基于模糊小波網絡的電力系統(tǒng)短期負荷預測方法
英飛凌汽車電子生態(tài)圈
式中:η、a分別是學習速率和慣性常數。跳轉至（3）.
（5）獲得網絡參數
訓練過程結束。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據來訓練網絡。其中學習速率η＝0.25，慣性常數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，采用人工神經網絡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測結果，如表2。本文引用地址：http://www.ex-cimer.com/article/179692.htm
從預測結果我們可以看出，基于模糊小波網絡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)模糊小波網絡的預測相對誤差變化很均勻，表明其泛化能力比神經網絡大有提高。從表2中可以看出模糊小波網絡能夠更好地擬合負荷與天氣因素之間的密切關系，進行更加可靠的預測。
6 結論
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，其中小波網絡便是近年來結合小波變換與人工神經網絡思想而形成的一種數學建模方法，研究表明小波網絡的預測精度和計算速度比普通神經網絡有較大提高，但是小波網絡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，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絡的短期負荷預測模型，這種FWN模型將小波網絡和模糊神經網絡有機結合起來，利用一組模糊規(guī)則，采用一組小波子網絡的結構模型，使得小波子網絡的隱層規(guī)模大大降低，避免了小波網絡的“維數災”問題，提高了運算效率，通過同時調整小波函數的位移因子和隸屬度函數的形狀，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，同時本文為小波網絡在電力系統(tǒng)負荷預測中的應用做出了進一步探索研究。
評論