分析法、 时 间序列法、 趋势外推法 等 J 。实际应用中, 这些方法存在较大局限性 , 比 如: 负荷的输入和输出间是呈非线性关系, 运用以上 方法很难找到理想 的数 学模 型 , 且无法很好建 立负 荷和其各影 响因素之问关系表达式 ; 预测模 型缺乏 自学习能力以及预测准确度不 高。现代 预测方法包 括人工神 经网络 - 4 j 、 系统法 j
10、、 模糊数 学法 j 、 小 波分析法_ 7 J 、 灰色系统预测法 等。其 中, 人工神经 网络方法具有较好 的 自学 习能力 , 通过对样本 数据 的训练 自动逼近 目标 函数 , 由此 而备受关注。但 同 时也存在着缺点 : 学习时间过长会影响学习 目的 , 历 史数据要求高, 无法利用现有的系统信息确定初始 值 , 易陷于局部极小 的状 态; 网络 收敛 速度慢 , 对突 发事件的适应性差等。而灰色预测技术虽然有着减 弱数据随机性等优点 , 但其预测精度并不高。 本文提 出一种用遗传算法优化改进 的灰色 R B F 神经网络的方法对未来 1 d内的短期 电力 负荷 进行 学兔兔 w w
11、 w .x u e t u t u .c o m 第 5 1卷第 5期 2 0 1 4年3月 1 O日 电测与仪表 El e c t r i c a l M e a s u r e me n t& I ns t r u me n t a t i o n V0 1 5 1 No 5 M 8 r 1 0 2 0 1 4 预测 , 考虑实时电价的影 响, 通过对 比分析表 明该方 法具有更高的预测精度和适用能力。 1 遗传灰色神经网络建模 1 1 灰 色 R B F神 经 网络模 型 灰色建模 中常用 G M模型 , 由于 G M模型的解是 微分方程的解 , 是指数 曲线 , 因此要求生成数列是递
12、增的且 接近 指数 曲线 。电力 系统 负荷本 身均 为正 值 , 经一次累加生成后即变为递增数列 。如 做一 次累加得到数列 , 并对 建立如下一阶线性微 分方程模型: ( ) = ( ) ( ) 【 +僦 式中 a , 为参数 , 式 ( 1 ) 的时域函数为 : ( + 1 ) = ( 1 ) 一 詈 + 詈 ( 2 ) 上式称 为 G M( 1 , 1 ) 模 型 的时 问 响应 函数 模 型 , 它是 G M( 1 , 1 ) 模型灰色预测的具体计算公式 , 对此 式再 作 累减 还原 , 得 原 始数 据 的灰色 预 测模 型为 : 。 ( k+1 )= ( k+1 )一 ( k
13、) 。 ( k+1 )= ( 1一e 。 ) ( 。 ( 1 )一 ) e 一 以 ( 3 ) R B F神经网络 叫是一种多输入单输出的前馈神 经网络 , 由输入层 、 隐层 、 输 出层构 成。隐层执行 的 是一种用于特征提 取的非线性变换 , 它将输 入空间 映射到一个新 的空间 , 输 出层在该新 的空间 中实现 线性组合 。通常以高斯 函数作为 R B F径向基 函数 的 基函数 , 可表示为 : u ( ) = e x p 【 一 _JL 】 ( 4 ) 式 中 “表示第 i 个 隐层节点的输出 ; X( k ) 表示输 入 样本 , c 表示第 i 个隐层节点 的高斯核 函数的中
14、心 ; 表示第 i 个 隐层节 点 的变量 , 称 标准 化常数 , 或 基 宽度 。 将灰色模型 与 R B F神经 网络结合 , 得到一个 n 个输入 , 一个输出参数的灰色 R B F神经网络 , 如 图 1 所示 。图 1中 为 灰 色预 测模 型 的预测 值 , 为 权 重 。 灰色神经 网络在 本质上是一个组 合预测模 型, 组合预测模型通常是非 劣性的 , 预测结果优 于单纯 的 G M模型和基本神经 网络模型。 , ) 1 ) 3 ) 图 1 灰 色 R B F模 型拓 扑 结构 F i g 1 T o p o l o g y o f t h e g r e y RBF n e
15、 ur a l ne t wo r k 1 2灰色 R B F神 经网络算法改进 利用遗传算法寻优 R B F网络的隐层节点 中心值 首先需要对数据进行编码 。由于隐层神经元的中心 值是从学习样 本 中选取 , 将学习样本依 次编号为 1 , 2, , , 然后从 中随机选取 , J 个数据作为一组中心 矢量 , 将这 个数据 的编号作为种群 中的一个个体 进行编码。每个个体的适应度函数可以选取为 R B F 网络的期望输 出与实 际输 出之差 的绝对值 的累加和 的倒数 , 即对第 i 个染色体其适应度为 : F ( )=丽 1 = ( 5 ) 式中 代表输人样本 的个数 , 代表输 出节点
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 改进 遗传 灰色 RBF 模型 短期 电力 负荷 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【mom****oy】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【mom****oy】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。