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

第1層為輸入層，神經(jīng)元個(gè)數等于輸入參數的個(gè)數。第2層為徑向基函數隱含層，神經(jīng)元個(gè)數等于訓練樣本數，R表示網(wǎng)絡(luò )輸入的維數，Q表示每層網(wǎng)絡(luò )中神經(jīng)元個(gè)數，同時(shí)還表示訓練樣本個(gè)數。隱含層的傳遞函數為徑向基函數，通常采用高斯函數作為傳遞函數，傳遞函數中包括光滑因子，光滑因子越小，函數的樣本逼近能力就越強，反之，基函數越平滑。第3層為簡(jiǎn)單的線(xiàn)性輸出層。
文中主要研究在MATLAB環(huán)境下，調用人工神經(jīng)網(wǎng)絡(luò )工具箱中GRNN神經(jīng)網(wǎng)絡(luò )實(shí)現用電負荷的預測。由于GRNN網(wǎng)絡(luò )的建立和預測是同時(shí)進(jìn)行的，所以無(wú)需對網(wǎng)絡(luò )進(jìn)行專(zhuān)門(mén)訓練，網(wǎng)絡(luò )建立時(shí)所需的參數訓練樣本輸入數據和調練目標數據，由于光滑因子影響網(wǎng)絡(luò )性能，GRNN網(wǎng)絡(luò )就是要找到最優(yōu)的光滑因子，從0．05開(kāi)始，每次增加0．05，來(lái)確定最優(yōu)值。
2．2 BP網(wǎng)絡(luò )預測模型的建立
BP(Back Propagation)網(wǎng)絡(luò )是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網(wǎng)絡(luò )，是目前應用最廣泛的神經(jīng)網(wǎng)絡(luò )模型之一。BP網(wǎng)絡(luò )能學(xué)習和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數學(xué)方程。它的學(xué)習規則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調整網(wǎng)絡(luò )的權值和閉值，使網(wǎng)絡(luò )的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò )模型拓撲結構包括輸入層(imput)、隱層(hide layer)和輸出層(outputlayer)。其網(wǎng)絡(luò )結構如圖2所示。
選擇三層結構的BP網(wǎng)絡(luò )，在預測量的前一天，每隔2 h對電力負荷進(jìn)行一次測量，一天共測得12組負荷數據。由于負荷曲線(xiàn)相鄰的點(diǎn)之間不會(huì )發(fā)生突變，因此，后一時(shí)刻的值必然和前一時(shí)刻的值有關(guān)，除非出現特殊情況，所以這里將一天的實(shí)時(shí)負荷數據作為網(wǎng)絡(luò )的樣本數據。
由于電力負荷還與環(huán)境因素有關(guān)，比如最高和最低氣溫等。因此，還需要通過(guò)天氣預報等手段獲得預測日的最高氣溫、最低氣溫和天氣特征值(晴天、陰天還是雨天)。用此形式來(lái)表示天氣特征值：0表示晴天，0．5表示陰天，1表示雨天。這里將電力負荷預測日當天的氣象特征數據作為網(wǎng)絡(luò )輸入變量，因此，輸入變量就是一個(gè)15維的向量。目標相量就是預測量當天的12組負荷值。即一天中每個(gè)整點(diǎn)的負荷值。這樣，輸出變量就是一個(gè)12維的向量。
對輸入輸出變量進(jìn)行規一化處理，將數據處理為區間[0，1]之間的數據。歸一化數據采用如下公式：根據對用電量影響因素的分析，分別取一天的實(shí)時(shí)負荷數據作為網(wǎng)絡(luò )和電力負荷預測日當天的氣象特征數據作為影響因子。預測量當天的12組負荷值作為網(wǎng)絡(luò )輸出。由此，構建BP網(wǎng)絡(luò )。

3 實(shí)驗結果
預測誤差曲線(xiàn)如圖3所示，由圖可見(jiàn)，網(wǎng)絡(luò )預測值和真實(shí)值之間的誤差是非常小的，在BP網(wǎng)絡(luò )預測中，除第8次出現一個(gè)相對比較大的誤差外，其余誤差都在0左右，但與GRNN網(wǎng)絡(luò )相比，GRNN網(wǎng)絡(luò )的誤差值則更小。

GRNN神經(jīng)網(wǎng)絡(luò )在逼近能力、分類(lèi)能力和學(xué)習速度上較BP網(wǎng)絡(luò )有較強的優(yōu)勢，此外，GRNN網(wǎng)絡(luò )人為調節的參數少，只有一個(gè)閾值，及徑向基函數的分布密度SPREAD可以對GRNN性能產(chǎn)生重要影響。網(wǎng)絡(luò )的學(xué)習全部依賴(lài)于數據樣本，這樣，網(wǎng)絡(luò )就可以最大限度的避免人為主觀(guān)假定對預測結果的影響。

4 結論
本研究分別用GRNN神經(jīng)網(wǎng)絡(luò )和BP神經(jīng)網(wǎng)絡(luò )建立電力負荷模型，對電力負荷進(jìn)行預測，從預測效果來(lái)看，BP網(wǎng)絡(luò )預測的誤差偏大，GRNN神經(jīng)網(wǎng)絡(luò )在電力負荷預測中是有效的，而且，就網(wǎng)絡(luò )具體訓練而言，與BP神經(jīng)網(wǎng)絡(luò )相比，由于需要調整的參數較少，只有一個(gè)光滑因子，因此可以更快地找到合適的預測網(wǎng)絡(luò )，具有較大的計算優(yōu)勢。