GRNN神经网络在电力系统负荷预报中的应用

第1层为输入层，神经元个数等于输入参数的个数。第2层为径向基函数隐含层，神经元个数等于训练样本数，R表示网络输入的维数，Q表示每层网络中神经元个数，同时还表示训练样本个数。隐含层的传递函数为径向基函数，通常采用高斯函数作为传递函数，传递函数中包括光滑因子，光滑因子越小，函数的样本逼近能力就越强，反之，基函数越平滑。第3层为简单的线性输出层。
文中主要研究在MATLAB环境下，调用人工神经网络工具箱中GRNN神经网络实现用电负荷的预测。由于GRNN网络的建立和预测是同时进行的，所以无需对网络进行专门训练，网络建立时所需的参数训练样本输入数据和调练目标数据，由于光滑因子影响网络性能，GRNN网络就是要找到最优的光滑因子，从0．05开始，每次增加0．05，来确定最优值。
2．2 BP网络预测模型的建立
BP(Back Propagation)网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和闭值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(imput)、隐层(hide layer)和输出层(outputlayer)。其网络结构如图2所示。
选择三层结构的BP网络，在预测量的前一天，每隔2 h对电力负荷进行一次测量，一天共测得12组负荷数据。由于负荷曲线相邻的点之间不会发生突变，因此，后一时刻的值必然和前一时刻的值有关，除非出现特殊情况，所以这里将一天的实时负荷数据作为网络的样本数据。
由于电力负荷还与环境因素有关，比如最高和最低气温等。因此，还需要通过天气预报等手段获得预测日的最高气温、最低气温和天气特征值(晴天、阴天还是雨天)。用此形式来表示天气特征值：0表示晴天，0．5表示阴天，1表示雨天。这里将电力负荷预测日当天的气象特征数据作为网络输入变量，因此，输入变量就是一个15维的向量。目标相量就是预测量当天的12组负荷值。即一天中每个整点的负荷值。这样，输出变量就是一个12维的向量。
对输入输出变量进行规一化处理，将数据处理为区间[0，1]之间的数据。归一化数据采用如下公式：根据对用电量影响因素的分析，分别取一天的实时负荷数据作为网络和电力负荷预测日当天的气象特征数据作为影响因子。预测量当天的12组负荷值作为网络输出。由此，构建BP网络。

3 实验结果
预测误差曲线如图3所示，由图可见，网络预测值和真实值之间的误差是非常小的，在BP网络预测中，除第8次出现一个相对比较大的误差外，其余误差都在0左右，但与GRNN网络相比，GRNN网络的误差值则更小。

GRNN神经网络在逼近能力、分类能力和学习速度上较BP网络有较强的优势，此外，GRNN网络人为调节的参数少，只有一个阈值，及径向基函数的分布密度SPREAD可以对GRNN性能产生重要影响。网络的学习全部依赖于数据样本，这样，网络就可以最大限度的避免人为主观假定对预测结果的影响。

4 结论
本研究分别用GRNN神经网络和BP神经网络建立电力负荷模型，对电力负荷进行预测，从预测效果来看，BP网络预测的误差偏大，GRNN神经网络在电力负荷预测中是有效的，而且，就网络具体训练而言，与BP神经网络相比，由于需要调整的参数较少，只有一个光滑因子，因此可以更快地找到合适的预测网络，具有较大的计算优势。