GRNN神經(jīng)網(wǎng)絡(luò )在電力系統負荷預報中的應用

摘要：為了預報電力系統負荷，采用GRNN(廣義回歸網(wǎng)絡(luò ))的方法，通過(guò)GRNN神經(jīng)網(wǎng)絡(luò )和BP神經(jīng)網(wǎng)絡(luò )建立電力系統負荷預報網(wǎng)絡(luò )模型，用MAT LAB7．0仿真，達到了預測的目的。利用GRNN神經(jīng)網(wǎng)絡(luò )預測結果準確率高，避免了BP網(wǎng)絡(luò )預測同樣的數據庫，算法冗長(cháng)，網(wǎng)絡(luò )預測結果不穩定的缺點(diǎn)，GRNN網(wǎng)絡(luò )具有更好的預報精度。
關(guān)鍵詞：GRNN神經(jīng)網(wǎng)絡(luò )；BP神經(jīng)網(wǎng)絡(luò )；負荷；預報

電力負荷預報是從已知用電需求出發(fā)，考慮政治、經(jīng)濟、氣侯等相關(guān)因素，對未來(lái)用電需求做出的預測。負荷預測包括兩方面的含義：對未來(lái)需求量(功率)的預測和未來(lái)用電量(能量)的預測。為電力系統規劃、運行提依據，是電力系統規劃和調度的重要組成部分；同時(shí)確定各供電區、各規劃年供用電量、供用電最大負荷和規劃地區總的負荷發(fā)展水平，確定各規劃年用電負荷構成。目前的預測方琺有趨勢分析法、回歸分析法、指數平滑法、單耗法、灰色模型法、負荷密度法和彈性系數法等。負荷曲線(xiàn)是與很多因素相關(guān)的一個(gè)非線(xiàn)性函數。對于抽取和逼近這種非線(xiàn)性函數，神經(jīng)網(wǎng)絡(luò )是一種合適的方法。神經(jīng)網(wǎng)絡(luò )的優(yōu)點(diǎn)在于它具有模擬多變量而不需要對輸入變量作復雜的相關(guān)假定能力。它不依靠專(zhuān)家經(jīng)驗，只依靠觀(guān)察到的數據；可以從訓練過(guò)程中通過(guò)學(xué)習來(lái)抽取和逼近隱含的輸入／輸出非線(xiàn)性關(guān)系。研究表明，利用神經(jīng)網(wǎng)絡(luò )技術(shù)進(jìn)行電力系統短期負荷預報可獲得更高的精度。

1 數據來(lái)源
為了更好地利用電能，必須做好電力負荷短期預報工作。這里以某缺電城市的201O年7月10日到7月20日的整點(diǎn)有功負荷值，以及2010年7月11日到7月21日的氣象特征狀態(tài)量作為網(wǎng)絡(luò )訓練樣本，預測7月21日的電力負荷，數據如表1所示，所有數據都已經(jīng)歸一化。

樣本中，輸入向量為預測日當天的電力實(shí)際負荷數據，目標向量是預測日當天的電力負荷。由于這些數據都是實(shí)際測量值，因此，可以對網(wǎng)絡(luò )進(jìn)行有效的訓練。如果從提高網(wǎng)絡(luò )精度的角度出發(fā)，一方面可以增加網(wǎng)絡(luò )訓練樣本數目，一方面還可以增加輸入量維數。目前，訓練樣本數目的確定沒(méi)有通用的方法，一般認為，樣本過(guò)少可能使網(wǎng)絡(luò )的表達不夠充分，從而導致網(wǎng)絡(luò )的外推能力不夠，樣本過(guò)多會(huì )出現樣本冗
余現象，既增加了網(wǎng)絡(luò )訓練負擔又可能出現信息量過(guò)剩使網(wǎng)絡(luò )出現過(guò)擬合現象。所以，樣本的選取過(guò)程需要注意代表性、均衡性和用電負荷自身的特點(diǎn)，合理選擇訓練樣本。

2 網(wǎng)絡(luò )的創(chuàng )建與訓練
2．1 GRNN神經(jīng)網(wǎng)絡(luò )模型的建立
GRNN神經(jīng)網(wǎng)絡(luò )在系統辨識和預測控制等方面得到了應用。GRNN兩絡(luò )的結構如圖1所示。