基于GRNN的电力系统短期负荷预测.pdfVIP

基于GRNN的电力系统短期负荷预测 —■置—■■———■墨■—■奠■—■■■皇量舞量■墨舞量■墨薯皇—■——■●—■■■量I [I I I I 曼曼鼍曼 基于GRNN的电力系统短期负荷预测 银涛俞集辉 (重庆大学电气工程学院(400030)) 摘 要 提出了基于广义回归神经网络(GRNl嘣型的电力系统短期负荷预测的方法，根据电力系统短期负荷变化的特 性建立了反映电力系统负荷连续性、周期性及其负荷的变化趋势的模型，以此作为对GleNN进行训练的向量样本 集。通过实例表明GR．NN．应用于电力系统短期负荷预测是可行并且有效的，其预报结果比多层前馈神经网络误差 反向传播(BP)负荷预测方法更准确． 关键词：电力负荷预测，广义回归神经网络 ． 1前言 ． 电力系统负荷预测是电力系统优化运行的基础，预测结果的准确与否对电力系统的安全、优 质和经济运行有显著影响。因此，寻求有效的负荷预报方法，以提高预报结果的准确度具有重要 的意义。 人工神经网络(ANN)作为一门新兴的交叉学科，为揭示复杂对象的运行机理提供了一条新的 途径，许多学者将其应用于电力负荷预测问题，取得了一些进展。目前电力负荷的ANN预测模 型大多为多层前向网络，这得益于前向神经网络具有很好的函数逼近能力，因而通过对训练样本 的学习，能很好地反映出对象的输入廊出之间复杂的非线性关系。但是在实际应用中，其学习算 法一一标准BP算法易限于局部极小点且学习收敛速度较慢，从而影响了其进一步的应用。 Neural Network，GRNN)是建立在数理统计基础之上 Regression 广义回归神经网络(General 的一种新型的神经网络，在逼近能力、分类能力和学习速度方上相对BP网络和RBF网络有着较 强的优势，网络最后收敛于样本量积聚最多的优化回归面，并且在样本数据缺乏时，预测效果也 比较好，此外，网络还可以处理不稳定的数据。因此，本文采用GRNN建立电力系统短期负荷预 测模型，利用历史统计数据对负荷进行预测，证实了方法的正确性和实用性。 2短期负荷预测模型原理 ● ● 电力负荷预测是一种时间序列预测。通常用于时间序列预测的方法有两种：一是参数预测法， 二是非参数预测法。用人工神经网络进行时间序列预测是一种非参数预测方法，它无须对信号模 型做假设，因此比参数方法有更广泛的应用范围。时间序列预测可以理解为一种由历史记录来计 算未来趋势的数学映射，通过m点历史数据对未来趋势进行提前k步预测的数学模型为： (．r(f)，x(i+1)，……x(i+七)=p(X(i—1)， ．r(f一1)，X(i一2)，……x(i—m)) 其中：f=m+1，肌+2，……，fⅣ一rR—k)／s为子学习样本数目；N为样本数据长度；s为滑动 点数(一般取为1)。由于广义回归神经网络能够逼近样本数据中隐含的映射关系，因此可以用其解 决时间序列预测问题。 第十届全国电工数学学术年会论文集 3广义回归神经网络 神经网络是由大量的、很简单的神经元广泛地互相连接而形成的复杂系统。虽然每个神经元 结构简单、功能有限，但由大量神经元构成的网络系统的行为特征却是丰富多彩和十分复杂的， 可以用来模拟、运算和推理任何高度复杂的非线性系统。 广义回归神经网络是Donald