论文基于小波神经网络的电力系统负荷预测，该文是电力系统相关参考文献格式范文跟小波神经网络和电力系统和负荷相关论文写作参考范文.
王伟
（武汉船舶职业技术学院机械工程学院湖北武汉430050）
摘 要：文章在介绍神经网络模型构成原理的基础上,针对传统模型在对非线性序列进行预测时速度慢、容易陷入局部次最优的缺点,引入小波作为隐含层的传递函数,构成新的预测模型：小波神经网络预测模型,并分析了小波神经网络在电力负荷预测领域的研究和应用现状.
关键词：小波；ＢＰ神经网络；负荷预测
中图分类号：TM715文献标识码：Ａｄｏｉ：10.3９6９/ｊ.ｉｓｓｎ.1665－2272.2017.05.049
0引言
随着经济社会的不断发展以及季节更替,电力系统负荷呈现出增长性和季节波动性两重趋势,这使得负荷曲线变现为复杂的非线性组合.所以进行电网负荷预测对电力系统的运行、控制及规划有重要意义.人工神经网络预测法是目前最为常用的电力负荷预测方法之一,具有较高的预测精度,且适应性强、能逼近任意函数.但神经网络本身所固有的预测速度慢、易陷入局部次最优的缺陷,直接限制其在工程实际中的广泛应用.
小波变换是一种信号处理方法.它由传统的傅里叶变换逐步发展而来.但与傅里叶变换不同的是,这种变换方法在频域和时域都具备良好的分辨能力.小波神经网络就是将小波理论与神经网络相结合所形成的一种新兴的数学建模分析方法.其中,小波变换可以有效表征数据的局部特性；神经网络具有学习功能,可以捕捉到负荷曲线的非线性特征.目前,一些专家学者已经将小波神经网络在电力系统负荷预测中进行预测研究,结果表明这种方法在解决复杂非线性问题时容错能力、逼近速度及预测的效果均优于传统的神经网络,具有广阔的应用前景.
1小波理论简介
小波变换的原理是将基本函数ψ（ｔ）进行缩放、平移后积分,再与待分析信号进行比较,从而达到分析信号局部特性的目的.小波变换分为连续变换和离散变换两种.连续小波变换通过缩放基本小波函数得到一系列尺度改变的子小波.
ψａ,ｂ（ｘ）＝ａψ,
（ａ,ｂ∈Ｒ,ａ≠0）（1）
式中：
ψ（ｔ）——基本小波
ａ——伸缩因子
ｂ——平移因子
离散小波变换目的主要是降低连续变换系数的冗余度.一般采用对ａ、ｂ按幂级数离散的方法（即取ａ＝ａｏ－ｍ,ｂ＝ｎｂｏａｏ－ｍ）将连续小波转换成离散小波：
ψm,n（ｘ）＝aoψaom-nbo,m,n∈Z（2）
2神经网络技术
神经网络的基本单元是神经元.神经元是一种包含多个输入的单输出非线性元件,如图1所示为神经元模型的基本结构.其中输入量为ｘｋ,与其对应的权重为ｗｊｋ,人工神经元将所有输入的权值相加并通过传递函数ｆ（.）计算出输出量ｙｉ.当多个神经元组合在一起就构成神经网络.ＢＰ神经网络作为目前应用最为广泛地神经网络之一,由输入层、隐层和输出层三部分构成,如图2所示.由图可以看出ＢＰ神经网络算法由两个阶段构成：前向传输阶段和误差反向传播阶段.图3给出了ＢＰ神经网络学习算法的计算步骤：按向前计算的方向（输入到输出的方向）计算实际输出,将实际输出与期望值比较后,根据误差大小反向修改权重和阈值.ＢＰ算法的原理就是通过误差的反向传播对权值进行反复的修正,从而获得期望的映射输出.
3.1两种小波神经网络结构
根据神经网络和小波变换结合方式的不同,可以将小波神经网络分为松散型网络和融合型网络两种.前者是先通过小波变换对信号进行预处理（即提取特征向量）,然后再利用神经网络对特征向量进行分析,如图4所示；后者则是直接用小波函数替代传统网络中的隐含层函数,如图5所示.在这两种小波网络中,融合型的小波神经网络应用更广泛.
3小波神经网络理论
3.2小波神经网络设计
3.2.1隐含层的神经元数
神经网络中隐含层节点数目与网络训练时间、收敛速度及精度有着直接的关系.一般情况下负荷序列不会简单地线性变化,而是表现出一定的波动性,故采用传统网络进行负荷预测时需要的隐节点较多.但是小波函数本身就具有一定的波动性,应用小波神经网络时往往能用更少的节点数获得更快的收敛速度以及更准确的预测精度.小波网络的理想隐含层节点数由如下公式计算：
n等于+α（3）
式中,ｎ——隐含层节点数；Ｍ——输入层节点数；ａ——1～10之间的一个常数.
3.2.2初始权值
在非线性系统中,网络收敛性与初始权值密切相关.若初始权值选取合适能加快网络收敛速度并避免网络不收敛的情况发生.一般初始权值的范围在（－1,1）之间,这是为了使每个神经元的初始输出趋向于零,从而保证神经元间的权值在各自Ｓ型激活函数的变化最大处调节.
3.2.3学习速率
神经网络中每一次训练中权值的变化大小由学习速率决定.若学习速率过大,系统会不稳定甚至不收敛；但若学习速率过小,系统训练时间以及收敛速度往往难以达到要求.故根据经验,神经网络的学习速率一般在（0.01－0.8）之间.
4小波神经网络在电力负荷预测中的应用
小波神经网络在电力负荷预测领域有着广阔的发展前景,而且在隐节点数目、预测精度及所需训练样本数量等方面都较ＢＰ神经网络更具优越性.
（1）以京津唐电网月度供电量为训练样本,采用灰色预测法、线性回归法、小波神经网络法等进行负荷预测.实验结果表明,在众多的负荷预测方法中小波神经网络法具有绝对优势.
（2）所建立的小波神经网络采用Ｎｇｕｙｅｎ－Ｗｉｄｒｏｗ初始化方法,以Ｍｏｒｌｅｔ激励函数为隐含层函数.采用这种网络以Ｌｅｖｅｎｂｅｒｇ－Ｍａｒｑｕａｒｄｔ训练算法预测某地区日负荷时,获得了良好的预测精度,明显优于ＢＰ网络.
（3）建立小波网络和ＢＰ网络对山东省的短期负荷算例进行预测.对比实验结果发现,小波网络较ＢＰ网络不仅收敛速度快,而且训练样本少.同时文献也提出小波网络的训练与网络初始数据以及小波基数量关系密切.
（4）则更为详尽的从逼近能力、迭代次数、泛化能力、网络表达式、运算时间等方面对小波与ＢＰ网络的异同点进行了分析.并利用小波网络对济南市的日负荷进行预测,预测的结果表明,当小波网络与ＢＰ网络的网络结构及节点数目相同时,小波网络的预测精度更高.但是,由于小波函数与ＢＰ网络的隐含层函数特性仍有不同之处,当小波网络采用ＢＰ算法时,网络可能会出现收敛性差等问题.
（5）采用时频分析法在现有小波网络的理论基础上确定网络结构.同时,文章提出了一种将误差函数转变为凸函数,从而提高部精确能力的方法.这种方法可以有效解决神经网络易陷入局部次最优的缺点.文献最后以某省电力系统日负荷为算例,验证了上述方法的正确性.
5结论
相较于传统的神经网络而言,小波神经网络以其诸多的优良特性而在电力负荷预测领域获得了广阔的发展前景.文章在分别介绍ＢＰ神经网络以及小波神经网络的基础上,对小波神经网络在电力系统负荷预测领域的研究应用现状进行了分析,结果表明小波神经网络在预测精度以及收敛速度方面均优于ＢＰ神经网络,在负荷预测领域具有较好的工程实用价值.
参考文献
1牛东晓,邢棉.时间序列的小波神经网络预测模型的研究［Ｊ］.系统工程理论与实践,1９９９（5）
2ＢａｓｈｉｒＺ,Ｅ1－ＨａｗａｒｙＭＥ.Ｓｈｏｒｔｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇｂｙｕｓｉｎｇｗａｖｅｌｅｔｎｅｕｒａｌｎｅｔｗｏｒｋｓ［Ａ］.Ｉｎ：ＣａｎａｄｉａｎＣｏｎｆｅｒｅｎｃｅｏｎＥｌｅｃｔｒｉｃａｌａｎｄＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ［Ｃ］.Ｈａｌｉｆａｘ,Ｃａｎａｄａ：2000
3董景荣.基于小波网络的电力系统短期负荷预报研究［Ｊ］.预测,2000（4）
4张大海,江世芳,毕研秋.基于小波神经网络的电力负荷预测方法［Ｊ］.电力自动化设备,2003（8）
5王家红,黄阿强,熊信艮.基于小波网络的短期负荷预测方法［Ｊ］.电力自动化设备,2003（3）
（责任编辑要毅）
概括总结，该文是一篇关于经典电力系统专业范文可作为小波神经网络和电力系统和负荷方面的大学硕士与本科毕业论文电力系统论文开题报告范文和职称论文论文写作参考文献.
参考文献：
1、 神经网络理论在火企业控制系统中系统安全评价的分析 【摘要】火企业归属于特种行业,其生产经营过程中所面临的风险因素众多,为此,必须要加强生产安全管理 论文以神经网络理论作为基础,探究其在火企业控制系统安全评价中的具体应用及应用优势 【关键词】神经网络理.
2、 基于卷积神经网络的印钞二次核查系统 【摘要】 人民币作为国家的民片,其印刷质量的要求远高于其他印刷品,如何提高人民币票面的检测能力是至关重要的工作 现印钞企业依赖于模式识别技术的检测系统,其误检数量较于实际作废数量为比为101 即平均每.
3、 电力系统信息通信网络安全与防护 【摘要】 近年来,我国社会经济和科学技术迅猛发展,人们对电力的需求不断增大,该资源的重要性越来越突出,全力推动社会发展 目前电力系统朝着自动化、网络化和智能化方向发展,得到了广泛应用 在电力系统中虽然.
4、 社会边缘人论村上春树和王小波人物形象的精神 中图分类号 I206 文献标识码 A 文章编号 10022139(2017)0505901绪论村上春树和王小波可以说是两位不同于中日文坛主流的两朵“奇葩”,两位&ldquo.
5、 离散混沌系统的神经网络阶逆系统控制 摘要提出用神经网络α阶逆系统方法控制一类未知模型的离散混沌系统,针对离散混沌系统的特殊性,调整了神经网络建模的输入输出结构,并以Logistic系统为假想未知系统进行实际控制,仿真结果说明.
6、 基于matlab实现人工神经网络在股票评级中的应用 1 引言 近年,我国股市跌宕起伏,远有2008年次贷危机,近有由于场外配资清理、场内融资和分级基金去杠杆形成连锁反应造成的2015年的股灾,国家推出的“熔断机制”……应对措施.