GRNN神經(jīng)網(wǎng)絡在電力系統(tǒng)負荷預報中的應用

第1層為輸入層，神經(jīng)元個數(shù)等于輸入?yún)?shù)的個數(shù)。第2層為徑向基函數(shù)隱含層，神經(jīng)元個數(shù)等于訓練樣本數(shù)，R表示網(wǎng)絡輸入的維數(shù)，Q表示每層網(wǎng)絡中神經(jīng)元個數(shù)，同時還表示訓練樣本個數(shù)。隱含層的傳遞函數(shù)為徑向基函數(shù)，通常采用高斯函數(shù)作為傳遞函數(shù)，傳遞函數(shù)中包括光滑因子，光滑因子越小，函數(shù)的樣本逼近能力就越強，反之，基函數(shù)越平滑。第3層為簡單的線性輸出層。
文中主要研究在MATLAB環(huán)境下，調用人工神經(jīng)網(wǎng)絡工具箱中GRNN神經(jīng)網(wǎng)絡實現(xiàn)用電負荷的預測。由于GRNN網(wǎng)絡的建立和預測是同時進行的，所以無需對網(wǎng)絡進行專門訓練，網(wǎng)絡建立時所需的參數(shù)訓練樣本輸入數(shù)據(jù)和調練目標數(shù)據(jù)，由于光滑因子影響網(wǎng)絡性能，GRNN網(wǎng)絡就是要找到最優(yōu)的光滑因子，從0．05開始，每次增加0．05，來確定最優(yōu)值。
2．2 BP網(wǎng)絡預測模型的建立
BP(Back Propagation)網(wǎng)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?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。BP網(wǎng)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(shù)學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調整網(wǎng)絡的權值和閉值，使網(wǎng)絡的誤差平方和最小。BP神經(jīng)網(wǎng)絡模型拓撲結構包括輸入層(imput)、隱層(hide layer)和輸出層(outputlayer)。其網(wǎng)絡結構如圖2所示。
選擇三層結構的BP網(wǎng)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(shù)據(jù)。由于負荷曲線相鄰的點之間不會發(fā)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(xiàn)特殊情況，所以這里將一天的實時負荷數(shù)據(jù)作為網(wǎng)絡的樣本數(shù)據(jù)。
由于電力負荷還與環(huán)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(shù)據(jù)作為網(wǎng)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。
對輸入輸出變量進行規(guī)一化處理，將數(shù)據(jù)處理為區(qū)間[0，1]之間的數(shù)據(jù)。歸一化數(shù)據(jù)采用如下公式：根據(jù)對用電量影響因素的分析，分別取一天的實時負荷數(shù)據(jù)作為網(wǎng)絡和電力負荷預測日當天的氣象特征數(shù)據(jù)作為影響因子。預測量當天的12組負荷值作為網(wǎng)絡輸出。由此，構建BP網(wǎng)絡。

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

GRNN神經(jīng)網(wǎng)絡在逼近能力、分類能力和學習速度上較BP網(wǎng)絡有較強的優(yōu)勢，此外，GRNN網(wǎng)絡人為調節(jié)的參數(shù)少，只有一個閾值，及徑向基函數(shù)的分布密度SPREAD可以對GRNN性能產(chǎn)生重要影響。網(wǎng)絡的學習全部依賴于數(shù)據(jù)樣本，這樣，網(wǎng)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。

4 結論
本研究分別用GRNN神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)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(wǎng)絡預測的誤差偏大，GRNN神經(jīng)網(wǎng)絡在電力負荷預測中是有效的，而且，就網(wǎng)絡具體訓練而言，與BP神經(jīng)網(wǎng)絡相比，由于需要調整的參數(shù)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(wǎng)絡，具有較大的計算優(yōu)勢。