一种基于小波神经元网络的短期负荷预测方法烤箱

一种基于小波神经元网络的短期负荷预测方法

一种基于小波神经元网络的短期负荷预测方法 2011： 摘要：小波神经元网络比多层前馈神经网络具有更多自由度和更好的适应性。为更好地反映气象因素对负荷的影响及提高负荷预测的精度，文章选用Morlet小波构建小波神经元网络，采用误差反传学习算法来训练网络，采用自学习隶属度分析聚类的新方法选择训练样本。并应用武汉电网近年的负荷数据和气象资料进行了建模和预测，预测结果表明所建立的小波神经元网络预测模型具有较好的收敛性，采用自学习隶属度分析聚类方法选择训练样本能改善预测精度。关键词：小波神经元网络　隶属度　短期负荷预测　电力系统1 引言 短期负荷预测是负荷预测的重要组成部分，是电力系统运行调度中的重要内容。国内外已提出了多种短期负荷预测方法，如多元回归、ARMA模型、人工神经元网络方法等。可归类为：①利用负荷的自身发展规律，如ARMA模型[1]等；②负荷发展规律与气象因素相结合，如ANN(Artificial Neural Network)方法[2]；③其他方法，如小波分解法[3-5]、模糊聚类法[6]及混沌算法[7]。 人工神经网络以其强大的多元性映射能力能够准确捕捉并学习负荷值与天气之间的非线性关系，使考虑气象因素的电力系统短期负荷预测成为可能。近年来它一直受到密切关注，且已成为解决电力负荷预测问题的有效计算工具。小波在分析非固定信号和构造非线性函数模型方面具有卓越性能，因此结合了小波基函数的小波神经元网络(WNN)比一般神经网络具有更多的优越性。 为更好地反映气象因素对负荷的影响及提高负荷预测的精度，本文构建了一种小波神经元网络负荷预测模型，以Morlet小波取代Sigmoid函数，采用误差反传学习算法来训练网络，采用自学习隶属度分析聚类方法来选择训练样本。 2 小波及小波变换 基本小波或母小波定义为满足相容性条件(如式(1)所示)的平方可积函数φ(t)∈L2(R)(L2(R)为二尺度空间) 　　式中 a、b为实数，且a≠0，称φab(t)为由母小波 (t)生成的依赖于参数a、b 的连续小波，也称为小波基。设反映负荷变化规律趋势的函数为f(t)∈L2(R)，定义其小波变换wf(a,b)为 3 小波神经元网络 3.1 基本原理 小波神经元网络是基于小波分析的具有神经元网络思想的模型，即采用非线性小波基取代常用的非线性Sigmoid函数，通过线性叠加所选取的非线性小波基来拟合负荷历史数据序列。负荷曲线y(t)可采用小波基φab(t)进行如下拟合： 式中 为负荷曲线y(t)的预测值序列； Wk、bk、ak分别为第k个权重系数和第k个小波基的平移因子与伸缩因子；n为小波基个数。 在小波神经元网络中，小波神经元负责对输入信号进行预处理，再将其传递到多层感知器。采用神经元网络学习算法训练网络，在迭代过程中调整网络的各个参数和小波系数，使输出误差最小化。 3.2 网络结构 图1为4层小波神经元网络，图中输入层有I个神经元，xi为其第i个输入量；小波变换层有J个神经元， 、vj分别为其第j个输入量和输出量 　　隐层有K个神经元，yk为其第k个输出量；输出层有1个神经元，输出结果为Om，代表预测日第m个预测点的负荷值 　　式中 Ψs,t,j为小波变换函数； Wij、Wjk和Wk分别为输入层与小波层、小波层与隐层、隐层与输出层之间的连接权值。

考虑到Morlet小波的简明表达方式，选择Morlet小波作为网络隐含层的变换基函数 　　式中 xz =(x-tj)/sj ，sj 为小波神经元j的放缩系数，tj 为小波神经元j的平移系数。 神经元学习算法用于修正sj和tj以及网络输出线性组合的权值Wij、 Wjk和Wk，通过最小化误差能量函数优化这些网络

传动轴扭转试验机型号

扭断强度试验机价格

济南扭力测试仪型号

水泥压力试验机品牌

电液伺服压力试验机

扭断强度试验机型号

济南压力机品牌

济南传动轴扭转试验机价格

济南空气弹簧试验机

刚度试验台价格