[發(fā)明專利]基于RBF-AR模型的電力系統(tǒng)短期負(fù)荷預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201911037215.X
• 申請日: 2019-10-29
• 公開（公告）號: CN110796309A
• 公開（公告）日: 2020-02-14
• 發(fā)明（設(shè)計）人: 周鋒;陳俊東;朱培棟;于佳琪;郭文明
• 申請（專利權(quán)）人: 長沙學(xué)院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 11489 北京中政聯(lián)科專利代理事務(wù)所(普通合伙)
• 代理人: 鄭久興

本發(fā)明公開了一種采用RBF?AR模型對電力系統(tǒng)短期負(fù)荷進(jìn)行預(yù)測的方法。該方法首先采用一種RBF?AR模型對電力系統(tǒng)短期負(fù)荷進(jìn)行建模，然后采用一種隨機梯度下降(SG)優(yōu)化算法對RBF?AR模型的參數(shù)進(jìn)行在線優(yōu)化，并通過定義的最小信息量準(zhǔn)則來選擇最終用于對電力系統(tǒng)短期負(fù)荷進(jìn)行預(yù)測的RBF?AR模型的最優(yōu)階次。本發(fā)明設(shè)計的RBF?AR模型有效避免了直接采用RBF模型而存在的參數(shù)較多、難以估計及實時性差的問題；且設(shè)計的對RBF?AR模型參數(shù)進(jìn)行在線優(yōu)化的隨機梯度下降(SG)算法比離線估計類算法具有更快的實時性，更適用于電力系統(tǒng)的短期負(fù)荷預(yù)測。

技術(shù)領(lǐng)域

本發(fā)明涉及電力系統(tǒng)短期負(fù)荷預(yù)測技術(shù)領(lǐng)域，尤其涉及一種基于RBF-AR模型的電力系統(tǒng)短期負(fù)荷預(yù)測方法。

背景技術(shù)

短期負(fù)荷預(yù)測對電力系統(tǒng)的合理調(diào)度有著重要的意義，準(zhǔn)確的電力負(fù)荷預(yù)測可以有效降低電網(wǎng)運行的成本，顯著提升電力系統(tǒng)運行的可靠性和經(jīng)濟(jì)性。與長期負(fù)荷預(yù)測相比，短期負(fù)荷預(yù)測主要用于安排發(fā)電計劃，實時性要求更高，其往往具有變動速度快，受環(huán)境影響大，非線性強的特點。伴隨著目前電網(wǎng)改造的迫切要求和先進(jìn)智能算法的快速發(fā)展，針對電力系統(tǒng)短期負(fù)荷的先進(jìn)預(yù)測算法研究具有重要的經(jīng)濟(jì)意義和研究價值。

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)因其較強的非線性逼近能力已成為解決電力系統(tǒng)負(fù)荷預(yù)測的一種有效方法。然而在實際應(yīng)用中，直接采用神經(jīng)網(wǎng)絡(luò)模型對電力系統(tǒng)的短期負(fù)荷進(jìn)行預(yù)測往往存在模型的參數(shù)較多、難以精確估計及實時性差等問題。因此，本專利采用一種RBF-AR模型來對電力系統(tǒng)的短期負(fù)荷進(jìn)行預(yù)測。RBF-AR模型是一種具有自回歸(AR)模型框架的組合類模型，其結(jié)合了RBF神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力及自回歸(AR)模型的非線性描述能力的優(yōu)點。目前，針對RBF-AR模型的優(yōu)化方法有列文伯格-馬夸爾特法、結(jié)構(gòu)化的非線性優(yōu)化方法和變量投影算法等，但該類方法均為離線參數(shù)優(yōu)化方法，在在線預(yù)測過程中模型的參數(shù)固定不變，因此如何在線對RBF-AR模型的參數(shù)進(jìn)行優(yōu)化是一個有待解決的問題。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是，針對現(xiàn)有技術(shù)不足，提出一種基于RBF-AR模型的電力系統(tǒng)短期負(fù)荷預(yù)測方法。該方法首先采用一種RBF-AR模型對電力系統(tǒng)短期負(fù)荷時間序列進(jìn)行建模，然后采用一種隨機梯度下降算法(SG)對RBF-AR模型參數(shù)進(jìn)行在線優(yōu)化，該方法可有效提高RBF-AR模型對電力系統(tǒng)短期負(fù)荷進(jìn)行預(yù)測的實時性。

為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：基于RBF-AR模型的電力系統(tǒng)短期負(fù)荷預(yù)測方法，包括以下步驟：

1)采集用于對RBF-AR模型進(jìn)行遞歸優(yōu)化訓(xùn)練用的電力系統(tǒng)短期負(fù)荷數(shù)據(jù)集；

2)采用一種RBF-AR模型結(jié)構(gòu)對電力系統(tǒng)短期負(fù)荷進(jìn)行建模；

3)采用隨機梯度下降(SG)優(yōu)化算法對步驟2)中RBF-AR模型的參數(shù)進(jìn)行在線優(yōu)化；

4)采用最小信息量準(zhǔn)則來選擇最終用于對電力系統(tǒng)短期負(fù)荷進(jìn)行預(yù)測的RBF-AR模型的最優(yōu)階次；

5)采用步驟4)中選擇的RBF-AR模型對電力系統(tǒng)短期負(fù)荷進(jìn)行在線實時預(yù)測。

步驟2)中，用于對電力系統(tǒng)短期負(fù)荷進(jìn)行建模的RBF-AR模型，具體結(jié)構(gòu)如下：