GRNN神经网络在电力系统负荷预报中的应用

《GRNN神经网络在电力系统负荷预报中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第20卷第3期电子设计工程2012年2月Vo1．20No．3ElectronicDesignEngineeringFeb．2012GRNN神经网络在电力系统负荷预报中的应用贾花萍I1(1．渭南师范学院数学与信息科学学院，陕西渭南714000；2．渭南师范学院计算机网络工程技术中心，陕西渭南714000)摘要：为了预报电力系统负荷，采用GRNN(广义回归网络)的方法，通过GRNN神经网络和BP神经网络建立电力系统负荷预报网络模型，用MArI1AB7．0仿真，达到了预测的目的。利用GRNN神经网络预测结果准确率高．避免了BP网络预测同样的数据库，算法冗长，网

2、络预测结果不稳定的缺点。GRNN网络具有更好的预报精度。关键词：GRNN神经网络；BP神经网络；负荷：预报中图分类号：TP18文献标识码：A文章编号：1674—6236(2012)03—0014—03GRNNneuralnetworkintheapplicationofpowersystemloadforecastingJIAHua-ping’(1．CollegeofMathematicsandInformationScience，WeinanTeachers’Unwersi@，Weinan714000，China；；2．CenterofNetworkE

3、ngineeringTechnology，WeinanTeachers’Unwersity，Weinan714000，China)Abstract：Inordertopredicttheloadofpowersystem，usingGRNN(generalizedregressionneuralnetworkGRNN)method，throughGRNNneuralnetworkandBPnetworkofelectricpowersystemloadforecastingnetworkmode1．throushMATIAB7．0simulation，t

4、hepredictedgoa1．TheuseofGRNNneuralnetworkpredictionresultisaccurate，avoidtheBPneuralnetworktopredictthesamedatabase，algorithmandlengthy，networkpredictionresultsfromtheinstabilityofthedefect．，GRNNnetworkhasbetterforecastprecision．Keywords：GRNNneuralnetwork；BPneuralnetwork；load；for

5、ecast电力负荷预报是从已知用电需求出发，考虑政治、经济、作。这里以某缺电城市的2010年7月10日到7月20日的气候等相关因素，对未来用电需求做出的预测。负荷预测包整点有功负荷值，以及2010年7月11日到7月21日的气括两方面的含义：对未来需求量(功率)的预测和未来用电量象特征状态量作为网络训练样本，预测7月21日的电力负(能量)的预测。为电力系统规划、运行提供依据，是电力系统荷．数据如表1所示，所有数据都已经归一化。规划和调度的重要组成部分；同时确定各供电区、各规划年样本中，输入向量为预测日当天的电力实际负荷数据，供用电量、供用电最大负荷和规划地

6、区总的负荷发展水平，目标向量是预测日当天的电力负荷。由于这些数据都是实际确定各规划年用电负荷构成。目前的预测方法有趋势分析测量值，因此。可以对网络进行有效的训练。如果从提高网络法、回归分析法、指数平滑法、单耗法、灰色模型法、负荷密度精度的角度出发，一方面可以增加网络训练样本数目，一方法和弹性系数法等『1。负荷曲线是与很多因素相关的一个非面还可以增加输入量维数。目前，训练样本数目的确定没有线性函数。对于抽取和逼近这种非线性函数，神经网络是一通用的方法，一般认为，样本过少可能使网络的表达不够充种合适的方法。神经网络的优点在于它具有模拟多变量而不分。从而导致网

7、络的外推能力不够，样本过多会出现样本冗需要对输入变量作复杂的相关假定能力。它不依靠专家经余现象．既增加了网络训练负担又可能出现信息量过剩使网验。只依靠观察到的数据．可以从训练过程中通过学习来抽络出现过拟合现象。所以，样本的选取过程需要注意代表性、取和逼近隐含的输入，输出非线性关系。研究表明，利用神经均衡性和用电负荷自身的特点，合理选择训练样本。网络技术进行电力系统短期负荷预报可获得更高的精度。2网络的创建与训练1数据来源2．1GRNN神经网络模型的建立为了更好地利用电能，必须做好电力负荷短期预报212GRNN神经网络在系统辨识和预测控制等方面得到了收稿日

8、期：2011-11-04稿件编号：201111025应用[2-31。GRNN网络