基于广义回归神经网络模型的短期电力负荷预测分析.docVIP

基于广义回归神经网络模型的短期电力负荷预测分析 　　摘要：负荷预测技术是确保电力系统经济运行的重要因素之一。在介绍一种广义回归神经网络的基础上，重点讨论了气象因子对负荷预测结果的影响。使用MATLAB软件建立一个带有湿度、降雨、温度、气压、风速等因子的负荷预测模型，通过反复训练最终达到理想效果。最后与广泛使用的BP神经网络模型相比较，充分显示出了GRNN在负荷预测方面的优越性。 　　关键词：短期负荷预测；气象因子；GRNN算法；BP神经网络 　　作者简介：宋献武（1981-），男，河南南阳人，湖南沅陵凤滩水电厂电气维修部，工程师。（湖南 沅陵 419621）姚维为（1988-），男，湖北宜昌人，三峡大学电气与新能源学院硕士研究生。（湖北 宜昌 443002） 　　中图分类号：TM74 文献标识码：A 文章编号：1007-0079（2013）27-0187-03 　　电力负荷预测就是指根据历史电力负荷值，并加入电网自身特点、自然和社会现实条件对系统的影响因素等，开发出一套系统或研究出一种理论去预测未来的电力负荷的方法。如果预测值能达到很高的精度，那么将会极大地提高电力系统运行的经济和社会效益。 　　传统负荷预测常采用恒阻抗、恒电流、恒功率及其混合模型来模拟电力系统，往往不能真实地反映实际情况，有时甚至得出完全错误的结论。这是因为模型参数常采用“典型参数”，并掺杂大量“经验值”，这些模型固有的非线性和非连续性会给仿真带来巨大的误差。运用神经网络理论进行负荷预测具有一定可行性，因为其可模仿人脑，处理大量非解析性、非线性的规律，能够记忆学习规则，有自主学习、自动推理的特点，这些都是传统算法和专家系统办不到的。[1] 　　一、GRNN算法概述及在负荷预测中的应用 　　1.广义回归神经网络算法概述 　　径向基神经网络（RBF）是一个只有一个隐藏层的三层前馈神经网络，由于它的学习能力和非线性特性使其能够对任意非线性函数进行很好的局部逼近。广义回归神经网络（GRNN）就是RBF的一种变化形式，是一种高度并行的RBF网络，两者结构很类似，仅仅在于线性输出层有一定的区别。如图1所示是GRNN的网络结构图。 　　GRNN网络有着很好的非线性逼近特性、良好的抗干扰性能和自主学习能力，网络收敛速度快，能够覆盖绝大部分数据样本（甚至全部样本），在基础样本数据较少时也能取得不错的逼近效果。GRNN算法基本思想是：输入一个数据样本序列，经过各层单元细胞正向推演得到一个输出序列，然后该输出序列与原始样本期望值反向传播回去，其间将调整各连接点的权值和阈值并使输出序列与输出期望值的误差落在合理的范围内。GRNN用标准的统计学公式来计算在随机变量x给定测量值X时，变量y的有条件平均值。文献[2]提出了一个基础理论数学分析，设随机向量x和随机变量y的联合概率密度函数为，x的观测值为x0，运用Parzen非参数估计，可由样本数据集估算密度函数： 　　（1） 　　（2） 　　（3） 　　最后进行化简计算得到： 　　（4） 　　可见式（4）的预报值为所有样本的因变量值yi的加权和，其权值为。 　　2.GRNN电力负荷预测原理 　　采用人工神经网络建立负荷动态模型是将负荷看成是一个“黑箱”系统，再用系统辨识的方法来确定其输入输出特性，以获得较真实表征负荷特征的模型网络参数（权值阀值矩阵、平滑参数等）。在GRNN 的训练中，神经元的数目与输入训练样本中输入向量个数相同，网络训练的目的就在于生成合适的权值矩阵以及阈值向量。一旦样本确定，网络的训练实际上只是确定隐回归单元核函数中平滑参数σ的过程。通过建立目标函数，最终将问题转化为关于σ的函数优化问题。同时，在网络训练时充分考虑气象条件的累积效应，即某日的气象条件可能影响连续几日的负荷预测，体现了不同的气象条件对负荷预测的影响。 　　3.平滑参数的确定 　　平滑参数对广义神经网络的预测性能有巨大影响，选取合适的平滑参数可使所有样本观测值均落在计算范围内，提高预测精度。本文提出一种确定平滑参数σ的方法：使平滑参数σ在[σmin，σmax]上以递增，学习过程中将样本分成训练样本和评估样本，用训练样本构造GRNN并与评估样本相比较，获得预测值与实际值的误差值。尽可能使多的样本参与到训练计算中，用所得误差序列的有效值来评价网络性能。反复训练，最后将最小误差对应的平滑参数作为最终值，并用于后面的计算。 　　二、GRNN仿真建模实现与负荷预测 　　1.GRNN负荷预测流程框图 　　参考文献[3]可以设计出GRNN负荷预测的主要步骤，如图2所示：首先，把学习样本分成两部分，其中一部分用来进行拟合训练，利用训练得出的网络预测另一部分样本，并计算预测误差的均方根，若不满足精度，则对网络结构进行适当调整，直