毕业论文网
这篇电力负荷论文范文为免费优秀学术论文范文,可用于相关写作参考。
基于非节假日Elman神经网络的电力负荷短期预测
吴明刚
（河北工业大学经济管理学院,天津 300401）
摘 要：为降低节假日对预测工作的影响,将剔除法定节假日后的样本作为预测样本.以最大相对误差、平均绝对误差以及均方根误差作为模型的衡量指标,通过建立广义回归神经网络、小波神经网络与Elman神经网络预测模型对预测样本进行预测,最后仿真结果表明Elman神经网络预测模型能更好地提高预测精度.
关键词：神经网络；衡量拍标；预测
中图分类号：TB文献标识码：Adoi：10.19311/j.cnki.1672-3198.2018.03.098
1引言
电力负荷预测是电力系统规划的重要组成部分,也是电力系统经济运行的基础.智能时代的来临,神经网络算法现已广泛应用于各个智能行业.面对电网的转型升级,顺应打造智能电网的要求,本文通过选取广义回归神经网络、小波神经网络与Elman神经网络分别对应的前馈型神经网络、反馈型神经网络与局部反馈记忆型神经网络对电力负荷进行短期预测,以最大误差（Maximum error）、平均绝对误差（Mean absolute error）以及均方根误差（Root mean square error）作为衡量指标,比较各类型神经网络预测强非线性、高波频时序数据的优劣性,最终选取较优神经网络预测模型进行预测.
2神经网络模型
2.1广义回归神经网络
广义回归神经网络（Generalized Regression Neural Network）简称GRNN.它是在1991年由美国学者Donald F.Specht提出的一种基于径向基函数的前馈型网络,其具有良好的非线性划分能力,被广泛应用于工程实践当中.
GRNN网络结构如图1所示.
其计算原理是设随机变量x和随机变量y的联合概率密度函数为y(x,y),已知x的观测值为X的回归,其条件均值为：
其中,Y∧为Y的预测值,通过parzen进行非参数估计,利用样本集{xi,yi}ni等于1,对密度函数f∧(x,y)进行估计.
其中,Xi与Yi为随机变量X与Y的观测值；σ为光滑因子；p是变量x的维数；n代表样本容量.将f∧（x,y）代入式2,由于∫+∞-∞ze-z2dz等于0,对上式积分进行计算得：
Y∧(X)是Yi的加权平均,Yi的每一个观测值的权重为响应样本Xi与X之间的Euclid距离平方的指数.
2.2小波神经网络
小波神经网络以反向传播神经网络为拓扑结构,并以小波基函数作为激活函数的一种神经网络.其网络结构如图2所示.
当小波神经网络的输入信号为x(i等于1,2,3,…k)时,其隐含层计算公式为：
其中,h(j)代表小波神经网络隐含层中的第j个神经元的输出值,wij是输入与隐含层神经元之间的连接权值,hj是小波基函数,bj是平移因子,aj为伸缩因子.Morlet母小波基函数数学公式为y等于cos(1.75x)e-x22,小波神经网络输出层计算公式为：
y(k)等于∑li等于1wikh(i),k等于1,2,…,m（5）
其中,wik为隐含层第i个神经元节点到输出层第k个神经元节点的连接权值；hi为隐含层第i个神经元节点的输出值；l为隐含层神经元节点的个数；m为输出层神经元节点的个数.
2.3Elman神经网络
Elman神经网络是一种典型的局部反馈记忆型神经网络,该网络比其他类型神经网络多出了一个关联层具有记忆功能.网络结构示意图如图3所示.
Elman神经网络t时刻的输出是t-1时刻输出值的a倍,其计算公式如下：
xcJ(t)等于axcJ(t-1)+xl(t-1),l等于1,2,…,n （6）
xcJ（t）和xc(t-1)是网络隐含层第l个神经元的输出,a为自连接反馈增益因子.设Elman神经网络关联层与隐含层神经元之间的连接权值为,w1输入层到隐含层神经元之间的连接权值为,w2隐含层与输出层神经元之间的连接权值为w3,设激活函数为sigmoid函数.那么Elman神经网络各层神经元节点计算公式如下：
x(t)等于f(w1xc(t)+w2u(t－1))（7）
xc(t)等于axc(t－1)+x(t－1) （8）
yt等于g(w3x(k))（9）
其中,g(x)为线性函数.
3仿真结果
利用三种神经网络对天津市2015年电力负荷进行仿真,取2015年剔除法定节假日后的286天数据进行日负荷预测.对于三种神经网络预测模型均采用traingdx函数进行训练.图4为GRNN网络仿真结果,图5为小波神经网络仿真结果,图6为Elman神经网络仿真结果.
表1为GRNN、小波、Elman神经网络对剔除法定节假日后的电力负荷短期预测误差指标结果.从该表中可以看出Elman神经网络较适合预测强非线性、高波频的电力负荷数据.
4总结
针对非线性、高波频时序数据样本,Elman神经网络具有良好的推广能力.通过GRNN、小波、Elman神经网络对电力负荷短期预测的误差指标能够发现,相比较能于前馈型神经网络与反馈型神经网络,局部反馈记忆型神经网络能够有效地提高电力负荷短期预测的精度.
参考文献
［1］康重庆,夏清,刘梅. 电力系统负荷预测［M］. 北京：中国电力出版社,2007.
［2］田世明,王蓓蓓,张晶. 智能电网条件下的需求响应关键技术［J］. 中国电机工程学报,2014,34(22):3576-3589.
［3］冯志鹏,宋希庚,薛冬新,郑爱萍,孙玉明. 基于广义回归神经网络的时间序列预测研究［J］. 振动、测试与诊断,2003,(02):29-33+68.
［4］张邦礼,李银国,曹长修. 小波神经网络的构造及其算法的鲁棒性分析［J］. 重庆大学学报(自然科学版),1995,(06):88-95.
［5］胡晓龙,郜振华,马光红. 基于Elman神经网络的房地产预测［J］. 统计与决策,2008,(07):64-65.
电力负荷论文范文结:
关于对不知道怎么写电力负荷论文范文课题研究的大学硕士、相关本科毕业论文电力负荷论文开题报告范文和文献综述及职称论文的作为参考文献资料下载。
1、华东电力期刊
2、电力技术期刊
3、陕西电力期刊
4、广东电力期刊
6、电力设备杂志