（电力系统及其自动化专业论文）免疫人工鱼群的rbf神经网络在短期负荷预测中的应用.pdf

i 1 y 呲1 m 7 帆3 眦7 帆洲9 m 1 1 1 0 帆 广西大学学位论文原创性声明和学位论文使用授权说明 学位论文原创性声明 本人声明：所呈交的学位论文是在导师指导下完成的，研究工作所取得的成果和相 关知识产权属广西大学所有。除已注明部分外，论文中不包含其他人已经发表过的研究 成果，也不包含本人为获得其它学位而使用过的内容。对本文的研究工作提供过重要帮 助的个人和集体，均已在论文中明确说明并致谢。 论文作者签名：传硷厨吻 学位论文使用授权说明 砰年月功日 本人完全了解广西大学关于收集、保存、使用学位论文的规定，即： 本人保证不以其它单位为第一署名单位发表或使用本论文的研究内容； 按照学校要求提交学位论文的印刷本和电子版本； 学校有权保存学位论文的印刷本和电子版，并提供目录检索与阅览服务； 学校可以采用影印、缩印、数字化或其它复制手段保存论文； 在不以赢利为目的的前提下，学校可以公布论文的部分或全部内容。 请选择发布时间： 函i 时发布口解密后发布 ( 保密论文需注明，并在解密后遵守此规定) 做作者签名：侈釜胞翩签名删舭年占月加日 免疫人工鱼群的r b f 神经网络在短期负荷预测中的应用 摘要 短期负荷预测是能量管理系统中的重要组成部分，是电力系统调 度运行部门的重要日常工作。短期负荷预测的准确性关系到电力网的 经济调度运行，以及电力系统的安全性和稳定性。随着电力市场化改 革的不断深入，为了提高电力企业的经济效益和社会效益，对短期负 荷预测的精度提出了更高的要求。 目前，短期负荷预测的方法有很多，包括传统的预测方法和现代 的预测方法。人工神经网络预测方法是现代预测方法中的典型代表， 其有着自组织、自学习和自适应的特点，能够很好地拟合各种复杂的 非线性系统。其中，由于径向基函数( r a d i a lb a s i sf u n c t i o n ，r b f ) 神 经网络具有良好的任意函数逼近能力，以及泛化能力强等特点，在短 期负荷预测中得到了广泛应用。 本文首先介绍了电力系统短期负荷预测的意义及其特点和原理， 并且阐述了国内外短期负荷预测方法的研究现状。然后详细介绍了 r b f 神经网络的基本原理及其相关的学习算法。接着针对人工鱼群算 法( a r t i f i c i a lf i s hs w a r ma l g o r i t h m ，a f s a ) 的缺点，采用免疫算法 ( i m m u n ea l g o r i t h m ，i a ) 对其进行改进，形成免疫人工鱼群算法 ( i m m u n ea r t i f i c i a lf i s hs w a r ma l g o r i t h m ，i a f s a ) 。最后采用i a f s a 自动选取r b f 神经网络中的输入变量，以及对网络中隐含层到输出层 之间的权值进行训练，并用优化后的r b f 神经网络进行短期负荷预测。 通过实际算例的预测结果表明，本文所提出的方法是可行和有效的。 相对于传统的r b f 神经网络预测模型，本文的预测方法具有较高的预 测精度。 关键词：短期负荷预测；r b f 神经网络；人工鱼群算法；免疫算法； 输入变量选择 a p p l i c a t i o no fr b f n e u r a ln e t w o r kb a s e do ni m m u n ea r t i f i c i a l f i s hs w a r m a l g o r i t h mi ns h o r t - - t e r ml o a df o r e c a s t i n g a bs t r a c t s h o r t - t e r ml o a df o r e c a s t i n gi so n ei m p o r t a n tp a r to ft h ee n e r g ym a n a g e m e n ts y s t e m ，a n d i t st h ei m p o r t a n td a i l yw o r ko fp o w e rs y s t e md i s p a t c h i n go p e r a t i o nd e p a r t m e n t t h e a c c u r a c yo fs h o r t - t e r ml o a df o r e c a s t i n gr e l a t e dt ot h ee c o n o m i cd i s p a t c h i n go p e r m i o no f p o w e rn e t w o r ka n dt h es e c u r i t ya n ds t a b i l i t yo fp o w e rs y s t e m a st h ec o n t i n u o u s l y d e e p e n i n go ft h ee l e c t r i c a lm a r k e tr e f o r m ，i no r d e rt oi m p r o v et h ee c o n o m i ca n ds o c i a l b e n e f i t so fp o w e re n t e r p r i s e s ，t h ea c c u r a c yo fs h o r t t e r ml o a df o r e c a s t i n gh a sb e e np u t f o r w a r dh i g h e rr e q u i r e m e n t c u r r e n t l y ，t h e r ea r eal o to fs h o r t - t e r ml o a df o r e c a s t i n gm e t h o d s ，i n c l u d i n gt r a d i t i o n a l f o r e c a s t i n gm e t h o d sa n dm o d e mf o r e c a s t i n gm e t h o d s a r t i f i c i a ln e u r a ln e t w o r kf o r e c a s t i n g m e t h o di st h et y p i c a lr e p r e s e n t a t i v eo fm o d e mf o r e c a s t i n gm e t h o d s i th a st h ec h a r a c t e r i s t i c s o fs e l f - o r g a n i z i n g ，s e l f - l e a r n i n ga n da d a p t i v e ，w h i c hc a nb eag o o df i tt ov a r i e t yo fc o m p l e x n o n - l i n e a rs y s t e m s a st h er a d i a lb a s i sf u n c t i o n ( r b f ) n e u r a ln e t w o r kh a st h ec h a r a c t e r i s t i c s o fag o o dc a p a c i t yt oa r b i t r a r yf u n c t i o na p p r o x i m a t i o na n ds t r o n gg e n e r a l i z a t i o na b i l i t ya n ds o o n i th a sb e e nw i d e l yu s e di nt h es h o r t t e r ml o a df o r e c a s t i n g f i r s t l y ，t h em e a n i n ga n dc h a r a c t e r i s t i c sa n dp r i n c i p l e so fp o w e rs y s t e ms h o r t - t e r ml o a d f o r e c a s t i n ga r ei n t r o d u c e di n t h i sp a p e r , a n dt h er e s e a r c hs t a t u so fd o m e s t i ca n df o r e i g n s h o r t - t e r ml o a df o r e c a s t i n gm e t h o d sa r ed e s c r i b e d t h e nt h eb a s i cp r i n c i p l eo fr b fn e u r a l n e t w o r ka n di t sa s s o c i a t e dl e a r n i n ga l g o r i t h m sa r ei n t r o d u c e dt h o r o u g h l y a f t e rt h a tc o n t r a r y t ot h es h o r t c o m i n g so fa r t i f i c i a lf i s hs w a r ma l g o r i t h m ( a f s a ) ，u s i n gi m m u n ea l g o r i t h m ( i a ) t o i m p r o v ei t ，a n df o r m i n gi m m u n e a r t i f i c i a lf i s hs w a r ma l g o r i t h m ( i a f s a ) f i n a l l y ，t h ei a f s a i su s e dt oc h o o s er b fn e u r a ln e t w o r k si n p u tv a r i a b l e sa u t o m a t i c a l l ya n dt r a i nt h ew e i g h t s t h a tb e t w e e nn e t w o r k sh i d d e nl a y e ra n do u t p u tl a y e r ，a n du s i n gt h eo p t i m i z e dr b fn e u r a l n e t w o r kt od os h o r t t e r ml o a df o r e c a s t i n g t h r o u g ht h ep r e d i c t i o nr e s u l t so fp r a c t i c a l e x a m p l e ss h o wt h a tt h ep r o p o s e dm e t h o di nt h i sp a p e ri sf e a s i b l ea n de f f e c t i v e c o m p a r i n g 晰mt h et r a d i t i o n a lr b fn e u r a ln e t w o r kf o r e c a s t i n gm o d e l ，t h i sp a p e r sf o r e c a s t i n gm e t h o d p o s e s s e sh i g h e rf o r e c a s t i n gp r e c i s i o n k e y w o r d s ：s h o r t t e r ml o a df o r e c a s t i n g ；r b fn e u r a ln e t w o r k ；a r t i f i c i a lf i s hs w a r ma l g o r i t h m ； i m m u n ea l g o r i t h m ；i n p u tv a r i a b l e ss e l e c t i o n 目录 摘要一i a b s t r a c t 一i i 第一章绪论1 1 1 电力系统短期负荷预测的意义 1 2 电力负荷预测的特点和原理 1 2 1 电力负荷预测的特点 1 2 2 电力负荷预测的原理 1 3 国内外短期负荷预测的研究现状 1 3 1 传统负荷预测方法 1 3 2 现代负荷预测方法 1 4 本文的主要工作和结构安排 第二章r b f 神经网络9 2 1r b f 神经网络的基本原理一 2 2r b f 神经网络的学习算法 2 2 1 输入变量选取的学习算法 2 2 2r b f 神经网络隐含层中心的学习算法及方差的确定 2 2 3r b f 神经网络隐含层到输出层之间权值的学习算法 2 3 本章小结 9 1 1 1 2 1 4 1 6 第三章免疫人工鱼群算法一1 7 3 1 人工鱼群算法( a f s a ) 的基本理论 3 1 1a f s a 的相关定义 3 1 2a f s a 的行为描述 3 1 3a f s a 的行为移动策略 3 1 4a f s a 公告板的设立 3 1 5a f s a 的实现 3 1 6a f s a 的优缺点 3 2 免疫算法( i a ) 的基本理论 3 2 1 i a 的相关定义 3 2 2 引入疫苗接种机制的l a 实现 3 2 3l a 的主要特点 2 2 2 2 2 4 2 5 3 3 免疫人工鱼群算法( i a f s a ) 3 4 数学算例分析 3 5 本章小结 i l l 7 7 7 9 9 0 o o 1 1 1 1 1 1 1 2 2 2 2 2 第四章基于i a f s a r b f 神经网络的短期负荷预测2 6 4 1 数据的预处理一 4 1 1 不良历史负荷数据的处理 4 1 2 数据的归一化处理 4 2 相似日的选取方法 2 6 4 3 短期负荷预测的主要影响因素 4 3 1 气象因素的影响 4 3 2 日期类型的影响 4 4 基于i a f s a - r b f 神经网络的短期负荷预测模型 4 4 1 利用i a f s a 选取r b f 神经网络的输入变量 4 4 2 利用i a f s a 训练r b f 神经网络的权值 4 4 3i a f s a r b f 神经网络短期负荷预测模型的实现流程 4 5 负荷预测结果的评价指标 4 6 算例结果及分析 4 7 本章小结 3 9 3 9 4 0 4 4 第五章结论与展望一4 5 5 1 结论 5 2 展望 4 5 4 6 参考文献一4 7 _ l t录- 一51 致i 身f - 一5 6 攻读学位期间发表论文情况一5 7 i v 笛驼娩弭弘：5；”钌5； - 西大掌硕士掌位论文免疫 工鱼群的r b f 神经网络在短期负荷预钡q 中的应用 第一章绪论 1 1 电力系统短期负荷预测的意义 电力系统短期负荷预测是根据原始电力负荷数据的变化规律，以及电力负荷与各种 影响因素之间的相互关系，对未来某个时间范围内的电力负荷进行科学合理的预测【l 】。 由于电能的生产、传输、分配和消费是同时进行的，故电能无法大量存储。所以，电力 系统调度运行部门必须根据电能的消费情况制定出合理的发供电计划，这样才能够较好 地实现电能的供需平衡，避免因为电能生产过多而造成的浪费，或者因为电能生产不足 而造成的用电紧张局面。短期负荷预测可以为电力系统调度运行部f - i n 定合理的发供电 计划提供有效依据。调度运行部门可以通过准确的短期负荷预测结果，合理安排电 网中各台发电机组的投入与退出，优化发电机组的组合，从而实现电网的经济调 度，提高电网运行的安全性和稳定性。此外，我国的电力市场化改革在不断深入， 从而要求电力企业必须制定出合理有效的电价机制，以便达到提高电力企业自身 效益和用户从中获得实惠这一“双赢 目的。电价作为电力市场的杠杆，其制定 合理与否在一定程度上依赖于未来的短期负荷预测结果。因此，电力企业必须获 得较为准确的短期负荷预测结果，从而保证电价制定的合理性和有效性，以此来 提高电力企业的竞争力，实现电力企业的盈利目标。 总而言之，短期负荷预测是电力系统的重要组成部分，其对于电力系统的经济、安 全与稳定运行有着重大意义。因此，如何提高短期负荷预测的精度问题，成为了当前电 力系统研究领域的重要内容之一。 1 2 电力负荷预测的特点和原理 1 2 1电力负荷预测的特点 电力负荷预测是根据原始电力负荷数据与各类影响因素之间的关系，对未来的电力 负荷值作出推测，由于各类影响因素( 包括政治、经济和社会发展情况及气象条件等) 本身存在着不确定性，故电力负荷预测工作有着很大的随机性和波动性，使得电力负荷 预测具有以下几个显著特点【2 】 ( 1 ) 不准确性 电力负荷受到各种复杂因素的影响，这些影响因素本身又处在不断地发展和变化之 中。对于这些影响因素的未来发展状况，人们只能在一定程度上对其作出判断，而对于 某些影响因素的变化情况，人们甚至是无法对其作出判断。此外，再加上某些突发性事 件或者是特殊事件的随机出现，从而使得电力负荷预测的结果表现出不准确性这一明显 特点。 - 西大掌硕士掌位论文免疫人工鱼群的r b f 神经网络在短期负荷预谀q 中的应用 ( 2 ) 条件性 电力负荷预测通常都是在某些特定条件下进行的，由于各个不同地区的实际情况和 各种影响条件都不一样，所以需要结合每个地区的实际情况和各种影响条件，对其进行 某种合理并且有依据的假设，从而使得电力负荷预测的结果表现出一定的条件性。 ( 3 ) 时间性 电力负荷预测是科学预测工作的一部分，而科学预测工作一般都会指定某个时间范 围，所以电力负荷预测也具有这一特点，即进行电力负荷预测时，需要明确预测的时间 范围，从而使得电力负荷预测的结果表现出时间性这一特点。 ( 4 ) 多方案性 电力负荷预测通常都是根据各个不同地区在各自不同的实际情况和条件下进行的， 由于各地的实际情况和条件不同，使得电力负荷预测的方法也不尽相同，从而使得电力 负荷预测的结果在不同的影响条件下表现出多方案性这一特点。 1 2 2 电力负荷预测的原理 由于电力负荷预测工作有着很大的随机性和波动性，使得电力负荷预测极为困难。 因此，必须对电力负荷预测的基本原理进行科学合理地总结，这样才能够更好地进行电 力负荷预测工作。电力负荷预测的基本原理主要包括以下几个方面 2 1 ： ( 1 ) 可知性原理 所有的科学预测都能够进行，这是因为任何客观世界都是被人们所认知的，电力负 荷预测也不例外。因此，人们可以对电力负荷未来的发展趋势和状态作出科学合理地推 测。这也是进行电力负荷预测工作的基本前提。 ( 2 ) 可能性原理 电力负荷受到各种因素的影响，由于这些影响因素自身的发展变化情况不同，导致 电力负荷预测结果趋向于多种不同的可能性。因此，在进行电力负荷预测时，应该根据 各种影响因素的具体发展情况确定出不同的科学合理的多方案性预测方法。 ( 3 ) 连续性原理 事物在整个发展变化过程中，会将某些固有特征和变化规律予以保持和延续，比如 电力负荷有着逐年增长的趋势这一明显特征等。因此，电力负荷预测通常也是利用已知 的固有特征和变化规律对未来的电力负荷值作出推测。 ( 4 相似性原理 事物本身或者事物之间，在不同时期的发展状况通常会有一定的相似性。因此，人 们往往可以根据事物本身或者另一事物在同等相似条件下的已知状况来预测该事物的 未来状况。电力负荷预测中的很多预测方法( 如人们常说的相似日法等) 就是根据这种 相似性原理而提出来的。 ( 5 ) 反馈性原理 电力负荷预测的结果与实际值存在着误差，这是不可避免的。当这种误差较大时， 2 广西大掌硕士学位论文免疫人工鱼群的r b f 神经网络在短期负荷预测中的应用 可以利用电力负荷预测的反馈性原理，将预测误差反馈到输入端，并根据其产生的原因 来科学合理地调整各个输入参数，从而减小后期电力负荷预测的误差，提高电力负荷预 测的精度。 ( 6 ) 系统性原理 事物通常受到内在系统和外在系统的双重作用，两者共同构成了该事物的总系统， 电力负荷也是如此。因此，在进行电力负荷预测时，除了考虑电力负荷自身内在系统的 发展状况之外，还要考虑与其密切相关的各种影响因素这一外在系统，使得总系统的预 测工作达到最佳，这样才能够得到更为合理和准确的电力负荷预测结果。 1 3 国内外短期负荷预测的研究现状 至今为止，国内外对电力系统短期负荷预测的研究工作已经有着几十多年的历史。 通过国内外许多专家和学者们长期不断地努力研究和积极探索，已经逐步丰富和完善了 短期负荷预测的相关理论和方法，建立了各种短期负荷预测模型，并且使得短期负荷预 测的精度得到了极大提高。如今，随着计算机技术和各种交叉学科理论的不断成熟与发 展，为人们更好地探索和研究出更多科学合理的短期负荷预测方法提供了一个良好的技 术平台。目前，国内外短期负荷预测的方法主要包括有传统负荷预测方法和现代负荷预 测方法两大类型。 1 3 1 传统负荷预测方法 ( 1 ) 趋势外推法 电力负荷在某些特定条件下，呈现出某种明显的变化趋势，如电力负荷呈现出逐年 增长的趋势等，所以只要找到了电力负荷的这些变化趋势，便可以根据该变化趋势推断 出未来某个时间范围内的电力负荷情况，这就是所谓的趋势外推法。 趋势外推法的主要优点是只需要考虑电力负荷本身的历史数据，掌握其发展变化的 趋势，而不需要考虑与其相关的其他影响因素，并且所需要的历史电力负荷数据量较少； 其缺点是对于波动性较大的电力负荷序列，难以找出合适的趋势模型，因此无法准确推 断出未来负荷值，导致预测结果产生较大误差。为此，文献 3 采用了“负荷趋势加混沌” 的方法，首先将原始电力负荷分成“负荷趋势项和“混沌 项两部分，再分别对这两 部分运用相应的方法进行预测，最后将两部分的预测值进行相加，而得到最终的电力负 荷预测值。 ( 2 ) 回归分析法 回归分析法是根据电力负荷的历史数据以及与其相关的各种影响因素的历史资料， 通过采取一定的方法对电力负荷与各种影响因素之间的关系进行拟合，再根据这一拟合 关系，结合预测时刻各种影响因素的资料状况计算出未来时刻的电力负荷值，从而实现 电力负荷预测的目的。 广西大掌硕士学位论文免疫人工鱼群的r b f 神经网络在短期负荷预湖q 中的应用 回归分析法的主要优点是建模简单、运算速度快等，因此该方法广泛应用于各类实 际工程中。但是，由于电力负荷与各种相关影响因素之间的关系非常复杂，并非只是表 现为某种简单的线性或者非线性关系，所以无论何种回归预测模型都无法确切地表达出 电力负荷与各种相关影响因素之间的关系，尤其是当电力负荷发生突变时，该方法更加 难以根据此种突变情况而进行自适应调整，此时其预测误差就会很大。此外，由于影响 电力负荷的相关因素很多，而且这些影响因素之间也可能存在着某种线性相关性，所以 如何从这些影响因素之中挑选出一些主要因素，而忽略某些次要因素，消除它们之间的 多重共线性，进而减小计算量，这是该方法的一个主要难点问题。为此，文献 4 】采用了 主成分回归法来提取影响电力负荷的部分主要因素，而文献【5 】则是采用偏最小二乘回归 法来对影响电力负荷的相关因素进行有效选取。这两种方法都取得了很好的效果，都在 一定程度上提高了电力负荷预测的精度。 ( 3 ) 时间序列法 时间序列法就是以时间及其过去时刻的电力负荷值作为主要影响因素，并根据历史 电力负荷数据序列所表现出来的某种随机特性，总结出电力负荷随时间变化的规律，由 此规律建立起一个合理的数学模型，根据该数学模型即可对未来某个时刻的电力负荷值 作出预测。目前，常用的时间序列法是由b o x j e a n s 提出来的自回归( a r ) 模型、滑 动平均( m a ) 模型、自回归滑动平均( a r m a ) 模型、累积式自回归滑动平均( a r i m a ) 模型。 上面的四个时间序列预测模型都没有考虑到影响电力负荷变化的其它相关因素，所 以它们只适用于变化比较平稳的电力负荷时间序列。为此，人们提出了一种可以将影响 电力负荷的其它因素考虑到预测模型中去的新方法，即a r m a x 预测模型。文献【6 采用 了模糊模型对a r m a x 预测模型进行自组织学习，并采用了启发式和进化规划算法对模 型中作为影响电力负荷的输入因素进行优化选择；文献【7 】则是采用粒子群优化算法对 a r m a x 预测模型进行优化确定。两者都有效地提高了a r m a x 预测模型的精度。而文 献 8 则是将a r i m a 模型与b p 神经网络相结合，先通过a r i m a 模型对电力负荷进行粗略 预测，并将消除了周期性及受到气象因素影响较大的差值序列作为b p 神经网络的训练对 象，通过此训练学习过程之后，得到了对气象因素敏感并且是非平稳变化的修正量，再 用该修正量对a r i m a 模型得到的粗略预测值进行修正，从而得到最终的负荷预测结果， 该方法有效地提高了预测精度。 ( 4 ) 指数平滑法 指数平滑法指的是对预测时刻之前的部分历史电力负荷数据进行指数加权组合运 算，其计算值即为预测时刻的电力负荷值。其中，各个历史电力负荷数据的权系数是根 据“重近轻远”的原则，即权值由大n d , 地分配到相应的由近及远的各个历史电力负荷 数据上。 指数平滑法一般只适用于较为平稳的电力负荷序列，当电力负荷发生波动时，在一 定时间内，该方法中的平滑常数难以跟上电力负荷数据的这种突变情况，导致预测结果 4 广西大掌硕士掌位论文免疫 王鱼群的r b f 神经网络在短期负荷预测中的应用 较差。为此，文献 9 】中引入了“追踪信号”这一方法来不断修正平滑常数，使其能够较 好地适应电力负荷序列的各种快速变化，从而较好地解决了平滑常数反应迟缓的问题， 有效提高了预测精度。 ( 5 ) 灰色预测法 灰色预测法由灰色系统理论演变而来的一种预测方法。灰色系统理论是2 0 世纪8 0 年 代由我国学者邓聚龙教授提出来的，该理论主要用于解决各种信息不完备的系统问题。 灰色系统理论通过采取一定的方法( 如累加生成或累减生成等) 将原始的数据序列变换 成规律性较强的生成新数据序列，再由其得到灰色模型( g m ) 的微分方程。基于灰色 系统理论的电力负荷灰色预测法，就是将电力负荷的部分原始数据序列通过一次累加操 作之后，生成一串新的数据序列，并由该新数据序列形成其g m 的微分方程，通过求解 计算，得到该微分方程的时间响应函数表达式，由此即可对未来某个时刻的电力负荷值 作出预测。 灰色预测法的主要优点是所需要的历史电力负荷数据量较少，无需考虑电力负荷的 变化趋势和分布规律，运算速度快等；其主要缺点是随着预测时间的推移，电力负荷的 历史数据离散程度变大，使得该方法的预测精度变差。为此，文献【1 0 将灰色模型中的 两个重要参数当作是随时间变化的因变量，以动态的形式来改变这两个参数的值，从而 增强了该模型的适应能力，改善了预测效果。 1 3 2 现代负荷预测方法 ( 1 ) 模糊预测法 模糊预测法是根据模糊集合理论建立起来的一种新的预测技术。模糊集合理论是 1 9 6 5 年由美国计算机与控制论专家z a d e hla 教授提出来的，其主要用于描述各类模糊 事物。模糊预测法主要是将电力负荷以及影响电力负荷变化的各种相关因素( 如气象条 件和经济社会发展情况等) 进行综合考虑，通过采用模糊聚类分析等方法对所收集到的 历史数据进行合理的模糊划分，由此得到历史电力负荷及其相关影响因素的若干个典型 类别，然后再采用合适的模糊集或者模糊数以各种规则形式表示出每个典型类别中各相 关影响因素的特征及其对应的电力负荷变化模式。因此，只要知道了预测时刻的各种相 关影响因素的特征状态，即可根据相应的规则判定出预测时刻的电力负荷属于何种类型 的变化模式，由该模式就可以推测出预测时刻的电力负荷值。 由于电力负荷表现出较强的随机性，所以单纯采用模糊预测法进行电力负荷预测， 所得到的预测结果往往不是很理想。为此，在实际的电力负荷预测中，通常将该方法与 其他方法结合应用。如文献【1 1 将模糊聚类分析法与r b f 神经网络进行结合，首先通过 模糊聚类分析法对历史样本中影响电力负荷的各种因素进行聚类分析，从而得到一批与 预测日中各个影响因素状态较为相似的训练样本集，并且将其用于r b f 神经网络的训 练，然后将预测日的相关信息输入到训练好的r b f 神经网络中去，从而实现电力负荷的 预测。文献 1 2 贝3 j 是将模糊聚类分析法与粗糙集理论进行结合，同样是先采用模糊聚类 5 广西大学硕士学位论文 免疫人工鱼群的r b f 神经网络在短期负荷预钡中的应用 分析法将历史数据划分成若干类，然后再应用粗糙集理论分别对其建立相应的负荷预测 模型，再将各个类的预测值进行综合，从而得到最终的电力负荷预测值。而文献【1 3 】和 【1 4 】都是先利用模糊方法根据天气的不同变化情况对电力负荷数据进行分类，然后再用 神经网络进行训练和预测。这些方法都有效地提高了预测精度。 ( 2 ) 专家系统法 专家系统是一个将知识和经验进行程序化的计算机智能系统。其存储着某个领域内 许多专家们的丰富知识和经验，能像专家一样进行思维推理过程，从而对某个领域内的 问题给出合理答案。基于专家系统的电力负荷预测方法，主要是通过提取电力负荷预测 专家们的各种理论知识和丰富经验，将其程序化并应用于多种复杂因素干扰下或者某种 特殊事件下的电力负荷预测。 专家系统法的主要优点是对于突发性特殊事件引起的电力负荷变化，能够快速有效 地给出合理的预测结果；其主要缺点是难以对专家们的各种知识和经验进行程序化，而 且不具有自主学习能力等。为此，通常将该方法与其它方法结合起来应用。如文献 1 5 】 将专家系统法与i 强f 神经网络进行结合，先是利用l 迎f 神经网络求得预测日各点的负荷 预测值，再利用专家系统根据气象条件或者突发事件等，对负荷预测值进行修正，有效 地提高了预测精度。 ( 3 ) 数据挖掘技术 数据挖掘技术【1 6 】是指从大量的数据中，挖掘出对人们的决策具有重大参考价值的潜 在知识和信息。基于数据挖掘技术的电力负荷预测方法，主要是通过各种分析方法将电 力系统中的大量数据信息( 包括气象条件、社会环境和突发事件等) 转化成有用的信息 和知识，从而建立起电力负荷与各种数据信息之间的关系，利用此关系即可对未来的电 力负荷作出预测。目前，数据挖掘技术在电力系统短期负荷预测中应用得最多的方法是 决策树方法【1 7 d 引，该方法具有速度快、精度高以及生成的模式比较简单等优点。 ( 4 ) 小波分析法 小波分析法【1 9 】是2 0 世纪数学研究领域中的一项重要成果。它囊括了泛函分析、数值 分析、傅里叶分析等现代分析学中众多分支的精华，将它们各自的精髓部分进行了合理 有效地综合。 小波分析无论在时域上，还是在频域上，都具有良好的局部化性质，其主要是通过 采用一个合适的母小波对原始信号在时间轴上进行平移和缩放变化，从而产生一系列的 子小波，这些子小波就是原始信号中混杂的各种不同频率成分。基于小波分析的电力负 荷预测方法，就是利用小波分析的时域和频域性质，通过选取合适的母小波把一个原始 电力负荷序列分解成若干不同周期频率的子序列，使得分解出来的各个子序列能够呈现 出更强的规律性，再根据各个子序列的特有规律应用合适的预测方法，分别对其进行预 测，最后将各个子序列的预测值进行综合，即可得到最终的电力负荷预测值。因此，应 用小波分析法作短期负荷预测时，通常都是将其与其他方法结合起来应用，如文献 2 0 】 就是将小波分析法与神经网络预测模型结合起来应用。 6 广西大学硕士掌位论文免疫人工鱼群的r b f 神经网络在短期负荷预测中的应用 ( 5 ) 人工神经网络法 人工神经网络【2 l j ( a r t i f i c i a ln e u r a ln e t w o r k ，a n n ) 主要是通过模拟人脑或者生物 的神经系统，对选取的样本进行训练和学习，当中引入了非线性转换函数，使其能够很 好地解决各种复杂的非线性问题。a n n 具有较强的自组织、自学习、自适应以及大规模 并行处理的能力。目前，a n n 已经普遍应用于过程控制、信号处理、模式识别等众多领 域之中。 早在1 9 7 5 年，d i l l i o n 等人就提出应用a n n 进行电力负荷预测的想法，但没有能够取 得重大研究成果，这主要是因为当时人工神经网络正处在一个低谷时期。此后，a n n 这方面的研究停滞了很长一段时间，直到1 9 8 6 年误差反向传播算法( e r r o rb a c k p r o p a g a t i o n ) 的提出，才使得各国专家们重新将目光投向于a n n 的研究之中，并且取得 了重大突破。1 9 9 1 年，d c p a r k 等人首次成功地将a n n 方法应用于电力负荷预测之中 2 2 1 。 目前，用于电力负荷预测的人工神经网络主要有：b p ( b a c kp r o p a g a t i o n ) 网络、r b f ( r a d i a lb a s i sf u n c t i o n ) 网络、h o p f i e l d 网络、e l m a n 网络等。 除了上述介绍的这些传统的和现代的负荷预测方法之外，还有很多其它的诸如混沌 法【2 3 1 、卡尔曼滤波法【2 4 1 和支持向量机等各种预测方法。如今，随着计算机技术和人 工智能技术的不断发展，以及非线性理论的不断深化和各种交叉学科之间的不断完善， 电力负荷预测技术将会得到更大的发展，使得电力负荷预测的方法能够适用于更加广泛 的范围，实用性变得更强，预测精度也将会得到更大提高。 1 4 本文的主要工作和结构安排 由于人工神经网络能够较好地解决各种复杂的非线性问题，故其在电力系统短期负 荷预测中得到了广泛应用。本文就是针对目前在电力系统短期负荷预测中应用较多的 i 出f 神经网络进行研究与分析。主要是采用了本文所提出的免疫人工鱼群算法( i m m u n e a r t i f i c i a lf i s hs w a r ma l g o r i t h m ，i a f s a ) 对r b f 神经网络的输入变量进行自动选取，以及 利用其训练网络中隐含层到输出层之间的权值，最后将优化好的r b f 神经网络进行短期 负荷预测。i a f s a 是针对人工鱼群算法( a r t i f i c i a lf i s hs w a r ma l g o r i t h m ，a f s a ) 的缺点， 采用免疫算法( i m m u n ea l g o r i t h m ，i a ) 对其进行改进而形成的一种优化算法。本文的 结构安排主要分为以下几个部分： 第一章为绪论，主要介绍了电力系统负荷预测的意义及其特点和基本原理，并阐述 了国内外电力系统短期负荷预测的研究现状。 第二章主要介绍了r b f 神经网络的基本理论，以及对于i 强f 神经网络进行优化训练 的一些学习算法。 第三章主要介绍了人工鱼群算法和免疫算法的基本理论，以及如何将两者进行结合 得到免疫人工鱼群算法，并且通过几个数学算例说明了本文所提出的免疫人工鱼群算法 较之简单的人工鱼群算法有着更好的收敛性能。 7 广西大学硕士掌位论文免疫人工鱼群的r b f 神经网络在短期负荷预测中的应用 第四章重点介绍了如何利用本文所提出的免疫人工鱼群算法对i 也f 神经网络进行 优化训练，以及将优化后的i f 神经网络应用于短期负荷预测之中，并通过某地方电网 的实际算例来验证本文所提出方法的可行性和有效性。 第五章为结论与展望部分，主要是对本文的研究工作进行总结，并对研究工作中有 待改进的地方作简要分析，以及对后续的研究工作提出了展望。 8 广西大掌硕士学位论文免疫 、工鱼群的r b f 神经网络在短期负荷预测中a g , 商l g l 第二章r b f 神经网络 2 1r b f 神经网络的基本原理 i m f 神经网络是由j m o o d y 和c d a r k e n 于2 0 世纪8 0 年代末提出来的一种前馈神经网 络，它能够较好地逼近任意连续函数【2 7 1 。i 也f 神经网络通常包括有输入层、隐含层和 输出层，其结构如图2 1 所示。 图2 1r b f 神经网络结构 f i g 2 - 1 r b fn e u r a ln e t w o r ka r c h i t e c t u r e 输入层由输入样本空间组成，输入样本向量为x t = b 。，_ ：，x m ) ，n 表示样本空 间的维数；r = 1 , 2 ，h ，h 表示样本集的个数。 隐含层的激活函数通常被称为径向基函数，隐含层的主要作用就是通过选取合适的 径向基函数对输入样本空间进行非线性变换。目前，i m f 神经网络中最常用的径向基函 数有以下三种： ( 1 ) 多二次函数： 妒似，c ，) = 似卜口声f = 1 ，2 ，m ( 2 1 ) ( 2 ) 逆多二次函数： 妒，c ) = _ l t f = 1 ，2 ，m( 2 2 ) 峪j + c ；f ( 3 ) 高斯函数： 舰剐= e x p 【一譬卜墟，聊 ， 其中： c 表示第f 个隐含层节点的中心，即c = 0 n ，c 加) ； 所表示隐含层节点中心的数目； 仃表示方差。 9 广西大掌硕士学位论文免疫人工鱼群的r b f 神经网络在短期负荷预胡g 中的应用 由于高斯函数具有良好的光滑性、可以进行无穷阶导数以及径向对称等优点，所以 隐含层的径向基函数通常采用的是高斯函数。故当网络的输入为置时，第i 个隐含层节 点的输出为： g ，o x , - c t d p f _ 亭 叫， 网络的输出层主要是对隐含层的输出进行线性组合，即： y = g ，k - c 川) ( 2 - 5 ) 式( 2 5 ) 中：表示第个输出层节点，即= 1 , 2 ，为输出层节点数； 0 3 表示隐含层节点f 到输出层节点j f 之间的连接权值。 由上面介绍的r b f 神经网络结构以及各层的作用可知，要实现r b f 神经网络，必须 确定好网络中隐含层节点的中心c ，方差仃和隐含层到输出层之间的连接权值c o 这三个 重要参数，它们可以采用某种学习算法来优化确定。 对于c ，仃，c o 这三个关键参数的优化确定，有两种方式：第一种方式是对c ，仃，0 3 同时 进行优化。这种方式虽然可以对c ，仃，都进行优化确定，较好地改善整个i m f 神经网络 的性能，但是其计算量大，并且增多了算法当中的可调参数；第二种方式是将c ，仃，分 开进行优化，即首先采用合适的学习算法对隐含层节点的中心c 和方差仃进行确定，然 后保持c 和仃不变，再采用合适的学习算法对网络中隐含层到输出层之间的连接权值c o 进行训练确定。这种方式大大减小了计算量，并且能够取得较快的收敛速度。采用第一 种方式，理论上可以将r b f 神经网络中的c ，d ，0 3 调整到最优。但是在实际的电力系统短 期负荷预测中，r b f 神经网络的输入样本空间维数一般都较高，如果同时都对c ，仃，进 行训练学习，会增加算法的计算量。此外，由于隐含层神经元的中心c 主要是通过神经 网络中的输入样本空间来确定的，而方差仃又可以根据隐含层中心c 来确定，所以在输 入样本空间确定的情况下，隐含层神经元的中心c 和方差仃基本上也就相对确定了。针 对这一具体情况，本文采用第二种方式对r b f 神经网络中的c ，仃，进行学习训练。 除了对i 出f 神经网络中的c ，仃，0 3 进行优化确定之外，i 也f 神经网络中还有一个关键 问题就是如何选取输入样本空间变量的问题。这几乎是所有的神经网络预测模型都必须 考虑的问题。因为神经网络输入变量的选取合理与否，严重影响到神经网络预测模型的 精度。影响电力负荷发展变化的因素很多，目前普遍采用的是依靠人工经验的方法将气 象条件和日期类型等因素作为神经网络的输入变量。但是，如果全部的影响因素都作为 r b f 神经网络中输入变量的话，会导致神经网络中输入样本空间维数的急剧增加，使得 计算量变大。因此，需要采用一定的学习算法对神经网络中的输入变量进行合理有效地 选取。下面就神经网络中输入变量如何选取，以及r b f 神经网络中的c ，仃，这三个关键 参数如何确定等问题的某些学习算法进行简单介绍。 1 0 广西大掌司e b 掌位论文 免疫人工鱼群的r b f 神经网络在短期负荷预测中的应用 2 2r b f 神经网络的学习算法 2 2 1输入变量选取的学习算法 由于神经网络输入变量选取的合理与否关系到神经网络预测模型的性能，所以人 们提出了一些学习算法来解决神经网络输入变量的选取问题。其中，主要的学习算法有 下面几种： ( 1 ) 相空间嵌入法 文献 2 8 】采用了相空间嵌入的方法，从原始的电力负荷时间序列中找到对预测时刻 影响最大的电力负荷点，以此来作为神经网络的输入变量，其在一定程度上提高神经网 络的训练精度，改善了预测结果。然而，该方法没有能够对天气等影响因素进行很好的 处理，仅仅是从电力负荷时间序列中来选取神经网络的输入变量。为此，人们提出了一 些可以同时对电力负荷与气象条件等因素进行处理的学习方法。 ( 2 ) 正交最 b - 乘法 文献 2 9 】采用了正交最, b - - 乘法对神经网