基于小波和径向基函数神经网络的电力负荷预测研究

发布时间：2021-01-13 02:53

　　电力负荷预测在国家电力系统的生产、调度、规划具有非常重要的意义.基于小波变换的基本原理和Mallat快速小波分解和重构算法,利用db4方法进行小波分解,用自回归方法对低频进行分析和预测,用径向基函数神经网络对高频进行分析和预测,再将这两部分数据整合起来重构,就获得了系统完整的预测.实验证明,基于小波和径向基函数神经网络的电力负荷预测方法对比传统方法,达到了较好的预测精度. 

【文章来源】：云南大学学报(自然科学版). 2020,42(S2)北大核心

【文章页数】：8 页

【部分图文】：

db4小波分解示意图

RBF神经网络是一种具有3层结构的前馈神经网络,结构如图2所示.第1层为输入层,它可以从信号源节点处接收输入的信号并把该信号传输给第2层隐含层,隐含层是RBF神经网络最关键的部分,隐含层中传递函数的个数根据实际情况确定,这里的传递函数是对称的而且是非线性的函数,第3层为输出层,其作用是对隐含层中非线性函数的结果进行线性的组合,这样就得到了最后的预测结果[14].RBF神经网络最关键的部分在于隐含层,并用其中的基本单元构造出一个隐含层空间,隐含层空间其实是一种非线性函数,这个函数呈局部分布且关于中心点对称.因此,当确定了RBF神经网络的中心点,即可将输出层的输入信号映射到隐含层形成隐含层空间,再将隐含层空间中的基本单元进行线性组合,得到最后的结果.

基于前面的描述,进行算法设计.其基本思想是:电力负荷序列具有很强的非线性,但是它可以看成低频时间序列和高频时间序列的合成,如果利用小波分解办法使它形成高低频时间序列,低频序列的时间序列采用AR方法预测建模,高频时间序列采用RBF神经网络预测建模,就可以取得较好效果.基于小波和RBF神经网络电力负荷预测算法设计如图3.(1) 一般情况下,用f(t)=s(t)+σe(t)来表示含有噪声的信号模型,其中,s(t)表示原始信号,f(t)表示含有噪声的信号,e(t)表示噪声信号,要进行时间序列分析,必须先预处理去噪声,这里采用模极大值小波去噪法处理.

【参考文献】：
期刊论文
[1]空间电力负荷预测方法综述与展望[J]. 肖白,周潮,穆钢.  中国电机工程学报. 2013(25)



本文编号：2974062