为提高短期负荷预测精度,提出了一种基于遗传算法优化概率神经网络(PNN)的短期预测模型。首先对负荷数据异常值进行辨识与修正,建立PNN短期预测模型,在此基础上引入遗传算法(GA),优化概率神经网络的平滑因子,改善了PNN模型的性能,优化后的PNN短期预测模型预测精度得到明显的提高。实例预测结果证实了该方法的有效性短期负荷预测-电动折弯机数控滚圆机滚弧机折弯机张家港滚圆机滚弧机。 应用算例分析为了验证基于GA优化PNN的短期负荷预测模型的有效性，本文以某地区2015年10到11月份的电力负荷数据和气象历史数据和预测数据作为训练和测试数据，对每个时刻点分别建立预测模型， 本文由公司网站全自动滚圆机网站采集转载中国知网整理!    http://www.gunyuanji168.com/对2015年11月18日到24日每个时刻点负荷值进行预测，结果如下:图4是11月20日该模型的预测结果与实际值的对比。图3基于GA优化PNN的短期负荷预测模型图42015年11月20日模型预测结果该天负荷预测相对误差曲线如图5所示。表1为PNN和GA-PNN两种方法的预测结果误差分析。表1中的误差计算采用的是平均相对误差，其公式为:图52015年11月20日模型预测相对误差表1PNN和GA-PNN方法平均相对误差日期P－232.40581.72592015－11－241.72350.9273平均值2.80011.9218MAPE=196∑96i=1Li－Li∧Li×100%(5)式中，Li∧为某时刻负荷预测值，Li表示某时刻点的负荷实际值。根据表1中的数据可以看出，基于GA优化PNN的短期负荷预测模型(GA－PNN)预测结果平均误差小于PNN模型，该算例证实了基于GA优化PNN的短期负荷预测模型(GA－PNN)的有效性，具有一定的实用价值。5总结进行恰当的前期数据预处理，即对负荷数据中坏数据的辨识与修正，是后期预测模型高精度预测的前提条件。基于GA优化PNN的短期负荷预测模型(GA－PNN)，利用遗传算法优化PNN的平滑因子参数，使得PNN模型的预测精度得到改善，模型的可靠性得到提高。参考文献［1］王洪元，史国栋．人工神经网络技术及其应用［M］．北京:中国石化出版社，2002．［2］D．C．Park短期负荷预测-电动折弯机数控滚圆机滚弧机折弯机张家港滚圆机滚弧机 本文由公司网站全自动滚圆机网站采集转载中国知网整理!    http://www.gunyuanji168.com/