基于小波-LMBP神经网络短期电力负荷预测研究
- 格式：pdf
- 大小：229.72 KB
- 文档页数：2
２ ． ２ Ｌ ＭＢ Ｐ神 经 网络 Ｌ ＭＢ Ｐ神 经 网络 是 采用 Ｌ — Ｍｆ Ｌ ｅ ｖ ｅ ｎ ｂ ｅ ｒ ｇ — Ｍａ ｒ ｑ ｕ ａ ｒ ｄ ｔ） 算法的 Ｂ Ｐ （
３ ． ２ ． ３构建 ｃ ３ 、 ｄ ３ 、 ｄ ２ 、 ｄ １ 分量合适的预测模 型。 根据各分量 的特点构建各 自的神经 网络结构 。由于 ｃ ３分量与 原 始数 据 序 列 形 状 相 似 ， 应 考 虑 系 统 实 际 负 荷 的特 点 ， 加 入 气 象 因 子数据作为输入变量 。预测第 ｄ天 ｔ 时刻 ｃ 分量负荷值 ， 输入参数 为ｔ 时刻前 １ ２点 ，第 ｄ － １ 、ｄ － ２ 、ｄ － ７ 天ｔ 时刻前后三点的 ｃ ３分量 值， 以及 对 应 日期 的天 气 数 据 （ 降雨 量 Ｒ、 日最 高气 温 Ｔ ｍ ａ ｘ 、 日最 低 气温 Ｔ ａ ｒ ｉ ｎ ） 和 日期 类 型共 ３ ４个 输人 数 据 。由于 ｄ ３ 、 ｄ ２ 在 整个 负 荷 中 所 占 比例 较小 ， 并 且 受 天 气 因 素影 响 较 小 ， 因此 ， 预 测 第 ｄ天 ｔ 时刻 ｄ ３ 、 ｄ ２分量负荷值 ， 神经 网络 的输入数据为 ｔ 时刻前 １ ２点 ， 第ｄ － １ 、 ｄ 一 ２及 ｄ 一 ７ 天ｔ 时刻 周 围 三 点对 应 的 ｄ ３ 、 ｄ ２ 分量 ， 各为 ２ ２个 输 入数 据 。 隐含 层节 点 数 采用 试 凑法 ， 因此 ， 对单点（ 每小 时 ） 负荷的 ｃ ３ 分 量采用 Ｌ ＭＢ Ｐ神经网络结构为： ３ ４ — ７ — １ ， ｄ ３ 、 ｄ ２分量 Ｌ ＭＢ Ｐ神经网络 结构为 ： ２ ２ — ６ — １ 。由于 ｄ １ 分 量 呈 现很 强 的 随机 性且 在 整个 负 荷 中 的 占的比例很小 ， 使用加权平均法对其进行近似预测。 ４将 ｃ ３和 ｄ ３ 、 ｄ ２ 、 ｄ ｌ 预测分量结果进行重构 （ 调用 ｗ ａ ｖ ｅ ｒ ｅ ｃ函 数） 得到 ２ ０ １ ２年 ８月 ２ ７日 ２ ４小 时 的 负 荷 预 测值 ， 并 与 实 际 负 荷 比较得到误差 曲线 ， 仿真结果见图 １ ， 图２ 为单独使用 Ｌ Ｍ Ｂ Ｐ神经 网 络进行预测得到的预测值与误差 曲线。
科 技 创 新
２ ０ １ ３ 年 第１ １ 期Ｉ 科 技创新 与应 用
基于小波一 Ｌ ＭＢ Ｐ 神经网络短期电力负荷预测研究
申小 玲
（ 责 问广播 电视 大学（ 贵 州职业技术 学院） ， 贵州 贵阳 ５ ５ ０ ０ ２ ３ ）
摘 要： 为 了提 高 电力 系统 短期 负荷 － Ｎ￣ Ｉ ， 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 Ｌ ＭＢ Ｐ （Ｌ ｅ ｖ ｅ ｎ ｂ ｅ ｒ ｇ — Ｍ ａ ｒ ｑ ｕ ａ ｒ ｄ ｔ Ｂ ａ ｃ ｋ Ｐ ｒ ｏ ｐ ａ ｇ ａ ｔ ｉ ｏ ｎ ） 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 Ｌ ＭＢ Ｐ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 。 关键词： 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ｌ １ 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 ［ ２ １ 。为 了提 （ 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 了小波一 Ｌ ＭＢ Ｐ神经网络组合模 型进行短期负 荷预测 ， 并利用 Ｍ Ａ Ｔ Ｌ Ａ Ｂ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 Ｌ ＭＢ Ｐ神 经 网络 模 型 预测 ， 能 获得 更 加 精
实际值 蓝色 ） 与预测 值 较
咖 —— —— ——— —— ——— —— —— ——— ——— —— —— ——— —— ——— —一
确 的预测 结 果 。 ２理 论 基础 ２ ． １小波 分 析
历史负荷数据 ， 以矩阵 Ｐ的方式输入 。 ３ ． ２ ． ２采用 ｄ ｂ ４小波基对 Ｐ进行分解 （ 调用 ｗ ａ ｖ ｅ ｄ ｅ ｃ函数 ） ， 分解
出 ｃ ３和 ｄ ３ 、 ｄ ２ 、 ｄ ｌ 。
小 波分 析同时具有时域和频域 良好的局部性质 ， 能将 信号ｆ 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Ｉ ３ ｌ 。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 阁 。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 ｓ 。 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 ｄ ｌ ， ｄ 、 ｄ 和低频序列 Ｃ ， ， 分解式为 ： ｓ ｏ ＝ ｄ ＋ ｄ ２ ＋ ｄ ＋ ｃ ， 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。
３ ． ２ ． ３构建 ｃ ３ 、 ｄ ３ 、 ｄ ２ 、 ｄ １ 分量合适的预测模 型。 根据各分量 的特点构建各 自的神经 网络结构 。由于 ｃ ３分量与 原 始数 据 序 列 形 状 相 似 ， 应 考 虑 系 统 实 际 负 荷 的特 点 ， 加 入 气 象 因 子数据作为输入变量 。预测第 ｄ天 ｔ 时刻 ｃ 分量负荷值 ， 输入参数 为ｔ 时刻前 １ ２点 ，第 ｄ － １ 、ｄ － ２ 、ｄ － ７ 天ｔ 时刻前后三点的 ｃ ３分量 值， 以及 对 应 日期 的天 气 数 据 （ 降雨 量 Ｒ、 日最 高气 温 Ｔ ｍ ａ ｘ 、 日最 低 气温 Ｔ ａ ｒ ｉ ｎ ） 和 日期 类 型共 ３ ４个 输人 数 据 。由于 ｄ ３ 、 ｄ ２ 在 整个 负 荷 中 所 占 比例 较小 ， 并 且 受 天 气 因 素影 响 较 小 ， 因此 ， 预 测 第 ｄ天 ｔ 时刻 ｄ ３ 、 ｄ ２分量负荷值 ， 神经 网络 的输入数据为 ｔ 时刻前 １ ２点 ， 第ｄ － １ 、 ｄ 一 ２及 ｄ 一 ７ 天ｔ 时刻 周 围 三 点对 应 的 ｄ ３ 、 ｄ ２ 分量 ， 各为 ２ ２个 输 入数 据 。 隐含 层节 点 数 采用 试 凑法 ， 因此 ， 对单点（ 每小 时 ） 负荷的 ｃ ３ 分 量采用 Ｌ ＭＢ Ｐ神经网络结构为： ３ ４ — ７ — １ ， ｄ ３ 、 ｄ ２分量 Ｌ ＭＢ Ｐ神经网络 结构为 ： ２ ２ — ６ — １ 。由于 ｄ １ 分 量 呈 现很 强 的 随机 性且 在 整个 负 荷 中 的 占的比例很小 ， 使用加权平均法对其进行近似预测。 ４将 ｃ ３和 ｄ ３ 、 ｄ ２ 、 ｄ ｌ 预测分量结果进行重构 （ 调用 ｗ ａ ｖ ｅ ｒ ｅ ｃ函 数） 得到 ２ ０ １ ２年 ８月 ２ ７日 ２ ４小 时 的 负 荷 预 测值 ， 并 与 实 际 负 荷 比较得到误差 曲线 ， 仿真结果见图 １ ， 图２ 为单独使用 Ｌ Ｍ Ｂ Ｐ神经 网 络进行预测得到的预测值与误差 曲线。
科 技 创 新
２ ０ １ ３ 年 第１ １ 期Ｉ 科 技创新 与应 用
基于小波一 Ｌ ＭＢ Ｐ 神经网络短期电力负荷预测研究
申小 玲
（ 责 问广播 电视 大学（ 贵 州职业技术 学院） ， 贵州 贵阳 ５ ５ ０ ０ ２ ３ ）
摘 要： 为 了提 高 电力 系统 短期 负荷 － Ｎ￣ Ｉ ， 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 Ｌ ＭＢ Ｐ （Ｌ ｅ ｖ ｅ ｎ ｂ ｅ ｒ ｇ — Ｍ ａ ｒ ｑ ｕ ａ ｒ ｄ ｔ Ｂ ａ ｃ ｋ Ｐ ｒ ｏ ｐ ａ ｇ ａ ｔ ｉ ｏ ｎ ） 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 Ｌ ＭＢ Ｐ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 。 关键词： 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ｌ １ 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 ［ ２ １ 。为 了提 （ 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 了小波一 Ｌ ＭＢ Ｐ神经网络组合模 型进行短期负 荷预测 ， 并利用 Ｍ Ａ Ｔ Ｌ Ａ Ｂ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 Ｌ ＭＢ Ｐ神 经 网络 模 型 预测 ， 能 获得 更 加 精
实际值 蓝色 ） 与预测 值 较
咖 —— —— ——— —— ——— —— —— ——— ——— —— —— ——— —— ——— —一
确 的预测 结 果 。 ２理 论 基础 ２ ． １小波 分 析
历史负荷数据 ， 以矩阵 Ｐ的方式输入 。 ３ ． ２ ． ２采用 ｄ ｂ ４小波基对 Ｐ进行分解 （ 调用 ｗ ａ ｖ ｅ ｄ ｅ ｃ函数 ） ， 分解
出 ｃ ３和 ｄ ３ 、 ｄ ２ 、 ｄ ｌ 。
小 波分 析同时具有时域和频域 良好的局部性质 ， 能将 信号ｆ 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Ｉ ３ ｌ 。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 阁 。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 ｓ 。 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 ｄ ｌ ， ｄ 、 ｄ 和低频序列 Ｃ ， ， 分解式为 ： ｓ ｏ ＝ ｄ ＋ ｄ ２ ＋ ｄ ＋ ｃ ， 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。
