更新时间：03-26 （周老大）提供原创文章
摘要:随着电力市场的不断发展，对电力负荷科学管理的迫切要求以及对准确和适应性强的负荷预测模型的渴望，使得负荷预测的重视程度越来越高.但是负荷预测收到多种复杂因素影响，给预测带来一定难度，本文通过人工神经网络的方法进行负荷预测，并通过对比分析得到较好的神经网络模型.
本文采用了基于RBF(Radial Basis Function)神经网络的短期负荷预测方法，将给出的负荷数据处理后作为训练数据，分析了对于负荷的影响因素，通过历史数据预测下一日负荷值.建立的网络设定7个输入节点，1个输出节点，预测了下一日24小时48个点的负荷值，同时在相同条件下建立BP神经网络并进行训练和仿真，并且对比分析二者的结果.
从预测结果来看，RBF神经网络模型的结果误差在允许范围之内，预测精度是符合要求的，从而说明了该方法的正确性和实用性，具有可行性.从同BP神经网络结果的对比来看，RBF神经网络的方法训练速度快，收敛性好，而且可以大大地减少学习步长，有效地提高了预测精度和预测速度.
关键词：电力系统；负荷预测；RBF神经网络；预测模型
目录
摘要
abstract
第1章 绪论-1
1.1 本课题研究的背景-1
1.2 课题研究的意义-1
1.3 课题研究的内容-2
第2章 电力负荷预测概述-3
2.1 电力负荷预测的概念-3
2.2 电力负荷预测的特点和原理-3
2.2.1 电力负荷预测的特点-3
2.2.2 电力负荷预测的原理-4
2.3 电力负荷预测的分类-4
2.4 电力系统负荷预测的误差分析-5
第3章 神经网络系统-7
3.1 人工神经网络-7
3.1.1 人工神经网络简介-7
3.1.2人工神经网络的模型-7
3.2 RBF神经网络-9
3.2.1 RBF神经网络的结构-9
3.2.2 RBF神经网络的具体实现-10
3.2.3 RBF神经网络的学习算法-11
3.3 RBF神经网络与BP网络的比较-12
3.3.1 BP网络存在的问题-12
3.3.2 RBF网络与BP网络之间的差别-13
第4章 基于RBF神经网络的短期负荷预测实例分析-15
4.1 RBF神经网络的建立-15
4.2 RBF神经网络的训练-15
4.2.1 样本的选取-15
4.2.2 数据预处理-17
4.3 短期负荷预测结果与分析-17
4.4 BP网络的建立与仿真-22
第5章 结论和展望-27
5.1结论-27
5.2不足之处及未来展望-27
参考文献-28
致 谢-29