基于模糊小波網(wǎng)絡(luò)的電力系統(tǒng)短期負荷預(yù)測方法
英飛凌汽車電子生態(tài)圈
式中:η、a分別是學(xué)習(xí)速率和慣性常數(shù)。跳轉(zhuǎn)至（3）.
（5）獲得網(wǎng)絡(luò)參數(shù)
訓(xùn)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(yù)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(yù)測時段為中心取五個負荷值，待測日前一周預(yù)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(yù)測。利用待測日前六周的歷史數(shù)據(jù)來訓(xùn)練網(wǎng)絡(luò)。其中學(xué)習(xí)速率η＝0.25，慣性常數(shù)a＝0.6，學(xué)習(xí)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(xùn)練模式、學(xué)習(xí)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(yù)測，取預(yù)報日為2001年6月7日(正常日)，其預(yù)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(yù)測結(jié)果，如表2。本文引用地址：http://www.ex-cimer.com/article/179692.htm
從預(yù)測結(jié)果我們可以看出，基于模糊小波網(wǎng)絡(luò)的負荷預(yù)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(yù)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(yù)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(yù)測的難度。近年來，許多電力工作者也提出了各種負荷預(yù)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(xué)建模方法，研究表明小波網(wǎng)絡(luò)的預(yù)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(yù)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(yù)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(zāi)”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(yù)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(yù)測中的應(yīng)用做出了進一步探索研究。
評論