基于RBF-AR模型的电力系统短期负荷预测方法技术方案

本发明专利技术公开了一种采用RBF‑AR模型对电力系统短期负荷进行预测的方法。该方法首先采用一种RBF‑AR模型对电力系统短期负荷进行建模，然后采用一种随机梯度下降(SG)优化算法对RBF‑AR模型的参数进行在线优化，并通过定义的最小信息量准则来选择最终用于对电力系统短期负荷进行预测的RBF‑AR模型的最优阶次。本发明专利技术设计的RBF‑AR模型有效避免了直接采用RBF模型而存在的参数较多、难以估计及实时性差的问题；且设计的对RBF‑AR模型参数进行在线优化的随机梯度下降(SG)算法比离线估计类算法具有更快的实时性，更适用于电力系统的短期负荷预测。

Short term load forecasting method of power system based on rbf-ar model

【技术实现步骤摘要】
基于RBF-AR模型的电力系统短期负荷预测方法
本专利技术涉及电力系统短期负荷预测
，尤其涉及一种基于RBF-AR模型的电力系统短期负荷预测方法。
技术介绍
短期负荷预测对电力系统的合理调度有着重要的意义，准确的电力负荷预测可以有效降低电网运行的成本，显著提升电力系统运行的可靠性和经济性。与长期负荷预测相比，短期负荷预测主要用于安排发电计划，实时性要求更高，其往往具有变动速度快，受环境影响大，非线性强的特点。伴随着目前电网改造的迫切要求和先进智能算法的快速发展，针对电力系统短期负荷的先进预测算法研究具有重要的经济意义和研究价值。径向基函数神经网络(RBF)因其较强的非线性逼近能力已成为解决电力系统负荷预测的一种有效方法。然而在实际应用中，直接采用神经网络模型对电力系统的短期负荷进行预测往往存在模型的参数较多、难以精确估计及实时性差等问题。因此，本专利采用一种RBF-AR模型来对电力系统的短期负荷进行预测。RBF-AR模型是一种具有自回归(AR)模型框架的组合类模型，其结合了RBF神经网络的函数逼近能力及自回归(AR)模型的非线性描本文档来自技高网...

【技术保护点】
1.一种基于RBF-AR模型的电力系统短期负荷预测方法，其特征在于，包括以下步骤：/n1)采集用于对RBF-AR模型进行递归优化训练用的电力系统短期负荷数据集；/n2)采用一种RBF-AR模型对电力系统短期负荷进行预测建模；/n3)采用随机梯度下降(SG)优化算法对步骤2)中RBF-AR模型的参数进行在线优化；/n4)采用最小信息量准则来选择最终用于对电力系统短期负荷进行预测的RBF-AR模型的最优阶次；/n5)采用步骤4)中选择的RBF-AR模型对电力系统短期负荷进行在线实时预测。/n

【技术特征摘要】
1.一种基于RBF-AR模型的电力系统短期负荷预测方法，其特征在于，包括以下步骤：
1)采集用于对RBF-AR模型进行递归优化训练用的电力系统短期负荷数据集；
2)采用一种RBF-AR模型对电力系统短期负荷进行预测建模；
3)采用随机梯度下降(SG)优化算法对步骤2)中RBF-AR模型的参数进行在线优化；
4)采用最小信息量准则来选择最终用于对电力系统短期负荷进行预测的RBF-AR模型的最优阶次；
5)采用步骤4)中选择的RBF-AR模型对电力系统短期负荷进行在线实时预测。


2.根据权利要求1所述的基于RBF-AR模型的电力系统短期负荷预测方法，其特征在于，步骤2)中，用于对电力系统短期负荷进行建模的RBF-AR模型，具体结构如下：



其中，yk为电力系统负荷的第k个采样数据；ξk为RBF-AR模型的建模误差项；p，m和d为模型的阶次；exp(·)为指数运算；||·||2为二范数运算；为模型的线性权，且n1＝0,1,...,p、n2＝0,1,...,m；为模型的比例因子，且n3＝1,2,...,m；z为径向基函数神经网络的中心，且z＝[yd,yd-1,...,y1]T；wd,k为模型的状态向量，且wd,k＝[yk-1,yk-2,...,yk-d]T。且通过定义中间变量和θ＝[cT,λT]T，其中：yp,k＝[yk-1,yk-2,...,yk-p]T，c＝[c0,0,c1,0,...,cp,0...

【专利技术属性】
技术研发人员：周锋，陈俊东，朱培栋，于佳琪，郭文明，
申请(专利权)人：长沙学院，
类型：发明
国别省市：湖南;43