CN106600059B - 基于改进rbf神经网络的智能电网短期负荷预测方法 - Google Patents

Abstract

本发明公开一种基于改进RBF神经网络的智能电网短期负荷预测方法，涉及智能电网技术领域，用于确定基函数中心，提升智能电网负荷预测精度。该预测方法包括：网络初始化；S2、计算基函数中心c_i；S3、根据基函数中心c_i，计算方差ζ_i；S4、根据基函数中心c_i以及方差ζ_i，计算隐含层的输出R_i；S5、根据隐含层的输出R_i，计算输出层的输出；S6、根据均方误差和函数计算预测误差E；S7、对神经网络中隐含层神经元与输出层神经元的连接权重进行更新；S8、对预测误差E进行判断，若预测误差E在预期内，则迭代计算结束；反之，返回步骤S4，重新迭代计算预测误差E。本发明用于对电网负荷进行预测。

Description

基于改进RBF神经网络的智能电网短期负荷预测方法

技术领域

本发明涉及智能电网技术领域，尤其涉及一种基于改进RBF神经网络的智能电网短期负荷预测方法。

背景技术

智能电网的快速发展产生了大量的用电数据(亦称为样本数据)，对这些样本数据进行分析具有重大意义。利用预测方法将样本数据应用到短期负荷预测中，从而提升负荷预测精度，这对电力***的安全调度和经济运行起着重要的作用。径向基函数(RadialBasis Function，以下简称RBF)神经网络是应用于负荷预测中最为广泛的一种预测方法，因为它是一种局部逼近网络，能以任意精度逼近任意连续函数，具有唯一最佳逼近特性且无局部极小问题，而且拓扑结构简单、学习速率快。RBF神经网络预测方法中主要有三个参数影响预测精度，分别为基函数中心、基函数半径以及网络隐含层与输出层的连接权值。其中连接权值常采用梯度下降法求得。基函数中心以及基函数半径对预测精度的影响非常大，因此现有研究主要集中在如何确定RBF神经网络的基函数中心以及基函数半径上。现有技术中主要采用如下方法计算基函数中心以及基函数半径：

第一种采用聚类分析法(例如，K-means方法和FCM方法)计算基函数中心以及基函数半径；第二种采用启发式方法(例如，如遗传方法和粒子群方法)计算基函数中心以及基函数半径。其中，启发式方法复杂度高，在智能电网大规模负荷数据下预测时间较长，因此在智能电网大规模负荷预测下，聚类法更适合确定RBF神经网络基函数中心以及基函数半径。

另外，对于RBF神经网络基函数中心，主要采用FCM方法确定，但是在智能电网负荷预测中，FCM方法负荷数据规模大、维数多，方法较复杂，最终使得智能电网负荷预测精确度较低。

发明内容

本发明的目的在于提供一种基于改进RBF神经网络的智能电网短期负荷预测方法，用于确定基函数中心，提升智能电网负荷预测精度。

为达到上述目的，本发明采用如下技术方案：

本发明提供一种基于改进RBF神经网络的智能电网短期负荷预测方法，基于改进RBF神经网络的智能电网短期负荷预测方法包括：

S1、网络初始化；

S2、计算基函数中心c_i；

S3、根据基函数中心c_i，计算方差ζ_i；

S4、根据基函数中心c_i以及方差ζ_i，计算隐含层的输出R_i；

S5、根据隐含层的输出R_i，计算输出层的输出；

S6、根据均方误差和函数计算预测误差E；

S7、对神经网络中隐含层神经元与输出层神经元的连接权重进行更新；

S8、对预测误差E进行判断，若预测误差E在预期内，则迭代计算结束；反之，返回步骤S4，重新迭代计算预测误差E。

步骤S1包括：确定输入层神经元个数N_Ⅰ，隐含层神经元个数N_Ⅱ，输出层神经元个数N_Ⅲ，以及初始化学习速率η和基函数重叠系数η；其中，输出层神经元个数N_Ⅲ＝1，隐含层神经元个数N_Ⅱ即为基函数中心个数。

步骤S2包括：

S21、S21、输入模糊指数m，迭代停止阈值ε以及PCA累积贡献率因子δ，基函数中心个数N_Ⅱ，聚类的属性权值ω_n，原始数据X；；其中，样本数据X＝{x₁,x₂,…,x_N}，N为样本点的个数，x_j为每一个样本点，x_j＝{x_j1,x_j2,…,x_js}，j＝1,2,…N，s表示每一个样本点包含的属性的个数，即每一个样本点的维度，在PCA-WFCM方法中将样本数据X划分为K类，聚类中心V＝{v₁,v₂,…,v_k}，共有K个，K的范围为2≤K≤N。

S22、对样本数据X进行PCA属性降维处理：根据如下公式计算出每一个样本点降维后的维度L

保留维度L之前的所有维度作为聚类属性，式中，S表示每一个样本点的原始维度，λ_n表示PCA中协方差矩阵的特征值，δ表示PCA累积贡献率因子；根据如下公式计算每一个聚类的属性权值：

n＝1,2,…,L；根据聚类的属性权值ω_n得到聚类属性的权重向量W＝{ω_n}以及降维后的样本数据X_new；。

S23、初始化隶属度矩阵U：令0≤u_ij≤1,

U＝{u_ij}，式中，u_ij表示第j个样本点属于第i类的隶属度，K表示聚类中心V的个数。

S24、根据隶属度矩阵U以及降维后的样本数据X_new，计算聚类中心V：

V＝{v_i}，式中，m为模糊指数，x_j表示第j个样本点。

S25、根据降维后的样本数据X_new，迭代计算隶属度矩阵U：

U＝{u_ij}，式中，m为模糊指数，表示隶属度矩阵U的模糊度，m的值越大，则隶属度矩阵U的模糊度越高，令m＝2，K表示聚类中心V的个数，d_ij表示每一个样本点x_j到聚类中心v_i的加权欧式距离，由如下公式计算得出：，L表示每一个样本点降维后的维度，ω_n表示聚类的属性权值。

S26、根据隶属度矩阵U和聚类中心V计算目标函数J：

式中，m为模糊指数，d_ij表示每一个样本点x_j到聚类中心v_i的加权欧式距离，K表示聚类中心V的个数，N表示样本点个数。

S27、对目标函数J进行判断：若|J^(t)-J^(t-1)|<ε，则输出聚类中心V，也就是基函数中心c_i；反之，则返回步骤S24，直到满足公式|J^(t)-J^(t-1)|<ε，则停止迭代计算，计算出聚类中心V；式中，ε表示迭代停止阈值，t表示迭代次数。

步骤S3包括：根据如下公式计算隐含层神经元的半径ζ_i：ζ_i＝λmin_j‖c_i-c_j‖，i,j＝1,2,…N_Ⅱ；式中，c_i表示基函数中心，N_Ⅱ表示隐含层神经元个数，η表示基函数重叠系数。

步骤S4包括：根据降维后的样本数据X_new、基函数中心c_i以及方差ζ_i，得到隐含层的输出:

i＝1,2,…N_Ⅱ，式中，N_Ⅱ表示隐含层神经元个数。

步骤S5包括：根据降维后的样本数据X_new、得到输出层的输出：

式中，N_Ⅱ表示隐含层神经元个数；W表示第i个隐含层神经元与输出层神经元的连接权重，R_i表示隐含层的输出。

步骤S6包括：利用均方误差和函数计算预测误差E：令将一组输入向量{x_j,j＝1,2…O}和对应输出值{y_j,j＝1,2,…O}作为训练样本，

式中，O为样本数，预测误差

步骤S7包括：根据如下公式对连接权重W进行更新：

式中，η表示学习速率，E为预测误差，q为更新次数。

聚类加权值Z的计算方法如下：

计算出协方差矩阵C：令一个S维空间数据映射到L维子空间中，其中，L<<S，假设X＝{x_n}为零均值数据，即

其中，n＝1,2,…,N，

T为转秩符号；对协方差矩阵C进行特征值分解：

将一个S维的数据x_i向L维主成分方向投影，即，Y＝XQ_L；设协方差矩阵C的特征根λ₁≥λ₂≥…≥λ_S，且

为第l个主成分的贡献率，

为前L个主成分的累积贡献率；降维后第k个属性的聚类属性权值：

l＝1,2…,L；特征向量合集Q＝[q₁,q₂,…,q_S]，特征值Л＝diag(λ₁,λ₂,…,λ_S)，令累积贡献率大于95％。

采用PCA-WFCM确定RBF基函数中心，负荷数据先通过PCA降维处理，获得较少的不相关的预测输入，从而减小RBF基函数的重叠，更好的确定基函数中心并降低预测算法复杂度；另外，采用加权FCM基函数聚类，将PCA处理后获得的不同属性的方差贡献率给降维后属性加权，从而提升聚类准确度，获得更准确的基函数中心，从而提高负荷预测精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中RBF神经网络基本结构；

图2为本实施例中基于改进RBF神经网络的智能电网短期负荷预测方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明是基于PCA降维的加权FCM聚类算法，合称PCA-FCM，得到智能电网短期负荷预测结果的。

另外，本发明中涉及到的迭代计算，指的是是逐次逼近，先取一个粗糙的近似值，然后用同一个或几个公式，反复校正此初值，直至达到预定精度要求为止。例如，本发明中涉及的迭代建立预测误差E的训练模型，其中涉及隐含层的输出、输出层的输出、加权值的更新等。

本发明中隐含层中心c_i亦或称为基函数中心c_i；隐含层神经元的半径ζ_i亦或称为方差ζ_i。

实施例一

本实施例提出一种基于改进RBF神经网络的智能电网短期负荷预测方法。该方法采用PCA-WFCM聚类算法确定RBF基函数中心c_i，采用梯度下降法确定RBF神经网络隐含层与输出层连接权值。下面详细的描述基于改进RBF神经网络的智能电网短期负荷预测方法：

首先建立样本数据X＝{x₁,x₂,…,x_N}，x_j为每一个样本点，x_j＝{x_j1,x_j2,…,x_js}，j＝1,2,…N，共有N个样本点，x_j表示每一个样本点包含s个属性，在聚类分析中将样本数据X划分为K类，K的范围是2≤K≤N；聚类中心V＝{v₁,v₂,…,v_k}，共K个聚类中心。

径向基函数(RBF)神经网络是一种基于函数逼近理论的前馈神经网络，与BP(BackPropagation)神经网络相比，它具有函数逼近特性好、结构简单和训练速度快等优点。如图1所示，RBF神经网络是由输入层1、隐含层2、输出层3构成的三层神经网络，它的结构如下图所示。

RBF神经网络的核心思想是将径向基函数作为隐含层单元的基，构成隐含层空间，在隐含层中对输入矢量进行变换，使得在低维空间内线性不可分的数据在高维空间中线性可分。输入层到隐含层的变换是非线性变换，而隐含层到输出层是线性变换。隐含层变换函数即为径向基函数，它是局部分布中心径向对称的非负非线性函数。RBF神经网络输入层和隐含层之间的连接权值为1，隐含层完成对激活函数的参数调整，输出层对连接权值进行调整。在RBF神经网络中,需要求解的参数有3个：基函数中心c_i、隐含层的宽度、隐含层到输出层的连接权重。高斯函数是RBF神经网络中常用的基函数，因此隐含层神经元的输出为：

其中，c_i为隐含层中心，即第i个高斯函数的中心，N_Ⅱ为隐含层神经元数，σ_i是RBF隐含层神经元的半径，可以表示为：

ζ_i＝τmin_j‖c_i-c_j‖，i,j＝1,2,…N_Ⅱ； (2)

其中，c_i表示隐含层中心，N_Ⅱ表示隐含层神经元个数，η表示基函数重叠系数。

RBF神经网络的输出为所有隐含层神经元输出的线性组合，可以表示为：

其中，W是第j个隐含层神经元与输出神经元的连接权重，R_i表示隐含层的输出。

RBF神经网络非线性逼近过程中，给定训练样例后，算法需要解决以下两个关键问题：1)确定网络结构，即确定RBF神经网络的基函数中心c_i；2)调整隐含层与输出层的连接权重ω_n。这些参数的选取会影响RBF神经网络的预测性能，因此，做预测之前，我们要选取最优ω_n和c_i来提升RBF神经网络的预测性能。

隐含层与输出层的连接权重ω_n一般采用梯度下降法训练。将一组输入向量{x_j,j＝1,2…O}和对应输出值{y_j,j＝1,2,…O}作为训练样本，其中K为样本数。则均方误差和函数为：

为了最小化误差函数，连接权重W为：

基函数中心c_i采用PCA-WFCM聚类方法确定。下面详细介绍PCA-WFCM聚类算法。

PCA-WFCM聚类算法是基于传统FCM聚类算法，通过对样本数据做属性降维，降低算法复杂度，同时将降维后的每个属性方差贡献率作为属性权值做加权FCM聚类，进一步提升聚类性能。该算法包括两个步骤，先做PCA降维，然后做加权FCM聚类，下面分别介绍各个步骤。

主成分分析(PCA)是线性降维算法，可以将一个S维空间数据映射到L维子空间中，其中L＜＜S。数学计算上要求计算出原始数据的协方差矩阵的特征向量。假设X＝{x_n},n＝1,2,…,N为零均值数据，即

定义协方差矩阵C为：

做特征值分解得：

其中Q＝[q₁,q₂,…,q_S]为特征向量集合，Λ＝diag(λ₁,λ₂,…,λ_S)为特征值。可以利用前L个特征向量U_L＝[u₁,u₂,…,u_L]将一个S维的数据x_i向L维主成分方向投影为Y＝XQ_L。设协方差矩阵C的特征根λ₁≥λ₂≥…≥λ_S≥0，定义

为第l个主成分的贡献率，

为前L个主成分的累积贡献率。为了达到降维的目的，并希望信息损失小，一般取累积贡献率大于95％。

PCA-WFCM算法是基于FCM算法的，它是一种模糊聚类算法，即软划分方法。每一个样本点不能严格地被划分到某一类，而是以一定的隶属度属于某一类。令u_ij表示第j个样本点属于第i类的隶属度，则隶属度矩阵和聚类中心分别为U＝{u_ij}和V＝{v_i}。PCA-WFCM算法是在FCM算法基础上通过给降维后属性赋予不同权值来将属性重要度考虑进去。属性的权值采用PCA对原始数据属性降维后每一属性的方差贡献率，贡献率越大的属性表示其在数据集中发挥的作用也越大。降维后第k个属性的权值：

l＝1,2…,L。

聚类算法的目标是使类内相似性最大、类间相似性最小，且相似性采用欧式距离度量。因此算法通过最小化目标函数来确定聚类中心V和模糊矩阵U，该目标函数为

其中

其中d_ij是样本x_j到聚类中心v_i的加权欧式距离

式(8)中m≥1是模糊加权指数，表示隶属度矩阵U的模糊度，m越大，分类的模糊度越高，通常取m＝2；L表示每一个样本点降维后的维度，Z表示聚类加权值。

通过对(8)，(9)微分计算，我们可以得到u_ij和v_i的计算公式为

其中x_j表示第j个样本。

实施例二

根据实施例一中的思想，本实施例中神经网络预测需要事先确定好神经网络输入输出以及隐含层节点数。网络输入由影响预测值的一系列参数决定。因为智能电网用户负荷曲线具有良好的周期特性，因此对某一时刻的负荷值影响可考虑日周期特性及周周期特性，即，选择预测时刻前一天的同一时刻负荷值以及前一周同一时刻负荷值。具体预测输入层神经元个数N_Ⅰ＝9，包括8个负荷点：预测点前一时刻负荷值L(t-1)、预测点前两时刻负荷值L(t-2)、前一天同一预测点负荷值L(t-48)、前一天同一预测点前一时刻负荷值L(t-49)、前一天同一预测点后一时刻负荷值L(t-47)、前一周同一预测点负荷值L(t-48×7)、前一周同一预测点前一时刻负荷值L(t-48×7-1)、前一周同一预测点后一时刻负荷值L(t-48×7+1)。还包括一个日类型参数，即是否为周末。预测输出神经元数为N_Ⅲ＝1，即预测某一时刻的负荷。隐含层神经元数目N_Ⅱ根据预测误差最小确定。所有网络输入都采用最大最小归一化处理。

如图2所示，基于改进RBF神经网络的智能电网短期负荷预测方法包括：

(1)网络初始化。根据***输入输出序列确定网络输入层神经元个数N_Ⅰ，隐含层神经元个数N_Ⅱ，输出层神经元个数N_Ⅲ，以及初始化学习速率η和基函数重叠系数η。

(2)求RBF基函数中心c_i。采用PCA-WFCM聚类算法确定基函数中心，具体流程为：

S21、输入模糊指数m，迭代停止阈值ε以及主成分累积贡献率因子δ，聚类数目即基函数中心个数N_Ⅱ，连接权重ω_n，样本数据X；

S22、对样本数据做PCA属性降维处理。根据式

求得L，保留维度L之前的所有维度作为聚类属性，并根据式

n＝1,2,…,L；初始化每一个聚类属性，得到聚类属性的连接权重向量W＝{ω_n}以及降维后的样本数据X_new；其中，X_new＝{x₁,x₂,…,x_g}，g为样本点是个数，x_g为每一个样本点，xg＝{x_g1,x_g2,…,x_gs}，s表示每一个样本点包含的属性的个数，即每一个样本点的维度。

S23、根据式(9)初始化隶属度矩阵U；

S24、根据式(12)计算聚类中心V；

S25、根据式(11)计算隶属度矩阵U；

S26、根据式(8)计算目标函数J；

S27、如果|J^(t)-J^(t-1)|＜ε，则得到聚类中心V，也就是基函数中心c_i；反之，返回步骤S24；

(3)根据式(2)求解方差ζ_i。

(4)计算隐含层的输出。根据降维后的样本数据X_new，隐含层中心c_i以及方差ζ_i，根据式(1)计算隐含层的输出。

(5)根据式(3)计算输出层的输出。

(6)根据式(4)计算预测误差E。

(7)根据式(5)进行聚类加权值的更新。

(8)判断算法迭代是否结束，若没结束，返回步骤(4)。

采用PCA-WFCM确定RBF基函数中心，负荷数据先通过PCA降维处理，获得较少的不相关的预测输入，从而减小RBF基函数的重叠，更好的确定基函数中心并降低预测算法复杂度；另外，采用加权FCM基函数聚类，将PCA处理后获得的不同属性的方差贡献率给降维后属性加权，从而提升聚类准确度，获得更准确的基函数中心，从而提高负荷预测精度。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (7)

1.一种基于改进RBF神经网络的智能电网短期负荷预测方法，其特征在于，包括：

S1、网络初始化；

将智能电网样本数据进行降维处理；将PCA降维处理后的样本数据进PCA行加权FCM基函数聚类，其中，在对PCA降维处理后的智能电网样本数据进行加权FCM基函数聚类时，将PCA降维处理中获得的不同属性的方差贡献率给降维后属性聚类加权，得到基函数中心c_i，具体如下：

S2、计算基函数中心c_i；

S3、根据基函数中心c_i，计算方差ζ_i；

聚类加权值的计算方法如下：

计算出协方差矩阵C：令一个S维空间数据映射到L维子空间中，其中，L<<S，假设X＝{x_n}为零均值数据，即

其中，n＝1,2,…,N，

T为转秩符号；

对协方差矩阵C进行特征值分解：

将一个S维的数据x_i向L维主成分方向投影，即，Y＝XQ_L；

设协方差矩阵C的特征根λ₁≥λ₂≥…≥λ_S，且

为第l个主成分的贡献率，

为前L个主成分的累积贡献率；

降维后第k个属性的聚类属性权值：

特征向量合集Q＝[q₁,q₂,…,q_S]，特征值Л＝diag(λ₁,λ₂,…,λ_S)，令累积贡献率大于95％；

依据得到的基函数中心c_i和方差ζ_i，对加权FCM基函数聚类后的样本数据进行RBF神经网络预测得到输出层输出，具体如下：

S4、根据基函数中心c_i以及方差ζ_i，计算隐含层的输出R_i；

步骤S4包括：

根据降维后的样本数据X_new、基函数中心c_i以及方差ζ_i，得到隐含层的输出:

式中，N_Ⅱ表示隐含层神经元个数；

S5、根据隐含层的输出R_i，计算输出层的输出，从而得到智能电网短期负荷预测结果；

S6、根据均方误差和函数计算预测误差E；

S7、对神经网络中隐含层神经元与输出层神经元的连接权重进行更新；

S8、对预测误差E进行判断，若预测误差E在预期内，则迭代计算结束；反之，返回步骤S4，重新迭代计算预测误差E。

2.根据权利要求1所述的基于改进RBF神经网络的智能电网短期负荷预测方法，其特征在于，步骤S1包括：

确定输入层神经元个数N_Ⅰ，隐含层神经元个数N_Ⅱ，输出层神经元个数N_Ⅲ，以及初始化学习速率η和基函数重叠系数τ；其中，输出层神经元个数N_Ⅲ＝1，隐含层神经元个数N_Ⅱ即为基函数中心个数。

3.根据权利要求1所述的基于改进RBF神经网络的智能电网短期负荷预测方法，其特征在于，步骤S2包括：

S21、输入模糊指数m，迭代停止阈值ε以及PCA累积贡献率因子δ，基函数中心个数N_Ⅱ，聚类的属性权值ω_n，原始数据X；

其中，样本数据X＝{x₁，x₂，…，x_N}，N为样本点的个数，x_j为每一个样本点，x_j＝{x_j1，x_j2，…，x_js}，j＝1，2，…N，s表示每一个样本点包含的属性的个数，即每一个样本点的维度，在PCA-WFCM方法中将样本数据X划分为K类，聚类中心V＝{v₁，v₂，…，v_k}，共有K个，K的范围为2≤K≤N；

S22、对样本数据X进行PCA属性降维处理：根据如下公式计算出每一个样本点降维后的维度L：

保留维度L之前的所有维度作为聚类属性；

式中，S表示每一个样本点的原始维度，λ_n为特征值，表示PCA中方差贡献率，δ表示PCA累积贡献率因子；

根据如下公式计算每一个聚类的属性权值：

根据聚类的属性权值ω_n得到聚类属性的权重向量W＝{ω_n}以及降维后的样本数据X_new；

S23、初始化隶属度矩阵U：

令0≤u_ij≤1，

U＝{u_ij}；

式中，u_ij表示第j个样本点属于第i类的隶属度，K表示聚类中心V的个数；

S24、根据隶属度矩阵U以及降维后的样本数据X_new，计算聚类中心V：

V＝{v_i}；

式中，m为模糊指数，x_j表示第j个样本点；

S25、根据降维后的样本数据X_new，迭代计算隶属度矩阵U：

U＝{u_ij}；

式中，m为模糊指数，表示隶属度矩阵U的模糊度，m的值越大，则隶属度矩阵U的模糊度越高，令m＝2，K表示聚类中心V的个数，d_ij表示每一个样本点x_j到聚类中心v_i的加权欧式距离，由如下公式计算得出：

L表示每一个样本点降维后的维度，ω_n表示聚类的属性权值；

S26、根据隶属度矩阵U和聚类中心V计算目标函数J：

式中，m为模糊指数，d_ij表示每一个样本点x_j到聚类中心v_i的加权欧式距离，K表示聚类中心V的个数，N表示样本点个数；

S27、对目标函数J进行判断：若|J^(t)-J^(t-1)|＜ε，则输出聚类中心V，也就是基函数中心c_i；反之，则返回步骤S24，直到满足公式|J^(t)-J^(t-1)|＜ε，则停止迭代计算，计算出聚类中心V，式中，ε表示迭代停止阈值，t表示迭代次数。

4.根据权利要求1所述的基于改进RBF神经网络的智能电网短期负荷预测方法，其特征在于，步骤S3包括：

根据如下公式计算隐含层神经元的半径σ_i：

σ_i＝τmin_j||c_i-c_j||，i,j＝1,2,…N_Ⅱ；

式中，c_i表示基函数中心，N_Ⅱ表示隐含层神经元个数，τ表示基函数重叠系数。

5.根据权利要求1所述的基于改进RBF神经网络的智能电网短期负荷预测方法，其特征在于，步骤S5包括：

根据降维后的样本数据X_new、得到输出层的输出：

式中，N_Ⅱ表示隐含层神经元个数；W表示第i个隐含层神经元与输出层神经元的连接权重，R_i表示隐含层的输出。

6.根据权利要求1所述的基于改进RBF神经网络的智能电网短期负荷预测方法，其特征在于，步骤S6包括：

利用均方误差和函数计算预测误差E：

令将一组输入向量{x_j,j＝1,2…O}和对应输出值{y_j,j＝1,2,…O}作为训练样本，

式中，O为样本数，预测误差

7.根据权利要求1所述的基于改进RBF神经网络的智能电网短期负荷预测方法，其特征在于，步骤S7包括：

根据如下公式对连接权重W进行更新：

式中，η表示学习速率，E为预测误差，q为更新次数。

Images