PCARBF网络在电力负荷预测中的应用研究

研究电力负荷预测问题,由于电力负荷因子间存在非线性和高度冗余,传统方法无法消除数据之间冗余和捕捉非线性特征,导致预测精度较低。为了提高电力负荷预测精度,提出一种将主成份分析（PCA）和RBF神经网络相结合的电力负荷预测方法（PCA-RBF）。首先对电力负荷高维变量数据矩阵进行标准化处理,然后利用主成分分析建立相关矩阵,计算特征值和特征向量,通过求取累计方差贡献率,对主成分作为RBF神经网络的输入进行训练预测,主成分以较少的维数包含了原高维变量所携带的大部分信息,避免过多的输入导致的精度低和训练慢的不足。采用PCARBF模型对某省1992-2002的电力负荷数据进行验证性测试和分析。实验结果表明,改进的PCARBF模型可有效降提高负荷预测精度。