２０１３年７月第１６卷第７期 ２０１３，Ｖｏｌ，１６，Ｎｏ．７ 贵州电力技术 ＧＵＩＺＨＯＵ ＥＬＥＣＴＲＩＣ ＰＯＷＥＲ ＴＥＣＨＮＯＬＯＧＹ 电网科技 Ｐｏｗｅｒ Ｇｒｉｄ Ｔｅｃｈｎｏｌｏｇｙ ＲＢＦ神经网络在电力系统短期负荷预测中的应用 刘雪茹，张 栩，张守磊 （贵州大学电气工程学院，贵州贵阳５５００２５） 摘要：介绍了基于ＲＢＦ神经网络的电力系统短期负荷预测方法的相关概念及其具体实现途径。通过分析和比 较．总结了一些比较成熟的基于ＲＢＦ神经网络在电力系统短期负荷预测中的应用现状和技术特点。根据电力系统 运行的实际特点和面临的新情况，探讨了该预测方法的发展空间和技术趋势。 关键词：ＲＢＦ神经网络；ＢＰ神经网络；短期负荷预测 文章编号：１００８—０８３Ｘ（２０１３）０７—００１３—０５中图分类号：ＴＭ７１５文献标志码：Ｂ 电力系统短期负荷预测是电力系统日常运行中 的一项重要工作。精确的负荷预测，对电力系统的 生产安排、经济调度和安全分析都起着十分重要的 作用，也直接影响着电力企业的经济效益。近几年 来，人工神经网络被应用于电力负荷预测，它融合了 时间序列法和气象条件两方面的因素，其预测的准 确性是令人满意的。应用最多的人工神经网络是多 层感知器，并采用反向传播算法（ＢＰ算法）进行网 输入数据变换到高维空间内，使得在低维空间内的线 性不可分问题在高维空间内线ｆ生可分。 ＲＢＦ神经网络是单隐层的前向网络，由三层构成； 第一层是输入层，由信号源节点组成；第二层是隐层， 隐单元的个数由所描述的问题而定，隐层节点由径向 基函数构成；第三层是输出层，对输入模式做出响应， 通常是简单的线性函数。在ＲＢＦ神经网络中，输入层 和输出层由线性神经元组成，输入层节点只传递输人 络训练。然而，传统的ＢＰ算法有诸如不易确定隐 层神经元的个数，可能陷于局部极小以及耗费大量 信号到隐含层，隐含层节点一般取高斯核函数，该核函 数能对输入矢量产生局部响应，而输出层节点通常是 简单的线性函数，输出节点对隐含层节点的输出进行 线性加权。它是具有标准全连接的前向网络，从而实 现输入空间到输出空间的映射，使整个网络达到分类 和函数逼近的目的。ＲＢＦ网络模型如图１所示。 计算机时等缺点，因而不适合于实际应用。近来基 于ＲＢＦ神经网络的负荷预测方法是目前电力系统 短期负荷预测中应用最广泛的方法之一，因其与传 统神经网络相比具有更高的精确度和更强的学习能 力，且具有可以逼近任意非线性映射的能力，故而在 近年的实际负荷预测应用研究中得到了高度重视。 本文收集整理了近几年研究ＲＢＦ神经网络的电力 系统短期负荷预测方法的论文，针对基于ＲＢＦ神经 网络的电力系统短期负荷预测方法进行了系统概 述，评价了当前各种相关短期负荷预测模型在电力 系统中的具体应用效果，并对其最新发展趋势做出 客观的总结和展望。 褥屦 图１ ＲＢＦ网络模型 １ ＲＢＦ神经网络模型及其应用于短期负荷 预测的概述 １９８５年，Ｐｏｗｅｌｌ提出了多变量插值的径向基函数 （Ｒａｄｉａｌ—Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ，ＲＢＦ）方法。ＲＢＦ神经网络的 ＲＢＦ网络是一种前向网络，其隐含层单元的激 活函数通常为具有局部接受域的函数。因此，网络 有时也称为局部接受域网络。ＲＢＦ网络的局部接 受特性使得其决策时隐含了距离的概念。这就避免 了网络超平面分割所带来的任意划分特性。在网络 基本思想的是：用径向基函数作为隐单元的基，构成隐 含层空间，隐含层对输入矢量进行变换，将低维的模式 中，隐含层单元的中心及半径通常也预先确定，仅隐 含层至输出层之间的权重可调，ＲＢＦ网络的隐含层 －ｌ３・ 贵州电力技术 第１６卷 执行一种固定不变的非线性变换，将输入空间映射 到一个新的隐含层空间，输出层在该新的空间中实 现线性组合。由于输出单元的线性特性，其参数调 节极为简单，且不存在局部极小问题。因此ＲＢＦ神 经网络的优点有：具有良好的局部性，能提供平滑 的、性能优良的离散数据内插特性；由径向基函数神 经网络构成的系统是有界的、稳定的；可以提供完备 的、最优的逼近功能；具有较好的推广性能。 电力系统的负荷变化是一个非常复杂的问题， 负荷同日期类型、季节、天气等因素密切相关，它具 有一定的客观规律，但又具有很大的随机性和不确 定性。ＲＢＦ神经网络用于短期负荷预测的优势在 于ＲＢＦ神经网络具有很好的函数逼近能力，不必预 先知道输入变量和预测值之间的数学模型，因而可 以方便地计入温度、天气情况、湿度等这些对电力负 荷有重要影响的因素的作用，利用ＲＢＦ神经网络的 高度非线性映射特性，找出电力负荷中输入与输出 的映射关系。并对历史负荷数据中的“坏数据”或 “不良数据”进行了预处理，有利于提高预测精度， 使得负荷数据不会超过正常的误差范围。 ＲＢＦ神经网络应用于短期负荷预测的具体实 现思路是： （１）将各种短期负荷预测的影响因素映射为 ＲＢＦ神经网络的输入层向量； （２）对隐含层选取相应的非线性函数（一般为 高斯函数）作为激活函数，实现从输入层到隐含层 的非线性变换； （３）负荷预测的结果即对应为输出层，使输出 层与隐含层之间建立线性变换关系； （４）对隐含层和输出层选用适当的算法进行训 练学习，获取相应的网络参数，代人已知负荷数据， 即可获得所需要的预测数据。 ２ ＲＢＦ神经网络在电力系统短期负荷预测 中的应用现状 将ＲＢＦ神经网络用于短期负荷预测，就是要利 用ＲＢＦ神经网络的高度非线性映射特性，找出电力 负荷中输入与输出的映射关系，因此合理选择应用 于负荷预测的神经网络结构是决定神经网络能否体 现负荷变化规律的关键。 ＲＢＦ神经网络的鲁棒性、记忆性以及非线性映射 方面非常突出。文献［６］分析了某地区日平均负荷曲 ・１４・ 线的年周期性、周周期性，日周期性的基础上，根据径 向基函数神经网络的非线性辨识功能，将ＲＢＦ神经 网络应用于短期负荷预测。根据该模型建立相应的 ＲＢＦ神经网络进行预测并将预测结果与实际负荷值、 由传统的ＢＰ网络模型得到的结果分别进行了对比 分析，表明这种模型结合ＲＢＦ神经网络的预测效果 具有较高的精度，具备了一定的实用价值。 文献 针对ＢＰ网络的缺陷，提出了一种基于 ＲＢＦ神经网络的短期负荷预测方法，利用遗传算法 训练神经网络，使神经网络以较快的收敛速度和较 大的概率得到了最优解。实例研究结果表明该方法 可以取得较高的预测精度。 由于ＲＢＦ网络能够逼近任意的非线性函数，可 以处理系统内在的难以解析的规律性，并且具有极 快的学习收敛速度，因此ＲＢＦ网络有较为广泛的应 用。文献¨ 采用径向基函数网络对短期负荷进行 了预测。该文献预测分为两个模型，第一个模型用 ＲＢＦ网络预测出第二天的峰值负荷，然后用另外一 个模型预测第二天的总负荷。文献中的径向基函数 用Ｋ均值聚类确定中心，用线性最小方差法对输出 权值进行训练。最后用实际生产数据进行验证，结 果表明，该网络具有比ＢＰ网络更精确的结果，从而 证明ＲＢＦ网络用于负荷预测性能优于ＢＰ网络。 ＲＢＦ神经网络具有拓扑结构简单、学习速率 快，学习过程透明等优点，可解决ＢＰ网络存在的容 易陷入局部极小点、收敛速度慢、迭代时间长等缺 陷，实际应用中相对于ＢＰ网络可较大程度地提高 短期负荷预测的精度。但是以上预测方法中采用的 传统ＲＢＦ神经网络学习策略有很大的缺点，它们只 能在局部空间寻找最优解来确定网络结构参数，目 前，在理论上很难求得网络结构等参数的最佳值，因 此直接用于负荷预测还有很多不完善之处，仍然有 很大的改进余地；且电力系统负荷具有不确定性、非 线性、变量间的关联性以及信息的不完全性等特性， 预测时不仅要求较高的精确性，还要求较强的鲁棒 性、实时性和容错性，这就使得上述的单纯ＲＢＦ神 经网络预测控制法显得力不能及，因此考虑在此基 础上融合其他相关技术以提高其预测性能。 将模糊控制理论引入到ＲＢＦ神经网络。根据 电力负荷特性的变化规律，考虑了日期类型、温度、 天气状况等影响负荷预测的因素，文献¨ｚ－提出了一 种基于ＲＢＦ神经网络结合模糊控制的预测方法。 第７期 刘雪茹，等：ＲＢＦ神经网络作电力系统短期负荷预测中的应用 该预测方法是在ＲＢＦ神经网络的预测基础上进行 在线自调整因子的模糊控制，将预测点的相对误差 和相对误差率作为模糊控制器的输入，负荷的修正 因子作为输出，然后将ＲＢＦ网络的预测值与模糊调 整量的代数和作为最终的预测值。随着电力系统负 荷的变化，神经元网络的内在关系也应该发生变化， 如果用原有神经元网络参数进行负荷预测时，往往 会产生较大的误差，但是模糊控制可以进一步修正 预测误差，因此该方法有效地提高了预测精度。该 文章根据实际地区的历史负荷数据进行了验证分 析，将ＲＢＦ神经网络与模糊控制相结合的方法与 ＲＢＦ神经网络方法进行比较，说明了该方法可以进 一步提要预测精度，具有很强的实用性。 ＲＢＦ神经网络的基函数，仅在特定区域才能响 应。这种局域性网络要求网络的神经元中心能够完 全覆盖样本输入区域，并且只有保持适当重叠时，才 能使每个神经元做出相应响应。实际的电力负荷受 经济、、气象及社会等因素影响，而这些因素往往 相关性比较强，直接运用ＲＢＦ神经网络的预测结果 难以令人满意。很多研究中构造了电力系统负荷预 测的ＲＢＦＮ模型。这些模型很多是将待考虑的相关 量及电量序列形成输人空间以训练网络，但当有 多个相关量时，网络的高维数和各相关量之间的自相 关性会使网络的内插性和外推性变差。国内外对这 一问题已有很多研究，其基本思想多是根据一定的方 法找出相关性较大的一些相关量来代替所有相关量 的空间，舍弃相关性较小的相关量。这样在损失一些 相关量信息的基础上，一定程度上克服了输人空间的 自相关性，并降低了网络维数。文献 通过采用主 成分分析方法来分析输人空间的主成分的贡献率并 以此来确定网络的输人空间，最终通过原输入空间各 矢量的线性组合表示原输入空间。由于主成分之间 是相互的，所以由各主成分组成的输入空间不存 在自相关性，从而有效地简化了ＲＢＦ网络在高维时 难以寻找网络中心的问题。根据各主成分的贡献率 对原样本空间进行重构，可有效地降低输入空间的维 数，同时也消除了输入各维之间的自相关性，所以在 降低问题复杂度的同时，也提高了预测精度。经过对 多个地区的长、中、短期电量负荷预测的实验和比较 表明，此方法在电力系统负荷预测中，尤其是在考虑 相关量的负荷预测中更具实用价值。 天气情况是影响负荷变动的重要因素，而大多数 电力系统缺乏每小时的气象预报信息。虽然神经网 络具有很强的非线性映射功能，但由于训练样本中天 气突变情况所占的比例很小以及气象数据的不完备， 使得在实际应用中，使用天气信息作为输入的负荷预 测方法就显得不实用了。ＲＢＦ神经网络对于天气突 变和特殊事件等情况下的预测精度仍然不够理想。 文献 ｌ 深入研究了天气和特殊事件对电力负荷的影 响，建立了ＲＢＦ神经网络和专家系统来进行短期负 荷预测的模型。利用ＲＢＦ神经网络的非线性逼近能 力，根据负荷数据先预测出明日的各整点负荷值，然 后根据近期的天气情况、明日的天气预报和是否有特 殊事件，利用专家系统来修正预测结果，使其在天气 突变等情况下也能达到较高的预测精度。人工神经 网络具有精细和灵活的非线性映射功能，以及具有强 大的学习功能，因此它可以跟踪负荷的变化，它强大 的联想和记忆功能对预测也很重要。 ＲＢＦ神经网络的学习算法主要有随机算法、自 组织算法和最近邻聚类算法。最近邻聚类学习算法 是一种在线自适应聚类学习算法，随着输入样本的 变化，隐含层单元随之确定下来，故隐含层单元的节 点数不需要事先人为确定。可见该算法适用于研究 短期负荷预测这样较为复杂的非线性系统。但传统 的最近邻聚类学习算法中高斯函数宽度（１ｒ是一个 常量，在负荷预测时应用该算法时其整体拟合效果 并不十分理想。因此文献¨ 针对ＲＢＦ神经网络在 负荷预测中隐含层节点数难求问题，提出了一种改 进的最近邻聚类学习算法。最近邻聚类学习算法考 虑到了不同的负荷影响因素对于预测的影响权重不 同，让其中的高斯函数宽度仃可以根据类别的不同 而发生变化，加快了训练过程，易于收敛到全局最 优。由于动态聚类法具有不依赖于初始条件自动聚 类的特点，使得聚类效果更合理，提高了ＲＢＦ神经 网络收敛速度和负荷预测精度。 标准的ＲＢＦ神经网络训练权值方法的缺点就 在于每次迭代步骤对权值的修改都是从前一步迭代 所到达的点开始沿梯度最大的方向移动很小的步 伐，容易在遇见局部最小点时发生权值的改变量越 来越小，最终收敛在这个点的情况。文献【１引针对经 典的ＲＢＦ神经网络算法，结合电力系统短期负荷 预测实际情况，将神经网络训练的冲量改进算法运 用到ＲＢＦ神经网络的训练中。用冲量来加强对权 值的修正作用在于使权值的迭代在误差曲面上沿上 ・ｌ５・ 贵州电力技术 第１６卷 一次迭代时的方向滚动。这样能使目标函数越过误 现出负荷的内在信息，从而导致预测精度难以保证。 差曲面的局部最小值，避免在这里收敛，也增加了每 次迭代的步伐，加快了收敛的速度。 文献¨ 提出一种基于小波分析的ＲＢＦ神经网 络短期负荷预测模型，结合小波方法长于时域问题 分析和ＲＢＦ神经网络泛化能力好的优点，克服了 ＢＰ算法容易陷人局部最优，学习速度慢的不足，也 对采用单一小波分析或ＲＢＦ神经网络方法出现的 缺陷进行了一定程度的修正，相比传统ＲＢＦ神经网 络在预测精度和收敛速度上有比较明显的进步。 ３ 基于ＲＢＦ神经网络的短期负荷预测方法 发展趋势的探讨 目前ＲＢＦ神经网络短期负荷预测的改进方法 都有其可取之处，但都只是针对ＲＢＦ神经网络预测 模型的某一特定缺陷或预测过程中出现的特定问题 进行的局部改良，只能在一定程度上优化模型，但相 关问题解决并不彻底，或者说预测精度和速度仍未 能达到让运行单位满意的地步，仍需要结合新的数 学工具进行持续改进创新。 ３．１ 进一步改进用于ＲＢＦ神经网络的算法 随着负荷技术的发展，组合预测的应用技术成为 重要趋势，将多种预测模型相组合，对负荷进行预测， 在预测过程享信息，互补不足，改善预测效果。 将神经网络与模糊系统、遗传算法、混沌方法、专家系 统、模糊系统、小波分析方法、人工智能技术等诸多方 法相互结合，对短期甚至中长期负荷预测，成为研究 热点。文献 将灰色模型和ＲＢＦ神经网络两者结合 起来，再利用遗传算法鲁棒性强、收敛速度快以及全 局定位能力强的功能，代替传统的最小二乘法对ＧＭ （１，１）模型的参数进行高效求解，可以避免陷入局 部最优，实现全局最优。将优化后的ＧＭ（１，１）模型 与ＲＢＦ神经网络结合起来，对某市的负荷进行预测。 经分析知，用遗传算法优化过的灰色模型与ＲＢＦ预 测模型结合起来具有更快的收敛速度和更高的精度。 经遗传算法改进的灰色ＲＢＦ模型，能够避免陷入局 部最优，实现全局最优。改进的灰色ＲＢＦ模型比未 经改进的灰色ＲＢＦ模型的对未来值的预测精度更 好，能够有效地降低了误差。 ３．２提高原始负荷数据的筛选处理技术 由于含有突发事件的特殊日的负荷可供参考的 历史数据少，变化规律不明确，采用常规方法较难体 ・１６・ 针对这一情况，文献＿２ 提出利用灰色负荷预测模型 要求负荷数据少、不考虑负荷分布规律和负荷变化 趋势、原理简单等优点，结合灰色预测理论和人工神 经网络的预测模型进行短期负荷预测。通过对输人 数据、背景值系数、以及残差序列等进行分析和改 进，建立改进的负荷预测模型，并在此模型的基础 上，引进修正系统，对由于外界因素变化而产生影响 的负荷进行修正，从而达到提高预测精度的目的。 ３．３结合电网实际运行负荷特点的ＲＢＦ神经网络 结构优化 在传统的ＲＢＦ神经网络短期负荷预测研究中， 将电力系统负荷数据当作一系列纯数学的数据看 待，失去了电力系统的特色。针对这一情况，要在今 后的负荷预测中引入电力系统特色，就要从电力系 统的实际出发，重视负荷发展的内在特性和规律，从 负荷构成的物理机理人手，研究其变化规律，并在 ＲＢＦ神经网络结构中予以准确体现。在神经网络 结构中体现出具体负荷的构成特性将是ＲＢＦ神经 网络短期负荷预测的又一个突破方向。 ４ 结束语 针对基于ＲＢＦ神经网络的电力系统短期负荷 预测方法进行了系统概述，评价了当前各种相关短 期负荷预测模型在电力系统中的具体应用效果，并 对其最新发展趋势进行了展望。而在算法和历史数 据处理方面则仍有一定的改进余地。随着国家建设 智能电网目标的不断实施，探索新的预测方法或改 进已有预测方法，研究更加完善的电网短期负荷预 测模型的工作任重而道远。 参考文献： ［１］ 李陶深．人工智能［Ｍ］．重庆：重庆大学出版社，２００２． ［２］ 韩民晓，徐振华，俞有瑛．ＲＢＦ神经网络在电力负荷预测中的 应用［Ｊ］．华北电力学院学报，１９９４（４）：１—６． ［３］ 彭显刚，胡松峰，吕大勇．基于ＲＢＦ神经网络的短期负荷预测 方法综述［Ｊ］．电力系统保护与控制，２０１１（９）：１４４—１４８． ［４］ Ｒａｎａｗｅｅｒａ Ｄ Ｋ，Ｈｕｂｅｌｅ Ｎ Ｆ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ ｎｅｕｒａｌｎｅｔｗｏｒｋ ｍｏｄｅｌ ｆｏｒ ｓｈｏｒｔ—ｔｅｒｍ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．１ＥＥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｎ Ｇｅｎｅｒａｔｉｏｎ，Ｔｒａｎｓｍｉｓｓｉｏｎ ａｎｄ Ｄｉｓｔｒｉｂｕｔｉｏｎ，１９９５， １４２（１）：４５—５０． ［５］ 俞秋阳，朱斌，郭伟．基于ＲＢＦ神经网络的短期负荷预测模型 设计［Ｊ］．继电器，２００４，３２（１７）：３４—３７． ［６］ 鲁敏，康娟，郭天圣．ＲＢＦ神经网络在电力负荷预测中的应用 第７期 刘雪茹，等：ＲＢＦ神经网络在电力系统短期负荷预测中的应用 研究［Ｊ］．石河子大学学报（自然科学版），２００６，２４（５）． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｉｃｒｅｎｃｅ ｏｎ．１：８１—８４． ［７］ 郭伟伟，刘家学，马云龙，等．基于改进ＲＢＦ网络算法的电力系统 短期负荷预测［Ｊ］．电力系统保护与控制，２０Ｏ８，３６（２３）：４５—４８． ［８］ 王黎明，王艳松．基于ＲＢＦ神经网络的短期负荷预测［Ｊ］．电 气技术，２００７，４（５３）． ［２０］ 吴曦，袁荣湘．遗传算法改进灰色ＲＢＦ模型在负荷预测中的 应用［Ｊ］．电气自动化，２０１１，３３（６）：５４—５６． ［２１］ 张怡，张锋．电力系统超短期负荷预测技术的应用与发展 ［Ｊ］．浙江电力，２０１０，２：５—８． ［２２］ 李国辉．基于灰色理论与ＢＰ神经网络的电力负荷预测 ［Ｄ］．哈尔滨理工大学，２００５年３月． ［２３］ 张丽芳，岳丽霖，连美霞．基于ＲＢＦ神经网络的电力系统月度 负荷预测研究［Ｊ］．电气技术，２０１２（２）：３６—３８． ［２４］ 蒋平，鞠平．应用人工神经网络进行中期电力负荷预报［Ｊ］． 电力系统自化，１９９５，１９（６）：１１—１７． ［２５］ 徐秉铮，张百灵，韦岗．神经网络理论与应用［Ｍ］．广州：华南 理工大学出版社，１９９５． ［９］ Ｌｕ Ｎｉｎｇ，ＺＨＯＵ Ｊｉａｎ—ｚｈｏｎｇ．Ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ— ｂａｓｅｄ ＲＢＦ ｎｅｕｒ￣ｎｅｔｗｏｒｋ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌ［ｃ］．∥Ｐｏｗｅｒ ａｎｄ Ｅｎｅｒｇｙ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃｏｎｆｅｒｅｎｃｅ，２００９．ＡＰＰＥＥＣ ２００９．Ａｓｉａ —Ｐａｃｉｆｉｃ：１—４． ［１０］ Ｒａｎａｗｅｅｒａ Ｄ Ｋ，Ｈｕｂｅｌｅ Ｎ Ｆ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ ｎｅｕｒａｌｎｅｔｗｏｒｋ ｍｏｄｅｌ ｆｏｒ ｓｈｏｒｔ—ｔｅｒｍ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ［Ｊ］．ＩＥＥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｎ Ｇｅｎｅｒａｔｉｏｎ，Ｔｒａｎｓｍｉｓｓｉｏｎ ａｎｄ Ｄｉｓｔｉｂｕｔｉｒｏｎ，１９９５， １４２（１）：４５—５Ｏ． ［１１］ ＪＩＡ Ｚｈｅｎｇ—ｙｕａｎ，ＴＩＡＮ Ｌｉ．Ｓｈｏｒｔ—ｔｅｒｍ ｐｏｗｅｒ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ［２６］ 杜欣慧，张艳．神经网络和支持向量机在短期负荷预测中的 应用［Ｊ］．电气技术，２００９，（９）：１７—２１． ［２７］ 曹国栋．ＲＢＦ神经网络短期电力负荷预测研究［Ｊ］．北京：中 国科技博览，２０１２（５）． ［２８］ 王辛．改进径向函数网格（ＲＢＦＮ）在电力负荷预报中的应用 ［Ｊ］．中国电机工程学报，１９９６，１４（４）：２８５—２８７． ｂａｓｅｄ ｏｎ ｆｕｚｚｙ—ＲＢＦ ｎｅｕｔｒｌａ ｎｅｔｗｏｒｋ［Ｃ］．∥Ｒｉｓｋ Ｍａｎａｇｅｍｅｎｔ ＆Ｅｎｇｉｎｅｅｒｉｎｇ Ｍａｎａｇｅｍｅｎｔ．２００８．ＩＣＲＭＥＭ＂０８ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ：３４９—３５２． ［１２］王聪．基于ＲＢＦ神经网络与模糊控制的电力系统短期负荷 预测［Ｄ］．华北电力大学，２００４，１２． ［１３］ ＺＨＵ Ｙｏｕ—ｃｈａｎ，ＨＥ Ｙｕ—ｊａｎ．Ｓｈｏｒｔ～ｔｅｒｍ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌ ｕｓｉｎｇ ｆｕｚｚｙ Ｃ ｍｅａｎｓ ｂａｓｅｄ ｒａｄｉｌ ｂａｓｉａｓ ｆｕｎｃｔｉｏｎ ｎｅｔｗｏｒｋ ［２９］ 席云华，张尧．ＲＢＦ神经网络在短期负荷预测中的应用［Ｃ］． ∥中国高等学校电力系统及其自动化专业第二十二届学术 年会，２００６． ［ｃ］．∥Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｄｅｓｉｇｎ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ，２００６．ＩＳ－ ＤＡ ０６．Ｓｉｘｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ，１：５７９—５８２． ［３Ｏ］ 蔡瑞英，李长河．人工智能［Ｍ］．武汉：武汉理工大学出版社， ２００３． ［１４］赵杰辉，葛少云，刘自发．基于主成分分析的径向基函数神经 网络在电力系统负荷预测中的应用［Ｊ］．电网技术，２００４，２８ （５）：３５—４０． ［３１］ 史忠科．神经网络控制理论［Ｍ］．西安：西北工业大学出版 社，１９９７． ［１５］ 张涛，赵登福，周琳，王锡凡，夏道止．基于ＲＢＦ神经网络和专家 ［３２］ 牛东晓．电力负荷预测技术及其应用［Ｍ］．北京：中国电力出 版社，１９９８． 系统的短期负荷预测方法［Ｊ］．西安交通大学学报，２００１，３５（４）． ［１６］ 赵宇红，汪普林，梁海滨．基于改进径向基函数网络的电力系统短 ［３３］ 宋宝利．动力系统负荷预测［Ｄ］．西安：西安理工大学，２００３． ［３４］ 张颖．基于人工免疫ＲＢＦ网络的短期负荷预测［Ｄ］．西安：西 安交通大学，２００５． 期负荷预钡ｆＪ［Ｊ］．南华大学学报（自然科学版），２０１１，２５（３）． ［１７］ 纪震，周家锐，廖惠连等．智能单粒子优化算法［Ｊ］．计算机学 报，２０１０，３３（３）：５５６—５６１． ［１８］ 胡迎松，陈明，范志明．一种电力系统短期负荷预测的ＲＢＦ优化 算法［Ｊ］．华中科技大学学报（城市科学版），２ＯＯ３，２０（３）． 收稿日期：２０１３—０１—２５ 作者简介： 刘雪茹（１９８７一 ），女，硕士，主要研究方向：电力系统运行与 控制、数字化变电站。 ｆ１９］ＣＨＡＮＧＹｕ—Ｊｉａｎ．ＷＡＮＧ Ｓｈｕｏ—Ｈｅ，ＳＵＮＨａｉ—Ｙａｎ．Ｒｅｓｅａｒｃｈ ｏｆ ｓｈｏｒｔ—・ｔｅｒｍ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｗａｖｅｌｅｔ ａｎａｌｙ・・ ｓｉｓ ａｎｄ ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ［Ｃ］．∥Ｐｏｗｅｒ Ｅｌｅｃ－ ｔｒｏｎｉｃｓ ａｎｄ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｓｙｓｔｅｍ（ＰＥＩＴＳ），２００９ ２ｎｄ （本文责任编辑：龙海丽） Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｉｎ ｓｈｏｒｔ——ｔｅｒｍ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ Ｌｉｕ Ｘｕｅｒｕ，Ｚｈａｎｇ Ｘｕ，Ｚｈａｎｇ Ｓｈｏｕｌｅｉ （Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｃｏｌｌｅｇｅ ｏｆ Ｇｕｉｚｈｏｕ Ｕｎｉｖｅｒｓｉｔｙ，Ｇｕｉｙａｎｇ ５５００２５ Ｇｕｉｚｈｏｕ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｈｅ ｐａｐｅｒ ｉｎｔｒｏｄｕｃｅｄ ｔｈｅ ｃｏｎｃｅｐｔｉｏｎ ａｎｄ ｔｈｅ ｓｐｅｃｉｆｉｃ ｒｅａｌｉｚａｔｉｏｎ ｗａｙ ｏｎ ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｉｎ ｓｈｏａ— ｔｅｒｍ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ．Ｔｈｅ ｐａｐｅｒ ｓｕｍｍａｒｉｚｅｄ ｌｏｔｓ ｏｆ ａｃｔｕａｌ ｍａｔｕｒｅ ｍｅｔｈｏｄｓ ｆｏｒ ｓｈｏａ—ｔｅｒｍ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｂｙ ａｎａｌｙｓｉｓ ａｎｄ ｃｏｍｐａｒｉｓｏｎ．Ｄｅｖｅｌｏｐｍｅｎｔ ｓｐａｃｅ ａｎｄ ｔｅｃｈｎｏｌｏｇｙ ｔｒｅｎｄｓ ｗｅｒｅ ｇａｖｅ ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ ｔｈｅ ａｃｔｕ－ ｌ ｏｐｅｒａｔａｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｎｄ ｎｅｗ ｓｉｔｕａｔｉｏｎ ｏｆ ｐｏｗｅｒ ｓｙｓｔｅｍ． Ｋｅｙ ｗｏｒｄｓ：ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ；Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ；ｓｈｏｒｔ—ｔｅｒｍ ｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ ・１７・
