[发明专利]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

说明书

技术领域

本发明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。

背景技术

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。但其也存在收敛速度慢、隐含层神经元交叉重叠、容易陷入局部极小值等缺点。

发明内容

本发明的目的是提供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，针对普通神经网络预测方法收敛速度慢、预测精度低以及隐含层神经元交叉重叠、容易陷入局部极小的问题，在小波神经网络的框架上加入粒子群算法和多分辨率分析的思想，结合两者的优点，建立一种基于粒子群优化的多分辨率小波神经网络预测用电量的模型。这种预测方法能够使收敛速度明显加快，并且有效避免了因神经网络隐含层神经元交叉重叠而产生的影响，避免了陷入局部极小的可能，预测精度得到提高，且具有实用性强，应用效果佳等优点。

实现本发明目的所采用的技术方案是：

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，它包括以下内容：

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,……,x_I]，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,……,a_J]，平移因子向量为B=[b₁,b₂,……,b_J]；

输出向量：Y=[y₁,y₂,……,y_k]，预期输出向量：O=[o₁,o₂,……,o_k]，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w_i,j，隐含层第j个节点和输出层第k个节点间权值为w_j,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，y_k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：