基于模糊小波網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)方法
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(guò)程結(jié)束。
5 算例分析
為了驗(yàn)證方法的可行性和有效性,本文以某市電力系統(tǒng)實(shí)際歷史負(fù)荷為例,用上述FWN模型進(jìn)行短期負(fù)荷預(yù)測(cè)仿真。
選取模型的輸入量有22個(gè),分別是待測(cè)日和待測(cè)日前一天的最高溫度、最低溫度、濕度和天氣狀況;待測(cè)日前一天的最大、最小及平均負(fù)荷;待測(cè)日前一天及前兩天分別以預(yù)測(cè)時(shí)段為中心取五個(gè)負(fù)荷值,待測(cè)日前一周預(yù)測(cè)時(shí)段的負(fù)荷值。輸出量有1個(gè)為待測(cè)日某時(shí)段的負(fù)荷值,本文采取的是逐點(diǎn)預(yù)測(cè)。利用待測(cè)日前六周的歷史數(shù)據(jù)來(lái)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(gè)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(lái)模型進(jìn)行負(fù)荷預(yù)測(cè),取預(yù)報(bào)日為2001年6月7日(正常日),其預(yù)測(cè)結(jié)果如表1,同時(shí)還給出了負(fù)荷變化最大、溫度和天氣狀況變化最劇烈?guī)兹盏念A(yù)測(cè)結(jié)果,如表2。本文引用地址:http://m.butianyuan.cn/article/179692.htm
從預(yù)測(cè)結(jié)果我們可以看出,基于模糊小波網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)精度得到顯著提高,同時(shí)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(cè)相對(duì)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?cái)M合負(fù)荷與天氣因素之間的密切關(guān)系,進(jìn)行更加可靠的預(yù)測(cè)。
6 結(jié)論
由于電力系統(tǒng)日益龐大,各個(gè)方面因素的影響使得負(fù)荷變化的不確定性增加,這也加大了負(fù)荷預(yù)測(cè)的難度。近年來(lái),許多電力工作者也提出了各種負(fù)荷預(yù)測(cè)模型,其中小波網(wǎng)絡(luò)便是近年來(lái)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(cè)精度和計(jì)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(diǎn)是一般只適合低維情況,而且為了達(dá)到更高的預(yù)測(cè)精度需要較多的小波函數(shù),為了有效的處理高維問(wèn)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(fù)荷預(yù)測(cè)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(jī)結(jié)合起來(lái),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(wèn)題,提高了運(yùn)算效率,通過(guò)同時(shí)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(dá)到全局最優(yōu)的擬合效果,從而有效地提高了預(yù)測(cè)精度。通過(guò)大量仿真計(jì)算表明,該方法是可行且有效的,同時(shí)本文為小波網(wǎng)絡(luò)在電力系統(tǒng)負(fù)荷預(yù)測(cè)中的應(yīng)用做出了進(jìn)一步探索研究。
評(píng)論