基于RBF神经网络分位数回归的电力负荷概率密度预测方法

【引言】电力负荷预测是根据电力负荷的过去和现在推测它的未来数值，具有不确定性、条件性、时间性、多方案性等特点。随着现代人工智能方法的快速发展，模糊集、粗糙集、人工神经网络、群体进化算法等智能化方法被广泛引入到电力负荷预测技术之中。然而单一的优化方法各自存在一些不足，因此将不同方法组合在一起形成了一些混合预测方法。Amjady 和Keynia 将小波变换(wavelettransform ， WT) 方法和神经网络进化(neuroevolutionary)算法运用到短期负荷预测之中；卫志农等提出了动态状态估计算法与潮流计算相结合的母线超短期负荷预测方法；乔维德、陆宁、周建中、李元诚等分别用粒子群(particle swarmoptimization，PSO)算法优化误差反向传播(errorbackpropagation ， BP)神经网络、径向基函数(radical basis function，RBF)神经网络、灰色Bernoulli 模型和核心向量回归模型的参数；Unsihuay-Vila 等提出了混沌时间序列与进化算法相结合的负荷预测方法；李瑾等利用模拟退火(simulated annealing ， SA)算法优化支持向量机(support vector machine，SVM)中长期负荷预测模型的参数。