[發明專利]基于粒子群優化的多分辨率小波神經網絡用電量預測方法

在審

• 申請號: 201611065141.7
• 申請日: 2016-11-28
• 公開（公告）號: CN106779177A
• 公開（公告）日: 2017-05-31
• 發明（設計）人: 熊長虹;姚玉永;鐘誠;張歡;王濤
• 申請（專利權）人: 國網冀北電力有限公司唐山供電公司;國家電網公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 唐山順誠專利事務所(普通合伙)13106
• 代理人: 于文順,晏春紅

技術領域

本發明涉及一種基于粒子群優化的多分辨率小波神經網絡用電量預測方法，屬于神經網絡預測研究領域。

背景技術

在智能電網快速發展的環境下，電網向著網絡化、數字化、集成化、標準化的大方向前進，因此對電力負荷的預測要求也逐步加深。對電力負荷的預測包括對售電量和用電量的預測。售電量是指電力企業售給用戶的電量及供給本企業非電力生產基礎建設、大修理和非生產部門等所使用的電量；用電量是指電網的售電量與自備電廠自發、自用電和其售給附近用戶的電量之和。電力負荷中用電量的預測可分為長期、中期、短期、超短期預測；中、長期預測主要用于電力系統的規劃建設，主要為發電設備的增容擴建、擴建選址、裝機容量大小等的確定提供依據；短期預測主要用于為月度調配、控制、檢修計劃提供優先保證，指導電網各部門的正常運行，月度用電量的預測直接反映電力企業的經營效益，對電力企業合理安排購售電方案、確定融資缺口具有重要意義。

目前,對于用電量進行預測的方法分為兩大類,一類是傳統預測法,另一類是現代預測法。傳統預測法主要有：時間序列法、回歸分析法、趨勢外推法；傳統預測法主要是依據經驗，對歷史數據要求高；不適合負荷序列波動大的時間序列情況；無法全面考慮各種影響負荷的因素；模型初始化難度較大,需要豐富的經驗和較高的技巧。現代預測法主要有系統動力學理念預測法、模糊預測法、專家系統預測法、神經網絡預測法、灰色預測法；其中神經網絡預測法是近幾年發展迅猛的一種預測方法，它以其強自適應性、并行處理、分布式存儲方式、容錯性強的特點廣泛適用于具有高度非線性和各種不確定性的情況。但其也存在收斂速度慢、隱含層神經元交叉重疊、容易陷入局部極小值等缺點。

發明內容

本發明的目的是提供一種基于粒子群優化的多分辨率小波神經網絡用電量預測方法，針對普通神經網絡預測方法收斂速度慢、預測精度低以及隱含層神經元交叉重疊、容易陷入局部極小的問題，在小波神經網絡的框架上加入粒子群算法和多分辨率分析的思想，結合兩者的優點，建立一種基于粒子群優化的多分辨率小波神經網絡預測用電量的模型。這種預測方法能夠使收斂速度明顯加快，并且有效避免了因神經網絡隱含層神經元交叉重疊而產生的影響，避免了陷入局部極小的可能，預測精度得到提高，且具有實用性強，應用效果佳等優點。

實現本發明目的所采用的技術方案是：

一種基于粒子群優化的多分辨率小波神經網絡用電量預測方法，它包括以下內容：

1)小波神經網絡：

小波神經網絡既有小波變換的時頻域特性與變焦特性，又有神經網絡自學習、自適應、容錯性與魯棒性，小波神經網絡的框架是基于BP神經網絡構建的，用小波激勵函數替換sigmoid函數，并通過平移因子和伸縮因子構造小波基，其中平移因子所實現的功能相當于BP神經網絡里的閾值，即對加權后的輸入數值進行橫向微調；伸縮因子的作用是在不同尺度下對其進行調整，也正是由于這兩項調整因子的結合，才使得小波神經網絡能夠更加精準地向目標函數進行逼近，采用緊密型結構對小波神經網絡進行構建，構造出來的3層小波神經網絡結構；

設輸入層為I個單元，輸入向量: X=[x₁,x₂,……,x_I]，隱含層為J個單元，激勵函數為小波函數 ，伸縮因子向量：A=[a₁,a₂,……,a_J]，平移因子向量為B=[b₁,b₂,……,b_J]；

輸出向量：Y=[y₁,y₂,……,y_k]，預期輸出向量：O=[o₁,o₂,……,o_k]，輸入層與隱含層權值、隱含層與輸出層權值為w，輸入層第i個節點和隱含層第j個節點間權值為w_i,j，隱含層第j個節點和輸出層第k個節點間權值為w_j,k；

u表示每一層神經元的輸入，v來表示經激勵函數處理后的輸出，在迭代訓練過程中，輸入為X，y_k為輸出層第k個神經元的總輸出，隱層第j個神經元及輸出層第k個神經元的輸入輸出表達式為：

網絡的前向傳遞函數為：