基于SPSS的松小波非线性回归神经网络负荷预测模型及误差分析(IJITCS-V9-N4-4)

基于小波神经网络的电力负荷预测模型设计毕业论文1绪论1.1选题的目的和意义电力工业是国民经济的基础产业，在整个国民经济的发展起着举足轻重的作用。

多年的实践经验告诉我们，如果电力工业的发展速度能够满足国民经济建设的需要，就会促进经济的高速发展；否则，就会产生严重的供需矛盾，阻碍国民经济的发展。

随着现代工业和农业的不断发展及人民生活水平的日益提高，社会对电力的需求量越来越大。

为了满足日益增大的电力需求，必须不断扩大电力系统的规模。

由于电力工业的发展不仅需要消耗巨大的投资和一次能源，而且对国民经济的其它部门也会产生巨大的影响，合理的进行电力系统规划不仅可以获得巨大的经济效益，也会获得巨大的社会效益。

相反，电力系统规划的失误会给国家建设带来不可弥补的损失。

因此，对电力系统规划问题进行研究，以求最大限度地提高规划质量，具有重大的现实意义，而实现这一目标的第一步就是要做好负荷预测。

负荷预测是电力系统规划建设的依据。

负荷预测的准确程度将直接影响到投资、网络布局和运行的合理性，因此，负荷预测在规划中显得尤其重要。

若负荷及电量预测不足，电网的发展便不能适应实际发展的需要，无法满足用户正常用电需求，甚至还可能缺电。

另一方面，若负荷及电量预测过高，则又会导致一些过多而不能充分利用的设备，从而引起投资的浪费。

总之，负荷预测的精度高低直接关系到各方利益，电力负荷预测工作的水平已成为衡量一个电力企业的管理是否走向现代化的显著标志之一，尤其在我国电力事业空前发展的今天，用电管理走向市场，电力负荷预测问题的解决已经成为电力行业人员面临的重要而艰巨的任务。

电力系统负荷预测是以准确的历史数据和调查资料为依据，从用电量的历史和现状出发，用科学的方法预测未来电力系统负荷的发展趋势和变化规律的科学。

根据预测的时间跨度，一般将负荷预测分为长期、中期和短期负荷预测。

短期负荷预测主要指预测未来一天或一周内各个整点的负荷曲线，主要用于制定系统的生产计划，安排系统的短期运行方式、进行电力调度以及离线安全分析等。

信息疼术2018年第5期文章编号=1009 -2552 (2018)05 -0026 -04 DOI：10.13274/ki.hdzj.2018. 05. 007基于小波和P S O-B P神经网络的金融时序预测苗旭东，魏连蠢(上海理工大学理学院，上海200093)摘要：利用小波分析对金融时间序列做多尺度分解、去噪，借助改进的粒子群算法对B P神经 网络的隐层进行优化，并建立金融时间序列的分层预测模型。

实验结果表明，预测效果比直接 利用B P神经网络和小波分析结合神经网络的方法都有所提升。

关键词：小波分析；粒子群（PSO)算法；B P神经网络；金融时间序列中图分类号：TP183 文献标识码：AFinancial time series prediction based on wavelet analysisand PSO-BP neural networkMIAO Xu-dong，WEI Lian-xin(The College of Science，University of Shanghai for Science and Technology，Shanghai 200093，China) Abstract ：Wavelet analysis is used to multi-scale decomposition and denoising ol financial time series.The improved particle swarm optimization (PSO)algorithm is used to optimize the hidden layer of BPneural network,and then the hierarchical prediction model of financial time series is established.The experimental results show that the prediction effect is better than BP neural network and wavelet analysis combined with the neural network methods.Key words ：wavelet analysis；particle swarm optimization(PSO)algorithm；BP neural network；financial time series0引百金融时间序列是金融领域中最重要的数据，对 这类数据进行分析、预测在金融投资决策与风险管 理中具有重要的意义。

专利名称：基于松鼠杂草混合算法的神经网络短期电力负荷预测方法
专利类型：发明专利
发明人：张勋才,丁莉芬,郑新华,赵凯,牛莹,王延峰,杨飞飞,黄春,孙军伟
申请号：CN201910957515.3
申请日：20191010
公开号：CN110728401A
公开日：
20200124
专利内容由知识产权出版社提供
摘要：本发明提出了一种基于松鼠杂草混合算法的神经网络短期电力负荷预测方法，步骤为：将待预测日前的历史电力负荷、气象因素及日期类型组成样本数据集，运用SPSS软件因子分析对气象因素数据进行主成分分析，提取主成分代替原来的气象因素变量组成新的样本数据集；将归一化后的历史电力负荷数据作为输出样本，气象因素和日期类型作为输入样本；应用松鼠杂草混合算法优化BP神经网络的权重和阈值构建SSIWO‑BP神经网络预测模型；将待预测日期类型和气象因素数据输入SSIWO‑BP神经网络预测模型预测电力负荷值。

本发明考虑松鼠杂草混合算法的全局收敛性、高维空间下的稳定性，优化BP神经网络参数，增强了神经网络的泛化能力，提高了模型的预测精度。

申请人：郑州轻工业学院
地址：450002 河南省郑州市金水区东风路5号
国籍：CN
代理机构：郑州优盾知识产权代理有限公司
代理人：栗改
更多信息请下载全文后查看。

基于小波分析结合BP神经网络的电网负荷预测方法研究徐志程摘要：电网电力系统的安全稳定并且实现可实现经济运营，与其对负荷的准确预测具有较为重要的关系，基于多分辨分析思想为基础的小波分析结合BP神经网络构建模型，对电网短期符合进行预测。

首先，采用正交小波变换的塔式结构快速算法对电网负荷数据序列实现小波分解过程，剔除负荷中的非有价值历史数据，获得真实规律性电力负荷数据；然后，通过小波分解后，根据分解后的各层分量选取阈值，获得符合其特点的分量数据后输入神经网络，经过小波算法的重构过程得到预测日期的负荷数据。

仿真结果显示，运用文中构建的改进BP神经网络模型预测较人工网络预测精度具有明显优势，该预测方法能够更好地对电网进行有效的负荷预测。

关键词：BP神经网络；电网负荷预测1.引言迈入21世纪中国经济开启了高速发展模式，与此同时电力资源也出现了严重短缺的现象。

电力系统中的短期负荷预测是基础工作之一，负荷数据值预测准确与否将对电力系统的经济利益产生最直接的影响[1]，抓好电力负荷预测工作能为电网安全运营及获取经济效益提供良好保证。

电网中的负荷预测不但是电力系统规划设计的首要目标之一，更是电力系统正常稳定运行的保障[2-3]。

2.电网短期负荷预测方法2.1负荷特性分析电网电力系统在实现供电过程中具备一定特性，在负荷预测精度角度上讲，主要受到下面几个因素的影响：（1）可对负荷产生作用的因素较多，其中天气因素能够产生直接作用，它的作用程度因个别用户存在差异，在实现负荷预测过程中，大部分模型重点研究的方向为主要影响作用，从而忽视了诸多次要因素，该类算法与模型是对负荷简单的描述，是可预测的随机事件，然而气象预报的准确性不强，所以会造成对电力负荷预测的双重失误性。

（2）电网负荷预测过程中需要大量资料数据，而该部分资料并不能确保其具有一定的可信度，所以电力负荷预测会出现某些误差。

（3）电网电力预测时出现的特殊事件也会导致预测精度产生较大差别，例如季节不同电量使用情况的重大差异等。

基于小波变换的模糊神经网络短期负荷预测方法郭崇;王征;纪建伟【摘要】To overcome the drawbacks of ANN which the prediction effect depends on the input variable and the test samples,the paper applied second-order Daubechies wavelets as mother wavelet and divided load sequence into four wavelet components by multi-resolution wavelet transform and its inverse transform.It not only grasped the importance of the regularity of the load sequence, but also reduced the neural network learning pressure.An adaptive genetic algorithm was used to amend fuzzy rules and network's weights,and optimize fuzzy neural network.GNN-W-GAF is proposed.Fuzzy neural network only played the characteristics of fuzzy algorithm but also mixed all kinds of knowledge together avoiding the arbitrariness of the initial value setting.The simulation results show that the proposed prediction method improves prediction accuracy and prediction performance significantly.%为了解决传统神经网络的预测精度取决于输入变量和测试样本的缺陷,采用二阶Daubechies小波作为母小波,通过离散小波变换和逆变换的多分辨率把负荷序列分解为4个小波分量,不但把握了负荷序列的规律性,而且减轻了神经网络的学习压力.采用自适应遗传算法对模糊规则和权重进行修正,优化模糊神经网络,提出GNN-W-GAF模型.该模型既发挥了模糊算法的特点,又使得各种知识点在神经网络中相互融合,避免了初始值设定的随意性.仿真结果表明,该方法能显著提高预测精度和预测性能.【期刊名称】《湘潭大学自然科学学报》【年(卷),期】2017(039)001【总页数】5页(P109-113)【关键词】神经网络;遗传算法;自适应;小波变换;模糊算法【作者】郭崇;王征;纪建伟【作者单位】辽宁工业大学管理学院,辽宁锦州121001;沈阳农业大学信电学院,辽宁沈阳 110161;国网辽宁省电力有限公司发策部,辽宁沈阳 110004;沈阳农业大学信电学院,辽宁沈阳 110161【正文语种】中文【中图分类】O224目前常用于短期负荷预测(STLF)的方法分为两大类：统计方法和人工智能方法.统计方法假设短期负荷具有线性规律，因此难以准确描述短期负荷的复杂、非线性变化特点，预测精度低，不能满足实际应用要求[1].人工智能方法针对统计预测方法的不足，提高了电力负荷预测精度.神经网络的预测效果取决于输入变量和测试样本，因此对输入变量的选择至关重要[2].其中，BP 神经网络不需要先验知识，能对系统进行非线性、无限的逼近，成为最为广泛的短期负荷预测算法.但是BP 神经网络的预测性能与初始连接权值、阈值等参数密切相关，因此建立预测精度高的短期负荷预测模型，首先要选择最合理的BP神经网络参数.但遗传算法、粒子群优化算法、模拟退火算法等均存在收敛慢和局部最优等不足，难以找到全局最优的神经网络参数.综上所述，单一的预测方法将难以精确地对错综复杂的负荷规律进行预测，因而综合预测方法得到了广泛应用.[3]提出将神经网络和小波分解相结合进行电力负荷预测，但该方法的训练样本包含大量异于待预测负荷日的模式，使得神经网络训练速度变慢，训练时间较长，预测精度有待提高.[4]提出基于模糊聚类分析和BP神经网络的短期负荷预测方法，但由于电力负荷受各种因素的影响，使得历史负荷既具有规律又表现出随机性，不具备良好的负荷曲线形状相似性.基于以上分析，本文提出了一种基于小波变换模糊神经网络短期负荷预测模型的方法.1.1 反向传播训练的GNN的短期负荷预测GNN包含了单一的高阶模糊神经元，如图1所示.A1，A2分别为求和函数和聚合函数，F1，F2分别为Sigmoid 和Gaussian函数.以误差平方和作为目标函数，则对于每个模式zp 有：其中k是输出单元个数，tk,p和ok,p分别是第k个输出单元的目标输出值和实际输出值.1.2 GNN-W短期负荷预测小波滤波的目的:一是可以突出负荷序列重要的规律性;二是可以把负荷序列划分为不同分量，减轻学习压力[5].小波分析使用母小波为原型函数(g(t)).这种函数均值为零，并且极具振荡下降.一个给定信号x(t)对g(t)的连续小波变换表示为：在特定尺度和时移下的CWT(a,b)系数代表起始信号x(t)和缩放/转换后的母小波的匹配状况.与特定信号x(t)相关的全部小波系数CWT(a,b)的集合是信号对母小波g(t)的小波表示.因为CWT是通过母小波的连续缩放和平移得到的，所以会生成实质性冗余信息.因此，可以用二次方的某个比例和位置，把母小波进行缩放和平移.这种方法更有效，而且与CWT同样准确.这种方法称为“离散的小波变换”，定义为：函数f(t)的离散小波变换为：其中<>表示内积表示复数共轭。

小波贝叶斯神经网络在冲击负荷地区短期负荷预测中的应用李鹏鹏;彭显刚;孟安波;李慧良;农为踊【摘要】大量随机冲击负荷(炼钢厂、轧钢厂)接入系统给负荷预测造成困难,使得短期负荷预测精度下降.首先就冲击负荷地区的负荷特征进行分析,找出影响负荷预测精度的原因,提出利用小波变换对负荷序列进行多尺度分解,得到在不同频段下负荷子序列,重点针对各负荷分量不同特点,建立含不同输入量的贝叶斯神经网络预测模型,再将预测结果进行小波重构,从而得出最后预测结果.再与另两种模型进行对比,结果表明该方法能提高冲击负荷地区的短期负荷预测精度.【期刊名称】《电力科学与工程》【年(卷),期】2012(028)011【总页数】6页(P7-12)【关键词】小波分析;贝叶斯神经网络;冲击负荷;短期负荷预测【作者】李鹏鹏;彭显刚;孟安波;李慧良;农为踊【作者单位】广东工业大学自动化学院,广东广州510006;广东工业大学自动化学院,广东广州510006;广东工业大学自动化学院,广东广州510006;广东电网公司河源供电局,广东河源517000;广东电网公司河源供电局,广东河源517000【正文语种】中文【中图分类】TM7150 引言中小型炼钢厂、轧钢厂由于设备负荷重，即使正常启停都会引起较大的负荷冲击，负荷曲线冲击明显，给负荷预测造成很大困难，利用传统神经网络模型预测很难取得较高精度[1～3]。

由于冲击负荷地区负荷值变化大，随机性强，而某些现代的组合预测方法并不适用于解决冲击负荷地区的短期负荷预测问题[4，5]。

文献[6]研究了小负荷大波动地区的负荷预测，该文利用小波模极大值原理对原始负荷冲击毛刺进行预处理，然而冲击负荷引起的毛刺并非坏值，这样预处理会将有效负荷去除而导致精度下降。

文献[7]分析了小波神经网络在短期负荷预测中的研究应用，但该文在小波三层分解后，对各个负荷分量均用神经网络方法来预测，并未就各个分量本身特点寻找合适的模型来预测，不利于最后总负荷预测精度的提高。

基于高斯模糊信息粒化和改进小波神经网络的短期负荷区间预测研究余鹏;唐权;张文涛;黄民翔【摘要】针对现有短期负荷预测方法适应性不足、预测精度不高,WNN原始连接权值和阈值采取随机赋值并采用梯度学习算法进行修正,存在进化缓慢、易出现陷入局部极小或不收敛等问题,提出了基于高斯FIG和改进WNN的短期负荷区间预测新方法.用收敛速度更快的函数取代常用的输出层神经元函数,并用粒子群算法寻优取代WNN连接权值和阈值随机赋值.把网络连接权值和阈值作为粒子群算法微粒的位置向量,不断调整微粒的速度和位置向量以寻求最优值.选择了合适的数据跨度作为一个粒化窗口,对原始负荷数据进行了高斯模糊粒化处理,得到了对应的高斯FIG后的序列值,并用改进后的WNN对模糊序列值进行了区间预测.与WNN及SVM方法的对比研究结果表明,该方法不仅能够获得比单一负荷值更多的区间信息,而且预测精度更高,能够更好地指导电力系统相关决策.【期刊名称】《机电工程》【年(卷),期】2017(034)002【总页数】6页(P167-172)【关键词】高斯模糊;信息粒化;改进小波神经网络;短期负荷;区间预测【作者】余鹏;唐权;张文涛;黄民翔【作者单位】浙江大学电气工程学院,浙江杭州310027;国网江苏省电力公司经济技术研究院,江苏南京210008;国网四川省电力公司经济技术研究院,四川成都610041;国网四川省电力公司经济技术研究院,四川成都610041;浙江大学电气工程学院,浙江杭州310027【正文语种】中文【中图分类】TM715电力系统负荷预测是指从已有的经济社会发展状况和电力系统的实际需求出发，考虑经济、气候、政治等因素，通过对历史数据的内在联系和发展规律的分析和研究，以未来经济和社会发展趋势为依据，对未来电力需求做出预测。

电力系统短期负荷预测是电力系统经济运行、安全调度和合理规划的重要依据之一，其准确性和实用性对电力生产和经济发展都意义重大。

基于小波分析的短期负荷预测模型研究与实现的开题报告一、选题背景和意义在发展现代能源经济的过程中，电力系统作为维持国民经济正常运转的基本设施，其重要性不言而喻。

短期负荷预测是电力系统调度控制的基础，有着较高的实际应用价值。

因此，开发能够稳定、有效地预测电力短期负荷的方法及模型，对于保证供需平衡、提高电力系统可靠性、降低能源消耗和污染排放等具有重要意义。

本研究以小波分析为基础，探索其在短期负荷预测模型中的应用，旨在提高短期负荷预测的精度、实现电力的“精细化供给”，提高电力系统调度的效率和准确性，达到可持续发展的目的。

二、研究内容和方法研究内容：1.短期负荷预测的背景与意义，包括国内外研究现状等。

2.小波分析原理的研究，深入探究小波变换的基本原理，明晰小波分析在信号处理中的应用特点。

3.基于小波分析的短期负荷预测模型的建立，包括小波分析在短期负荷预测中的应用方法，建立基于小波变换的负荷预测模型，进行实验验证和优化，提高模型的准确性和实用性。

4.研究小波分析在电力短期负荷预测中的实际应用效果，实现短期负荷的可靠预测，为电力系统调度提供科学依据。

研究方法：1.文献调研法：通过查阅具有代表性的国内外文献，了解研究现状，掌握相关理论和方法。

2.理论分析法：通过对小波分析的基本原理、信号处理的核心技术、短期负荷预测方法的分析比较，确定基于小波分析的短期负荷预测模型的建立思路和方法。

3.实验验证法：采用实测测量数据，进行基于小波变换的短期负荷预测实验，对实验结果进行评价和优化。

三、预期成果和意义预期成果：1.针对电力短期负荷预测的研究，提出基于小波分析的负荷预测模型，并进行系统性的实验验证，得出准确性较高、波动性较小的短期负荷预测结果。

2.探究小波分析在电力系统调度中的应用，为电力行业提供较为完善、科学的短期负荷预测技术方案。

3.对于小波分析理论及其应用的研究与推广，具有一定的理论意义和实际价值。

同时将加深对电力系统的了解，提升电力系统的智能化和稳定性，为社会经济发展和生态环境保护做出贡献。

基于PSO的模糊神经网络短期负荷预测⒇吴杰康1,陈明华1,陈国通2(1.广西大学电气工程学院,南宁530004; 2.广西电网公司梧州供电局,梧州543002)摘要:针对短期负荷预测的特点,提出基于粒子群(PSO)优化的模糊神经网络短期负荷预测模型。

将PSO与模糊优选人工神经网络进行融合,在对模糊优选神经网络训练中采取PSO算法和梯度下降算法相结合的方法,充分发挥PSO全局寻优的能力和梯度下降局部细致搜索优势。

对广西某地区进行短期负荷预测,并与实际值进行比较分析,结果表明这一模型应用于短期负荷预测能获得较高的预测精度,是一种行之有效的短期负荷预测方法。

关键词:短期负荷预测;粒子群优化;模糊优选神经网络中图分类号:TM73 文献标识码:A 文章编号:1003-8930(2007)01-0063-05Fuzzy Neural N etwork Model Based on Particle SwarmOptimization for S hort-term Load ForecastingW U Jie-kang1,C HEN Ming-hua1,C HEN Guo-to ng2(1.School of Electrical Engineering,Gua ngxi University,Na nning530004,China;2.Guangxi Wuzhou Electric Pow er Com pany,W uzhou543002,China)Abstract:Acco rding to the tr ait o f po we r lo ad,this paper pr oposes a P SO based fuzzy neur al netw o rk model fo r sho r t-te rm loa d fo reca sting.T he mo del ma kes full use o f th e g lo ba l optimiza tio n o f PSO and lo cal accurat e sea rching of BP.Practica l ex ample indica tes that the application o f PSO～FN N to shor t-term lo ad fo recasting is feasible a nd effectiv e,which ca n o btain mo re accur ate r esult than conv e ntional methods.Key words:sh or t-te rm load fo reca sting(S T L F);pa rticle swa rm o ptimiza tion(PSO);fuzzy optima l selectio n neural netw or k(FNN)1　前言 短期负荷预测(STLF)是电力系统的重要工作之一。

基于小波—LMBP神经网络短期电力负荷预测研究为了提高电力系统短期负荷预测精度，针对短期电力负荷具有随机性、不确定性和周期性的特点，提出基于小波分析和LMBP（Levenberg-Marquardt Back Propagation）神经网络组合模型预测方法，并经实际算例证明，该方法优越于单一LMBP神经网络预测模型和算法，是电力系统预测领域中一种提高预测精度的有效方法。

标签：电力系统；短期负荷预测；神经网络；小波分析1 引言电力负荷变化受气候、自然灾害、政治经济因素等多方面因素影响，这使得电力负荷的变化具有随机性和不确定性，影响预测精度[1]。

近年来，应用人工神经网络进行电力系统负荷预测已经发展成为一个很有潜力的研究方向。

但是人工神经网络的具有收敛速度慢、容易陷入局部极小点的缺点[2]。

为了提高短期负荷的预测精度，本文以某地区（安顺市）城市电网历史负荷数据为背景，根据该地区的电力负荷特点建立了小波-LMBP神经网络组合模型进行短期负荷预测，并利用MATLAB软件平台进行仿真，仿真结果表明这种组合预测模型优于单独使用LMBP神经网络模型预测，能获得更加精确的预测结果。

2 理论基础2.1 小波分析小波分析同时具有时域和频域良好的局部性质，能将信号（时间序列）分解成多尺度成分，从而能够不断地聚集到所研究对象的任意微小细节[3]。

小波变换是用合适的母小波通过时间轴上的位移与放缩的幅度产生一系列的派生小波，用这一系列的小波对要分析的信号进行时间轴上的平移比较，从而获得用以表征信号与小波相似程度的小波系数[4] [5]。

本文引入离散小波变换的多分辨分析对电力负荷原始数据序列s0进行小波分解，深度为三尺度，最终得到4个分解而得的子序列，高频序列dl、d2、d3和低频序列c3，分解式为：s0=dl+d2+d3+c3，分解后的各分量和原负荷序列长度一样，并且反映了原负荷序列中不同的频率分量。

根据分解后的各子序列的特点的建立合适的预测模型进行预测，最后通过重构，得到完整的预测结果。

基于小波分析和多元回归模型的短期负荷预测杜馨杰（上海市电力公司沪南供电分公司，上海200030）摘要：电力系统负荷预测是电力系统运行、控制和规划不可缺少的一部分。

随着现代计算机技术的发展和在电力系统中的日益普及以及电力系统自动化水平的不断提高，负荷预测的精度也相应有所改进，并逐步实用化。

负荷预测的结果已成为经济调度和推行电力市场的必要基础。

电力系统负荷预测是一项重大意义的课题，提高预测精度就是提高电力系统运行的安全性，就是提高电力系统运行的经济性。

关键词：小波分析；负荷模型；短期负荷预测1.综述1．虽然负荷预测有很多方法，几十年来各种可能的算法均在负荷预测课题上试验过了，目前实用的算法主要有：线性外推法、线性回归法、时间序列法、卡尔曼滤波法、人工神经网络法、灰色系统法和小波分析方法等。

各种算法均有一定的适用场合，可以说没有一个算法适用于各种负荷预测模型而精度比其它算法都高。

所以根据预测地区的负荷构成、负荷特性，以及实践经验，选择一种比较适当的算法是非常重要的。

根据各种方法的优点和不足，以及针对不同情况的预测精度的差异，将几种方法有机地结合起来，最终达到比较高的精度。

本文将小波分析引入了短期负荷预测，针对电力系统本身具有的负荷以天，周，年为周期发生波动的特点，使用线性回归模型，训练若干敏感因素作用下对负荷公式，得出各影响因素的影响程度，并量化为系数，即各因素的权重。

对典型日负荷分解序列进行预测，预测结果进行了比较，实例显示这种方法与现有的经验估计的方法相比总体提高了预测的精度。

文中的算法使用MATLAB这一数学计算软件实现。

2.具体实现方法2.1小波分析小波分析是一种新兴的数学工具，它能任意地提取短期负荷序列的细节。

通过使用小波分析，可以在任何水平上分析短期负荷序列，它对信息成分采取逐渐精细的时域与频域处理。

沪南地区的负荷以商业和民用为主，近年来空调负荷比例增加明显，具有较强的温度敏感和时间特性。

应用小波神经网络进行负荷预测的MATLAB编程仿真罗枚;周灌中;司昌练【期刊名称】《航空计算技术》【年(卷),期】2012(042)003【摘要】以咸阳地区的电力负荷数据为背景,应用小波神经网络进行短期负荷预测工作,并详细介绍了其MATLAB的编程与仿真.利用MATLAB 7.0的神经网络及小波工具箱函数进行编程仿真,不仅编程简洁,而且收敛速度快.因需要大量的训练数据进行训练,介绍了在实际编程时所用技巧.%Based on the load data of Xianyang's area power system,a WNN model is established to carry out short- term load forecasting work. The programming and simulation with MATLAB is also introduced in detail. Use of neural network and wavelet toolbox function of MATLAB 7.0 for programming and simulation makes programming simple and convergence fast. In practice,the programming skills are most important because a large number of data need to train in this case.【总页数】3页(P18-19,25)【作者】罗枚;周灌中;司昌练【作者单位】陕西工业职业技术学院数控工程学院,陕西咸阳712000;西安电子科技大学智能感知与图像理解教育部重点实验室,陕西西安710071;青岛港湾职业技术学院,山东青岛266404;陕西工业职业技术学院数控工程学院,陕西咸阳712000【正文语种】中文【中图分类】TP183;TP311.1【相关文献】1.小波神经网络及其在电力负荷预测中应用概述 [J], 张大海;毕研秋;邹贵彬;江世芳2.小波神经网络在电力负荷预测中的应用 [J], 黄劲潮3.小波神经网络在燃气负荷预测中的应用研究 [J], 汪伟;崔清民4.遗传算法优化的小波神经网络在短期电力负荷预测中的应用 [J], 贾正源;田丽;刘庆超5.小波神经网络在电力系统月度负荷预测中的应用 [J], 吴耀华;刘学琴因版权原因，仅展示原文概要，查看原文内容请购买。

基于小波神经网络的电力系统负荷预测作者：王伟来源：《科技创业月刊》 2017年第5期王伟（武汉船舶职业技术学院机械工程学院湖北武汉430050）摘要：文章在介绍神经网络模型构成原理的基础上，针对传统模型在对非线性序列进行预测时速度慢、容易陷入局部次最优的缺点，引入小波作为隐含层的传递函数，构成新的预测模型：小波神经网络预测模型，并分析了小波神经网络在电力负荷预测领域的研究和应用现状。

关键词：小波；ＢＰ神经网络；负荷预测中图分类号：TM715文献标识码：Ａｄｏｉ：10.3９6９/ｊ.ｉｓｓｎ.1665－2272.2017.05.0490引言随着经济社会的不断发展以及季节更替，电力系统负荷呈现出增长性和季节波动性两重趋势，这使得负荷曲线变现为复杂的非线性组合。

所以进行电网负荷预测对电力系统的运行、控制及规划有重要意义。

人工神经网络预测法是目前最为常用的电力负荷预测方法之一，具有较高的预测精度，且适应性强、能逼近任意函数。

但神经网络本身所固有的预测速度慢、易陷入局部次最优的缺陷，直接限制其在工程实际中的广泛应用。

小波变换是一种信号处理方法。

它由传统的傅里叶变换逐步发展而来。

但与傅里叶变换不同的是，这种变换方法在频域和时域都具备良好的分辨能力。

小波神经网络就是将小波理论与神经网络相结合所形成的一种新兴的数学建模分析方法。

其中，小波变换可以有效表征数据的局部特性；神经网络具有学习功能，可以捕捉到负荷曲线的非线性特征。

目前，一些专家学者已经将小波神经网络在电力系统负荷预测中进行预测研究，结果表明这种方法在解决复杂非线性问题时容错能力、逼近速度及预测的效果均优于传统的神经网络，具有广阔的应用前景。

1小波理论简介小波变换的原理是将基本函数ψ（ｔ）进行缩放、平移后积分，再与待分析信号进行比较，从而达到分析信号局部特性的目的。

小波变换分为连续变换和离散变换两种。

连续小波变换通过缩放基本小波函数得到一系列尺度改变的子小波。