基于改进RBF神经网络的电力负荷预测
基于RBF神经网络的电力系统月度负荷预测研究
基于RBF神经网络的电力系统月度负荷预测研究张丽芳;岳丽霖;连美霞【摘要】Monthly load forecasting is one of the important works of the scheduling, planning, marketing of the power system. In this paper, according to the factors influencing the monthly load, load forecasting model based on BRF neural network were established using Matlab toolbox. Furthermore, monthly load of an area of 2009 was predicted using this model, and the relative error is 1.96%. The forecast results show that the model has higher precision and can achieve the goals of practical applications of engineering.%月度负荷预测是电力系统计划、调度、营销部门的重要工作之一,本文根据影响月度负荷的因素,运用Matlab工具箱,建立基于RBF 神经网络的月度负荷预测模型,利用它对某地区2009年的月度负荷进行预测,预测结果为相对误差1.96%,因此,据预测结果可知本文提出的模型预测精度较高,完全可以达到工程实际应用的目标。
【期刊名称】《电气技术》【年(卷),期】2012(000)002【总页数】3页(P36-38)【关键词】RBF神经网络;电力系统;月度负荷预测【作者】张丽芳;岳丽霖;连美霞【作者单位】山西地方电力有限公司,太原030009;中国石油天然气有限公司吐哈油田分公司吐鲁番采油厂,新疆吐鲁番838200;机械工业信息研究院,北京100037【正文语种】中文【中图分类】TM712月度负荷预测一般为中期负荷预测，月度预测是电力系统调度部门、计划部门、营销部门的重要工作[1]，对于合理安排机组维修、实行经济调度、保障社会生产和居民生活用电、有效节约电能具有重要意义。
一种改进的RBF网络在电力系统短期负荷预测中的应用
Ｋ ｙ ｒ ｓ： ｅ ｅ ｔ ｃ ｓ ｓ ｍ ；ｌ ａ — ｒ ｃ ｓ ；ＲＢ ｅ ｒ ｌｎ ｔ ｒ ｅ ｗｏ ｄ ｌｃｒ ｙ ｔ ｉ ｅ ｏ ｄｆ ｅ ａ ｔ ｏ Ｆ ｎ ｕ ａ ｅｗｏ ｋ；ｎ ａ ｅ ｔｎ ｉｈ ｏ ｌ ｓ ｒ ｅ ｒ ｓ ｅｇ ｂ ｒｃｕ ｔ ｅ
１ 引 言
Ａ ｓｒｃ ： Ｉ ｉ ｆｈ ｉ ｃｌ ａ ｉ ａｉ Ｆ ｎ ｔ ｎ Ｒ Ｆ ｅ ｏｋｏ ａ — ｒｃ ｓｉ ｌｃ ｃｓｓ ｍ， ｎ ｂ ｔ ｔ ｎｖｅ ｏ ｅｄｆ ｕｔ ｉ Ｒ ｄａ Ｂ ｓ ｕ ｃｉ （ Ｂ ）ｎ ｔ ｒ ｆｏｄｆ ｅａｔｎｅ ｔ ｙｔ ａ ａ ｗ ｔ ｉ ｙｎ ｌ ｓ ｏ ｗ ｌ ｏ ｅｒ ｉ ｅ
ＺＨＡＮＧ ａ —ｉ ｇ Ｘｉ ｏ ｌ ａｎ
（ ｅａｔ ｎ ｏ ｏ ｕｅ ＆ Ｉ ｏｍａｏ ｎｉｅｒ ｇ Ｊ ｏｕ ｅｃｅｓＣ ｌ ｇ ， ｉｏｕ ５ ０ ０ Ｃ ｉａ Ｄ ｐｒ ｔ ｆ ｍｐ ｔ ｍｅ Ｃ ｒ ｎ ｒ ｔ ｎＥ ｇ ｅ ｎ ， ｉ ｚｏＴ ａｈｒ ｏ ｅｅ Ｊａｚｏ４４ ０ ， ｈｎ ） ｆ ｉ ｎ ｉ ａ ｌ
用 。而径 向基 函数 Ｒ Ｆ Ｒ ｄａ Ｂ ｓ ｕｃｉ ） Ｂ （ ａｉ ａｉ Ｆｎｔｎ 网络 ｌ ｓ ｏ
发展起着非常重要的作用 。负荷预测的实质是根据 已知负荷资料找 出其变化规律 ， 预测未来 的电力负 荷状态及变化趋势。传统的短期负荷预测方法主要 有时间序列法 、 自回归平均法 、 指数平滑法等 ， 这些
以数学表达式来描 述的预测模型不能及 时更新 ， 实
时性 较差 ， 无法 满 足 电力 系统 的要 求 。 现人 工 智能技 术 中采用 较 多 的是 前 馈型 神经 网 络 （ Ｐ网络 ）它 能通 过 对 训 练样 本 的学 习 ， 为 容 Ｂ ， 较 易 的实 现对象 的输 入 、 出之 间复杂 的非 线性 关 系 ， 输
基于RBF神经网络的负荷预测研究综述
廖 小红 于辉 （ １ ． 广东 科 技学 院 计算 机系 ； ２ ． 广东 电 网 东 莞 供电 局）
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 ，Ｘ ． Ｎ ） ， １ ≤ｉ ≤Ｎ ； Ｙ ＝（ Ｙ １ ， Ｙ ２ ， …， ｙ Ｎ ） ， 为期望输 出； Ｎ 为 训 的安 全 性 、 可 靠 性 和 经 济 性 都 有着 显 著 的 影 响。 Ｒ Ｂ Ｆ是 一 种 三 层 前 练 样本 个数 。 当神 经 网络输 入 为 Ｘ ． 时， 隐含层 第 节点 的
了展 望 。
输 出如 式（ １ ） 所 示１ ４ ］ 。
Ｇ（ Ｘ ｉ ， Ｃ ． ， １ ３ ＂ 。 ） ＝ ｅ ｘ ｐ ｆ ＼ —Ｌ 上 ２ 上Ｌ Ｌ ｌ ｏ ｊ 』
『 ＿ｌ Ｊ Ｘ— Ｃ ｌ ｌ ＼
（ １ ）
关 键词 ： 负 荷预 测
Ｒ Ｂ Ｆ 神经网络
电力 系统
Байду номын сангаас０ 引言
式中， Ｃ ＿ ＝ （ Ｃ ｊ １ ， Ｃ ｊ ２ ， …， Ｃ ｊ ） ， 为第 ｊ 个隐 含层 高 斯 函数 的 中心 ； ｏ； 为第 ｉ 个 隐含层 高斯 函数 的宽 度。
负荷预 测 是 实现 电力 系统 优 化运 行 的基 础 ， 对于 电力 对 于 全 体 输 入 学 习样 本 ， Ｒ Ｂ Ｆ神 经 网络 的输 出如 式 系统 的安 全性 、 可 靠性 和 经济 性都 有着 显著 影 Ⅱ 向 。 负荷预 （ ２） 所 示。 Ｍ 测是 指从 已知 的经 济 、社 会 发展 和 电力 系统 需 求 出发 ， 考 Ｙ ＝ Ｇ（ Ｘ， Ｃ ， ｏｉ ） Ｗ． ＋ ｅ （ ２ ） 意政 治 、 经济 、 气 候 等相 关 因素 ， 通 过 对历史 数 据 的分析 和 ｊ ＝ 。 一ｌ 。 研究 ， 探 索 事物 之 间 的内在 联 系和 发展 规 律 ， 以 未来 经济 式中， Ｗ； 为第 ｉ 个 隐层 节 点 与输 出层 之间 的 网络连 接 和社 会发 展 情 况 的预 测 结 果 为依 据 ， 对 未来 的 电力 需 求做 权， Ｍ 为 隐含 层 节点 数 ， ｅ为 拟合误 差。 出估计 和预 测川 。 相 关研 究 工作 已在 国 内广泛 开展 ， 其 研 究 ２ 基 于 ＲＢ Ｆ负 荷预 测相 关研 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 文献 【 ４ 】 通 过建 立径 向基 （ Ｒ Ｂ Ｆ ） 神 经 网络和 自适 应神 经 了 良好 的经济 效益 。 网络 模糊 系统 （ ＡＮ Ｆ Ｉ ｓ ） ） ｆ Ｂ 结 合 的短期 负 荷预 测 模 型来 应 对 负荷 预 测 的 方法主 要 分为 两 大类 ， 分别 是 基于 参 数模 实时 电价 对短期 负荷 的影 响 。由于 固定 电价 时代 的预 测 方 型 预 测法和 基 于 非参数 模型 预 测 方法。 基 于参 数模 型 的预 法在 电价 敏感 环境 下 效 果不理 想 ， 文章 根据 近 期 实时 电价 测 方法主 要 有单 耗 法、 负荷 密度 法 、 电力 弹 性 系数 法、 回 归 的 变化应 用 ＡＮ ｎ ｓ系 统 对 Ｒ Ｂ Ｆ神 经 网络 的 负荷 预 测结 果 模 型预 测 法 、 趋势 外 推预 测 法、 时 间序列 预 测法 等 ； 基 于 非 进行修 正 ， 提高预 测效 果。 参 数 模 型 预 测 方 法主 要 有 专 家 系统 法 、 模糊预测法、 灰 色 文献【 ５ 】 研 究 了基于 Ｒ Ｂ Ｆ神 经 网络 的多变量 系统建模 。 预 测 法、 人 工神 经 网络预 测 法、 小 波 分析 预 测 法等 。 文章将 正 规化 正 交最 小 二乘算 法 引入 多输 入 多输 出 系统 ， Ｒ Ｂ Ｆ神 经 网络具 有 良好 的函数 逼近 功 能 ， 在 函数 回 归 进行相 关研 究 ，建 立 了基 于 Ｒ Ｂ Ｆ神 经 网络 的 多变 量 系统 上 表 现 出较 好 的性 能 ， 已被 广泛 应 用到人 工 智 能领 域 。在 的模型 。对 电厂单元 机组 负荷 系统 进行建 模仿 真研 究 的结 负 荷预 测 方面 ， Ｒ Ｂ Ｆ也 得 到 了广泛 的应 用。 本 文 的主 要工 果表 明 ， 用 该 方法 建 立 的多变 量热 工 系统 的 非线性 模 型是 作 是 整理 了主要 的基 于 Ｒ Ｂ Ｆ的 电力 负荷 研 究 内容 ，对存 有效 的 ， 具 有较 高 的辨识精 度和 较好 的泛 化 能力。 在 的问题进 行 了分析 ， 并 对 未来 的发展 进行 了展 望 。 文献 【 ６ 】 提 出了一种 基于 交 替梯 度 算法 的 Ｒ Ｂ Ｆ神 经 网 本文 接下 来 的 内容 安排 如 下 ，第 二章 介绍 了 Ｒ Ｂ Ｆ神 络， 并将 之 应用 到负 荷预 测领 域 ， 取得 较 好 的效 果 。 通过 使 经 网络 的基 本原理 ，第 三章 对基 于 Ｒ Ｂ Ｆ的 电力 负荷 研 究 用交替 梯 度 算法来 优 化 Ｒ Ｂ Ｆ输 出层权 值 和 中心 与偏 差 值 进 行 了综述 ， 最 后给 出了总结 。 来 得到 改进 的 Ｒ Ｂ Ｆ算 法。与传 统梯 度下 降 算法相 比， 改进 １ ＲＢ Ｆ神经 网络 基本 原理 的 ＲＢ Ｆ算 法具 有更 高 的预 测精 度和 更 快 的 收敛 速度 。模 ＲＢ Ｆ网络 的结 构 与多层 前 向 网络类似 ，如 图 １所 示 ， 型综合 考 虑 了气象 数据 、 日类 型等 影 响负荷 变化 的多种 因 它 由三层 组成 ： 第 一层 为输入 层 ， 第 二层 为 隐含层 ， 第 三层 素， 实验 结 果表 明改进 的 Ｒ Ｂ Ｆ网络 算法具 有更优 的性 能 。 为输 出层㈤ 。 文献【 ７ 】 将Ｒ Ｂ Ｆ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
基于RBF神经网络的校园用电负荷预测方法
农家参谋基层教育-252-NONG JIA CAN MOU基于RBF 神经网络的校园用电负荷预测方法朱向辉（西安思源学院，陕西西安，710038）【摘 要】随着高校招生数量的增加以及校园的不断建设，大学校园的用电量也在不断增加，相关用电管理部门需要对将来一段时间内的用电量有一个准确的估计，更好的安排设备检修、更换、扩容等，加强对校园用电的控制。
本文利用RBF 神经网络对某高校的用电量建立了一个预测模型，然后通过MATLAB 仿真软件进行仿真得到预测的数据，为校园后期的用电管理提供了参考。
【关键词】RBF 神经网络；校园用电；负荷预测1 引言目前很多高校建立了电力系统在线监测平台，用于监测校园用电的设备状况以及能耗特点。
随着校园的用电设备不断增长，全天电价分时报价的推广，对校园短时用电负荷的需求越来越高。
传统的用电负荷预测方法有灰色预测，回归模型等方法，其相对原理简单，但是其对参数设定有较高的要求，难以得到准确的预测结果。
径向基函数（RBF）神经网络是一种性能优良的前馈性神经网络，可以以任意精度逼近任意函数，具有全局逼近能力，训练简单、快速，不存在局部最优问题。
本文利用RBF 神经网络对校园用电负荷进行建模及预测，相关数据能够得到较好的实验结果。
2 模型建立2.1 RBF 神经网络径向基函数（RBF）神经网络由3层组成。
隐层节点中的作用函数称为基函数，一般采用的基函数形式为高斯函数。
基函数对输入信号将在局部产生响应，即当输入信号接近基函数的中央范围时，隐层节点将产生较大的输出，由此可见，RBF 网络具有局部逼近能力，可以用于进行函数学习。
2.2 数据处理影响校园用电负荷主要有温度和节假日等因素，本文根据校园用电的负荷特点，对月份类型进行了细分。
1月的影响因数为0.6,2月的影响因数为0.4,3月到6月的影响因数为0.9,7月的影响因数为0.6,8月的影响因数为0.4,9月到12月的影响因数为0.9。
基于神经网络的负荷预测技术在电力系统中的应用研究
基于神经网络的负荷预测技术在电力系统中的应用研究电力系统是现代社会的基础设施之一，保障了工业、商业和居民的日常用电需求。
然而，电力系统需要在瞬息万变的情况下保持平衡，包括负荷平衡、能源平衡和网络平衡等方面。
因此，在电力系统中进行负荷预测是至关重要的。
近年来，神经网络作为一种强大的模型，已经在电力系统的负荷预测中大放异彩。
一、神经网络的基本原理神经网络是一种模拟人类大脑功能的算法，具有自适应、非线性和并行处理等特点，可以自我学习和优化模型。
神经网络是由多个神经元组成的，每个神经元根据输入信号进行计算，并通过激活函数生成输出。
神经元之间的连接权重可以根据误差不断调整，从而优化模型性能。
神经网络可以分为前向神经网络、反向传播神经网络和递归神经网络等不同类型。
二、电力系统中的负荷预测电力系统中的负荷预测是指对未来一段时间内的负荷进行估计。
负荷预测的准确性对于电力系统的稳定运行和经济效益都非常重要。
传统的负荷预测方法基于时间序列分析、回归分析等统计方法，但这些方法需要大量的历史数据和专业知识，而且对于复杂的系统和非线性的关系难以拟合。
因此，神经网络作为一种自适应学习方法，逐渐应用于电力系统中的负荷预测。
三、基于神经网络的负荷预测算法基于神经网络的负荷预测算法通常包括以下步骤：数据预处理、特征提取、神经网络建模、模型训练和预测等阶段。
数据预处理主要涉及数据清洗、过滤和归一化等方法，以确保数据的准确性和一致性。
特征提取是将原始数据转换为可供神经网络处理的数据形式，常见的特征包括时间、天气、节假日和工作日等。
神经网络建模是将特征与输出负荷建立映射关系的过程，常见的神经网络模型包括BP神经网络、RBF神经网络和FNN神经网络等。
模型训练是通过训练数据和误差反馈调整神经网络的连接权重，以优化模型性能。
最后，预测阶段是将模型应用于测试数据，进行负荷预测。
四、基于神经网络的负荷预测应用研究基于神经网络的负荷预测已被广泛应用于电力系统中，包括电力市场调度、电力负荷预测和电力安全评估等领域。
基于RBF神经网络的短期负荷预测方法综述
基于RBF神经网络的短期负荷预测方法综述彭显刚;胡松峰;吕大勇【摘要】This paper introduces the concepts of the power system short-term load forecasting methods based on RBF neural network, and discusses its specific implementation approach. The continuous improving process of this method is reviewed by analogy analysis, and the progress made in practice is pointed out. Then, the basic principles and technical characteristics of several maturer RBF neural network prediction models are given with comparison and evaluation. According to the actual characteristics and new situations of power system operation, the method is analyzed from three aspects of improved algorithm, the original load data selection and combination of the actual load characteristics. The development space of continuous improvement in the field is discussed, finally the further development trend of technology in this field is prospected.%介绍了基于RBF神经网络的电力系统短期负荷预测方法的相关概念,论述其具体实现途径.通过类比分析的方法对该类预测方法改进的过程进行回顾,指出其在实践中取得的进步.阐述了一些比较成熟的基于RBF神经网络预测模型的基本原理和技术特点,并对它们进行了评价.根据电力系统运行的实际特点和面临的新情况,从算法改进、原始负荷数据筛选和如何结合实际负荷特点等三方面对该方法进行分析.探讨了该领域持续改进的发展空间,指出了该领域进一步发展的技术趋势.【期刊名称】《电力系统保护与控制》【年(卷),期】2011(039)017【总页数】5页(P144-148)【关键词】短期负荷预测;人工神经网络;RBF径向基神经网络;粒子群优化;智能单粒子优化【作者】彭显刚;胡松峰;吕大勇【作者单位】广东工业大学自动化学院,广东广州510006;广东工业大学自动化学院,广东广州510006;辽宁省电力有限公司锦州供电公司,辽宁锦州121000【正文语种】中文【中图分类】TM7150 引言短期负荷预测是负荷预测的重要组成部分，它主要用于预报下一时段未来24 h至几天内的系统负荷。
RBF神经网络在电力负荷预测中的应用研究
ｌ 日的气象特征状态量作为网络的训练样本预测 ８ １ 月 ｌ １日的电力负 荷 。 在获得输入输出向量后， 要对其进行 归一化处 理， 使这些数据处于（，） 间， ０１ 之 归一化的 目的是减少
网络的训练时 间 ， 是对 于前 馈 网 络 ， 但 由于 内部 没有
反馈层， 可不进行归一化， 因此 ， 本文没有对数据进行 归一化， 而是直接利用数据进行仿真ｌ。在样本中， ５ Ｊ
电力负荷预测在实时控制 和保 障电力系统经 济、 安全和可靠运行方面起着重要的作用 ， 它已经成 为电力系统中现代能量管理系统的一个主要组成部 分， 尤其是短期负荷 预测对于系统运行和生产费用 具有非常重大 的影 响… 。负荷 预测对 电力 系统控 Ｉ 制、 运行和计划都有着重要意义 ， 但是电力负荷变化 受多方面的影响， 一方面， 负荷变化存在着由未知不
第 ２ 卷 ４
２ 网络预 测与仿真结果
将上述的输入输 出向量确定后 。 建立 Ｒ Ｆ Ｂ 神经 网络对数据进行训练。Ｒ Ｆ网络 的训练分为二步 ： Ｂ
ＳＲ Ａ ， 练的 目的是求 取两层 的最终 权值和 阈 ＰＥＤ训 值 。本文采用 ｍ ｔ ｏ ｓ ａ ｗｒ 公司的 Ｍ ｔｂ软件 中的神 ｈ ｋ ａ ａ ｌ 经网络工具箱将预测结果进行仿真 ， 结果见图 １ 和
化的规律 ， 这又使得负荷曲线具有相似性 。同时 ， 由 于受天气 、 节假 日等特殊情况的影响 ， 使负荷变化出
现 差异 。
于负荷值曲线相邻点之间不会发生突变 ， 因此后一
时刻的值必然和前一时刻的值有关 ， 除非出现重大 事故等特殊情况。所 以， 可以将前一天的实时负荷
作为网络 的样本 数据， 在这 已有 的 ｌ 个数据基础 ２
用 ［】 ４。
基于改进RBF网络算法的电力系统短期负荷预测
基于改进RBF网络算法的电力系统短期负荷预测
郭伟伟;刘家学;马云龙;李书琰
【期刊名称】《电力系统保护与控制》
【年(卷),期】2008(036)023
【摘要】提出了一种交替梯度算法对径向基函数(RBF)神经网络的训练方法进行改进,并将之运用于电力系统短期负荷预测.交替梯度算法通过优化输出层权值和优化RBF函数的中心与标准偏差值来实现.改进的算法与传统梯度下降算法相比,具有更快的收敛速度和更高的预测精度.所构建的负荷预测模型综合考虑了气象、日类型等影响负荷变化的因素,并在预测形式上做了巧妙处理.预测结果表明改进的RBF网络算法具有一定的实用性.
【总页数】4页(P45-48)
【作者】郭伟伟;刘家学;马云龙;李书琰
【作者单位】许昌供电公司,河南,许昌,461000;深圳供电局,广州,深圳,518020;许昌供电公司,河南,许昌,461000;许昌供电公司,河南,许昌,461000
【正文语种】中文
【中图分类】TM715
【相关文献】
1.基于大数据简约及PCA改进RBF网络的短期电力负荷预测 [J], 张淑清;任爽;陈荣飞;钱磊;姜万录;李盼
2.一种改进的RBF网络在电力系统短期负荷预测中的应用 [J], 张晓亮
3.基于改进BP算法的短期电力系统负荷预测 [J], 林俐;汤亚芳;张尚然
4.基于改进随机森林算法的电力系统短期负荷预测模型 [J], 邢书豪;孙文慧;颜勇;张智晟
5.电力系统短期负荷预测的改进BP神经网络算法比较 [J], 程超
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（ 河北工业 大学 天津 ３ ０ ０ １ ３ ０ ） 摘 要 ：为 了提 高 电 力 系统 负荷 预 测 的 精 度 与速 度 的 需 求 ， 提 出使 用 交替 梯 度 算 法 改 进 径 向 基 函数 （ Ｒ Ｂ Ｆ ）神 经 网络 ， 对 天 津 市 电 网进 行 负荷 预 测 。改 进 的算 法 与 传 统 梯 度 下 降 算 法相 比 ， 具 有 更 快 的收 敛 速 度 和 更 高 的预 测 精 度 。 仿 真 结果 表 明 该 算 法 具 有 可 行 性 关 键 词 ：交 替 梯 度 算 法 ；径 向基 函 数 （ Ｒ Ｂ Ｆ ）神 经 网络 ；负荷 预 测 ；电 力 系统 中图 分 类 号 ： Ｔ Ｍ７ １ ５ 文献标识码 ： Ａ 文 章 编 号 ：１ ６ ７ ４ — ６ ２ ３ ６ （ ２ ０ １ ３ ） Ｏ ｌ 一 ０ ｌ １ ７ — ０ ２
第２ １ 卷 第 １ 期
Ｖｏ １ ． ２１ Ｎｏ ． １
电子 设计 工 程
Ｅｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ Ｄｅ ｓ ｉ ｇ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
２ ０ １ ３年 １月
Ｊ ａ ｎ ． ２ ０ １ ３
基于改进 Ｒ Ｂ Ｆ神经网络的电力 负荷预测
负荷预测［ ｑ 是 根 据 系 统 的运 行 特 性 。 增容 决策 ， 自然 条 件
与社 会影响 等诸多 因素 ． 在满 足一定 精度要 求 的条件下 。 确
定 未 来 某 特 定 时 刻 的 负 荷 数 据 ．其 中负 荷 是 指 电 力 需 求 量
（ 功率 ） 或用 电量 ： 负 荷 预 测 是 电 力 系 统 经 济 调 度 中 的 一 项 重 要 内容 ， 是 能量管理 系统 （ Ｅ ＭＳ ） 的一个重 要模块 。 短 期 负 荷 预 测 是 指 在 已 知 历 史 负 荷 与 气 象 数 据 的 基 础 上， 分 析 影 响 电力 负荷 的 相 关 因素 ， 提取历 史负荷 、 各 相 关 因 图１ Ｒ Ｂ Ｆ 神经 网络 的拓扑结构
ｏ ｆ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ， Ｔ ｉ ａ ｎ ｊ ｉ ｎ ３ ０ ０ １ ３ ０ ， Ｃ ｈ ｉ ｎ ａ ）
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｉ ｍｐ ｒ ｏ ｖ ｅ ｔ ｈ ｅ ｐ ｏ ｗｅ ｒ ｓ ｙ ｓ ｔ ｅ ｍ ｌ ｏ ａ ｄ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｉ ｎ ｇ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ ａ ｎ ｄ ｓ ｐ ｅ ｅ ｄ ｄ ｅ ｍｅ ｎ ｄ， ｐ ｕ ｔ ｓ ｆ ｏ ｒ ｗ ａ ｄ ｕ ｓ ｉ ｎ ｇ ａ ｌ ｔ ｅ ｒ ｎ ａ ｔ ｉ ｎ ｇ
Ｂａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ＲＢＦ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｋ ｐ ｏ ｗｅ ｒ ｌ ｏ ａ ｄ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｉ ｎ ｇ
Ｚ ＨＡＮＧ Ｙａ ｎ，ＸＩ Ｅ Ｆ ｅ ｎ ｇ
（ Ｈ ｅ ｂ ｅ ｉ 西 ｅ
且 随 着 隐 节 点 数 目的增 加 ， 极小值 点也会增加 。 因此 ． 寻 找
１ Ｒ Ｂ Ｆ 神 经 网络 模 型
Ｒ Ｂ Ｆ网络 删 是 一种三层前馈 网络 ， 如 图 １所 示 ， 由输 入 层
到隐含层 的映射是非线性 的 ， 而 隐 含 层 空 间 到输 出 空 间 的 映
或设计出 好的算法， 最大程度地避免陷入局部极小值是非常
ｇ ｒ ａ ｄ ｉ ｅ ｎ ｔ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ｔ ｏ ｉ ｍｐ ｒ ｏ ｖ ｅ ｔ ｈ ｅ ｒ ａ ｄ ｉ ａ ｌ ｂ ａ ｓ ｉ ｓ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ （ Ｒ Ｂ Ｆ ）ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｔ ｏ Ｔ ｉ ａ ｎ ｊ ｉ ｎ ｐ ｏ ｗ ｅ ｒ ｇ ｉ ｒ ｄ ｉ ｎ ｌ ｏ ａ ｄ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｉ ｎ ｇ ． Ｔ ｈ ｅ
素（ 温度 、 天气 、 日类 型 等 ） 和 未来 负 荷 之 间 的 内在 关 系 ， 实 现
对 未 来 电 力 负 荷 需 求 的预 测 过 程 闭 。
Ｆ ｉ ｇ ． １ Ｄ ｅ ｖ ｅ ｌ ｏ ｐ ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｒ Ｂ ＦＮ Ｎ
ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ａ ｌ ｇ ｏ ｉｔ ｒ ｈ ｍ ａ ｎ ｄ ｔ ｈ ｅ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｒ ａ ｄ ｉ ｅ ｎ ｔ ｄ ｅ ｓ ｃ ｅ ｎ ｔ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ， ｈ ａ ｓ ｆ ａ ｓ ｔ ｅ ｒ ｃ ｏ ｎ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ ｓ ｐ ｅ ｅ ｄ ａ ｎ ｄ ｈ ｉ ｇ ｅ ｒ ｐ ｒ ｅ ｃ ｉ ｓ ｉ ｏ ｎ ｏ ｆ
ｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ ． Ｔ ｈ ｅ ｓ ｉ ｍｕ ｌ ａ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｈ ｅ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｔ ｉ ｎ ｇ ｍ ｉ ｓ ｆ ｅ ａ ｓ ｉ ｂ ｌ ｅ ．
Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ： Ａｌ ｔ ｅ ｒ ｎ ａ ｔ ｉ ｎ ｇ ｇ ｒ ａ ｄ ｉ ｅ ｎ ｔ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ；Ｒａ ｄ ｉ ｌ ａ ｂ ａ ｓ ｉ ｓ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ（ ＲＢ Ｆ）ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗｏ ｒ ｋ；ｌ ｏ ａ ｄ ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ ｉ ｎ ｇ ；ｐ ｏ ｗｅ ｒ ｓ ｙ ｓ ｔ ｅ ｍ