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。

关键字：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(ArtificialNeuralNetwork)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参数。简化式(7)、(8)，取g(x)=x，小波神经元网络的输出Om可表示为

式中

D为训练样本数目；为第d个样本的第m个期望输出值。3.3小波神经元网络的误差反传学习算法为使误差Em最小，采用梯度下降法学习函数作为小波神经元网络的学习法则。该学习过程与普通神经元网络的算法相同。根据式(5)-(7)和式(8)，可得到Em的负梯度值，由此推出与该WNN每个参数有关的局部误差函数。如由局部误差函数值构造出梯度矢量，该WNN参数即可用梯度下降法更新确定。对于式(11)的Em，对于第d个样由于小波基函数对放缩系数和平移系数特别敏感，因此小波基节点数应足够大，以确保神经元网络的稳定性。

4小波神经元网络预测模型的建立

4.1采用改进隶属度分析聚类法选择训练样本

为避免气象突变、日期、星期类型的不同导致负荷模式的不同，从而显著增加神经元网络的训练时间并影响预测精度，需从历史数据中选取与预测日的特征量最为接近的历史日的数据作为训练样本，聚类分析是选择样本的有效手段。

在短期负荷预测的数据聚类中主要考虑的聚类特征指标有：最高温度、最低温度、平均温度、风力、可见度、湿度、天气类型、舒适度指数以及日期、星期等。这些因素对负荷变化的影响程度不同，其中最高温度、最低温度的变化对负荷变化的影响最大，且各因素的取值范围与正常变化范围也不同。本文采用自学习加权隶属度函数来进行模糊聚类分析。

假设有K个负荷日，特征量的个数为M，第k个负荷日的第j个特征量表示为ykj，将其作如下归一化处理

各特征量的隶属度函数表达式为

式中

μkj为第k个负荷日的第j个特征变量的隶属度值；gj为预测日(即聚类中心)的第j个特征变量；

设置阈值λ来确定训练样本，λ越大符合选择条件的训练样本数越少。采用监督式学习来决定权值wj。定义目标函数为

式中

nL为学习的样本数目；yi＝Li/L0；L1为历史日i的负荷总量；L0为目标日的负荷总量；ti为历史日i与目标日的相似度值，即隶属度值。采用梯度下降法来调整权值使式(22)达到最小值。

4.2WNN的构建与训练

本文构建的WNN网络有55个输入神经元(如表2所示)，112个小波层神经元，30个隐含层神经元，1个输出神经元。

需指出的是，隐含层神经元最适宜的数目取决于误差检验，WNN网络通过未参加训练的某一阶段的历史数据来检验误差。训练中取近60天的历史数据运用上述基于隶属度分析的聚类方法来选取小波神经元网络的训练样本(10个)和检验样本(5个)。通过误差检验来确定隐含层神经元的数目。

5算例

基于本文的模型原理和建模步骤，采用C++语言编写出小波神经元网络负荷预测程序。利用湖北省武汉市1999年5月-12月的历史气象和负荷数据进行预测：①WNN网络与BP网络的性能比较(10个样本批量训练，单点输出条件下)见表3；②采用本文模型对武汉市电网负荷进行预测，将其预测结果与使用普通BP神经元网络的结果进行比较。表4为采用小波神经元网络方法对1999年5月21日-1999年5月27日的负荷进行预测的平均相对误差与普通BP网络的比较，结果表明本文预测算法稳定实用，能够改善预测精度。鹅6油涌结者论

完样

剧容本算文掘探咬讨卧了泻小虽波播神阿经重元鸟网拌络望用燕于瘦解动决争短订期丑负寄荷洽预吓测声的娘能尊力无。届研利究驴表迹明冈恰诱当辽地礼选妇择奖训慈练蒙样深本梦和奴合段理涌地奴选技择鹅网塌络还结打构售是壮影昌响愧W戚N敬N楚网赵络校预厕测生精汉度套的括主稿要钻因纵素夺。套小违波露神寒经些元泽网塑络草具环有千比被B伶P名网尼络首更嫂快敢的蚂收竞敛鹊速男度袭，泻改将进族隶扰属优度础聚耗类鹅方扇法落的盼应擦用艘可搭改聚善贵负润荷霸大梯波趟动思日犹的蝴预抵测架精足度检。参考文献

[1]施泉生(ShiQuansheng)．短期负荷预报模型库的研究及应用(Astudyandapplyonmodelsystemofshort-termloadforecasting)[J]．系统工程理论与实践(SystemEngineeringTheoryandPractice)，1996，16(7)：99-104．

[2]ParkDC，El-SharkawiMA，MarksRJIIetal．Electricloadforecastingusinganartificialneuralnetwork[J]．IEEETransactionsonPowerSystems，1991，6(2)：442-449．

[3]邰能灵，侯志俭，李涛，等(TaiNengling，HouZhijian，LiTaoetal)．基于小波分析的电力系统短期负荷预测方法(Newprinciplebasedonwavelettransformforpowersystemshort-termloadforecasting)[J]．中国电机工程学报(ProceedingsoftheCSEE)，2003，途2猎3铺(射1巩)颜：奶4桂5团-奉5生0发．

简[鼻4静]潜被冉防启含文徐，徒单宴永慌正我，少王裙骐椒，筐等芬(垮R剪a定n于怀Q六i雅w钢e浴n尸，智S蜻h女a选n赠登Y除o倚n谱g小z春h只e可n嗓g迈，破W球a亲n穷g冻成Q联i冈晃e病t沉歉a祥l盾)输．暮电炉力惊系肚统吃短琴期贡负卧荷典预说报纷的燃小结波隙-童神旧经巨网虏络课-敞P蜡A野R触I浅M弟A踩方接法李(港W茎a府v榆e晒l鬼e搏t皂-份n闪e杠u锋r贫a哨l花灯n排e刷t麻w偏o渴r省k射s范-洪P半A供R堤I冤M境A例往m捏e晌t翠h校o麻d警沫f灾o捕r宰垦p海o掏w奸e数r补映s给y拣s悟t析e体m湾期s磁h权o摊r大t最居t僚e唯r逮m榴巾l辛o煤a虚d淡干f叮o世r辨e谅c呀a宪s研t肥i让n全g许)致[躬J朴]初．耽中锦国窜电泛机蚂工蹲程骨学帖报退(范P暑r异o吊c索e寸e砖d袍i乓n蜜g逼s狼愤o敏f笋弄t缺h魂e矩休C薪S伸E须E橡)示，轿2灶0呼0物3誉，嫩2雷3辅(堡3胀)楚：惭3可8连-监4垃2仿．

摇[朴5甲]咐负谢全宏她，浪陈受志熄业果，示牛钓东偷晓烫(撒X孝i就e晌厨H普o门n节g碗，鞭C凡h愁e牌n槐蹦Z确h屡i坊y杰e凝，华N煤i忘u录简D吃o阶n榨g么x盗i萍a童o狂)球．积基示于历小括波神分泉解渡与完气雕象竞因顿素方影斩响鼓的迟电鞋力们系屠统迅日鞭负析荷垒预忘测摇模反型茎研苹究缎(咏T粥h桨e贿漫r似e做s良e旋a歉r膨c洞h燕促o枯f珠况d疑a哗i炮l塔y侄真l坡o贯a扶d谦若f明o塔r彼e美c中a锄s殖t贯i进n暖g戴普m乳o扒d拥e陵l央胸b戏a决s微e离d射弦o蓝n钓浪w回a序v裕e品l蜻e瓣t市鸣d予e氧c书o仰m旬p理o态s驰i溪n味g画粮a隶n差d槐爷c暮l在i寒m驶a袋t就i赢c索阳i辨n点f朝l怜u揉e丧n伞c应e缸)隔[洋J钉]语．林中井国拍电典机巷工怕程挣学统报高(俱P予r秀o我c低e似e金d骗i叠n虫g规s距胆o辅f袍艳t齿h堤e惑柿C引S光E赚E降)伞，京2上0筑0栽1庸，匠2誉1福(钟5爷)拼：雕5场-必1踏0率．

诱[燥6要]描笨姜猜勇不(而J僚i州a垦n非g战执Y裂o胆n束g舍)和．老基扛于废模煌糊贿聚嚼类居的丽神脱经蜓网选络洲短拔期灰负鼻荷决预腐测驶方宾法陡(斑S朽h遮o摩r饿t断-溪t披e斜r煌m男竖l容o降a斥d被象f蜘o触r雨e返c秋a竹s功t痰i奥n快g呜晶u隔s掘i谜n悬g斤晶a抄逼n耳e番u侮r丧a著l猫锯n雷e肺t昆w铃o胀r盒k犬倦b汤a垂s轿e绘d码您o斥n标步f坚u卫z胡z棒y对搞c刃l中u虽s狐t敢e袄r叶i患n蒸g忆)保[硬J瞧]迎．洁电牲网筑技改术临(鉴P骆o双w道e梅r亦锦S垂y恭s欠t昼e棚m命浸T使e胶c邪h蜂n浓o取l仪o巴g膊y涨)备，气2煌0器0腊3街，快2盏7连(仿2援)芳：烛4各5固-貌4另9座．

邪[效7度]挖浓李培天箱云处，肯刘棋自所发宫(留L旅i暂崭T与i为a写n遵y丈u袋n著，去L村i酿u卖