GRNN神经网络在电力系统负荷预报中的应用

电力负荷预报是从已知用电需求出发，考虑政治、经济、气侯等相关因素，对未来用电需求做出的预测。负荷预测包括两方面的含义：对未来需求量(功率)的预测和未来用电量(能量)的预测。为电力系统规划、运行提依据，是电力系统规划和调度的重要组成部分;同时确定各供电区、各规划年供用电量、供用电最大负荷和规划地区总的负荷发展水平，确定各规划年用电负荷构成。目前的预测方珐有趋势分析法、回归分析法、指数平滑法、单耗法、灰色模型法、负荷密度法和弹性系数法等。负荷曲线是与很多因素相关的一个非线性函数。对于抽取和逼近这种非线性函数，神经网络是一种合适的方法。神经网络的优点在于它具有模拟多变量而不需要对输入变量作复杂的相关假定能力。它不依靠专家经验，只依靠观察到的数据;可以从训练过程中通过学习来抽取和逼近隐含的输入/输出非线性关系。研究表明，利用神经网络技术进行电力系统短期负荷预报可获得更高的精度。

1 数据来源

为了更好地利用电能，必须做好电力负荷短期预报工作。这里以某缺电城市的201O年7月10日到7月20日的整点有功负荷值，以及2010年7月11日到7月21日的气象特征状态量作为网络训练样本，预测7月21日的电力负荷，数据如表1所示，所有数据都已经归一化。

样本中，输入向量为预测日当天的电力实际负荷数据，目标向量是预测日当天的电力负荷。由于这些数据都是实际测量值，因此，可以对网络进行有效的训练。如果从提高网络精度的角度出发，一方面可以增加网络训练样本数目，一方面还可以增加输入量维数。目前，训练样本数目的确定没有通用的方法，一般认为，样本过少可能使网络的表达不够充分，从而导致网络的外推能力不够，样本过多会出现样本冗

余现象，既增加了网络训练负担又可能出现信息量过剩使网络出现过拟合现象。所以，样本的选取过程需要注意代表性、均衡性和用电负荷自身的特点，合理选择训练样本。

2 网络的创建与训练

2.1 GRNN神经网络模型的建立

GRNN神经网络在系统辨识和预测控制等方面得到了应用。GRNN两络的结构如图1所示。

第1层为输入层，神经元个数等于输入参数的个数。第2层为径向基函数隐含层，神经元个数等于训练样本数，R表示网络输入的维数，Q表示每层网络中神经元个数，同时还表示训练样本个数。隐含层的传递函数为径向基函数，通常采用高斯函数作为传递函数，传递函数中包括光滑因子，光滑因子越小，函数的样本逼近能力就越强，反之，基函数越平滑。第3层为简单的线性输出层。

文中主要研究在MATLAB环境下，调用人工神经网络工具箱中GRNN神经网络实现用电负荷的预测。由于GRNN网络的建立和预测是同时进行的，所以无需对网络进行专门训练，网络建立时所需的参数训练样本输入数据和调练目标数据，由于光滑因子影响网络性能，GRNN网络就是要找到最优的光滑因子，从0.05开始，每次增加0.05，来确定最优值。

2.2 BP网络预测模型的建立

BP(Back Propagation)网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和闭值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(imput)、隐层(hide layer)和输出层(outputlayer)。其网络结构如图2所示。

选择三层结构的BP网络，在预测量的前一天，每隔2 h对电力负荷进行一次测量，一天共测得12组负荷数据。由于负荷曲线相邻的点之间不会发生突变，因此，后一时刻的值必然和前一时刻的值有关，除非出现特殊情况，所以这里将一天的实时负荷数据作为网络的样本数据。

由于电力负荷还与环境因素有关，比如最高和最低气温等。因此，还需要通过天气预报等手段获得预测日的最高气温、最低气温和天气特征值(晴天、阴天还是雨天)。用此形式来表示天气特征值：0表示晴天，0.5表示阴天，1表示雨天。这里将电力负荷预测日当天的气象特征数据作为网络输入变量，因此，输入变量就是一个15维的向量。目标相量就是预测量当天的12组负荷值。即一天中每个整点的负荷值。这样，输出变量就是一个12维的向量。

对输入输出变量进行规一化处理，将数据处理为区间[0，1]之间的数据。归一化数据采用如下公式：根据对用电量影响因素的分析，分别取一天的实时负荷数据作为网络和电力负荷预测日当天的气象特征数据作为影响因子。预测量当天的12组负荷值作为网络输出。由此，构建BP网络。

3 实验结果

预测误差曲线如图3所示，由图可见，网络预测值和真实值之间的误差是非常小的，在BP网络预测中，除第8次出现一个相对比较大的误差外，其余误差都在0左右，但与GRNN网络相比，GRNN网络的误差值则更小。

GRNN神经网络在逼近能力、分类能力和学习速度上较BP网络有较强的优势，此外，GRNN网络人为调节的参数少，只有一个阈值，及径向基函数的分布密度SPREAD可以对GRNN性能产生重要影响。网络的学习全部依赖于数据样本，这样，网络就可以最大限度的避免人为主观假定对预测结果的影响。

4 结论

本研究分别用GRNN神经网络和BP神经网络建立电力负荷模型，对电力负荷进行预测，从预测效果来看，BP网络预测的误差偏大，GRNN神经网络在电力负荷预测中是有效的，而且，就网络具体训练而言，与BP神经网络相比，由于需要调整的参数较少，只有一个光滑因子，因此可以更快地找到合适的预测网络，具有较大的计算优势。