吴曦 袁荣湘

(武汉大学 电气工程学院，湖北 武汉 430072)

0 引言

电力系统负荷预测是电力规划、控制和运行等工作的重要组成部分。准确的负荷预测有利于提高电网运行的安全稳定性，有效地降低发电成本，增强供电可靠性，从而提高电力系统的经济效益和社会效益。因此，提高负荷预测精度具有重要意义。

负荷预测的方法很多。灰色模型作为一种常用的负荷预测方法，具有要求数据少、不考虑分布规律、不考虑变化趋势等优点，在电力负荷预测中应用越来越广泛［1-3］。但是，当数据离散度大时，数据灰色变大，预测精度变差，不适合于中长期电力负荷预测。径向基函数(RBF)神经网络是一种性能良好的前向网络，既有生物背景，又与函数逼近理论相吻合，具有逼近非常复杂的非线性函数的功能，但过度的拟合逼近往往影响网络的泛化能力。将灰色模型与RBF神经网络结合一定程度上能实现双方的互补，但结合时存在局部最优和收敛性问题一直没有很好的解决［4-6］。

本文利用遗传算法鲁棒性强、收敛速度快以及全局定位能力强的优点［7-10］，代替传统的最小二乘法对GM(1，1)中的参数进行优化求解，可以避免陷入局部最优，从而实现全局寻优，而且改进后的模型相结合时收敛速度更快，精度更高。并举例将该模型首次在电力负荷预测中应用，发现具有很好的效果。

1 GM(1，1)传统建模

设原始序列为{x(0)(1)，x(0)(2)，…，x(0)(n)}，一阶累加生成序列{x(1)(1)，x(1)(2)，…，x(1)(n)}，其中(i)。其中k=1，2，…，n。由于x(1)(k)具有指数增长规律，故满足一阶线性微分方程模型取时刻k和k+1的平均值上式微分方程对 k=1，2，…，n 的结果写成矩阵形式，