資源描述：
《基于小波變換和遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、第33卷第3期四川電力技術(shù)Vo1．33，No．32010年6月SichuanElectricPowerTechnologyJun．，2010基于小波變換和遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)劉絢，劉天琪(四川大學(xué)電氣信息學(xué)院，四川成都610065)摘要：提出了采用小波變換和遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的混合模型對(duì)電力負(fù)荷進(jìn)行短期預(yù)測(cè)。首先通過(guò)小波變換，將原始負(fù)荷序列分解到不同的尺度上，然后根據(jù)不同的子負(fù)荷序列的特性分別建立相匹配的神經(jīng)網(wǎng)絡(luò)模型，采用遺傳算法優(yōu)化各神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)值，最后對(duì)各分量預(yù)測(cè)結(jié)果進(jìn)行重構(gòu)得到最終預(yù)測(cè)值。采用成都某地區(qū)200
2、9年的實(shí)際負(fù)荷對(duì)所提方法進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明基于該方法的負(fù)荷預(yù)測(cè)系統(tǒng)具有較高的預(yù)測(cè)精度。關(guān)鍵詞：負(fù)荷預(yù)測(cè)；神經(jīng)網(wǎng)絡(luò)；小波變換；遺傳算法Abstract：Anovelshort—termloadforecastingmethodusingwavelettransformandneuralnetworkoptimizedbygeneticalgo—rithmisproposed．Firstly，bythewavelettransform，theloadseriesisdecomposedintothesubserieswithdiff
3、erentfrequencycharacteristics，thenaccordingtothefeaturesofthedecomposedcomponents，thecorrespondingneuralnetworkmodelsareconstructedtoforecastthecomponents，finallytheforecastingresultisobtainedbythereconstructionoftheforecastingresultofcomponents．Thegeneticalgorithmopti
4、mizationisusedtooptimizetheinitialweightsofneuralnetworkmodelofeachdecom—posedsubsequence．Experimentalresultsshowthattheproposedforecastingmethodhasasatisfactoryaccuracy．Keywords：loadforecasting；ANN；wavelettransform；geneticalgorithm中圖分類(lèi)號(hào)：TM7l1文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1003—6954(2010
5、)03—0015—04負(fù)荷預(yù)測(cè)是電力系統(tǒng)管理現(xiàn)代化的重要內(nèi)容之個(gè)具有不同頻率分量的疊加，所以可以通過(guò)對(duì)負(fù)荷序一，對(duì)電力系統(tǒng)的安全、經(jīng)濟(jì)、可靠運(yùn)行具有重要作列進(jìn)行頻域分析將這些頻率分量分離出來(lái)，對(duì)每個(gè)分用。傳統(tǒng)的負(fù)荷預(yù)測(cè)方法有時(shí)間序列法、回歸分析量單獨(dú)進(jìn)行分析并根據(jù)其特性建模并預(yù)測(cè)。負(fù)荷中法、灰色模型法¨、支持向量機(jī)等。這些方法模型某些分量在時(shí)域上的表現(xiàn)是瞬時(shí)的、隨機(jī)的，為了能簡(jiǎn)單便于使用，但預(yù)測(cè)精度低，難以滿足負(fù)荷預(yù)測(cè)的捕獲這一類(lèi)分量的頻率規(guī)律，用傳統(tǒng)的時(shí)頻分析方法要求。隨著人工智能技術(shù)的發(fā)展，人工神經(jīng)網(wǎng)絡(luò)被廣就顯得力不從心。泛應(yīng)用
6、于負(fù)荷預(yù)測(cè)，并成為其主要方法之一。徑這里采用小波變換的方法，對(duì)負(fù)荷序列進(jìn)行小波向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)H作為前向神經(jīng)網(wǎng)絡(luò)的一變換，將負(fù)荷序列分別投影到不同的尺度上，而各尺種主要形式，具有結(jié)構(gòu)簡(jiǎn)單、學(xué)習(xí)快速的特點(diǎn)，但是從度可近似地看作各個(gè)不同的“頻帶”，這樣各個(gè)尺度本質(zhì)上講，RBF神經(jīng)網(wǎng)絡(luò)算法屬于梯度下降算法，初上的子序列分別代表了原序列中不同頻域的分量，它始連接權(quán)隨機(jī)選取，一旦取值不當(dāng)，就會(huì)引起網(wǎng)絡(luò)的們更加清楚地表現(xiàn)了負(fù)荷序列的周期性。根據(jù)小波振蕩、不收斂或訓(xùn)練時(shí)間過(guò)長(zhǎng)，再加之實(shí)際問(wèn)題往往分解后不同尺度上的負(fù)荷序列的不同特性建立相
7、應(yīng)是極其復(fù)雜的多維曲面，存在多個(gè)局部極值點(diǎn)，使得的神經(jīng)網(wǎng)絡(luò)模型，利用遺傳算法優(yōu)化選取神經(jīng)網(wǎng)絡(luò)初BP算法極易陷入局部極值點(diǎn)，泛化能力比較低。始權(quán)重，最后將各負(fù)荷分量的預(yù)測(cè)結(jié)果疊加，得到預(yù)遺傳算法是從自然進(jìn)化的思想和理論發(fā)展而測(cè)結(jié)果來(lái)的一種高效的并行全局搜索算法，該算法具有很好的魯棒性，在解決全局優(yōu)化問(wèn)題方面取得了成功。用1小波分析基本原理遺傳算法優(yōu)化設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)，不僅容易獲得全局最優(yōu)解，還可以提高神經(jīng)網(wǎng)絡(luò)的泛化性能。小波分析“是近年發(fā)展起來(lái)的一種用于信號(hào)電力系統(tǒng)負(fù)荷序列明顯地展現(xiàn)出以天和周為單分析的數(shù)學(xué)方法。它的主要思想是選擇合適的小
8、波位進(jìn)行變化的周期性。因此負(fù)荷序列可以看作是多基函數(shù)，然后對(duì)小波基函數(shù)通過(guò)如下方式生成函數(shù)基金項(xiàng)目：國(guó)家科技支撐計(jì)劃項(xiàng)目(批準(zhǔn)號(hào)：2008BAA13B01)族。·l5·第33卷第3期四JlI電力技術(shù)Vo1．33。No．32010年6月
