GRNN神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負(fù)荷預(yù)報(bào)中的應(yīng)用

摘要：為了預(yù)報(bào)電力系統(tǒng)負(fù)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(tǒng)負(fù)荷預(yù)報(bào)網(wǎng)絡(luò)模型，用MAT LAB7．0仿真，達(dá)到了預(yù)測(cè)的目的。利用GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果準(zhǔn)確率高，避免了BP網(wǎng)絡(luò)預(yù)測(cè)同樣的數(shù)據(jù)庫(kù)，算法冗長(zhǎng)，網(wǎng)絡(luò)預(yù)測(cè)結(jié)果不穩(wěn)定的缺點(diǎn)，GRNN網(wǎng)絡(luò)具有更好的預(yù)報(bào)精度。
關(guān)鍵詞：GRNN神經(jīng)網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)；負(fù)荷；預(yù)報(bào)

電力負(fù)荷預(yù)報(bào)是從已知用電需求出發(fā)，考慮政治、經(jīng)濟(jì)、氣侯等相關(guān)因素，對(duì)未來(lái)用電需求做出的預(yù)測(cè)。負(fù)荷預(yù)測(cè)包括兩方面的含義：對(duì)未來(lái)需求量(功率)的預(yù)測(cè)和未來(lái)用電量(能量)的預(yù)測(cè)。為電力系統(tǒng)規(guī)劃、運(yùn)行提依據(jù)，是電力系統(tǒng)規(guī)劃和調(diào)度的重要組成部分；同時(shí)確定各供電區(qū)、各規(guī)劃年供用電量、供用電最大負(fù)荷和規(guī)劃地區(qū)總的負(fù)荷發(fā)展水平，確定各規(guī)劃年用電負(fù)荷構(gòu)成。目前的預(yù)測(cè)方琺有趨勢(shì)分析法、回歸分析法、指數(shù)平滑法、單耗法、灰色模型法、負(fù)荷密度法和彈性系數(shù)法等。負(fù)荷曲線是與很多因素相關(guān)的一個(gè)非線性函數(shù)。對(duì)于抽取和逼近這種非線性函數(shù)，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(duì)輸入變量作復(fù)雜的相關(guān)假定能力。它不依靠專家經(jīng)驗(yàn)，只依靠觀察到的數(shù)據(jù)；可以從訓(xùn)練過(guò)程中通過(guò)學(xué)習(xí)來(lái)抽取和逼近隱含的輸入／輸出非線性關(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(tǒng)短期負(fù)荷預(yù)報(bào)可獲得更高的精度。

1 數(shù)據(jù)來(lái)源
為了更好地利用電能，必須做好電力負(fù)荷短期預(yù)報(bào)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(fù)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(xùn)練樣本，預(yù)測(cè)7月21日的電力負(fù)荷，數(shù)據(jù)如表1所示，所有數(shù)據(jù)都已經(jīng)歸一化。

樣本中，輸入向量為預(yù)測(cè)日當(dāng)天的電力實(shí)際負(fù)荷數(shù)據(jù)，目標(biāo)向量是預(yù)測(cè)日當(dāng)天的電力負(fù)荷。由于這些數(shù)據(jù)都是實(shí)際測(cè)量值，因此，可以對(duì)網(wǎng)絡(luò)進(jìn)行有效的訓(xùn)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(xùn)練樣本數(shù)目，一方面還可以增加輸入量維數(shù)。目前，訓(xùn)練樣本數(shù)目的確定沒(méi)有通用的方法，一般認(rèn)為，樣本過(guò)少可能使網(wǎng)絡(luò)的表達(dá)不夠充分，從而導(dǎo)致網(wǎng)絡(luò)的外推能力不夠，樣本過(guò)多會(huì)出現(xiàn)樣本冗
余現(xiàn)象，既增加了網(wǎng)絡(luò)訓(xùn)練負(fù)擔(dān)又可能出現(xiàn)信息量過(guò)剩使網(wǎng)絡(luò)出現(xiàn)過(guò)擬合現(xiàn)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(fù)荷自身的特點(diǎn)，合理選擇訓(xùn)練樣本。

2 網(wǎng)絡(luò)的創(chuàng)建與訓(xùn)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(tǒng)辨識(shí)和預(yù)測(cè)控制等方面得到了應(yīng)用。GRNN兩絡(luò)的結(jié)構(gòu)如圖1所示。