小波去噪和神經(jīng)網(wǎng)絡在電力負荷預測中的應用

1、小波去噪和神經(jīng)網(wǎng)絡在電力負荷預測中的應用研究摘要：為了降低歷史負荷數(shù)據(jù)噪聲對負荷預測的影響，提高電力負荷的預測精度，提出了一種基于小波去噪和bp神經(jīng)網(wǎng)絡的電力負荷預測方法。首先，對所得電力負荷數(shù)據(jù)進行了小波變換去噪處理，有效去除了噪聲，然后利用bp神經(jīng)網(wǎng)絡在非線性處理中的優(yōu)異特性，對小波去噪后的電力負荷進行了bp神經(jīng)網(wǎng)絡建模訓練及仿真。實驗結(jié)果表明：相比于其他電力負荷模型，該方法可以有效提高電力負荷的預測精度，是一種有效的電力負荷預測方法。關(guān)鍵詞：小波變換 神經(jīng)網(wǎng)絡 負荷預測 數(shù)據(jù)預處理中圖分類號：tm715文獻標識碼：a文章編號：1007-9416(2012)07-0073-021、引言電力

2、負荷預測是電力管理系統(tǒng)調(diào)度及用電等部門的一項非常重要的工作，電力負荷的預測準確度對電網(wǎng)運行的安全性和經(jīng)濟性等因素有著直接而重要的影響1。長期以來，國內(nèi)外大量學者對這一課題進行了廣泛的研究，傳統(tǒng)的基于特定線性數(shù)學模型的方法在電力負荷預測方面有一定的缺陷2。神經(jīng)網(wǎng)絡具有很好的非線性處理能力，該模型通過對訓練樣本集的學習，得到歷史數(shù)據(jù)間的規(guī)律，建立起從輸入數(shù)據(jù)到輸出數(shù)據(jù)的映射關(guān)系，在此模型上可以較好地得到預測結(jié)果。電力負荷預測的精確度還與歷史電力負荷值有很大的關(guān)系，所以應對歷史電力負荷值進行必要的預處理，避免因部分歷史數(shù)據(jù)的隨機性和跳躍性而影響到電力負荷預測的精度3。小波變換在信號去噪方面有優(yōu)良性能

3、，本文對歷史電力負荷數(shù)據(jù)進行小波去噪預處理，然后用神經(jīng)網(wǎng)絡模型對負荷數(shù)據(jù)進行建模預測，實驗結(jié)果表明文中的算法能夠有效提高電力負荷的預測精度。2、小波閾值去噪不同日期同一時間點的電力負荷值具有較強的相關(guān)性及連續(xù)性，而在電力負荷值的采集過程中，必然存在一定的噪聲因素，所以對不同日期同一時間點組成的一維電力負荷值進行小波去噪處理，更有利于電力負荷預測。2.1 小波閾值去噪基本原理設含有噪聲的信號為4其中，f (t )為原始信號，n (t )為方差的gaussian白噪聲，服從，對一維信號s (t )進行離散采樣，得到n點的離散信號s (n)(n=0,1,n-1)。1992年，donoho和johno

4、stne提出了小波閾值去噪方法， 信號消噪的過程可分為三個步驟進行：(1)一維信號的小波分解。選擇一個小波并確定小波分解的層次k，然后對信號s (n) (n=0,1,n-1)進行k層小波分解，得到一組小波系數(shù)(ca1,cd1,ca2,cd2,ca3,cd3cak,cdk)，cak,cdk是小波k層分解后的低頻系數(shù)和高頻系數(shù)。(2)對小波分解后的高頻系數(shù)的閥值量化，從第1層到第k層的高頻系數(shù)選擇一個閥值進行閥值量化處理，其中閾值的選擇是關(guān)鍵。(3)一維小波的重構(gòu)。根據(jù)小波分解的第k層的低頻系數(shù)和經(jīng)過量化處理后的第1層到第k層的高頻系數(shù)，進行一維信號的小波重構(gòu)。2.2 閾值及閾值函數(shù)的選擇含噪信號

5、的小波閾值去噪過程中，閾值選取是否適當決定了去噪效果的優(yōu)劣。固定閾值準則因其閾值選擇相對簡單，并且效果較好，得到了普遍的應用，本文采用visushrink提出的全局閾值去噪方法來確定閾值門限t，計算公式如下：其中為噪聲標準，n為信號的長度?？梢酝ㄟ^分解后的小波高頻系數(shù)的絕對值中值來確定，計算方法如下：cd是cd i 絕對值的中值，i =1、2、3k，k為小波分解層數(shù)。傳統(tǒng)的閾值函數(shù)總體分為硬閾值函數(shù)和軟閾值函數(shù)，硬閾值函數(shù)和軟閾值函數(shù)在去噪處理時均有一定的缺陷，有學者將軟閾值和硬閾值結(jié)合提出了一種改進的半軟閾值函數(shù)，效果較好，其數(shù)學表達式如下：文中用半軟閾值函數(shù)進行實驗仿真。3、bp神經(jīng)網(wǎng)絡結(jié)

6、構(gòu)及算法bp網(wǎng)絡是一種單向傳播的多層前向網(wǎng)絡，它由輸入層、隱層和輸出層組成，隱層可以為單層或多層，同層節(jié)點中沒有任何耦合，bp神經(jīng)網(wǎng)絡是一種有監(jiān)督的學習。bp網(wǎng)絡采用有導師的訓練，其學習過程有四部分5：(1)正向傳播，輸入信號從輸入層節(jié)點依次經(jīng)過隱層節(jié)點，然后傳到輸出節(jié)點，每層節(jié)點的輸出只影響下一層節(jié)點的輸出。(2)反向傳播算法，通過計算各層的實際輸出與目標的差值，把誤差信號反響傳回，進而修正各層神經(jīng)元的權(quán)值，使誤差最小話。(3)“正向傳播”和“反向傳播”交替進行網(wǎng)絡“記憶訓練”過程。(4)網(wǎng)絡趨向收斂，即網(wǎng)絡的全局誤差趨向極小值的學習收斂過程。神經(jīng)網(wǎng)絡通過不斷調(diào)整神經(jīng)元的權(quán)值，實現(xiàn)誤差最小化

7、，理論證明，當隱層的神經(jīng)元數(shù)目足夠多時，可以任意精度的逼近任何一個具有有限間斷點的非線性函數(shù)。4、基于小波去噪和bp神經(jīng)網(wǎng)絡的電力負荷預測流程綜上所述，將小波閾值去噪用于電力負荷的預處理，并用bp神經(jīng)網(wǎng)絡對電力負荷進行預測的基本步驟如下：步驟1：對不同時期同一時間點組成的一維電力負荷值進行小波去噪處理，選擇去噪效果較好的db4小波基進行處理。步驟2：對去噪后的電力負荷值進行bp神經(jīng)網(wǎng)絡訓練。步驟3：利用訓練好的神經(jīng)網(wǎng)絡對目標日期的電力負荷值進行預測。5、實驗及結(jié)果分析5.1 電力負荷原始數(shù)據(jù)本文采用文獻6中哈爾濱市1995年到2008年的電力負荷值作為實驗數(shù)據(jù),數(shù)據(jù)已經(jīng)歸一化處理，單位為萬千瓦

8、時。5.2 實驗研究(1)對1995-2007年每個月的電力負荷值進行小波去噪處理。(2)利用1995-2006年12個月的數(shù)據(jù)作為bp神經(jīng)網(wǎng)絡的輸入，1996-2007年12個月的數(shù)據(jù)作為神經(jīng)網(wǎng)絡的訓練輸出，即神經(jīng)網(wǎng)絡的輸入層共有12個神經(jīng)元， 輸出層為12個月的電力負荷值，輸出層也為12個神經(jīng)元，經(jīng)過實驗，選擇訓練效果較好的神經(jīng)元個數(shù)為25的隱層，對神經(jīng)網(wǎng)絡進行訓練。(3)將2007年12個月的電力負荷值輸入已經(jīng)訓練好的神經(jīng)網(wǎng)絡，進行2008年12個月電力負荷值的預測。5.3 實驗結(jié)果分析由于平均絕對誤差(mae)、均方誤差平方根(rmse)和平均絕對百分比誤差(mape)這三個指標可以有

9、效反應預測模型的預測精度，實驗中計算了不同預測模型與實際值的mae、rmse及mape指標值，結(jié)果表1所示。從表中可反映出，本文算法在三個指標上均優(yōu)于對照模型，是一種有效的電力負荷預測方法。6、結(jié)語本文提出了一種基于小波去噪和bp神經(jīng)網(wǎng)絡的電力負荷預測方法，先對不同時期同一時間點的歷史電力負荷數(shù)據(jù)進行小波去噪處理，然后對去噪后的數(shù)據(jù)進行bp神經(jīng)網(wǎng)絡訓練，最后利用歷史數(shù)據(jù)對電力負荷值作出預測，實驗結(jié)果表明，本文方法得到的預測值與實際數(shù)據(jù)擬合程度高，起伏度小，是一種較好的電力負荷預測方法。參考文獻1chen jiyi,li wenyuan,lau adriel, etal. automated load curve data cleansing in power systemsj.ieee trans on amart grids,2010,1(2):213-221.2李永斌.短期電力負荷預測模型的建立與應用j.計算機仿真,2011,28(10):316-319.3童述林,文福拴,陳亮.電力負荷數(shù)據(jù)預處理的二維小波閾值去噪方法j.電力系統(tǒng)自動化,2012,36(2):101-105.4張蓮,秦華峰,余成波.基于小波閾值去噪算法的研究j.計算機工程與應用,2008,44(9):172-173.5李眉