基于非節假日Elman神經網絡的電力負荷短期預測

吳明剛

摘 要：為降低節假日對預測工作的影響，將剔除法定節假日后的樣本作為預測樣本。以最大相對誤差、平均絕對誤差以及均方根誤差作為模型的衡量指標，通過建立廣義回歸神經網絡、小波神經網絡與Elman神經網絡預測模型對預測樣本進行預測，最后仿真結果表明Elman神經網絡預測模型能更好地提高預測精度。

關鍵詞：神經網絡；衡量拍標；預測

中圖分類號：TB 文獻標識碼：A doi：10.19311/j.cnki.1672-3198.2018.03.098

1 引言

電力負荷預測是電力系統規劃的重要組成部分，也是電力系統經濟運行的基礎。智能時代的來臨，神經網絡算法現已廣泛應用于各個智能行業。面對電網的轉型升級，順應打造智能電網的要求，本文通過選取廣義回歸神經網絡、小波神經網絡與Elman神經網絡分別對應的前饋型神經網絡、反饋型神經網絡與局部反饋記憶型神經網絡對電力負荷進行短期預測，以最大誤差（Maximum error）、平均絕對誤差（Mean absolute error）以及均方根誤差（Root mean square error）作為衡量指標，比較各類型神經網絡預測強非線性、高波頻時序數據的優劣性，最終選取較優神經網絡預測模型進行預測。

2 神經網絡模型

2.1 廣義回歸神經網絡

廣義回歸神經網絡（Generalized Regression Neural Network）簡稱GRNN。它是在1991年由美國學者Donald F.Specht提出的一種基于徑向基函數的前饋型網絡，其具有良好的非線性劃分能力，被廣泛應用于工程實踐當中。

GRNN網絡結構如圖1所示。

3 仿真結果

利用三種神經網絡對天津市2015年電力負荷進行仿真，取2015年剔除法定節假日后的286天數據進行日負荷預測。對于三種神經網絡預測模型均采用traingdx函數進行訓練。圖4為GRNN網絡仿真結果，圖5為小波神經網絡仿真結果，圖6為Elman神經網絡仿真結果。

表1為GRNN、小波、Elman神經網絡對剔除法定節假日后的電力負荷短期預測誤差指標結果。從該表中可以看出Elman神經網絡較適合預測強非線性、高波頻的電力負荷數據。

4 總結

針對非線性、高波頻時序數據樣本，Elman神經網絡具有良好的推廣能力。通過GRNN、小波、Elman神經網絡對電力負荷短期預測的誤差指標能夠發現，相比較能于前饋型神經網絡與反饋型神經網絡，局部反饋記憶型神經網絡能夠有效地提高電力負荷短期預測的精度。

參考文獻

[1]康重慶，夏清，劉梅. 電力系統負荷預測[M]. 北京：中國電力出版社，2007.

[2]田世明，王蓓蓓，張晶. 智能電網條件下的需求響應關鍵技術[J]. 中國電機工程學報，2014，34（22）：3576-3589.

[3]馮志鵬，宋希庚，薛冬新，鄭愛萍，孫玉明. 基于廣義回歸神經網絡的時間序列預測研究[J]. 振動、測試與診斷，2003，（02）：29-33+68.

[4]張邦禮，李銀國，曹長修. 小波神經網絡的構造及其算法的魯棒性分析[J]. 重慶大學學報（自然科學版），1995，（06）：88-95.

[5]胡曉龍，郜振華，馬光紅. 基于Elman神經網絡的房地產價格預測[J]. 統計與決策，2008，（07）：64-65.