|
基于多種神經網絡模型對電力系統(tǒng)中期負荷預測對比分析
湛江市技師學院 李太勝 2013/8/23 21:29:41
（接上頁）圖可以很清晰的看到，在隱含層神經元數(shù)為25個時網絡的預測效果非常理想，而其他兩種情況則誤差比較大。為了更具說服性，接下來算出每次的預測誤差，相對誤差及其平均值。如表2-3所示。
表 2-3 預測結果對比
月份 實際值 神經元數(shù)25 神經元數(shù)30 神經元數(shù)35
預測值 誤差 相對誤差（%） 預測值 誤差 相對誤差（%） 預測值 誤差 相對誤差（%）
2006.1 37.28 36.38 0.89 2.4 36.88 0.39 1 35.53 1.7 4.6
2006.2 32 32.8 -0.8 2.5 34.36 -2.36 7.3 33.28 -1.28 4
2006.3 37.29 34.08 3.2 8.5 32.51 4.77 12.7 34.41 2.87 7.7
2006.4 37.62 37.2 0.41 1.1 31.74 5.86 15.6 30.83 6.7 18
2006.5 40.87 39.1 1.76 4.3 39.11 1.75 4.2 35.72 5.14 12.5
2006.6 41.25 38.32 2.92 7.1 40.98 0.26 0.6 36.54 4.7 11.4
2006.7 40.18 36.85 3.32 8.2 39.43 0.74 1.8 35.96 4.2 10.5
2006.8 40.07 37.42 2.64 6.5 35.01 5.05 12.6 37.42 2.64 6.6
2006.9 32.65 31.99 0.65 1.9 33.72 -1.07 3.2 32.21 0.43 1.3
2006.10 37.02 37.43 -0.41 1.1 35.11 1.9 5.1 37.1 -0.08 0.2
2006.11 41.02 40.39 0.62 1.5 41.63 -0.61 1.4 39.44 1.57 3.8
2006.12 40.32 39.32 0.99 2.4 43.41 -3.09 7.6 39.98 0.33 0.8
平均相對誤差（%） 3.95 6.09 6.78
總體來說，除3月和7月誤差稍大外，其余月份的預測都比較理想。三次的平均誤差有較大的差別。結論：當隱含層神經元數(shù)為25時網絡性能最理想，而其余兩次預測誤差較大。
3.樣本優(yōu)化處理
3.1修正異常數(shù)據(jù)
在實際預測過程中，為了讓預測效果更理想，往往會采用各種數(shù)據(jù)優(yōu)化處理的方式使數(shù)據(jù)更理想，因而可利用負荷的橫向相似性對異常負荷數(shù)據(jù)進行修正。由于電力系統(tǒng)相鄰時段的負荷具有粘性，即一般不會發(fā)生特別大的變化，具有平滑性，所以利用這個特征來修正負荷歷史數(shù)據(jù)序列。基本思想是通過對原始數(shù)據(jù)進行三點平滑處理，削弱數(shù)據(jù)的人為主觀性和偶然性的干擾，生成新的預測序列。
采用三點平滑處理，為避免小數(shù)循環(huán)，采用如下公式：
（5-4）
其中：
兩端點負荷值分別用下式修正：
（5-5）
（5-6）
3.1基于數(shù)據(jù)優(yōu)化后的神經網絡應用
優(yōu)化處理后的數(shù)據(jù)如圖3-1所示。易見，其中個別負荷曲線變得更為平滑，分布更勻稱，這將有利于網絡的訓練。
圖3-1 數(shù)據(jù)處理結果
為了讓優(yōu)化效果更加直觀，下面將優(yōu)化數(shù)據(jù)再次應用于三種網絡模型中，并與前面的樣本做一個比較。如圖3-2、3-3、3-4所示。
圖3-2 BP網絡誤差曲線
圖3-3 Elman網絡誤差曲線
圖3-4 RBF網絡誤差曲線
在采用相同預測模型的條件下，除BP網絡外，平滑處理后的負荷預測精度更高，效果更好，其中，Elman網絡的平均誤差從3.95%下降到3.05%；RBF網絡的平均誤差從5.95%下降到4.78%； BP網絡的誤差從4.99%上升到5.3%。
表3-1 處理后的預測結果
月份 實際值 BP神經網絡 Elman神經網絡 RBF神經網絡
預測值 誤差 相對誤差（%） 預測值 誤差 相對誤差（%） 預測值 誤差 相對誤差（%）
2006.1 37.28 35.82 1.45 3.8 37.92 -0.64 1.7 36.33 0.94 2.5
2006.2 34.64 34.8 -0.16 0.4 36.03 -1.39 4 34.8 -0.16 0.（未完，下一頁）
|