資源描述：
《基于遺傳算法wnn在電力負(fù)荷短期預(yù)測中應(yīng)用》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。
1、學(xué)兔兔www.xuetutu.com基于遺傳算法的WNN在電力負(fù)荷短期預(yù)測中的應(yīng)用郭玉坤，等基于遺傳算法的WNN在電力負(fù)荷短期預(yù)測中的應(yīng)用郭玉坤，王忠紅(河西學(xué)院甘肅張掖，734O0O)(張掖市第二中學(xué)甘肅張掖，734000)摘要：提出將小波神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合，用于電力系統(tǒng)短期負(fù)荷預(yù)測的新方法。具體是充分利用遺傳算法的優(yōu)越性，對(duì)小波神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行優(yōu)化，然后利用優(yōu)化得到的權(quán)值，對(duì)原始數(shù)據(jù)進(jìn)行WNN訓(xùn)練。通過仿真，該種方法比傳統(tǒng)利用神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測具有更高的精度。關(guān)鍵詞：遺傳算法；小波神經(jīng)網(wǎng)絡(luò)；優(yōu)化；電
2、力系統(tǒng)負(fù)荷預(yù)測Abstract：ItisproposedanewmethodforusingShort-termloadforecastinginpowersystem,itcombinedWaveletNeuralNetworksandGeneticalgofithrn．Specificallytakeadvantageofthesuperiorityofgeneticalgorithm，optimizetheweightsofWaveletNeuralNetwork,andthenusetheoptimize
3、weights；traintheoriginaldatausingWaveletNeuralNetwork．Throughsimulation，thismethodhashigheraccuracythantraditionalloadforecastingusingneuralnetworks．ThisworkissupportedbyDepartmentofEducationofGansuProvinceKeywords：Geneticalgorithm；Waveletneuralnetwork；Optimi
4、ze；Powersystemloadforecasting中圖分類號(hào)：TP183文獻(xiàn)標(biāo)識(shí)碼：B文章編號(hào)：1001-9227(2012)04-0118-030引言的初始平移、伸縮參數(shù)以及網(wǎng)絡(luò)的其他權(quán)值，解決網(wǎng)絡(luò)初電力系統(tǒng)短期負(fù)荷預(yù)測是指以年以內(nèi)并以月為單位值問題，再用小波神經(jīng)網(wǎng)絡(luò)進(jìn)行快速的局部尋優(yōu)。應(yīng)用在的負(fù)荷預(yù)測，還可以是以周、天、小時(shí)為單位的負(fù)荷預(yù)測，電力系統(tǒng)負(fù)荷預(yù)測中，通過某一地區(qū)的數(shù)據(jù)，通過仿真，它是制定發(fā)電計(jì)劃和輸電方案的主要依據(jù)，對(duì)合理安排機(jī)證明了該方法的有效性。組啟停、確定燃料供應(yīng)計(jì)劃、進(jìn)行能量交易等
5、具有重要意義，是電力系統(tǒng)經(jīng)濟(jì)調(diào)度的重要組成部分。隨著電力系統(tǒng)1小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型市場化的不斷深入，短期負(fù)荷預(yù)測在電力系統(tǒng)中顯得更加1．1小坡神經(jīng)網(wǎng)絡(luò)重要。今年來，隨著經(jīng)濟(jì)的快速發(fā)展，我國經(jīng)常處于“電近十年來，小波分析及其應(yīng)用得到了較快的發(fā)展，并荒”的被動(dòng)情況，為了更好地利用電能，必須做好電力負(fù)在很多領(lǐng)域里有重要的應(yīng)用，它涉及面廣、影響之深遠(yuǎn)、荷的短期預(yù)報(bào)工作。負(fù)荷預(yù)報(bào)的誤差將導(dǎo)致運(yùn)行和生產(chǎn)費(fèi)發(fā)展之迅速是空前的，它所取得的成就令人矚目。隨著用的劇增，因此，精確的預(yù)報(bào)就成了電力工作者和其他科小波理論的日益成熟和完善
6、，許多學(xué)者將小波理論運(yùn)用到技人員致力解決的問題。人工神經(jīng)網(wǎng)絡(luò)，從而提出了小波神經(jīng)網(wǎng)絡(luò)?的概念。小波國內(nèi)外專家學(xué)者關(guān)于電力系統(tǒng)負(fù)荷預(yù)測的研究做了神經(jīng)網(wǎng)絡(luò)(WaveletNeuralNetwork，簡稱WNN)，它是基大量的工作，目前為止，已經(jīng)提出了多種有效地預(yù)測方于小波分析理論所構(gòu)建的一種新的神經(jīng)網(wǎng)絡(luò)模型，它充分法，諸如偏最小二乘回歸分析法?、周期自回歸模型、遺利用小波變換良好的局部逼近能力，并結(jié)合神經(jīng)網(wǎng)絡(luò)的自傳神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、小波系數(shù)和BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)功能，因而具有較強(qiáng)的逼近、容錯(cuò)能力，其實(shí)現(xiàn)過程等等，以
7、實(shí)現(xiàn)對(duì)電力負(fù)荷的準(zhǔn)確預(yù)測。比較簡單。電力系統(tǒng)負(fù)荷受如天氣、節(jié)假日等多方面影響，使負(fù)在函數(shù)空間((或更廣泛的Hilbert空間)中，選擇荷變化發(fā)生差異，呈現(xiàn)出較強(qiáng)的非線性特性，而神經(jīng)網(wǎng)絡(luò)一個(gè)母小波函數(shù)(又稱為基本小波函數(shù))妒()，使其滿足約具有較強(qiáng)的非線性映射特性，我們就可考慮用神經(jīng)網(wǎng)絡(luò)去束條件：預(yù)測電力負(fù)荷。然而傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測方法，由于其本身在神經(jīng)元參數(shù)的確定和網(wǎng)絡(luò)結(jié)構(gòu)的選擇上都沒有很好e∞的理論指導(dǎo)?；诖?，論文提出了一種遺傳算法的小波神式中，(為()的Fourier變換。對(duì)()作伸縮、平經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)負(fù)
8、荷預(yù)測中的新方法，該方法克服傳統(tǒng)移變換得N4,波基函數(shù)系{4x)j。小波神經(jīng)網(wǎng)絡(luò)以誤差反向傳播算法選擇參數(shù)依據(jù)的不足，利用遺傳算法結(jié)合小波神經(jīng)網(wǎng)絡(luò)在全局進(jìn)行最優(yōu)解的初()=(三二皇)(2)步搜尋，將最優(yōu)解鎖定在某個(gè)小區(qū)域并確定小波神經(jīng)網(wǎng)絡(luò)口“式中，n是伸縮因子，b是平移因子。收稿日期：2012—02—11對(duì)于任意函數(shù)-廠(x)∈L2(R)，其連續(xù)小波變換定義為：作者簡介：
