The invention relates to a multi resolution wavelet neural network based on Particle Swarm Optimization of electricity consumption forecasting methods, forecasting belongs to the research field, the neural network technology program: including wavelet neural network and particle swarm optimization of wavelet neural network and particle swarm optimization of multi resolution wavelet neural network etc., it is the wavelet neural network, particle swarm the combination of algorithm and multi-resolution analysis, through the efficiency of verification of this prediction method of electricity consumption forecasting. The feasibility and effectiveness of the prediction method is verified by simulation experiments: prediction method, particle swarm optimization wavelet neural network prediction method and particle swarm optimization of multi resolution wavelet neural network of wavelet neural network. The analysis results of the analysis of the objective function and the return map, can be clearly seen that the values of the last convergence faster prediction method of objective function, higher prediction accuracy, effectively avoid the influence of hidden layer neurons caused by cross overlap, to avoid falling into local minimum, the prediction effect is better.
【技术实现步骤摘要】
基于粒子群优化的多分辨率小波神经网络用电量预测方法
本专利技术涉及一种基于粒子群优化的多分辨率小波神经网络用电量预测方法,属于神经网络预测研究领域。
技术介绍
在智能电网快速发展的环境下,电网向着网络化、数字化、集成化、标准化的大方向前进,因此对电力负荷的预测要求也逐步加深。对电力负荷的预测包括对售电量和用电量的预测。售电量是指电力企业售给用户的电量及供给本企业非电力生产基础建设、大修理和非生产部门等所使用的电量;用电量是指电网的售电量与自备电厂自发、自用电和其售给附近用户的电量之和。电力负荷中用电量的预测可分为长期、中期、短期、超短期预测;中、长期预测主要用于电力系统的规划建设,主要为发电设备的增容扩建、扩建选址、装机容量大小等的确定提供依据;短期预测主要用于为月度调配、控制、检修计划提供优先保证,指导电网各部门的正常运行,月度用电量的预测直接反映电力企业的经营效益,对电力企业合理安排购售电方案、确定融资缺口具有重要意义。目前,对于用电量进行预测的方法分为两大类,一类是传统预测法,另一类是现代预测法。传统预测法主要有:时间序列法、回归分析法、趋势外推法;传统预测法主要是依据经验,对历史数据要求高;不适合负荷序列波动大的时间序列情况;无法全面考虑各种影响负荷的因素;模型初始化难度较大,需要丰富的经验和较高的技巧。现代预测法主要有系统动力学理念预测法、模糊预测法、专家系统预测法、神经网络预测法、灰色预测法;其中神经网络预测法是近几年发展迅猛的一种预测方法,它以其强自适应性、并行处理、分布式存储方式、容错性强的特点广泛适用于具有高度非线性和各种不确定性的情况。 ...
【技术保护点】
一种基于粒子群优化的多分辨率小波神经网络用电量预测方法,其特征在于包括以下内容:1)小波神经网络:小波神经网络既有小波变换的时频域特性与变焦特性,又有神经网络自学习、自适应、容错性与鲁棒性,小波神经网络的框架是基于BP神经网络构建的,用小波激励函数替换sigmoid函数,并通过平移因子和伸缩因子构造小波基,其中平移因子所实现的功能相当于BP神经网络里的阈值,即对加权后的输入数值进行横向微调;伸缩因子的作用是在不同尺度下对其进行调整,也正是由于这两项调整因子的结合,才使得小波神经网络能够更加精准地向目标函数进行逼近,采用紧密型结构对小波神经网络进行构建,构造出来的3层小波神经网络结构;设输入层为I个单元,输入向量: X=[x
【技术特征摘要】
1.一种基于粒子群优化的多分辨率小波神经网络用电量预测方法,其特征在于包括以下内容:1)小波神经网络:小波神经网络既有小波变换的时频域特性与变焦特性,又有神经网络自学习、自适应、容错性与鲁棒性,小波神经网络的框架是基于BP神经网络构建的,用小波激励函数替换sigmoid函数,并通过平移因子和伸缩因子构造小波基,其中平移因子所实现的功能相当于BP神经网络里的阈值,即对加权后的输入数值进行横向微调;伸缩因子的作用是在不同尺度下对其进行调整,也正是由于这两项调整因子的结合,才使得小波神经网络能够更加精准地向目标函数进行逼近,采用紧密型结构对小波神经网络进行构建,构造出来的3层小波神经网络结构;设输入层为I个单元,输入向量:X=[x1,x2,……,xI],隐含层为J个单元,激励函数为小波函数,伸缩因子向量:A=[a1,a2,……,aJ],平移因子向量为B=[b1,b2,……,bJ];输出向量:Y=[y1,y2,……,yk],预期输出向量:O=[o1,o2,……,ok],输入层与隐含层权值、隐含层与输出层权值为w,输入层第i个节点和隐含层第j个节点间权值为wi,j,隐含层第j个节点和输出层第k个节点间权值为wj,k;u表示每一层神经元的输入,v来表示经激励函数处理后的输出,在迭代训练过程中,输入为X,yk为输出层第k个神经元的总输出,隐层第j个神经元及输出层第k个神经元的输入输出表达式为:网络的前向传递函数为:预期的输出向量与经训练后的实际输出向量之差为误差向量:ER=[er1,er2,……,erk],第k个神经元输出误差为:输出层所有神经元输出误差能量总和即全局误差能量E为:将得到的误差反向传播修正权值,依据权值的修正量与误差能量对权值的偏微分成正比来计算各权值与平移伸缩因子的修正值,再根据Delta学习规则,设定学习步长,将修正后的各权值和因子保留进行下一次迭代,网络中隐含层个数可依据经验值选取;学习步长选取过大可导致收敛过程震荡,过小则会减慢收敛速度,可通过多次尝试进行选取;2)粒子群优化的小波神经网络:粒子群优化算法是一种通过模拟鸟群觅食行为来进行协同搜索,从而在解空间中找到最优解的算法,算法过程是在状态空间中对每一个寻优位置进行评估,最终得到最佳位置,再从最佳位置出发进行搜索,直到获得最优目标值,将该算法用于优化小波神经网络,可加快神经网络训练的收敛速度,以全局优化的方式避免小波神经网络在训练过程中陷入局部极小值,提高预测精度;假设目标搜索空间为D维空间,粒子数为S个,于是第i个粒子在D维空间中的位置表示为:Xi...
【专利技术属性】
技术研发人员:熊长虹,姚玉永,钟诚,张欢,王涛,
申请(专利权)人:国网冀北电力有限公司唐山供电公司,国家电网公司,
类型:发明
国别省市:河北,13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。