基于Elman神经网络改进ARIMA模型的网络负荷预测研究
基于Elman神经网络在电力负荷预测中的研究
基于Elman神经网络在电力负荷预测中的研究作者：宋明达赵宇红来源：《科技风》2020年第11期摘;要：针对某地区一个月的电力系统负荷数据进行了研究，建立Elman[1]神经网络网络模型，运用MATLAB工具箱，对Elman神经网络在神经元个数设置，节点层数及训练数据个数的选择进行了研究，同时与BP神经网络[2]做了预测数据比较分析。
验证了Elman神经网络模型在电力负荷预测[3]中的准确性与可行性，相比较于BP神经网络的Elman神经网络具有训练速度快准确度高的优点。
关键词：Elman神经网络;电力系统负荷;BP神经网络;预测Abstract：This paper studies the power system load data of a region for one month，establishes the Elman neural network model，and uses the MATLAB toolbox to select the number of neurons，the number of node layers and the number of training data for the Elman neural network.The research was carried out，and the BP neural network was compared and analyzed.The accuracy and feasibility of the Elman neural network model in power load forecasting are pared with theBP neural network，the Elman neural network has the advantages of high training speed and high accuracy.Key words：Elman neural network;power system load，BP neural network;prediction利用神經网络进行电力负荷预测时，通常是将从电力系统收集到的精确的统计数据和资料，用于作为电力负荷的原始依据，考虑当前的用电量和历史负荷数据，同时还应充分注意到电力系统某些重要的系统运行特性，包括在当地的自然气候条件、人文社会活动，经济增长速度影响的条件下，所研究出一整套的系统的负荷预测的数学方法[6]。
基于Elman神经网络的负荷预测研究
基于Elman神经网络的负荷预测研究摘要：电力系统负荷预测是电力生产部门的重要工作之一，其负荷变化具有明显的周期性，文章采用Elman神经网络与BP神经网络建立模型，提出了一种基于神经网络的负荷预测方法。
对某电网实际历史数据进行仿真预测，经研究发现，Elman模型具有收敛速度快、预测精度高的特点，同时表明利用Elman回归神经网络建模对某电网负荷进行预测是完全可行的，在负荷预测领域有着较好的应用前景。
关键词：电力系统规划；神经网络；负荷预测引言经济的高速发展带来了城市化与工业生产规模的不断发展，也使得城市供电系统的供需矛盾变得日益突出起来，特别是夏季，城市电力紧缺的现象越来越普遍。
进行供电量的预测不仅可以为合理分配现有的电力资源，新建或者扩建、改建电厂提供可靠的依据，而且也是影响到居民正常工作和生活基本保障的一个重要问题。
因此，寻找城市供电量的规律性，预测今后几年的供电量，不仅对于城市建设与城市管理有着重要的指导意义，而且也与居民的日常工作和生活息息相关。
因此电力负荷预测是电力系统运行调度中一项非常重要的内容，是保证电力系统安全经济运行和实现电网科学管理的基础。
人工神经网络(Artificial Neural Network，ANN)具有很强的学习和映射能力，能够以任意精度模拟复杂的非线性关系，其关键是建立合适的数学模型，提高预测的精度。
本文基于Elman神经网络的中期负荷预测模型，模型算法采用改进的BP算法，即自适应学习速率动量梯度下降反向传播算法。
本文研究了某电网历史负荷数据特点，预测未来一年特殊时间点的负荷值，经仿真计算，证明了该方法的有效性和适用性。
1某电网负荷特性分析应用人工神经网络进行负荷预测，也就是要依靠负荷的历史记录，对未来的负荷做出预报。
建立负荷预测的人工神经网络数学模型，首先必须确定影响负荷的变化因素，也就是要确定人工神经网络的输入量。
为此，要先从负荷的历史记录中，找出系统负荷变化的规律和特性。
基于Elman型神经网络集中供热负荷预测模型的研究
基于Elman型神经网络集中供热负荷预测模型的研究
崔高健;凡东生;曲永利
【期刊名称】《建筑节能》
【年(卷),期】2011(000)003
【摘要】集中供热的负荷预测是在掌握负荷变化规律的基础上,充分考虑各种影响因素之后,以一定的精确度预测未来某一时刻的负荷,提高集中供热管网系统的运行效率、可靠性和经济性.建立了基于Elman型神经网络的集中供热负荷预测模型,用Matlab仿真验证Elman神经网络具有学习效率高、逼近速度快、泛化能力强等优点,实例预测证明了Elman神经网络控制器适用于集中供热负荷预测模型.
【总页数】3页(P9-11)
【作者】崔高健;凡东生;曲永利
【作者单位】长春工业大学机电工程学院,长春,130012;长春工业大学机电工程学院,长春,130012;长春工业大学机电工程学院,长春,130012
【正文语种】中文
【中图分类】TU832.1+1
【相关文献】
1.基于PSO-Elman神经网络的电力系统短期负荷预测模型研究 [J], 刘远龙;龚文杰;徐超;张智晟;张伟;王鑫;赵建伟
2.基于Elman神经网络的电力负荷预测模型研究 [J], 乔新
3.基于Elman神经网络的电力负荷预测模型研究 [J], 石黄霞;何颖;董晓红
4.基于Elman神经网络算法的电力负荷预测模型研究 [J], 李文
5.基于Elman型神经网络的空调负荷预测模型 [J], 杨嘉;吴祥生;王宁;张敏琦因版权原因，仅展示原文概要，查看原文内容请购买。
Elman神经网络与ARIMA模型对流感发病率预测效果的比较
Elman神经网络与ARIMA模型对流感发病率预测效果的比较孙锦峰;耿云亮;郭奕瑞;王高帅;高飞飞;刘晓田;尤爱国;王重建【摘要】Aim:To compare the efficiency of Elman neural network model and autoregressive integrated moving aver -age( ARIMA) model to predict the incidence of influenza .Methods:Elman neural network model and ARIMA model were established using the epidemic data of influenza in Henan Province from January 1, 2006 to December 31, 2010, and the predictive performance was measured and accessed using the data from January 1 to December 31, 2011.Results:The op-timal ARIMA model was ARIMA(1,0,0)model, the optimal Elman neural network model was 4-12-1-1.The mean abso-lute error ( MAE) , mean error rate ( MER) and nonlinear correlation coefficient ( RNL) of prediction results of the test set using the optimal ARIMA model and Elman neural network model were 0.133, 0.238, 0.708 and 0.152, 0.271, 0.725, respectively.Conclusion:The predictive efficiency of models based on time series and Elman neural network model is e -quivalent ,and they perform well in predicting the incidence of influenza .%目的：比较Elman神经网络模型与自回归移动平均（ ARIMA）模型对流感发病率预测的效果。
基于ARIMA与Elman神经网络的短期风速组合预测方法
移动 平均 （ Ａ ｕ ｔ ｏ ｒ ｅ ｇ ｒ ｅ ｓ ｓ ｉ ｖ ｅ Ｉ ｎ ｔ ｅ ｇ ｒ ａ ｔ ｅ ｄ Ｍ ｏ ｖ ｉ ｎ ｇ Ａ ｖ ｅ ｒ ａ ｇ ｅ ，Ａ Ｒ Ｉ Ｍ Ａ ） 模 型。其中Ａ Ｒ Ｉ Ｍ Ａ （ Ｐ ， ｄ ， ｑ ） 模型 的表 达式记为 ：
， Ｊ 熙 塞 星 婆羞
、 输 入屡
… … … … … 一 面 ｉ ‘ 矗 进 ｉ 萌
萄 … … … … … …
① 数据的预处理 采 用 时 间序 列 进行 仿 真预 测 可 以大 大 降 低预测 的工作量 ，论文使 用某一 台风机的风速 数据 ，首先对 时间序列用 自相关 函数 法检验平
稳性 ，经 １ 阶 差分后 ，满 足 时间序 列平 稳性要 求 ，即差分 阶数ｄ ＝ ｌ 。 ②模 型定阶与参数估计 目前 常 使用 最佳 准 则 函数 进 行定 阶 ，其 包括最 小Ｆ Ｐ Ｅ 、Ａ Ｉ Ｃ 和Ｓ Ｂ Ｃ 准 则。本文采 用Ａ Ｉ Ｃ 准 则 ，即最小信 息量 准则 ，利 用似然 函数估计值 最大值 原则来确 定模型Ｐ 、ｑ 阶数分别 为２ 、Ｉ ， 即Ａ Ｒ Ｉ Ｍ Ａ（ ２ ， １ ， １ ）。模型定阶 后 ，利用 最小二 乘法 ，使残 差平方 和达到最 小的那组 参数值 即 为模型参数估计值 】 。 ３ ． ３评价标准 本文采 用平均绝对 百分 比误差 （ Ｍ Ａ Ｐ Ｅ ） 、平 方和误 差 （ ｓ ｓ Ｅ ） 以及均 方根 误差 （ Ｒ Ｍ Ｓ Ｅ ） 对预 测 结果进行评价 ，计算 公式 如下：
利用Ａ Ｒ Ｉ ＭＡ 模 型对风速进行 预测 ，其线性规律信 患包含在 时间序 列预测结果 中，非线性规律包含在预 测误差中。再将Ａ Ｒ Ｉ Ｍ Ａ模型 的预测误 差及 历史风速一阶差分序 列作 为改进的Ｅ ｌ ｍａ ｌ ｌ 神经网络输入 变量 ，将Ａ Ｒ Ｉ ＭＡ 模 型的风速预测误差作为 输出变量。最后将Ａ Ｒ Ｉ ＭＡ 模型预测结果 与Ｅ １ ｍ ａ ｌ ｌ 神经 网络 的误 差预测结果叠加 ，得 到最终修 正后的 预测风 速。分析结果表 明，该方法 与单一Ａ Ｒ Ｉ ＭＡ 方法及其他 组合方法相 比，预测滞后性更小 ，预测精度更高 ，在风速预 测领 域具有较好 的应用前景。 【 关键词 】 时间序列 ；Ａ Ｒ Ｉ ＭＡ ；Ｅ ｌ ｍａ ｎ 神经网络 ；风速预测 ；预测模 型
基于Elman神经网络的电力负荷预测
基于Elman神经网络的电力负荷预测【摘要】电力系统负荷预测的水平已成为衡量电力系统运行管理现代化的标志之一。
精确的短期负荷预测，对电力系统的生产安排、经济调度和安全分析都起着十分重要的作用，也直接影响着电力企业的经济效益。
研究具有适应性变特性能力的ELMAN神经网络预测模型，如单隐含层ELMAN回归神经网络模型，双隐含层ELMAN神经网络模型及三隐含层ELMAN神经网络模型，ELMAN神经网络是在多层前向BP网络中引入特殊关联层，形成有记忆能力的网络，从而反映电力负荷预测系统的非线性和动态特性，解决了静态前馈BP神经网络对动态系统进行辨识效果差的问题。
【关键词】负荷预测；人工神经网络；Elman神经网络；MATLAB语言；编程；进行仿真；提高精度前言电力系统负荷预测是在充分考虑一些重要的系统运行特性、增容决策、自然条件和社会影响的条件下，研究或利用一套系统地处理过去与未来负荷的数学方法，在满足一定精度要求的意义下，确定未来特定时刻的负荷数据。
1 电力负荷预测概述1.1 负荷预测的概念负荷预测是指在充分考虑一些重要的系统运行特性、增容决策、自然条件与社会影响的条件下，研究或利用一套能系统地处理过去与未来负荷的数学方法，在满足一定精度要求的意义下，确定未来某特定时刻的负荷数值。
电力负荷预测包括两方面的含义，即用以指安装在国家机关、企业、居民等用户处的各种用电设备，也可用以描述上述用电设备所消耗的电力电量的数值。
1.2 负荷预测的步骤（1）资料的搜集和整理。
（2）对资料进行分析处理。
（3）建立预测模型。
（4）预测结果评价。
（5）负荷预测管理。
2 基于ELMAN神经网络负荷预测结果比较2.1 ELMAN神经网络的基本概述ELMAN网络可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络。
ELMAN网络具有与多层前向网络相似的多层结构。
它的主要结构是前馈连接，包括输入层、隐含层、输出层，其连接权可以进行学习修正；反馈连接由一组“结构” 单元构成，用来记忆前一时刻的输出值，其连接权值是固定的。
基于Elman神经网络的短期负荷预测
基于Elman神经网络的短期负荷预测
电力系统短期负荷预测是电力系统调度工作中一项非常重要的内容,是电力系统安全、经济、可靠运行的基础。
负荷预测的精度直接影响到电力系统的经济性和稳定性。
因此,电力系统短期负荷预测一直是国内外学者研究的重点方向之一。
研究表明,在众多负荷的影响因素中,气象因素对电力系统负荷影响最为显著。
本文针对杭州地区进行负荷特性分析,并对数据进行了前期处理,采用相似度法探讨了各气象因素对负荷的影响。
近年来,人工神经网络作为一种智能算法在电力系统短期负荷预测中得到广泛研究和应用。
但在应用中,主要采用BP神经网络,BP神经网络作为一种静态网络,在负荷预测过程中易陷入局部最小点,其预测效果不是很理想。
本文提出采用具有动态递归性的Elman神经网络建立电力系统短期负荷预测模型,利用历史数据验证表明其效果明显优于BP模型。
考虑到地区电网负荷受气象因素影响较大,本文提出了综合考虑气象因子的处理方法。
该方法采用综合气象因子(人体舒适度和温湿指数)作为输入,克服了气象因子直接输入时输入量多、预测时间长的缺点。
同时,基于学习算法、激励函数和网络结构对模型进行改进。
改进后的模型考虑了电网的动态特性,减少了神经网络输入量,增强了负荷预测模型的适应性。
采用杭州地区实际数据对提出的方法和模型进行验证,结果显示该方法和模型能明显提高负荷预测精度。
针对光伏并网对短期负荷预测的影响,本文对光伏发电量的物理模型和预测模型进行了分析,并建立了光伏发电量预测模型。
同时提出来对光伏发电削峰容量的一种计算方法,采用杭州地区的历史数据
进行了计算,表明了光伏发电系统具有不可忽视的容量价值。
基于Elman神经网络在电力负荷预测中的研究
基于Elman神经网络在电力负荷预测中的研究引言随着电力需求的不断增加，电力负荷预测一直是电力系统运行和规划中的重要问题。
准确的电力负荷预测可以帮助电力系统运营商和规划者做出合理的决策，包括发电计划、设备运行和维护等。
电力负荷预测一直是电力系统领域的研究热点之一。
Elman神经网络简介Elman神经网络是一种反馈神经网络，最早由Jeffrey Elman于1990年提出。
它是一种前向结构的神经网络，在隐藏层和输入层之间增加了一层Context层，用于存储前一时刻隐藏层的输出。
这种结构使得Elman神经网络能够对时间序列数据进行建模，并具有较好的时序预测能力。
Elman神经网络的结构如下图所示：(插入Elman神经网络结构图)在Elman神经网络中，Context层的输出会在下一时刻成为隐藏层的输入，因此网络能够记忆之前的状态，从而在时间序列预测中具有优势。
Elman神经网络的训练算法通常采用反向传播算法，可以通过大量的历史数据进行有效的训练，从而提高预测的准确性。
基于Elman神经网络的电力负荷预测电力负荷预测是一个典型的时间序列预测问题。
基于Elman神经网络的电力负荷预测通常包括以下几个步骤：1. 数据采集与预处理：需要采集历史电力负荷数据，并对数据进行预处理，包括数据清洗、归一化等操作，以保证数据的质量和一致性。
2. 网络结构设计：接下来，需要设计Elman神经网络的结构，包括输入层、隐藏层、Context层和输出层的神经元数量、连接方式等。
通常可以通过交叉验证等方法来选择合适的网络结构参数。
3. 数据集划分：将采集到的历史数据集划分为训练集和测试集，通常采用时间滑动窗口的方法进行划分，以保证训练集和测试集之间的数据不重叠。
4. 网络训练：利用训练集对设计好的Elman神经网络进行训练，通常采用反向传播算法，并结合动量法、权重衰减等方法进行优化。
5. 模型评估：使用测试集对训练好的Elman神经网络模型进行评估，通常采用均方根误差（RMSE）、平均绝对误差（MAE）等指标来评估模型的预测准确性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
开 发Ｊ 、 用
ｔ ｉ ｎｇ ｍ ｏｄ ｅｌ ｂ ａ ｓ ｅ ｄ ｏｎ ＡＲ Ｉ Ｍ Ａ Ｅｌ ｍａ ｎ’ ｓ ｃ ｏ ｍｂ ｉ ｎ ａ ｔ ｉ ｏ ｎ ｍ ｏｄｅ １ ．ＲＭ ＳＥ ，Ｍ Ａ Ｅ ａ ｎ ｄ Ｍ ＡＩ Ｅ ｉ ｓ ｅ ｈｏ ｓ ｅ ｎ ｒ ｌ ｎｄ ｅ ｘ．ｔ ｉ ｌ ｅ ｒ ｃ
ｌ 【 １ ｓ， － ； ｈ ｏｗ ｔ ｈ ； ｉ ｔ ｔ ｈｅ ｐ ｒ ｏ ｐｏｓ ｅ ｄ Ｅｌ ｍａ ｎ ｃ ｏ ｍ ｂｉ ｎａ ｔ ｉ ｏｎ ｏｆ Ａ Ｒｌ Ｍ Ａ ｍ ｏｄ ｅ ｌ ｆ ｏｒ ｎ ｅ ｔ ｗ ｏｒ ｋ ｌ ｏａ ｄ ｄａ ｔ ａ ｔ ｏ ｐ ｒ ｅ ｄｉ ｃ ｔ ｔ ｈｅ ａ ｃ ｃｕ ｒ ａｃ ｖ ｉ ｓ ｂ ｅ ｔ ｔ ｅ ｒ ｔ ｂａ ｎ
０ 引 言
随 着 互 联 网 规 模 的 日益 壮 大 和 汁 算 机 技 术 的 发展 ， 网 络
其是 － 种 反馈 神 经 网络 ， 具 有很 强 的汁算能 力和容错能 力。 若 输 入 向量 Ｕ为 ｒ 维 向量 ， 输 … 向 鲢 Ｙ为 ｎ 维， 隐 层 输 ｉ ｝
果表 明 ． 提 出的 Ａ Ｒ Ｉ ＭＡ — Ｅ ｌ ｍａ ｎ组 合 模 型进 行 网 络 负荷 数 据 预 测 的精 度 优 于 Ａ ＲＩ ＭＡ、 Ｓ ＶＭ 和 Ｅ ｌ ｍａ ｎ ． 从 而 验 证 了算 法 的 优 越
性 和 可 靠性 。 关 键 词 ：神 经 网络 ：时 间序 列 ：ＡＲＩ ＭＡ 模 型 ：网络 负荷
ＡＲｔ Ｍ Ａ ．ＳＶ Ｍ ａ ｎｄ Ｅｌ ｍａ ｎ，ｗ ｈｉ ｃ ｈ ｖｅ ｒ ｉ ｆ ｉ ｅ ｄ ｔ ｈｅ ｓ ｕｐｅ ｒ ｉ ｏ ｒ ｉ ｌ ｙ ｉ ｔ Ｉ ］ ｄ ｒ ｅ ｌ ｉ ａ １ ） ｉ ｌ ｉ ｔ ｙ ｏｆ ｔ ｈｅ ａ ｌ ｇｏ ｒ ｉ ｔ ｈｍ ｉ ｎ ｔ ｈｉ ｓ ｐ ｛ ｔ ｐ ｅ ｒ ． Ｋｅ ｙ ｗｏ ｒ ｄ ｓ： ｌ ｉ ｅ ｕｒ 州 ｎｅ ｔ ＷＯｒ ｋ；Ｔ ｉ ｍｅ Ｓ ｔ ｒ ｉ ｅ ｓ；Ａ ＲＩ Ｍ Ａ ｒ ｉ ］ ｏｄ ｅｌ ： Ｎｅ ｔ ｗｏ ｒ ｋ ｌ ｏ ａ ｄ
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ：Ｆｏｒ ｔ ｈ ｅ ｐｒ ｅ ｄｉ ｃ ｔ ｉ ｏｎ ｒ ｅ ｓ ｕｌ ｔ ｓ ｏ ｆ Ａ ＲＩ Ｍ Ａ ｍ ｏｄ ｅｌ ｈ ａｓ ｌ ａ ｒ ｇｅ ｅ Ｆ ｒ Ｏ ｒ ａｎ ｄ ｔ ｈｅ ｄｉ ｓ ａ ｄｖ ａ ｎｔ ａ ｇｅ ｏｆ ｌ ａ ｇ．ｕｓ ｉ ｎ ｇ ｔ ｈｅ ｎ ｏｎ ｌ ｉ ｎｅ ａ ｒ ａ ｐｐ ｒ ｏｘｉ — ｎ １ ｆ ｌ ｌ ｉ ｏｎ ｃ ａ ｐａ ｔ ） ｉ ｌ ｉ ｔ ｙ ｏｆ ｔ ｈ ｅ Ｅｌ ｍａ ｎ ｎ ｅｕ ｒ ａｌ ｎｅ ｔ ｗｏｒ ｋ ｉ ｓ ｓ ｕｐｅ ｒ ｉ ｏｒ ｍ ｏｄ ｉ ｆ ｉ ｅ ｄ ＡＩ Ｉ Ｍ Ａ ｍｏ ｄｅ １ ．ｐｕ ｔ ｆ ｏｒ ｗａｒ ｄ ａ ｋｉ ｎｄ ｏ ｆ ｎｅ ｔ ｗｏｒ ｋ ｌ ｏ ａ ｄ ｆ ｏｒ ｅ ｃ ａ ｓ
中 图 分 类 号 ：ｒ ｒ Ｊ ， ３ １ ｌ
文 献 标 志 码 ：Ａ
Ｓ ｔ ｕ ｄ ｙ Ｏｎ Ｎｅ ｔ ｗｏ ｒ ｋ Ｌｏ ａ ｄ Ｆｏ ｒ ｅ ｃ ａ ｓ ｔ ｉ ｎｇ Ｂａ ｓ ｅ ｄ Ｏｎ Ｅｌ ｍａ ｎ Ｎｅ ｕ ｒ ａ ｌ Ｎｅ ｔ ｗｏ ｒ ｋ Ｔｏ ｌ ｍ ｐｒ ｏ ｖ ｅ ＡＲＩ Ｍ Ａ ｍｏ ｄ ｅ ｌ
Ｄｉ ｎｇ （ 、 ｈｕｎＩ ｉ 。 ，ＨＨ ｎ Ｘｉ ｎ ｇｈ Ｌ ｊ ａ ！ （１ ． ＳＩ ］ ａ ａ ｎｘｉ Ｖｏ ｃ ａ ｔ ｉ （ ） ｎａ ｌ ａ ｔ ｌ ｄ Ｔｅ ｃ ｈ ｎｉ ｃ ａ ｌ Ｌ 、 ｏｌ ｌ ｅ ｇ ｅ ｏｆ Ｔｒ ａｎ ｓ １ ） ｏｒ ｔ ａ ｔ ｉ ｏｎ， Ｘｉ ， １ ｎ ７ １ （ ） （ ） ｌ ８，Ｃｈｉ ｎ ａ； ２ ． Ｎｏ ｒ ｔ ｈ ｗｅ ｓ ｌ Ａ Ｆ Ｕ ｎｉ ｖ ｅｒ ｓ ｉ ｔ ｖ．Ｙ ａ ｎ ｇｌ ｉ ｎｇ． Ｓｈ ａ ａ ｎｘｉ ７ｌ ２ｌ ０ ０，Ｃｈｉ ｎａ）
摘 要 ： 针对 Ａ ＲＩ ＭＡ 模 型 预 测 结 果 具 有 误 差 大和 滞 后 性 的 缺 点 ． 利用 Ｅ ｌ ｍａ ｎ神 经 网络 的 优 越 的 非 线 性 逼 近 能 力 修 正 Ａ ＲＩ —
ＭＡ 模 型 ， 提 出 一 种 基 于 ＡＲＩ Ｍ Ａ— Ｅｌ ｍａ ｎ组 合 模 型 的 网 络 负 荷 预 测 模 型 。 选 择 ＲＭ Ｓ Ｅ、 Ｍ ＡＥ 和 Ｍ ＡＰ Ｅ作 为 评 价 指 标 ， 研 究 结
微 型电脑应 用２ Ｉ ｌ ｌ ７年 第 ３ ３卷 第 １ ｌ期
基于 Ｅ ｌ ｍａ ｎ神 经 网 络 改 进 Ａ ＲＩ Ｍ Ａ 模 型 的 网 络 负 荷 预 测 研 究
丁春 莉 ， 韩 杏 花
（ １ ．陕两 交通 职业 技 术学 院 ，西 安 ７ １ Ｏ ０ １ ８ ；２ ．两 北农林 科 技大 学 ，杨 凌 ７ １ ２ １ ０ ０ ）