電力負荷預(yù)報是從已知用電需求出發(fā)，考慮政治、經(jīng)濟、氣侯等相關(guān)因素，對未來用電需求做出的預(yù)測。負荷預(yù)測包括兩方面的含義：對未來需求量(功率)的預(yù)測和未來用電量(能量)的預(yù)測。為電力系統(tǒng)規(guī)劃、運行提依據(jù)，是電力系統(tǒng)規(guī)劃和調(diào)度的重要組成部分;同時確定各供電區(qū)、各規(guī)劃年供用電量、供用電最大負荷和規(guī)劃地區(qū)總的負荷發(fā)展水平，確定各規(guī)劃年用電負荷構(gòu)成。目前的預(yù)測方琺有趨勢分析法、回歸分析法、指數(shù)平滑法、單耗法、灰色模型法、負荷密度法和彈性系數(shù)法等。負荷曲線是與很多因素相關(guān)的一個非線性函數(shù)。對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)點在于它具有模擬多變量而不需要對輸入變量作復(fù)雜的相關(guān)假定能力。它不依靠專家經(jīng)驗，只依靠觀察到的數(shù)據(jù);可以從訓練過程中通過學習來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)進行電力系統(tǒng)短期負荷預(yù)報可獲得更高的精度。

　　1 數(shù)據(jù)來源

　　為了更好地利用電能，必須做好電力負荷短期預(yù)報工作。這里以某缺電城市的201O年7月10日到7月20日的整點有功負荷值，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)訓練樣本，預(yù)測7月21日的電力負荷，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)測日當天的電力實際負荷數(shù)據(jù)，目標向量是預(yù)測日當天的電力負荷。由于這些數(shù)據(jù)都是實際測量值，因此，可以對網(wǎng)絡(luò)進行有效的訓練。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)訓練樣本數(shù)目，一方面還可以增加輸入量維數(shù)。目前，訓練樣本數(shù)目的確定沒有通用的方法，一般認為，樣本過少可能使網(wǎng)絡(luò)的表達不夠充分，從而導致網(wǎng)絡(luò)的外推能力不夠，樣本過多會出現(xiàn)樣本冗

　　余現(xiàn)象，既增加了網(wǎng)絡(luò)訓練負擔又可能出現(xiàn)信息量過剩使網(wǎng)絡(luò)出現(xiàn)過擬合現(xiàn)象。所以，樣本的選取過程需要注意代表性、均衡性和用電負荷自身的特點，合理選擇訓練樣本。

　　2 網(wǎng)絡(luò)的創(chuàng)建與訓練

　　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)辨識和預(yù)測控制等方面得到了應(yīng)用。GRNN兩絡(luò)的結(jié)構(gòu)如圖1所示。

　　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(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)進行專門訓練，網(wǎng)絡(luò)建立時所需的參數(shù)訓練樣本輸入數(shù)據(jù)和調(diào)練目標數(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(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)能學習和存貯大量的輸入-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(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。目標相量就是預(yù)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(luò)和電力負荷預(yù)測日當天的氣象特征數(shù)據(jù)作為影響因子。預(yù)測量當天的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、分類能力和學習速度上較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)的學習全部依賴于數(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。