武汉市规划研究院 宋朝鹏

为减小短期电力负荷预测中的误差，提出了一种改进遗传算法优化RBF神经网络（IGA-RBF）的负荷预测方法，解决RBF神经网络易陷入局部极值的问题，提高预测的准确性。利用IGA算法对RBF神经网络的中心、宽度以及隐含层与输出层之间的联结权值参数进行优化，提高了RBF神经网络的泛化能力。仿真实验表明，IGA-RBF算法在短期电力负荷预测中具有较快的收敛速度和较高的精度，具有较好的实用价值。

短期负荷预测是电力系统负荷预测的重要内容，精准的电力负荷预测对于制定发电计划、保障生产生活用电、控制电网经济运行、降低旋转储备容量等方面具有重要作用。

随着现代人工智能算法的快速发展，粗糙集、人工神经网络、群体进化算法等智能化方法被广泛应用于电力负荷预测之中。径向基函数（Radial Basis Function，RBF）神经网络可映射复杂的非线性关系，鲁棒性好且自学习能力强大。因此，RBF神经网络被广泛应用到电力系统短期负荷预测。但RBF神经网络也存在易陷入局部最优解的问题，使得预测精度下降。针对RBF网络存在的问题，本文利用改进遗传算法(Improved Genetic Algorithm，IGA)强大的进化寻优能力，提出一种IGA-RBF神经网络短期负荷预测模型，该方法可有效解决RBF神经网络训练时易陷入局部极值的问题，提高算法收敛精度。

1 RBF神经网络的结构与原理

RBF神经网络是一种三层前向神经网络，网络的拓扑结构如图1所示。第一层是输入层，为信号源节点；第二层是隐含层，其单元数根据实际需要来确定；……