基于粒子群优化径向基函数神经网络的电力负荷预测*

关书怀, 沈艳霞

(江南大学 物联网技术应用教育部工程研究中心，江苏 无锡 214122)

0 引 言

电力负荷预测是电力系统经济运行的基础，对电力系统规划以及降低电力生产成本意义重大[1]。目前，负荷预测可以分为三种类型，即短期预测、中等期限预测和长期预测[2]。与短期负荷预测不同，长期负荷预测更易受许多不确定因素影响，预测难度大[3,4]。针对长期负荷预测，国内外学者已经进行深入研究，预测方法主要包含参数方法如回归预测、时间系列和灰色理论等[5]及人工智能方法。如文献[6]应用灰色理论建立预测模型，过程计算量较小且精度较准确。人工智能方法包括神经网络(neural network,NN)和动态模糊综合评价等[7]。其中神经网络作为一种最受欢迎的预测模型已被广泛应用于处理相对复杂的关系[8]。文献[9]提出基于大数据和粒子群优化(particle swarm optimization,PSO)反向传播NN(back propagation NN,BPNN)短期电力负荷预测，建立针对海量电力数据的短期负荷预测模型，但计算量较为繁琐。文献[10]针对短期电力负荷预测问题，提出了一种基于PSO算法的BP-NN预测模型跳出局部最优，增强了粒子的全局寻优能力，但预测模型的泛化能力不甚理想。相比于多层前馈网络(multilayer feedforward network,MFN)，径向基函数(radial basis function,RBF)由于其学习规则简单便于计算实现，具有良好的泛化能力，能够在一个紧凑集和任何精度下，逼近任何非线性函数[11]。文献[12]提出基于RBF-NN分位数回归概率密度预测方法，得出未来一天中任意时期负荷的概率密度函数，获得比点预测和区间预测更多的有用信息，实现了对未来负荷完整概率分布的预测，但该方法在RBF-NN易陷入局部最佳值这一问题上未得到充分解决。……