GRNN神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負荷預(yù)報中的應(yīng)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(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)元個數(shù)，同時還表示訓(xùn)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(diào)用人工神經(jīng)網(wǎng)絡(luò)工具箱中GRNN神經(jīng)網(wǎng)絡(luò)實現(xiàn)用電負荷的預(yù)測。由于GRNN網(wǎng)絡(luò)的建立和預(yù)測是同時進行的，所以無需對網(wǎng)絡(luò)進行專門訓(xùn)練，網(wǎng)絡(luò)建立時所需的參數(shù)訓(xùn)練樣本輸入數(shù)據(jù)和調(diào)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開始，每次增加0．05，來確定最優(yōu)值。
2．2 BP網(wǎng)絡(luò)預(yù)測模型的建立
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，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閉值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層(imput)、隱層(hide layer)和輸出層(outputlayer)。其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。
選擇三層結(jié)構(gòu)的BP網(wǎng)絡(luò)，在預(yù)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(guān)，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(luò)的樣本數(shù)據(jù)。
由于電力負荷還與環(huán)境因素有關(guān)，比如最高和最低氣溫等。因此，還需要通過天氣預(yù)報等手段獲得預(yù)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(yù)測日當(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15維的向量。目標(biāo)相量就是預(yù)測量當(dāng)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(luò)和電力負荷預(yù)測日當(dāng)天的氣象特征數(shù)據(jù)作為影響因子。預(yù)測量當(dāng)天的12組負荷值作為網(wǎng)絡(luò)輸出。由此，構(gòu)建BP網(wǎng)絡(luò)。

3 實驗結(jié)果
預(yù)測誤差曲線如圖3所示，由圖可見，網(wǎng)絡(luò)預(yù)測值和真實值之間的誤差是非常小的，在BP網(wǎng)絡(luò)預(yù)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(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)有較強的優(yōu)勢，此外，GRNN網(wǎng)絡(luò)人為調(diào)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(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預(yù)測結(jié)果的影響。

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)建立電力負荷模型，對電力負荷進行預(yù)測，從預(yù)測效果來看，BP網(wǎng)絡(luò)預(yù)測的誤差偏大，GRNN神經(jīng)網(wǎng)絡(luò)在電力負荷預(yù)測中是有效的，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，只有一個光滑因子，因此可以更快地找到合適的預(yù)測網(wǎng)絡(luò)，具有較大的計算優(yōu)勢。