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)、氣侯等相關(guān)因素，對(duì)未來用電需求做出的預(yù)測(cè)。負(fù)荷預(yù)測(cè)包括兩方面的含義：對(duì)未來需求量(功率)的預(yù)測(cè)和未來用電量(能量)的預(yù)測(cè)。為電力系統(tǒng)規(guī)劃、運(yùn)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(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)方琺有趨勢(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。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)練過程中通過學(xué)習(xí)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(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201O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)目的確定沒有通用的方法，一般認(rèn)為，樣本過少可能使網(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(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。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(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)。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(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?fù)浣Y(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(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。

　　對(duì)輸入輸出變量進(jìn)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(duì)用電量影響因素的分析，分別取一天的實(shí)時(shí)負(fù)荷數(shù)據(jù)作為網(wǎng)絡(luò)和電力負(fù)荷預(yù)測(cè)日當(dāng)天的氣象特征數(shù)據(jù)作為影響因子。預(yù)測(cè)量當(dāng)天的12組負(fù)荷值作為網(wǎng)絡(luò)輸出。由此，構(gòu)建BP網(wǎng)絡(luò)。

　　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，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。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。

　　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)。