電力負荷預報是從已知用電需求出發，考慮政治、經濟、氣侯等相關因素，對未來用電需求做出的預測。負荷預測包括兩方面的含義：對未來需求量(功率)的預測和未來用電量(能量)的預測。為電力系統規劃、運行提依據，是電力系統規劃和調度的重要組成部分;同時確定各供電區、各規劃年供用電量、供用電最大負荷和規劃地區總的負荷發展水平，確定各規劃年用電負荷構成。目前的預測方琺有趨勢分析法、回歸分析法、指數平滑法、單耗法、灰色模型法、負荷密度法和彈性系數法等。負荷曲線是與很多因素相關的一個非線性函數。對于抽取和逼近這種非線性函數，神經網絡是一種合適的方法。神經網絡的優點在于它具有模擬多變量而不需要對輸入變量作復雜的相關假定能力。它不依靠專家經驗，只依靠觀察到的數據;可以從訓練過程中通過學習來抽取和逼近隱含的輸入/輸出非線性關系。研究表明，利用神經網絡技術進行電力系統短期負荷預報可獲得更高的精度。
1 數據來源
為了更好地利用電能，必須做好電力負荷短期預報工作。這里以某缺電城市的201O年7月10日到7月20日的整點有功負荷值，以及2010年7月11日到7月21日的氣象特征狀態量作為網絡訓練樣本，預測7月21日的電力負荷，數據如表1所示，所有數據都已經歸一化。
樣本中，輸入向量為預測日當天的電力實際負荷數據，目標向量是預測日當天的電力負荷。由于這些數據都是實際測量值，因此，可以對網絡進行有效的訓練。如果從提高網絡精度的角度出發，一方面可以增加網絡訓練樣本數目，一方面還可以增加輸入量維數。目前，訓練樣本數目的確定沒有通用的方法，一般認為，樣本過少可能使網絡的表達不夠充分，從而導致網絡的外推能力不夠，樣本過多會出現樣本冗
余現象，既增加了網絡訓練負擔又可能出現信息量過剩使網絡出現過擬合現象。所以，樣本的選取過程需要注意代表性、均衡性和用電負荷自身的特點，合理選擇訓練樣本。
2 網絡的創建與訓練
2.1 GRNN神經網絡模型的建立
GRNN神經網絡在系統辨識和預測控制等方面得到了應用。GRNN兩絡的結構如圖1所示。
第1層為輸入層，神經元個數等于輸入參數的個數。第2層為徑向基函數隱含層，神經元個數等于訓練樣本數，R表示網絡輸入的維數，Q表示每層網絡中神經元個數，同時還表示訓練樣本個數。隱含層的傳遞函數為徑向基函數，通常采用高斯函數作為傳遞函數，傳遞函數中包括光滑因子，光滑因子越小，函數的樣本逼近能力就越強，反之，基函數越平滑。第3層為簡單的線性輸出層。
文中主要研究在MATLAB環境下，調用人工神經網絡工具箱中GRNN神經網絡實現用電負荷的預測。由于GRNN網絡的建立和預測是同時進行的，所以無需對網絡進行專門訓練，網絡建立時所需的參數訓練樣本輸入數據和調練目標數據，由于光滑因子影響網絡性能，GRNN網絡就是要找到最優的光滑因子，從0.05開始，每次增加0.05，來確定最優值。
2.2 BP網絡預測模型的建立
BP(Back Propagation)網絡是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閉值，使網絡的誤差平方和最小。BP神經網絡模型拓撲結構包括輸入層(imput)、隱層(hide layer)和輸出層(outputlayer)。其網絡結構如圖2所示。
選擇三層結構的BP網絡，在預測量的前一天，每隔2 h對電力負荷進行一次測量，一天共測得12組負荷數據。由于負荷曲線相鄰的點之間不會發生突變，因此，后一時刻的值必然和前一時刻的值有關，除非出現特殊情況，所以這里將一天的實時負荷數據作為網絡的樣本數據。
由于電力負荷還與環境因素有關，比如最高和最低氣溫等。因此，還需要通過天氣預報等手段獲得預測日的最高氣溫、最低氣溫和天氣特征值(晴天、陰天還是雨天)。用此形式來表示天氣特征值：0表示晴天，0.5表示陰天，1表示雨天。這里將電力負荷預測日當天的氣象特征數據作為網絡輸入變量，因此，輸入變量就是一個15維的向量。目標相量就是預測量當天的12組負荷值。即一天中每個整點的負荷值。這樣，輸出變量就是一個12維的向量。
對輸入輸出變量進行規一化處理，將數據處理為區間[0，1]之間的數據。歸一化數據采用如下公式：根據對用電量影響因素的分析，分別取一天的實時負荷數據作為網絡和電力負荷預測日當天的氣象特征數據作為影響因子。預測量當天的12組負荷值作為網絡輸出。由此，構建BP網絡。
3 實驗結果
預測誤差曲線如圖3所示，由圖可見，網絡預測值和真實值之間的誤差是非常小的，在BP網絡預測中，除第8次出現一個相對比較大的誤差外，其余誤差都在0左右，但與GRNN網絡相比，GRNN網絡的誤差值則更小。
GRNN神經網絡在逼近能力、分類能力和學習速度上較BP網絡有較強的優勢，此外，GRNN網絡人為調節的參數少，只有一個閾值，及徑向基函數的分布密度SPREAD可以對GRNN性能產生重要影響。網絡的學習全部依賴于數據樣本，這樣，網絡就可以最大限度的避免人為主觀假定對預測結果的影響。
4 結論
本研究分別用GRNN神經網絡和BP神經網絡建立電力負荷模型，對電力負荷進行預測，從預測效果來看，BP網絡預測的誤差偏大，GRNN神經網絡在電力負荷預測中是有效的，而且，就網絡具體訓練而言，與BP神經網絡相比，由于需要調整的參數較少，只有一個光滑因子，因此可以更快地找到合適的預測網絡，具有較大的計算優勢。