GRNN神經網絡在電力系統負荷預報中的應用

賈花萍

（1.渭南師范學院 數學與信息科學學院，陜西 渭南 714000；

2.渭南師范學院 計算機網絡工程技術中心，陜西 渭南 714000）

GRNN神經網絡在電力系統負荷預報中的應用

賈花萍1，2

（1.渭南師范學院 數學與信息科學學院，陜西 渭南 714000；

2.渭南師范學院 計算機網絡工程技術中心，陜西 渭南 714000）

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MATLAB7.0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，網絡預測結果不穩定的缺點，GRNN網絡具有更好的預報精度。

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，考慮政治、經濟、氣候等相關因素，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。為電力系統規劃、運行提供依據，是電力系統規劃和調度的重要組成部分；同時確定各供電區、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展水平，確定各規劃年用電負荷構成。目前的預測方法有趨勢分析法、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[1]。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2010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，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[2-3]。GRNN網絡的結構如圖1所示。

表1 用電負荷及氣象特征Tab.1 Load and meteorological characteristics

圖1 GRNN網絡結構圖Fig.1 GRNN network structure diagram

第1層為輸入層，神經元個數等于輸入參數的個數。第2層為徑向基函數隱含層，神經元個數等于訓練樣本數，R表示網絡輸入的維數，Q表示每層網絡中神經元個數，同時還表示訓練樣本個數[4]。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層為簡單的線性輸出層。

文中主要研究在MATLAB環境下，調用人工神經網絡工具箱中GRNN神經網絡實現用電負荷的預測。由于GRNN網絡的建立和預測是同時進行的，所以無需對網絡進行專門訓練，網絡建立時所需的參數訓練樣本輸入數據和訓練目標數據，由于光滑因子影響網絡性能，GRNN網絡就是要找到最優的光滑因子，從0.05開始，每次增加0.05，來確定最優值。

2.2 BP網絡預測模型的建立

BP （Back Propagation） 網絡是 1986年由 Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層（input）、隱層（hide layer）和輸出層（output layer）。其網絡結構如圖2所示。

圖2 BP神經網絡結構圖Fig.2 BP neural network structure diagram

選擇三層結構的BP網絡，在預測量的前一天，每隔2 h對電力負荷進行一次測量，一天共測得12組負荷數據。由于負荷曲線相鄰的點之間不會發生突變，因此，后一時刻的值必然和前一時刻的值有關，除非出現特殊情況，所以這里將一天的實時負荷數據作為網絡的樣本數據。

由于電力負荷還與環境因素有關，比如最高和最低氣溫等。因此，還需要通過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絡輸入變量，因此，輸入變量就是一個15維的向量。目標相量就是預測量當天的12組負荷值。即一天中每個整點的負荷值。這樣，輸出變量就是一個12維的向量。

3 實驗結果

預測誤差曲線如圖3所示，由圖可見，網絡預測值和真實值之間的誤差是非常小的，在BP網絡預測中，除第8次出現一個相對比較大的誤差外，其余誤差都在0左右，但與GRNN網絡相比，GRNN網絡的誤差值則更小。

GRNN神經網絡在逼近能力、分類能力和學習速度上較BP網絡有較強的優勢，此外，GRNN網絡人為調節的參數少，只有一個閾值，及徑向基函數的分布密度SPREAD可以對GRNN性能產生重要影響[4]。網絡的學習全部依賴于數據樣本，這樣，網絡就可以最大限度的避免人為主觀假定對預測結果的影響[5-6]。

圖3 預測誤差曲線圖Fig.3 Prediction error curve

4 結 論

本研究分別用GRNN神經網絡和BP神經網絡建立電力負荷模型，對電力負荷進行預測，從預測效果來看，BP網絡預測的誤差偏大，GRNN神經網絡在電力負荷預測中是有效的，而且，就網絡具體訓練而言，與BP神經網絡相比，由于需要調整的參數較少，只有一個光滑因子，因此可以更快地找到合適的預測網絡，具有較大的計算優勢。參考文獻：

[1]吳熳紅，楊繼旺.幾種電力負荷預測方法及其比較[J].廣東電力，2004，17（1）：17-21.

WU Man-hong，YANG Ji-wang.Several methods of electric load forecasting and its comparison[J].Guangdong Power，2004，17（1）：17-21.

[2]吳濤，劉登瀛.利用神經網絡外推預測干燥過程降水率[J].上海交通大學學報，1999，33（5）：596-599.

WU Tao，LIU Deng-ying.Using neural network to prediction of precipitation rate of drying process[J].Journal of Shanghai Jiao Tong University，1999，33（5）:596-599.

[3]魏晉雁，茹鋒.采用GRNN模型進行交通量預測及實現研究[J].交通科學與工程，2006，22（2）：46-50.

WEI Jin-yan，RU Feng.The GRNN model of traffic volume prediction and implementation[J].Traffic Science and Engineering，2006，22（2），46-50.

[4]朱大齊，史惠.人工神經網絡原理及應用[M].北京：科學出版社，2006.

[5]韓力群，人工神經網絡理論、設計及應用[M].北京:化學工業出版社，2002.

[6]飛思科技產品研發中心.神經網絡理論與MATLAB7實現[M].北京：電子工業出版社，2005.

GRNN neural network in the application of power system load forecasting

JIA Hua-ping1，2
（1.College of Mathematics and Information Science，Weinan Teachers’University，Weinan714000，China；2.Center of Network Engineering Technology，Weinan Teachers’University，Weinan714000，China）

In order to predict the load of power system，using GRNN （generalized regression neural network GRNN）method，through GRNN neural network and BP network of electric power system load forecasting network model，through MATLAB7.0 simulation， the predicted goal.The use of GRNN neural network prediction result is accurate， avoid the BP neural network to predict the same database， algorithm and lengthy， network prediction results from the instability of the defect.， GRNN network has better forecast precision.

GRNN neural network；BP neural network；load；forecast

TP18

A

1674－6236（2012）03-0014-03

2011-11-04 稿件編號：201111025

陜西省教育廳專項科研計劃項目（11JK0480）；陜西省自然科學基礎研究計劃項目（2011JM1010）；渭南師范學院院級重點項目（11YKF011）

賈花萍（1979—），女，陜西富平人，講師，碩士。研究方向：人工神經網絡，腦信息處理。