基于广义回归神经网络的电力系统中长期负荷预测.pdf

第27卷第8期 电 力 . 动 化 破 备 Vol.27No.8 函 2007年8月 ElectricPI〕werAutomationEquiPment Aug.2007 基于广义回归神经网络的电力 系统中长期负荷预测 姚李孝’，刘学琴 ，2‘，伍 利 ，‘薛美娟 ‘ (1.西安理工大学 电力工程系，陕西 西安710048; 2.陕西理工学院 电气工程系，陕西 汉中723003) 摘要:在介绍广义回归神经网络(GRNN)基本算法、网络结构及平滑参数确定方法的基础上，提出 将误差序列的均方值作为网络性能的评价指标并采用最小误差对应的平滑参数，建立了GRNN的预 测模型。提出了确定输入神经元数 目的方法:根据自回归模型阶次的选择经验初步确定输入神经 元数目m;在m值附近进行搜索，对于每一个m值，确定平滑参数后，计算网络对学习样本的预测 误差;根据BIC准则评价指标的最小值确定输入神经元数目。将模型应用于某地中长期电力网负 荷预测，分别进行了单步预测和多步预测。与BP神经网络模型的预测进行比较，结果表明，采用该 方法的预测精度明显高于BP模型，即使在训练集样本数据较少时，该方法的预测准确度仍然很高。 关键词:广义神经网络;中长期负荷预测;时间序列预测;BIC准则 中图分类号:TM715 文献标识码:A 文章编号:1006一60472【007)08一0026一04 建立在数理统计的基础上，能够根据样本数据逼近其 0 引言 中隐含的映射关系，主要用于系统模型和预测。优点 提高负荷预测水平有利于用电管理、制定合理 是学习速度快，网络最后收敛于样本量集聚最多的优 的电源建设规划以及提高电力系统的经济效益和社 化回归面，一旦学习样本确定，则相应的网络结构和 会效益[l一2〕。在中长期负荷预测中，常采用回归模型、 神经元之间的连接权值也随之确定，网络训练过程实 时间序列预测技术和灰色理论预测技术等方法[3一4]。 际上只是确定平滑参数的过程，并且在样本数据较稀 近年来，随着人工神经网络研究的兴起，先后利用 少时，效果也很好，网络可以处理不稳定的数据。人 神经网络进行电力系统负荷预测，使预测误差有很大 为调节的参数少，只有一个阑值。网络的学习全部依 的降低，引起负荷预测工作者的高度重视[5]。但是，传 赖数据样本。这个特点决定了网络得以最大限度地 统神经网络是一种典型的全局逼近网络，网络的一 避免人为主观假定对预测结果的影响。GRNN用标 个或多个权值对每个输出都有影响，导致其学习速率 准的统计学公式计算随机变量x在给定测量值X 较慢，加之网络在确定权值时具有随机性，导致每次 时，变量y的条件平均值了。在计算这个条件平均值 训练后输人、输出间的关系不定，预测结果存在差异， 要用到相关可能性密度函数(PDF)，在GRNN中，相 而且网络层数、隐含层节点数的确定缺乏理论指导6，〔。 关的PDF使用泊松估计，由训练矢量近似得到{4]。 传统神经网络存在的缺点使其在实际应用中受到 LI 基本算法 一定影响。而广义回归神经网络GRNN(Generalized 当给定矢量随机变量x的一个测量值X时，随 Re脚ssionNeuralNetwork)是一种局部逼近网络，模 机变量y的条件平均值为 型的建立具有明确的理论基础，它仅需要一个简单 二 _，、 f. ，/X 、， /1.，/X \1 Y(X)=}yf}争 」dy/If}争 」dy (1) 的平滑参数，不必进行循环的训练过程，在训练过程