李如琦,褚金胜,谢林峰,王宗耀

(广西大学电气工程学院,南宁 530004)

短期负荷预测是电力系统调度运行部门的重要日常工作,准确的负荷预测可以实现电力网的经济调度运行,并改善电力系统的安全性和稳定性。因此,提高负荷预测的准确性有着重大意义。

目前,短期负荷预测的理论和方法已有很大发展,出现了各种新方法,包括有小波分析法[1]、混沌理论[2]、支持向量机[3]和人工神经网络预测[4～9]等。其中,由于径向基函数RBF神经网络具有任意函数逼近能力[8],以及训练速度快和泛化能力强等特点,在短期负荷预测中得到广泛应用。

为提高神经网络预测模型的精度,通常将气象条件和日期类型等因素作为神经网络的输入变量。但其选取一般都是根据经验来确定的,而且如果将所能列举的全部因素都作为输入变量的话,必然会导致神经网络输入样本维数增加,训练工作量增大,从而影响到预测精度。为此,文献[3]和[4]采用主成分分析法对神经网络的原始输入空间进行重构,并根据各主成分的贡献率来确定出输入变量;文献[5]和[6]采用粗糙集理论中的属性约简算法来对神经网络的输入参数进行筛选,挖掘出与预测量相关性大的影响因素作为输入变量;文献[7]采用相空间嵌入方法,仅从负荷时间序列中来选取神经网络的输入变量。实例表明,这些方法对于神经网络输入变量的选取都是合理有效的。

人工鱼群算法(AFSA)具有良好的全局搜索能力及收敛速度快、对参数选取不敏感、鲁棒性强、实现简单等优点。……