吳明剛

摘 要：為降低節(jié)假日對(duì)預(yù)測(cè)工作的影響，將剔除法定節(jié)假日后的樣本作為預(yù)測(cè)樣本。以最大相對(duì)誤差、平均絕對(duì)誤差以及均方根誤差作為模型的衡量指標(biāo)，通過(guò)建立廣義回歸神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)與Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)，最后仿真結(jié)果表明Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型能更好地提高預(yù)測(cè)精度。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；衡量拍標(biāo)；預(yù)測(cè)

中圖分類號(hào)：TB 文獻(xiàn)標(biāo)識(shí)碼：A doi：10.19311/j.cnki.1672-3198.2018.03.098

1 引言

電力負(fù)荷預(yù)測(cè)是電力系統(tǒng)規(guī)劃的重要組成部分，也是電力系統(tǒng)經(jīng)濟(jì)運(yùn)行的基礎(chǔ)。智能時(shí)代的來(lái)臨，神經(jīng)網(wǎng)絡(luò)算法現(xiàn)已廣泛應(yīng)用于各個(gè)智能行業(yè)。面對(duì)電網(wǎng)的轉(zhuǎn)型升級(jí)，順應(yīng)打造智能電網(wǎng)的要求，本文通過(guò)選取廣義回歸神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)與Elman神經(jīng)網(wǎng)絡(luò)分別對(duì)應(yīng)的前饋型神經(jīng)網(wǎng)絡(luò)、反饋型神經(jīng)網(wǎng)絡(luò)與局部反饋記憶型神經(jīng)網(wǎng)絡(luò)對(duì)電力負(fù)荷進(jìn)行短期預(yù)測(cè)，以最大誤差（Maximum error）、平均絕對(duì)誤差（Mean absolute error）以及均方根誤差（Root mean square error）作為衡量指標(biāo)，比較各類型神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)強(qiáng)非線性、高波頻時(shí)序數(shù)據(jù)的優(yōu)劣性，最終選取較優(yōu)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行預(yù)測(cè)。

2 神經(jīng)網(wǎng)絡(luò)模型

2.1 廣義回歸神經(jīng)網(wǎng)絡(luò)

廣義回歸神經(jīng)網(wǎng)絡(luò)（Generalized Regression Neural Network）簡(jiǎn)稱GRNN。它是在1991年由美國(guó)學(xué)者Donald F.Specht提出的一種基于徑向基函數(shù)的前饋型網(wǎng)絡(luò)，其具有良好的非線性劃分能力，被廣泛應(yīng)用于工程實(shí)踐當(dāng)中。

GRNN網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

3 仿真結(jié)果

利用三種神經(jīng)網(wǎng)絡(luò)對(duì)天津市2015年電力負(fù)荷進(jìn)行仿真，取2015年剔除法定節(jié)假日后的286天數(shù)據(jù)進(jìn)行日負(fù)荷預(yù)測(cè)。對(duì)于三種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型均采用traingdx函數(shù)進(jìn)行訓(xùn)練。圖4為GRNN網(wǎng)絡(luò)仿真結(jié)果，圖5為小波神經(jīng)網(wǎng)絡(luò)仿真結(jié)果，圖6為Elman神經(jīng)網(wǎng)絡(luò)仿真結(jié)果。

表1為GRNN、小波、Elman神經(jīng)網(wǎng)絡(luò)對(duì)剔除法定節(jié)假日后的電力負(fù)荷短期預(yù)測(cè)誤差指標(biāo)結(jié)果。從該表中可以看出Elman神經(jīng)網(wǎng)絡(luò)較適合預(yù)測(cè)強(qiáng)非線性、高波頻的電力負(fù)荷數(shù)據(jù)。

4 總結(jié)

針對(duì)非線性、高波頻時(shí)序數(shù)據(jù)樣本，Elman神經(jīng)網(wǎng)絡(luò)具有良好的推廣能力。通過(guò)GRNN、小波、Elman神經(jīng)網(wǎng)絡(luò)對(duì)電力負(fù)荷短期預(yù)測(cè)的誤差指標(biāo)能夠發(fā)現(xiàn)，相比較能于前饋型神經(jīng)網(wǎng)絡(luò)與反饋型神經(jīng)網(wǎng)絡(luò)，局部反饋記憶型神經(jīng)網(wǎng)絡(luò)能夠有效地提高電力負(fù)荷短期預(yù)測(cè)的精度。

參考文獻(xiàn)

[1]康重慶，夏清，劉梅. 電力系統(tǒng)負(fù)荷預(yù)測(cè)[M]. 北京：中國(guó)電力出版社，2007.

[2]田世明，王蓓蓓，張晶. 智能電網(wǎng)條件下的需求響應(yīng)關(guān)鍵技術(shù)[J]. 中國(guó)電機(jī)工程學(xué)報(bào)，2014，34（22）：3576-3589.

[3]馮志鵬，宋希庚，薛冬新，鄭愛(ài)萍，孫玉明. 基于廣義回歸神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)研究[J]. 振動(dòng)、測(cè)試與診斷，2003，（02）：29-33+68.

[4]張邦禮，李銀國(guó)，曹長(zhǎng)修. 小波神經(jīng)網(wǎng)絡(luò)的構(gòu)造及其算法的魯棒性分析[J]. 重慶大學(xué)學(xué)報(bào)（自然科學(xué)版），1995，（06）：88-95.

[5]胡曉龍，郜振華，馬光紅. 基于Elman神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)價(jià)格預(yù)測(cè)[J]. 統(tǒng)計(jì)與決策，2008，（07）：64-65.