GRNN神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負(fù)荷預(yù)報(bào)中的應(yīng)用

賈花萍

（1.渭南師范學(xué)院 數(shù)學(xué)與信息科學(xué)學(xué)院，陜西 渭南 714000；

2.渭南師范學(xué)院 計(jì)算機(jī)網(wǎng)絡(luò)工程技術(shù)中心，陜西 渭南 714000）

GRNN神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負(fù)荷預(yù)報(bào)中的應(yīng)用

賈花萍1，2

（1.渭南師范學(xué)院 數(shù)學(xué)與信息科學(xué)學(xué)院，陜西 渭南 714000；

2.渭南師范學(xué)院 計(jì)算機(jī)網(wǎng)絡(luò)工程技術(shù)中心，陜西 渭南 714000）

為了預(yù)報(bào)電力系統(tǒng)負(fù)荷，采用GRNN（廣義回歸網(wǎng)絡(luò)）的方法，通過(guò)GRNN神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)建立電力系統(tǒng)負(fù)荷預(yù)報(bào)網(wǎng)絡(luò)模型，用MATLAB7.0仿真，達(dá)到了預(yù)測(cè)的目的。利用GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果準(zhǔn)確率高，避免了BP網(wǎng)絡(luò)預(yù)測(cè)同樣的數(shù)據(jù)庫(kù)，算法冗長(zhǎng)，網(wǎng)絡(luò)預(yù)測(cè)結(jié)果不穩(wěn)定的缺點(diǎn)，GRNN網(wǎng)絡(luò)具有更好的預(yù)報(bào)精度。

GRNN神經(jīng)網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)；負(fù)荷；預(yù)報(bào)

電力負(fù)荷預(yù)報(bào)是從已知用電需求出發(fā)，考慮政治、經(jīng)濟(jì)、氣候等相關(guān)因素，對(duì)未來(lái)用電需求做出的預(yù)測(cè)。負(fù)荷預(yù)測(cè)包括兩方面的含義：對(duì)未來(lái)需求量（功率）的預(yù)測(cè)和未來(lái)用電量（能量）的預(yù)測(cè)。為電力系統(tǒng)規(guī)劃、運(yùn)行提供依據(jù)，是電力系統(tǒng)規(guī)劃和調(diào)度的重要組成部分；同時(shí)確定各供電區(qū)、各規(guī)劃年供用電量、供用電最大負(fù)荷和規(guī)劃地區(qū)總的負(fù)荷發(fā)展水平，確定各規(guī)劃年用電負(fù)荷構(gòu)成。目前的預(yù)測(cè)方法有趨勢(shì)分析法、回歸分析法、指數(shù)平滑法、單耗法、灰色模型法、負(fù)荷密度法和彈性系數(shù)法等[1]。負(fù)荷曲線是與很多因素相關(guān)的一個(gè)非線性函數(shù)。對(duì)于抽取和逼近這種非線性函數(shù)，神經(jīng)網(wǎng)絡(luò)是一種合適的方法。神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于它具有模擬多變量而不需要對(duì)輸入變量作復(fù)雜的相關(guān)假定能力。它不依靠專家經(jīng)驗(yàn)，只依靠觀察到的數(shù)據(jù)，可以從訓(xùn)練過(guò)程中通過(guò)學(xué)習(xí)來(lái)抽取和逼近隱含的輸入/輸出非線性關(guān)系。研究表明，利用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行電力系統(tǒng)短期負(fù)荷預(yù)報(bào)可獲得更高的精度。

1 數(shù)據(jù)來(lái)源

為了更好地利用電能，必須做好電力負(fù)荷短期預(yù)報(bào)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(diǎn)有功負(fù)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(wǎng)絡(luò)訓(xùn)練樣本，預(yù)測(cè)7月21日的電力負(fù)荷，數(shù)據(jù)如表1所示，所有數(shù)據(jù)都已經(jīng)歸一化。

樣本中，輸入向量為預(yù)測(cè)日當(dāng)天的電力實(shí)際負(fù)荷數(shù)據(jù)，目標(biāo)向量是預(yù)測(cè)日當(dāng)天的電力負(fù)荷。由于這些數(shù)據(jù)都是實(shí)際測(cè)量值，因此，可以對(duì)網(wǎng)絡(luò)進(jìn)行有效的訓(xùn)練。如果從提高網(wǎng)絡(luò)精度的角度出發(fā)，一方面可以增加網(wǎng)絡(luò)訓(xùn)練樣本數(shù)目，一方面還可以增加輸入量維數(shù)。目前，訓(xùn)練樣本數(shù)目的確定沒(méi)有通用的方法，一般認(rèn)為，樣本過(guò)少可能使網(wǎng)絡(luò)的表達(dá)不夠充分，從而導(dǎo)致網(wǎng)絡(luò)的外推能力不夠，樣本過(guò)多會(huì)出現(xiàn)樣本冗余現(xiàn)象，既增加了網(wǎng)絡(luò)訓(xùn)練負(fù)擔(dān)又可能出現(xiàn)信息量過(guò)剩使網(wǎng)絡(luò)出現(xiàn)過(guò)擬合現(xiàn)象。所以，樣本的選取過(guò)程需要注意代表性、均衡性和用電負(fù)荷自身的特點(diǎn)，合理選擇訓(xùn)練樣本。

2 網(wǎng)絡(luò)的創(chuàng)建與訓(xùn)練

2.1 GRNN神經(jīng)網(wǎng)絡(luò)模型的建立

GRNN神經(jīng)網(wǎng)絡(luò)在系統(tǒng)辨識(shí)和預(yù)測(cè)控制等方面得到了應(yīng)用[2-3]。GRNN網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。

表1 用電負(fù)荷及氣象特征Tab.1 Load and meteorological characteristics

圖1 GRNN網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 GRNN network structure diagram

第1層為輸入層，神經(jīng)元個(gè)數(shù)等于輸入?yún)?shù)的個(gè)數(shù)。第2層為徑向基函數(shù)隱含層，神經(jīng)元個(gè)數(shù)等于訓(xùn)練樣本數(shù)，R表示網(wǎng)絡(luò)輸入的維數(shù)，Q表示每層網(wǎng)絡(luò)中神經(jīng)元個(gè)數(shù)，同時(shí)還表示訓(xùn)練樣本個(gè)數(shù)[4]。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(qiáng)，反之，基函數(shù)越平滑。第3層為簡(jiǎn)單的線性輸出層。

文中主要研究在MATLAB環(huán)境下，調(diào)用人工神經(jīng)網(wǎng)絡(luò)工具箱中GRNN神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)用電負(fù)荷的預(yù)測(cè)。由于GRNN網(wǎng)絡(luò)的建立和預(yù)測(cè)是同時(shí)進(jìn)行的，所以無(wú)需對(duì)網(wǎng)絡(luò)進(jìn)行專門訓(xùn)練，網(wǎng)絡(luò)建立時(shí)所需的參數(shù)訓(xùn)練樣本輸入數(shù)據(jù)和訓(xùn)練目標(biāo)數(shù)據(jù)，由于光滑因子影響網(wǎng)絡(luò)性能，GRNN網(wǎng)絡(luò)就是要找到最優(yōu)的光滑因子，從0.05開(kāi)始，每次增加0.05，來(lái)確定最優(yōu)值。

2.2 BP網(wǎng)絡(luò)預(yù)測(cè)模型的建立

BP （Back Propagation） 網(wǎng)絡(luò)是 1986年由 Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（input）、隱層（hide layer）和輸出層（output layer）。其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 BP neural network structure diagram

選擇三層結(jié)構(gòu)的BP網(wǎng)絡(luò)，在預(yù)測(cè)量的前一天，每隔2 h對(duì)電力負(fù)荷進(jìn)行一次測(cè)量，一天共測(cè)得12組負(fù)荷數(shù)據(jù)。由于負(fù)荷曲線相鄰的點(diǎn)之間不會(huì)發(fā)生突變，因此，后一時(shí)刻的值必然和前一時(shí)刻的值有關(guān)，除非出現(xiàn)特殊情況，所以這里將一天的實(shí)時(shí)負(fù)荷數(shù)據(jù)作為網(wǎng)絡(luò)的樣本數(shù)據(jù)。

由于電力負(fù)荷還與環(huán)境因素有關(guān)，比如最高和最低氣溫等。因此，還需要通過(guò)天氣預(yù)報(bào)等手段獲得預(yù)測(cè)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(lái)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(fù)荷預(yù)測(cè)日當(dāng)天的氣象特征數(shù)據(jù)作為網(wǎng)絡(luò)輸入變量，因此，輸入變量就是一個(gè)15維的向量。目標(biāo)相量就是預(yù)測(cè)量當(dāng)天的12組負(fù)荷值。即一天中每個(gè)整點(diǎn)的負(fù)荷值。這樣，輸出變量就是一個(gè)12維的向量。

3 實(shí)驗(yàn)結(jié)果

預(yù)測(cè)誤差曲線如圖3所示，由圖可見(jiàn)，網(wǎng)絡(luò)預(yù)測(cè)值和真實(shí)值之間的誤差是非常小的，在BP網(wǎng)絡(luò)預(yù)測(cè)中，除第8次出現(xiàn)一個(gè)相對(duì)比較大的誤差外，其余誤差都在0左右，但與GRNN網(wǎng)絡(luò)相比，GRNN網(wǎng)絡(luò)的誤差值則更小。

GRNN神經(jīng)網(wǎng)絡(luò)在逼近能力、分類能力和學(xué)習(xí)速度上較BP網(wǎng)絡(luò)有較強(qiáng)的優(yōu)勢(shì)，此外，GRNN網(wǎng)絡(luò)人為調(diào)節(jié)的參數(shù)少，只有一個(gè)閾值，及徑向基函數(shù)的分布密度SPREAD可以對(duì)GRNN性能產(chǎn)生重要影響[4]。網(wǎng)絡(luò)的學(xué)習(xí)全部依賴于數(shù)據(jù)樣本，這樣，網(wǎng)絡(luò)就可以最大限度的避免人為主觀假定對(duì)預(yù)測(cè)結(jié)果的影響[5-6]。

圖3 預(yù)測(cè)誤差曲線圖Fig.3 Prediction error curve

4 結(jié) 論

本研究分別用GRNN神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)建立電力負(fù)荷模型，對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)，從預(yù)測(cè)效果來(lái)看，BP網(wǎng)絡(luò)預(yù)測(cè)的誤差偏大，GRNN神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測(cè)中是有效的，而且，就網(wǎng)絡(luò)具體訓(xùn)練而言，與BP神經(jīng)網(wǎng)絡(luò)相比，由于需要調(diào)整的參數(shù)較少，只有一個(gè)光滑因子，因此可以更快地找到合適的預(yù)測(cè)網(wǎng)絡(luò)，具有較大的計(jì)算優(yōu)勢(shì)。參考文獻(xiàn)：

[1]吳熳紅，楊繼旺.幾種電力負(fù)荷預(yù)測(cè)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(jīng)網(wǎng)絡(luò)外推預(yù)測(cè)干燥過(guò)程降水率[J].上海交通大學(xué)學(xué)報(bào)，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(jìn)行交通量預(yù)測(cè)及實(shí)現(xiàn)研究[J].交通科學(xué)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(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M].北京：科學(xué)出版社，2006.

[5]韓力群，人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M].北京:化學(xué)工業(yè)出版社，2002.

[6]飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡(luò)理論與MATLAB7實(shí)現(xiàn)[M].北京：電子工業(yè)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(hào)：201111025

陜西省教育廳專項(xiàng)科研計(jì)劃項(xiàng)目（11JK0480）；陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃項(xiàng)目（2011JM1010）；渭南師范學(xué)院院級(jí)重點(diǎn)項(xiàng)目（11YKF011）

賈花萍（1979—），女，陜西富平人，講師，碩士。研究方向：人工神經(jīng)網(wǎng)絡(luò)，腦信息處理。