《電子技術(shù)應用》
您所在的位置:首頁 > 電源技術(shù) > 設(shè)計應用 > 基于模糊小波網(wǎng)絡(luò)的電力系統(tǒng)短期負荷預測方法
基于模糊小波網(wǎng)絡(luò)的電力系統(tǒng)短期負荷預測方法
汪新秀,吳耀武,熊信銀,黃阿強
摘要: 本文提出一種基于模糊小波網(wǎng)絡(luò)的短期負荷預測模型。模糊小波網(wǎng)絡(luò)結(jié)合了小波變換良好的時頻局域化性質(zhì)、模糊推理和神經(jīng)網(wǎng)絡(luò)的學習能力,因此函數(shù)逼近能力大大提高。模糊小波網(wǎng)絡(luò)由一組模糊推理規(guī)則和若干小波子網(wǎng)絡(luò)組成,其中模糊規(guī)則的結(jié)論部分與某一特定尺度的小波子網(wǎng)絡(luò)相對應。在學習過程中通過同時調(diào)整小波基函數(shù)的平移因子和隸屬度函數(shù)的形狀,使得模糊小波網(wǎng)絡(luò)的精度和泛化能力大大提高。實例計算表明,這種模型是切實可行的。
Abstract:
Key words :

1 引言

  短期負荷預測是電網(wǎng)經(jīng)濟運行的前提和基礎(chǔ)。準確的負荷預測結(jié)果,對電力系統(tǒng)安全可靠運行具有重要意義。許多學者對此進行了深入研究,并及時地將數(shù)學上的最新成果應用到負荷預測領(lǐng)域中去,使預測水平得到提高,小波網(wǎng)絡(luò)便是基于小波分析理論而構(gòu)成的人工神經(jīng)網(wǎng)絡(luò)模型,它同時具備了小波變換良好的時頻局部化性質(zhì)和神經(jīng)網(wǎng)絡(luò)的學習能力,它既可以在網(wǎng)絡(luò)結(jié)構(gòu)的確定上有一定的理論指導,又具有神經(jīng)網(wǎng)絡(luò)的許多優(yōu)秀特性,并且網(wǎng)絡(luò)的訓練是對特定的凸函數(shù)的優(yōu)化過程,學習速度比一般網(wǎng)絡(luò)要快[3]。
  研究表明,小波網(wǎng)絡(luò)比神經(jīng)網(wǎng)絡(luò)使用的基函數(shù)單元更少,具有更快的收斂速度和更高的精度,然而小波網(wǎng)絡(luò)有兩個明顯的不足:在多維輸入情況下,學習所用小波基數(shù)目過多,其次是隨著網(wǎng)絡(luò)輸入維數(shù)的增大,使得小波網(wǎng)絡(luò)的收斂速度大大下降,即不能夠解決所謂的“維數(shù)災”問題[5]。由于影響電力系統(tǒng)短期負荷預測的因素諸多,本身也是一個多維輸入問題,基于此,本文提出了一種將小波網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)相結(jié)合的短期負荷預測的新方法,利用一組模糊規(guī)則將小波網(wǎng)絡(luò)分為若干小波子網(wǎng)絡(luò),每條模糊規(guī)則前提部分將輸入樣本空間劃分為一個局部子空間,其結(jié)論部分則對應某一特定尺度下的小波子網(wǎng)絡(luò),不同尺度下的小波子網(wǎng)絡(luò)用于捕捉信號的各種不同特性,將其進行線性組合來逼近信號。它在保證選擇一定數(shù)量的小波基函數(shù)下,由隸屬度函數(shù)和小波子網(wǎng)絡(luò)的輸出來精確確定整個網(wǎng)絡(luò)的輸出,使網(wǎng)絡(luò)到達最佳逼近,同時簡化了網(wǎng)絡(luò)的結(jié)構(gòu),避免了小波網(wǎng)絡(luò)的“維數(shù)災”問題,提高了計算效率。實踐證明該方法具有較高的精度和很強的泛化能力。

2 小波網(wǎng)絡(luò)
   對于輸入X=[x1,x2,...xq] ,定義其多維小波母函數(shù)為[5]:
 
    由小波分析理論知,任一能量有限的信號都有如下離散小波分解形式[2]:
 
其中:Wm(X)為尺度層m上的小波分量,n是尺度層m上的小波函數(shù)的平移因子。
  從式(2)、(3)中不難看出任一信號f(X)都可以分解成在不同尺度層上小波分量的線性組合,這正是我們提出FWN(模糊小波網(wǎng)絡(luò))的出發(fā)點。
  從理論上來說,信號的小波展開式的基有無窮多個,而在分析電力負荷頻譜特性時發(fā)現(xiàn),負荷信號的變化過程具有連續(xù)頻譜的特性[4],負荷預測僅涉及一個頻帶,故只需選擇最能代表信號信息的主頻段來逼近信號。因此在一定精度要求下總可以截取有限小波函數(shù)作為基函數(shù),得:
 
數(shù)的尺度及平移因子。這樣就可以用一個以小波函數(shù)作為激活函數(shù)、wmi,n作為從隱含層到輸出層的權(quán)值的小波神經(jīng)網(wǎng)絡(luò)來表示信號f(X)∈L2R。在本文所采用的FWN中,為了避免多維小波網(wǎng)絡(luò)的“維數(shù)災”問題,采用了若干小波子網(wǎng)絡(luò),每一小波子網(wǎng)絡(luò)表示在同一尺度層上的小波分量的線性組合,從而使復雜問題簡單化,達到分而治之,結(jié)合模糊神經(jīng)網(wǎng)絡(luò)將各小波子網(wǎng)絡(luò)進行線性組合,來逼近信號f(X),一小波子網(wǎng)絡(luò)的結(jié)構(gòu)如下圖1。

  由小波理論的多分辨率分析可知,粗尺度層上的小波網(wǎng)絡(luò)用于捕獲信號的全局信息,而較細尺度層上的小波網(wǎng)絡(luò)用于捕捉信號的各種局部信息,使FWN網(wǎng)絡(luò)具有明確的物理意義,每一小波子網(wǎng)絡(luò)的規(guī)模大大簡化,易于進行訓練,提高了計算效率的同時也提高了預測精度。

3 模糊小波網(wǎng)絡(luò)結(jié)構(gòu)
  本文采用由Takigi-Sugeno改進的模糊推理方法[5],假定模糊系統(tǒng)有q個輸入,單個輸出其模糊規(guī)則有著如下形式:
 
其中,Ri表示第i(1≤i≤c)條模糊規(guī)則;Xj(1≤j≤q)為輸入集X中的第個變量;Ni表示第i條模糊規(guī)則中選用的小波基總數(shù);nk=[n1k,n2k,...,nqk]為平移因子;而則是第i條模糊規(guī)則的輸出,其值為具有相同尺度因子2mi小波基的線性組合,本文用一個小波子網(wǎng)絡(luò)表示;模糊子Aij集用隸屬度函數(shù) 
  
    由模糊推理層得到每條模糊規(guī)則對于輸入X的適用度μi(X),實現(xiàn)歸一算法得到其激活度,它主要是決定了每個小波子網(wǎng)絡(luò)的輸出在整個網(wǎng)絡(luò)輸出中所占的比重:
 
 
    在改進的Takigi-Sugeno模糊神經(jīng)網(wǎng)絡(luò)和小波網(wǎng)絡(luò)的基礎(chǔ)上,式(5)-(8)所描述的FWN可以用一個多層網(wǎng)絡(luò)來實現(xiàn),如上圖2中所示.

    該FWN由常規(guī)的四層模糊神經(jīng)網(wǎng)絡(luò)組成,分別為:輸入層、隸屬度函數(shù)生成層、推理層及反模糊化層,各層神經(jīng)元數(shù)目分別為q,q×c,和c+1,所以一旦確定輸入個數(shù)和模糊規(guī)則數(shù),模糊小波網(wǎng)絡(luò)的結(jié)構(gòu)也就確定了,WNNi表示第i個小波子網(wǎng)絡(luò)。在隸屬度函數(shù)生成層中所采用的激活函數(shù)是式(6)中給出的高斯型隸屬度函數(shù)。
    本文中采用的FWN模型與常規(guī)的模糊神經(jīng)網(wǎng)絡(luò)模型最大的區(qū)別就在于反模糊化層的不同,在模糊神經(jīng)網(wǎng)絡(luò)中只能對信號進行局部化逼近,而FWN中則采用了一系列小波子網(wǎng)絡(luò),它既能對信號進行全局逼近,也能進行局部逼近,而且對于確定模糊規(guī)則數(shù)有合理的依據(jù),正因為此,F(xiàn)WN具有更好的信號逼近能力和更強的適應力。

4 模糊小波網(wǎng)絡(luò)的學習算法
    給定L個訓練樣本對,Xl(l=1,2,...,L)表示第l個訓練樣本的輸入,分別表示網(wǎng)絡(luò)的實際輸出和目標輸出。求解FWN的參數(shù)采用使之間誤差最小的BP算法,其流程如下:
  
 
    (3)讀入訓練樣本對,計算網(wǎng)絡(luò)輸出,并計算訓練誤差:若滿足精度要求,則跳轉(zhuǎn)到(5),否則繼續(xù);
 
 
式中:η、a分別是學習速率和慣性常數(shù)。跳轉(zhuǎn)至(3).
    (5)獲得網(wǎng)絡(luò)參數(shù)訓練過程結(jié)束。

5 算例分析
    為了驗證方法的可行性和有效性,本文以某市電力系統(tǒng)實際歷史負荷為例,用上述FWN模型進行短期負荷預測仿真。
    選取模型的輸入量有22個,分別是待測日和待測日前一天的最高溫度、最低溫度、濕度和天氣狀況;待測日前一天的最大、最小及平均負荷;待測日前一天及前兩天分別以預測時段為中心取五個負荷值,待測日前一周預測時段的負荷值。輸出量有1個為待測日某時段的負荷值,本文采取的是逐點預測。利用待測日前六周的歷史數(shù)據(jù)來訓練網(wǎng)絡(luò)。其中學習速率η=0.25,慣性常數(shù)a=0.6,學習誤差E=0.0005%,尺度mi取6個值(mi=-1,0,1,2,3,4),分別為-1到4,也即是有6條模糊規(guī)則。為了比較模型優(yōu)劣,在選擇相同的訓練模式、學習速率和慣性常量下,采用人工神經(jīng)網(wǎng)絡(luò)來模型進行負荷預測,取預報日為2001年6月7日(正常日),其預測結(jié)果如表1,同時還給出了負荷變化最大、溫度和天氣狀況變化最劇烈?guī)兹盏念A測結(jié)果,如表2。


    從預測結(jié)果我們可以看出,基于模糊小波網(wǎng)絡(luò)的負荷預測精度得到顯著提高,同時也證明這種方法是完全可行的。從表1中還可以發(fā)現(xiàn)模糊小波網(wǎng)絡(luò)的預測相對誤差變化很均勻,表明其泛化能力比神經(jīng)網(wǎng)絡(luò)大有提高。從表2中可以看出模糊小波網(wǎng)絡(luò)能夠更好地擬合負荷與天氣因素之間的密切關(guān)系,進行更加可靠的預測。

6 結(jié)論
    由于電力系統(tǒng)日益龐大,各個方面因素的影響使得負荷變化的不確定性增加,這也加大了負荷預測的難度。近年來,許多電力工作者也提出了各種負荷預測模型,其中小波網(wǎng)絡(luò)便是近年來結(jié)合小波變換與人工神經(jīng)網(wǎng)絡(luò)思想而形成的一種數(shù)學建模方法,研究表明小波網(wǎng)絡(luò)的預測精度和計算速度比普通神經(jīng)網(wǎng)絡(luò)有較大提高,但是小波網(wǎng)絡(luò)的缺點是一般只適合低維情況,而且為了達到更高的預測精度需要較多的小波函數(shù),為了有效的處理高維問題的不足,本文提出了一種新穎的基于模糊小波網(wǎng)絡(luò)的短期負荷預測模型,這種FWN模型將小波網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)有機結(jié)合起來,利用一組模糊規(guī)則,采用一組小波子網(wǎng)絡(luò)的結(jié)構(gòu)模型,使得小波子網(wǎng)絡(luò)的隱層規(guī)模大大降低,避免了小波網(wǎng)絡(luò)的“維數(shù)災”問題,提高了運算效率,通過同時調(diào)整小波函數(shù)的位移因子和隸屬度函數(shù)的形狀,可以達到全局最優(yōu)的擬合效果,從而有效地提高了預測精度。通過大量仿真計算表明,該方法是可行且有效的,同時本文為小波網(wǎng)絡(luò)在電力系統(tǒng)負荷預測中的應用做出了進一步探索研究。

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。
主站蜘蛛池模板: 久色99 | 狠狠色噜噜狠狠色综合久 | 久久毛片免费看一区二区三区 | 日韩一区二区三区中文字幕 | 五月天婷婷免费视频 | 免费观看www视频 | 欧美一区二区三区视频在线 | 国产高清一区二区三区视频 | 精品久久久久久中文 | 99久久国产综合精品2020 | 国产婷婷色 | a国产 | 高清不卡一区二区 | 欧美第一区 | 国产四虎 | 国产成人青草视频 | 国产一级影视 | 欧美精品在欧美一区二区 | 欧美成人精品一区二三区在线观看 | 精品欧美一区二区三区精品久久 | 爱婷婷网站在线观看 | 深爱激情站 | 色视频在线观看免费 | 国产在线成人精品 | 欧美a在线视频 | 狠狠骚| 国产在线视频第一页 | 黄色视屏免费观看 | 久久99国产精品久久99软件 | 成人久久久久 | 久久精品人人爽人人爽快 | 日产精品久久久一区二区 | 欧美日韩视频在线观看高清免费网站 | 国产在线观看青草视频 | 青草草产国视频 | 五月婷婷一区 | 国产一级αv片免费观看 | 成人丁香乱小说 | 激情网网站 | 国产日韩不卡免费精品视频 | 99久久免费观看 |