安徽农业科学， Ｊｏ ｕ ｍ ａ Ｊ ｏ ｆＡ ｎ ｈ ｕ ｉＡ 咖． Ｓ ｅｉ． ２０１１。 ３９ （ ４ ）： ２４ ２４ —２４ ２６责任编辑熊章琴责任校对傅真治Ｅ ｌｍ ａ ｎ 神经网络在农网短期负荷预测中的应用周晓华１， 余乾仲２， 王荔芳３３． 昆明学院自动控制与机械１二程系， 云南昆明６５０ １１８ ）（ １． 广西Ｔ 学院电子信息与控制工程系， 广西柳州５４ ５０ ０ ６； ２． 广西大学电气工程学院， 广西南宁５３０ ０ ０ ４ ；摘要为提高负荷预测精度， 更好地反映负荷的动态特性， 提出了一种基于Ｅ ｌｍ ａ ｎ 神经网络的预测方法。 先时负荷样本进行数据预处理， 消除伪数据， 然后把不同日各时刻的负荷序列作为样本， 对未来时刻的负荷进行短期预测。 预测实例表明， 基于Ｅ ｈ ｎ ａ ｎ 神经网络的预测方法比基于Ｂ Ｐ 神经网络的预测方法具有更好的预测效果。关键词农村电网； 短期电力负荷； Ｂ Ｐ 神经网络； Ｅ ｌｍ ａ ｎ 神经网络； 负荷预测文献标识码Ａ文章编号０ ５１７ —６ ６ １ｌ（ ２０ １１）０ ４ —０ ２４ ２４ —０ ３中图分类号Ｔ Ｐ ｌ８ ３； Ｓ １２６Ａ ｐ ｐ ｆ ｉｃ ａ ｔｉｏ ｎｏ ｆＥ ｈ ｎ ａ ｎＮ ｅ ｕ ｒ ａ ｌ Ｎ ｅ ｔｗ ｏ ｒ ｋ ｔｏ Ｓ ｈ ｏ ｒ ｔ－ Ｔ ｅ ｒ ｍ Ｌ ｏ ａ ｄＦ ｏ ｒ ｅ ｃ ａ ｓｔｉｎ ｇｉｎ Ｒ ｕ ｒ ａ ｌ Ｐ ｏ ｗ ｅ ｒＳ ｙ ｓｔｅ ｍＺ Ｈ Ｏ ＵＸ ｉａ ｏ － ｈ ｕ ａ ｅ ｔａ ｌ（ Ｄ ｅ ｐ ａ ｒ ｔｍ ｅ ｎ ｔｏ ｆＥ ｌｅｃｔｒｏ ｎ ｉｃ Ｉｎｆｏ ｒｍ ａ ｔｉｏ ｎ ａ ｎ ｄ Ｃ ｏ ｎ ｔｒ ｏ ｌＥ ｎ ｇ ｉｎ ｅ ｅ ｒ ｉｎ ｇ 。 Ｇ ｕ ａ ｎ ｇ ｘ ｉ Ｕ ｎ ｉｖ ｅｒｓｉｔｙｏ ｆＴ ｅｃｈ ｎ ｏ ｌｏ ｇ ｙ ， Ｌ ｉｕ ｚｈ ｏ ｕ ， Ｇ ｕ ａ ｎ ?ｇ ｘ ｉ ５４ ５０ ０ ６ ）Ａ ｂ ｓｔｒ ａ ｃ ｔＴ ｏｅ ｎ ｈ ａ ｎ ｃ ｅ ｔｈ ｅ ｌｏ ａ ｄｆ ｏ ｒｅｃａ ｓｔｉｎ ｇ ｐ ｒ ｅｃｉｓｉｏ ｎａ ｎ ｄｒｅｆ ｌｅｃｔ ｔｈ ｅｄ ｙ ｎ ａ ｍ ｉｃｃｈ ａ ｒ ａ ｃｔｅｒ ｉｓｔｉｃｓ ｏ ｆｔｈ ｅ ｓｈ ｏ ｒｔ． ｔｅｒｍｌｏ ａ ｄｃ ｈ ａ ｎ ｇ ｅ ｓｏ ｆ ｒｎ ｒａ ｌｐ ｏ ｗ ｅ ｒｓｙ ｓ－ｔｅｒｎ ， ￡ｌｌｅｍ ｅ ｔｈ ｏ ｄ ｏ ｆｌｏ ａ ｄｆ ｏ ｒ ｅｃａ ｓｔｉｎ ｇｂ ａ ｓｅ ｄ ｏ ｎ Ｅ ｌｍ ａ ｎｎ ｅｕ ｒ ａ ｌ ｎ ｅ ｔｗ ｏ ｒ ｋ ｗ ａ ｓｐ ｒ ｏ ｐ ｏ ｓｅｄ ． Ｆ ｉｒ ｓｔｌｙ ， ｔｌｌｅｌｏ ａ ｄｓａ ｍ ｐ ｌｅ ｓｗ ｅ ｒ ｅ ｆ ｉｌｔｅｒｅｄ ａ ｎ ｄｐ ｒ ｏ ｃ ｅ ｓｓｅ ｄｇ ｅ ｎ ｅ ｒ －ａ ｌｌｙ ． Ｔ ｈ ｅ ｎ ， ｔｈ ｅｌｏ ａ ｄ ｓｅｒｉｅｓ ｏ ｆ ｅ ａ ｃ ｈ ｔｉｍ ｅ ｏ ｆ ｄ ｉｆｉｅ． ｒｅｎｔｄ ａ ｙ ｓｗ ｅ ｒ ｅ ｃ ｈ ｏ ｓｅ ｎ ａ Ｓｔｈ ｅｔｒ ａ ｉｎ ｉｎ ｇｓａ ｍ ｐ ｌｅ ｓ． Ａ ｎ ｄ ｆ ｉｎ ａ ｌｌｙ ． ｔｈ ｅｓｈ ｏ ｒｔ． ｔｅｒｍｌｏ ａ ｄ ｗ ａ ｓ ｆ ｏ ｒｅｃａ ｓｔｅｄｂ ｙｈ ｉｓｔｏ ｒｉｃａ ｌ ｄ ａ ｔａａ ｆ ｔｅｒｅ ｌｉｍ ｉｎ ａ ｔｉｎ ｇｔｈ ｅｐ ｓｅ ｕ ｄ ｏ ． ｄ ａ ｔａ ． Ａ ｓｔｈ ｅｒｅｓｕ ｌｔｓｏ ｆａ ｎｅ ｘ ａ ｍ ｐ ｌｅｏ ｆ ｆ ａ ｃｔｕ ａ ｌｆ ｏ ｒ ｅｃａ ｓｔｉｎ ｇｓｈ ｏ ｗ ． ｔｈ ｅｅｆ ｆ ｅｃｔ ｏ ｆｍ ｅ ｔｈ ｏ ｄ ｏ ｆ１０ ａ ｄ ｆｏｒｅ—ｃａ ｓｔｉｎ ｇｂ ａ ｓｅ ｄ ｏ ｎ Ｅ ｌｍ ａ ｎ ｎ ｅｕ ｒ ａ ｌ ｎ ｅ ｔｗ ｏ ｒ ｋｂｅｔｔｅｒ ｔｈ ａ ｎ 山ｅ ｍ ｅ ｔｈ ｏ ｄ ｏ ｆｌｏ ａ ｄｆ ｏ ｒｅｃａ ｓｔｉｎ ｇｂ ａ ｓｅ ｄ ｏ ｎ Ｂ Ｐｎ ｅｕ ｒａ ｌ ｎ ｅｔｗ ｏ ｒｋ ．Ｋ ｅ ｙｗ ｏ ｒ ｄ ｓＣ ｏ ｕ ｎ ｔｒ ｙ ｓｉｄ ｅｄ ｉｓｔｒｉｂ ｕ ｔｉｏ ｎｎ ｅ ｔｗ ｏ ｒ ｋ ； Ｓ ｈ ｏ ａ ． ｔｅ ｒ ｍｌｏ ａ ｄ ； Ｂ Ｐｎ ｅｕ ｒ ａ ｌ ｎ ｅ ｔｗ ｏ ｒ ｋ ； Ｅ ｌｍ ａ ｎｎ ｅｕ ｒ ａ ｌｎ ｅ ｔｗ ｏ ｒ ｋ ； Ｌ ｏ ａ ｄｆ ｏ ｒ ｅｃａ ｓｔｉｎ ｇ近年来， 农村电力负荷的不断增长对于整个电力网的影响越来越大。 长期以来， 经过国内外诸多学者对负荷预测理论和方法的大量研究， 主要形成了两大类预测方法： 一类是传统预测方法， 如时间序列法、 指数平滑法等； 另一类是基于人工智能的方法， 如人工神经网络、 ：呒¨ ｔ１。 神经网络具有并行分布信息自学习及任意逼近连续函数的能力，尤其能实现复杂的非线性映射¨ － ， 因而能捕获电力负荷的各种变化趋势， 是多年来研究和使用最多的一种方法。 其中，由于Ｂ Ｐ 神经网络结构简单但处理问题的能力却很强大， 因而是短期电力负荷预测中应用最多的神经网络模型。 然而，由于Ｂ Ｐ 网络学习算法利用梯度下降法” ３调节权值使目标函数达到极。 而目标函数仅为各给定输入和相应输出差的平方和， 导致了Ｂ Ｐ 网络过分强调克服学习错误而泛化性能不强等缺点” 。 。 针对Ｂ Ｐ 神经网络缺陷， 笔者将具有“记忆” 能力的Ｅ ｌｍ ａ ｎ 神经网络应用到农村电力负荷的预测中， 并分别采用Ｅ ｌｒ ｎ ａ ｎ 神经网络和Ｂ Ｐ 神经网络建立预测模型。 对广西某农村电网负荷的历史数据进行仿真预测， 结果表明， 前者具有较高的预测精度， 能很好地反映电力负荷的动态特性。１Ｅ ｌｍ ｔｍ 神经网络原理旧。Ｅ ｌｍ ａ ｎ 神经网络是一种典型的动态神经网络， 它通过存储内部状态而具备了映射动态特征的功能。 Ｅ ｌｍ ａ ｎ 神经网络由输入层、 隐含层、 承接层和输出层组成。 输入层神经元起信号传输作用； 输出层神经元起线性加权作用。 隐含层神经元的传递甬数可采用线性或非线性函数， 承接层用来记忆隐含层单元前一时刻的输出值， 可视为一个一步延时算子。Ｅ ｌｍ ａ ｎ 神经网络的输入层、 隐含层和输出层的连接类似于Ｂ Ｐ前馈网络。 图ｌ所示为Ｅ ｌｍ ａ ｎ 神经网络结构。对于图１所示的Ｅ ｌｍ ａ ｎ 神经网络， 有如下非线性状态空作者简介收稿日期周晓华（ １９ ７ ６一）， 男， 云南牟定人， 讲师， 硕士。 从事供配电技术、 智能优化控制等方面的教学与研究． Ｅ － ｍ ａ ｉｌ： ｚ ｈ ｘ ｈ ７ ６＠１２６． ｃｏ ｒｎ ｏ２０ １０ ． １ｌ旬８（ Ｄ输入层图１勘珊帅神经网络结构啦． １Ｔ ｈ ｅ ｓｔｒ ｕ ｃ ｔｕ ｒ ｅ ｏ ｆＥ ｉｍ ａ ｎｎ ｅｕ ｒ ａ ｌ ｎ ｅ ｔｗ ｏ ｒ ｋ间表达式．ｒ名（ ｔ）＝ 以０３‘并。 （ ｔ）＋ 山２ｕ （ ｔ一１））｛ 名。 （ ￡）＝ 戈（ ｔ一１）（ １）ｔｙ （ ｔ）＝ ｇ （ ｎ Ｊ’ ｚ（ ｔ））式中， 菇。 为承接层输出， ｇ （ ?）和以?）分别为输出层单元和隐含层单元的转换函数所组成的非线性向量函数。由式（ １）可知：ｘ 。 （ ｔ）＝ 戈（ ｔ—１）＝ 以山： 一ｌ省‘（ ￡一１）＋ ∞２々一１ｕ（ ｔ一２））（ ２）由于并‘（ ｔ—１）＝ 茗（ ｆ 一２）， 将公式（ ２）按此展开可得出以下结论： 戈‘依赖于不同时刻的连接权值∞： 小∞： Ⅲ…， 即茁。的计算是一个动态递推过程。２数据的选取与预处理影响电力负荷变化的因素涉及天气情况、 经济、 政治以及社会等不确定因素， 而这些因素往往又含有很大的不确定性。 在该文讨论中， 神经网络的输入变量主要基于电力负荷数据的基本历史信息。由于测量装置各个环节的测量误差以及数据传送过程中产生的误差， 历史数据中不可避免地会产生一些伪数据，万方数据
