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：A doi：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。
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年剔除法定節假日后的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神经网络的房地产价格预测[J]. 统计与决策，2008，（07）：64-65.
