基于AP相似日选取与FISOA-RBF的短期负荷预测

于军琪，王佳丽，赵安军，解云飞，冉 彤，赵泽华

西安建筑科技大学建筑设备科学与工程学院，陕西西安 710055

大型公共建筑能耗大约占建筑总能耗的1/3，近年来随着社会经济的发展，该比例越来越大[1]，这令大型公共建筑能耗逐渐成为研究焦点．准确可靠的大型公共建筑用电短期负荷预测(short-term load forecasting, STLF)是建筑进行合理能源调度和节能优化运行的前提．与长期预测相比，时效性较高的STLF主要用于供配电的合理规划，受温差和湿度等突变因素影响大，属于动态非线性时间序列[2]．

近年来，许多学者提出了如人工神经网络(artificial neural network, ANN)、自回归(auto regressive, AR)、支持向量回归(support vector regression, SVR)及灰色模型(gray model, GM)等预测模型[2-6]．然而，AR模型根据平稳线性特征处理时间序列，难以适应动态非线性的STLF时间序列；SVR更适合小样本数据，在面对大规模训练样本时，收敛速度慢；GM适用于单调变化的时间序列，难以预测波动较大的时间序列[7]．针对逆传播(back propagation, BP)神经网络存在收敛速度慢、易陷入局部极小值的不足[8]，径向基(radial basis function, RBF)神经网络因只有一个隐层所以具有收敛速度快的特点，被广泛用于不同的实际需求中[9-10]．选取合适的网络参数是提高RBF性能的有效手段[11]．回立川等[12]采用近邻传播算法获取RBF神经网络的中心矢量，提高了网络的训练精度，但算法收敛速度慢．翟莹莹等[13]通过改进k-means++算法和方差度量法，提出一种组合式的RBF参数优化方法，但该方法仍存在过拟合的问题．

搜索者优化算法(seeker optimization algorithm, SOA)是一种基于人群的启发式搜索算法[14]，其全局搜索能力比……