[01187922]基于改进RBF神经网络的智能电网短期负荷预测方法

智能电网的快速发展产生了大量的用电数据,对这些大数据挖掘具有重大意义。将数据挖掘中的预测算法应用到短期负荷预测中来,提升负荷预测精度,这对电力系统的安全调度和经济运行起着重要的作用。径向基函数（RBF）神经网络是应用于负荷预测中最为广泛的一种预测算法,因为它是一种局部逼近网络,能以任意精度逼近任意连续函数,具有唯一最佳逼近特性且无局部极小问题,而且拓扑结构简单、学习速率快。RBF神经网络基函数中心常采用FCM等聚类算法确定,但是在智能电网负荷预测中,负荷数据规模大、数据维数多,直接采用基于FCM聚类确定基函数中心的RBF神经网络负荷预测算法复杂度高。因此,负荷数据预测分析前应该进行降维处理,以降低预测算法复杂度。同时,为了更准确的确定RBF基函数中心,应该提升FCM的聚类性能,从而提高RBF神经网络预测精度。 本项目提出一种基于改进RBF神经网络的智能电网短期负荷预测方法。该方法提出采用一种基于PCA降维的加权FCM聚类算法（PCA-WFCM）确定RBF基函数中心,从而提升负荷预测精度。负荷数据先通过PCA降维处理,获得较少的不相关的预测输入,从而减小RBF基函数的重叠,更好的确定基函数中心并降低预测算法复杂度;然后采用加权FCM聚类,将PCA处理后获得的不同属性的方差贡献率给降维后属性加权,从而提升聚类准确度,获得更准确的基函数中心。这种改进的RBF神经网络预测算法较传统的RBF神经网络预测算法能够加速网络收敛速度的同时还能提升预测精度。