GRNN神经网络在电力系统负荷预报中的应用
摘要：为了预报电力系统负荷，采用GRNN(广义回归网络)的方法，通过GRNN神经网络和BP神经网络建立电力系统负荷预报网络模型，用MAT LAB7．0仿真，达到了预测的目的。利用GRNN神经网络预测结果准确率高，避免了BP网络预测同样的数据库，算法冗长，网络预测结果不稳定的缺点，GRNN网络具有更好的预报精度。关键词：GRNN神经网络；BP神经网络；负荷；预报 电力负荷预报是从已知用电需求出发，考虑政治、经济、气侯等相关因素，对未来用电需求做出的预测。负荷预测包括两方面的含义：对未来需求量(功率)的预测和未来用电量(能量)的预测。为电力系统规划、运行提依据，是电力系统规划和调度的重要组成部分；同时确定各供电区、各规划年供用电量、供用电最大负荷和规划地区总的负荷发展水平，确定各规划年用电负荷构成。目前的预测方珐有趋势分析法、回归分析法、指数平滑法、单耗法、灰色模型法、负荷密度法和弹性系数法等。负荷曲线是与很多因素相关的一个非线性函数。对于抽取和逼近这种非线性函数，神经网络是一种合适的方法。神经网络的优点在于它具有模拟多变量而不需要对输入变量作复杂的相关假定能力。它不依靠专家经验，只依靠观察到的数据；可以从训练过程中通过学习来抽取和逼近隐含的输入／输出非线性关系。研究表明，利用神经网络技术进行电力系统短期负荷预报可获得更高的精度。1 数据来源 为了更好地利用电能，必须做好电力负荷短期预报工作。这里以某缺电城市的201O年7月10日到7月20日的整点有功负荷值，以及2010年7月11日到7月21日的气象特征状态量作为网络训练样本，预测7月21日的电力负荷，数据如表1所示，所有数据都已经归一化。
本文引用地址：
样本中，输入向量为预测日当天的电力实际负荷数据，目标向量是预测日当天的电力负荷。由于这些数据都是实际测量值，因此，可以对网络进行有效的训练。如果从提高网络精度的角度出发，一方面可以增加网络训练样本数目，一方面还可以增加输入量维数。目前，训练样本数目的确定没有通用的方法，一般认为，样本过少可能使网络的表达不够充分，从而导致网络的外推能力不够，样本过多会出现样本冗余现象，既增加了网络训练负担又可能出现信息量过剩使网络出现过拟合现象。所以，样本的选取过程需要注意代表性、均衡性和用电负荷自身的特点，合理选择训练样本。2 网络的创建与训练2．1 GRNN神经网络模型的建立 GRNN神经网络在系统辨识和预测控制等方面得到了应用。GRNN两络的结构如图1所示。