Question

基于rbf神经网络的负荷预测仿真问题！！求大神讲解讲解！！！感激不尽！！

我是对电力负荷进行负荷预测，总共是两个月62天的数据，我把这些数据分为两个部分：
将所有的工作日提取出来定义为矩阵A，将所有的双休日提取出来定位矩阵C。
举个例子，对双休日矩阵C进行预测（预测模型都是n-1个历史数据作为输入，预测第n个），运行程序之后出现这种问题：早上1-7点，晚上的21-24点预测值较好，剩余的值处于一个水平线。
为什么中间的曲线没有按照实际值的发展趋向？？ 预测的程序是我从网上找的一段程序，非常经典，用程序来预测风力发电效果非常好。 请大神告诉我为什么中间时间段的曲线成水平线了？？？

Answer 1

1. 工作日和双休日的负荷特性不同：有两种处理方法，一种是分别建立模型，分别训练，不要拿工作日模型来预测双休日；第二种方法是用同一个模型，只是将工作日与双休日量化为0和1作为神经网络输入。

2. 单日负荷曲线波动：多模型预测法，可以讲每天划分为多个时段，针对每个时段单独建立模型。每个时段有每个时段的波动特性，单独建立模型更能映射负荷序列规律，并且减小网络规模。

用RBF网络一般预测效果较好，由于其为局部逼近网络，速度也极快。假如是在Matlab中，可以使用newrbe函数建立无误差的精确RBF网络（即隐层节点数等于样本数量），或者用广义网络newgrnn。据实际使用效果来看，GRNN的预测效果更佳。

关于样本的制定：你描述的是“预测模型都是n-1个历史数据作为输入，预测第n个”，这个不太理解，输入向量维数怎么会不停变动呢？通常负荷预测的输入向量选取为前1天、2天、3天、7天、14天的相应时段负荷。

追问

共62天的数据，A是工作日1-43天为输入，第44天为输出。将24*43的矩阵经隐含层程序处理，输出高斯函数，作为newrb输入，第44天的24*1矩阵作为newrb输出。net=newrb（），再进行仿真：y=sim（net，高斯函数），按这个预测风电负荷结果也是令人满意的，但是电力负荷就如上图。您觉得这到底是哪里出现了毛病？

共62天的数据，A是工作日1-43天为输入，第44天为输出。将24*43的矩阵经隐含层程序处理，输出高斯函数，作为newrb输入，第44天的24*1矩阵作为newrb输出。net=newrb（），再进行仿真：y=sim（net，高斯函数），按这个预测风电负荷结果也是令人满意的，但是电力负荷就如上图。您觉得这到底是哪里出现了毛病？

追答

神经网络不是这么用的，一定要有多组训练样本，这样才叫训练啊。你这里相当于只有一组样本，很奇怪MATLAB怎么不报错。
例如62天的数据，原始矩阵是24x62，打个比方以1234天的数据预测第5天，即输入为96x1矩阵，输出为24x1矩阵。再滚动下去，直至62天，总共有62-5+1=58组样本。
因此输入矩阵维数为96x58，输出矩阵维数为24x58.这才是正确的样本组织方式。

风电出力由风速、风向等因素决定，而电力负荷由居民用电习惯、气温、降水影响。两个负荷具有不同的特性。当然在应用RBF网络模型时是相似的，因为网络会自动映射。

追问

您的意思是：1234预测5，然后2345预测6……直到58596061预测62，像这样的话，感觉有用的数据就是第1234天，跟后面的天数完全没有关系？？？？

追答

是这个意思。怎么会没联系呢，历史数据都用上了。

我传一个BP的，你看他的样本组织，他是用前一天预测后一天，输入和输出仅仅相差一天，因此两个矩阵几乎是一样的，所有的天数肯定都用上了。

追问

您的意思我大概明白了：输入为96*58，输出为24*58，net=newrb(96*58，24*58)，仿真为：y=sim(net，96*1) %用前四天的数据，预测当天的数据。您说的就是这个意思吧！我如果按工作日和双休日分类，将工作日提取出来，组成一个新的矩阵24*44，工作日有44天，然后按上述理论得到预测值。这样对吗？

追答

工作日和双休日的矩阵分开也可以，看实际效果吧，分开建模应该没问题。实际中有些也会使用模糊专家系统修正。但要注意这样预测值的连续性，因为除非发生事故或甩负荷，一般电力负荷不会突变，具有粘性。