GRNN神經網絡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(廣義回歸網絡)的方法，通過GRNN神經網絡和BP神經網絡建立電力系統負荷預報網絡模型，用MAT LAB7．0仿真，達到了預測的目的。利用GRNN神經網絡預測結果準確率高，避免了BP網絡預測同樣的數據庫，算法冗長，網絡預測結果不穩(wěn)定的缺點，GRNN網絡具有更好的預報精度。
關鍵詞：GRNN神經網絡；BP神經網絡；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、經濟、氣侯等相關因素，對未來用電需求做出的預測。負荷預測包括兩方面的含義：對未來需求量(功率)的預測和未來用電量(能量)的預測。為電力系統規(guī)劃、運行提依據，是電力系統規(guī)劃和調度的重要組成部分；同時確定各供電區(qū)、各規(guī)劃年供用電量、供用電最大負荷和規(guī)劃地區(qū)總的負荷發(fā)展水平，確定各規(guī)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。負荷曲線是與很多因素相關的一個非線性函數。對于抽取和逼近這種非線性函數，神經網絡是一種合適的方法。神經網絡的優(yōu)點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假定能力。它不依靠專家經驗，只依靠觀察到的數據；可以從訓練過程中通過學習來抽取和逼近隱含的輸入／輸出非線性關系。研究表明，利用神經網絡技術進行電力系統短期負荷預報可獲得更高的精度。

1 數據來源
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)量作為網絡訓練樣本，預測7月21日的電力負荷，數據如表1所示，所有數據都已經歸一化。

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

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