小波去噪和神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測(cè)中的應(yīng)用

1、小波去噪和神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測(cè)中的應(yīng)用研究摘要：為了降低歷史負(fù)荷數(shù)據(jù)噪聲對(duì)負(fù)荷預(yù)測(cè)的影響，提高電力負(fù)荷的預(yù)測(cè)精度，提出了一種基于小波去噪和bp神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)方法。首先，對(duì)所得電力負(fù)荷數(shù)據(jù)進(jìn)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(luò)在非線性處理中的優(yōu)異特性，對(duì)小波去噪后的電力負(fù)荷進(jìn)行了bp神經(jīng)網(wǎng)絡(luò)建模訓(xùn)練及仿真。實(shí)驗(yàn)結(jié)果表明：相比于其他電力負(fù)荷模型，該方法可以有效提高電力負(fù)荷的預(yù)測(cè)精度，是一種有效的電力負(fù)荷預(yù)測(cè)方法。關(guān)鍵詞：小波變換 神經(jīng)網(wǎng)絡(luò) 負(fù)荷預(yù)測(cè) 數(shù)據(jù)預(yù)處理中圖分類(lèi)號(hào)：tm715文獻(xiàn)標(biāo)識(shí)碼：a文章編號(hào)：1007-9416(2012)07-0073-021、引言電力

2、負(fù)荷預(yù)測(cè)是電力管理系統(tǒng)調(diào)度及用電等部門(mén)的一項(xiàng)非常重要的工作，電力負(fù)荷的預(yù)測(cè)準(zhǔn)確度對(duì)電網(wǎng)運(yùn)行的安全性和經(jīng)濟(jì)性等因素有著直接而重要的影響1。長(zhǎng)期以來(lái)，國(guó)內(nèi)外大量學(xué)者對(duì)這一課題進(jìn)行了廣泛的研究，傳統(tǒng)的基于特定線性數(shù)學(xué)模型的方法在電力負(fù)荷預(yù)測(cè)方面有一定的缺陷2。神經(jīng)網(wǎng)絡(luò)具有很好的非線性處理能力，該模型通過(guò)對(duì)訓(xùn)練樣本集的學(xué)習(xí)，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(yù)測(cè)結(jié)果。電力負(fù)荷預(yù)測(cè)的精確度還與歷史電力負(fù)荷值有很大的關(guān)系，所以應(yīng)對(duì)歷史電力負(fù)荷值進(jìn)行必要的預(yù)處理，避免因部分歷史數(shù)據(jù)的隨機(jī)性和跳躍性而影響到電力負(fù)荷預(yù)測(cè)的精度3。小波變換在信號(hào)去噪方面有優(yōu)良性能

3、，本文對(duì)歷史電力負(fù)荷數(shù)據(jù)進(jìn)行小波去噪預(yù)處理，然后用神經(jīng)網(wǎng)絡(luò)模型對(duì)負(fù)荷數(shù)據(jù)進(jìn)行建模預(yù)測(cè)，實(shí)驗(yàn)結(jié)果表明文中的算法能夠有效提高電力負(fù)荷的預(yù)測(cè)精度。2、小波閾值去噪不同日期同一時(shí)間點(diǎn)的電力負(fù)荷值具有較強(qiáng)的相關(guān)性及連續(xù)性，而在電力負(fù)荷值的采集過(guò)程中，必然存在一定的噪聲因素，所以對(duì)不同日期同一時(shí)間點(diǎn)組成的一維電力負(fù)荷值進(jìn)行小波去噪處理，更有利于電力負(fù)荷預(yù)測(cè)。2.1 小波閾值去噪基本原理設(shè)含有噪聲的信號(hào)為4其中，f (t )為原始信號(hào)，n (t )為方差的gaussian白噪聲，服從，對(duì)一維信號(hào)s (t )進(jìn)行離散采樣，得到n點(diǎn)的離散信號(hào)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(hào)消噪的過(guò)程可分為三個(gè)步驟進(jìn)行：(1)一維信號(hào)的小波分解。選擇一個(gè)小波并確定小波分解的層次k，然后對(duì)信號(hào)s (n) (n=0,1,n-1)進(jìn)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(duì)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(gè)閥值進(jìn)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(guò)量化處理后的第1層到第k層的高頻系數(shù)，進(jìn)行一維信號(hào)的小波重構(gòu)。2.2 閾值及閾值函數(shù)的選擇含噪信號(hào)

5、的小波閾值去噪過(guò)程中，閾值選取是否適當(dāng)決定了去噪效果的優(yōu)劣。固定閾值準(zhǔn)則因其閾值選擇相對(duì)簡(jiǎn)單，并且效果較好，得到了普遍的應(yīng)用，本文采用visushrink提出的全局閾值去噪方法來(lái)確定閾值門(mén)限t，計(jì)算公式如下：其中為噪聲標(biāo)準(zhǔn)，n為信號(hào)的長(zhǎng)度?？梢酝ㄟ^(guò)分解后的小波高頻系數(shù)的絕對(duì)值中值來(lái)確定，計(jì)算方法如下：cd是cd i 絕對(duì)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(shí)均有一定的缺陷，有學(xué)者將軟閾值和硬閾值結(jié)合提出了一種改進(jìn)的半軟閾值函數(shù)，效果較好，其數(shù)學(xué)表達(dá)式如下：文中用半軟閾值函數(shù)進(jìn)行實(shí)驗(yàn)仿真。3、bp神經(jīng)網(wǎng)絡(luò)結(jié)

6、構(gòu)及算法bp網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，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(diǎn)中沒(méi)有任何耦合，bp神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督的學(xué)習(xí)。bp網(wǎng)絡(luò)采用有導(dǎo)師的訓(xùn)練，其學(xué)習(xí)過(guò)程有四部分5：(1)正向傳播，輸入信號(hào)從輸入層節(jié)點(diǎn)依次經(jīng)過(guò)隱層節(jié)點(diǎn)，然后傳到輸出節(jié)點(diǎn)，每層節(jié)點(diǎn)的輸出只影響下一層節(jié)點(diǎn)的輸出。(2)反向傳播算法，通過(guò)計(jì)算各層的實(shí)際輸出與目標(biāo)的差值，把誤差信號(hào)反響傳回，進(jìn)而修正各層神經(jīng)元的權(quán)值，使誤差最小話(huà)。(3)“正向傳播”和“反向傳播”交替進(jìn)行網(wǎng)絡(luò)“記憶訓(xùn)練”過(guò)程。(4)網(wǎng)絡(luò)趨向收斂，即網(wǎng)絡(luò)的全局誤差趨向極小值的學(xué)習(xí)收斂過(guò)程。神經(jīng)網(wǎng)絡(luò)通過(guò)不斷調(diào)整神經(jīng)元的權(quán)值，實(shí)現(xiàn)誤差最小化

7、，理論證明，當(dāng)隱層的神經(jīng)元數(shù)目足夠多時(shí)，可以任意精度的逼近任何一個(gè)具有有限間斷點(diǎn)的非線性函數(shù)。4、基于小波去噪和bp神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)流程綜上所述，將小波閾值去噪用于電力負(fù)荷的預(yù)處理，并用bp神經(jīng)網(wǎng)絡(luò)對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)的基本步驟如下：步驟1：對(duì)不同時(shí)期同一時(shí)間點(diǎn)組成的一維電力負(fù)荷值進(jìn)行小波去噪處理，選擇去噪效果較好的db4小波基進(jìn)行處理。步驟2：對(duì)去噪后的電力負(fù)荷值進(jìn)行bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練。步驟3：利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)日期的電力負(fù)荷值進(jìn)行預(yù)測(cè)。5、實(shí)驗(yàn)及結(jié)果分析5.1 電力負(fù)荷原始數(shù)據(jù)本文采用文獻(xiàn)6中哈爾濱市1995年到2008年的電力負(fù)荷值作為實(shí)驗(yàn)數(shù)據(jù),數(shù)據(jù)已經(jīng)歸一化處理，單位為萬(wàn)千瓦

8、時(shí)。5.2 實(shí)驗(yàn)研究(1)對(duì)1995-2007年每個(gè)月的電力負(fù)荷值進(jìn)行小波去噪處理。(2)利用1995-2006年12個(gè)月的數(shù)據(jù)作為bp神經(jīng)網(wǎng)絡(luò)的輸入，1996-2007年12個(gè)月的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練輸出，即神經(jīng)網(wǎng)絡(luò)的輸入層共有12個(gè)神經(jīng)元， 輸出層為12個(gè)月的電力負(fù)荷值，輸出層也為12個(gè)神經(jīng)元，經(jīng)過(guò)實(shí)驗(yàn)，選擇訓(xùn)練效果較好的神經(jīng)元個(gè)數(shù)為25的隱層，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。(3)將2007年12個(gè)月的電力負(fù)荷值輸入已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，進(jìn)行2008年12個(gè)月電力負(fù)荷值的預(yù)測(cè)。5.3 實(shí)驗(yàn)結(jié)果分析由于平均絕對(duì)誤差(mae)、均方誤差平方根(rmse)和平均絕對(duì)百分比誤差(mape)這三個(gè)指標(biāo)可以有

9、效反應(yīng)預(yù)測(cè)模型的預(yù)測(cè)精度，實(shí)驗(yàn)中計(jì)算了不同預(yù)測(cè)模型與實(shí)際值的mae、rmse及mape指標(biāo)值，結(jié)果表1所示。從表中可反映出，本文算法在三個(gè)指標(biāo)上均優(yōu)于對(duì)照模型，是一種有效的電力負(fù)荷預(yù)測(cè)方法。6、結(jié)語(yǔ)本文提出了一種基于小波去噪和bp神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)方法，先對(duì)不同時(shí)期同一時(shí)間點(diǎn)的歷史電力負(fù)荷數(shù)據(jù)進(jìn)行小波去噪處理，然后對(duì)去噪后的數(shù)據(jù)進(jìn)行bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練，最后利用歷史數(shù)據(jù)對(duì)電力負(fù)荷值作出預(yù)測(cè)，實(shí)驗(yàn)結(jié)果表明，本文方法得到的預(yù)測(cè)值與實(shí)際數(shù)據(jù)擬合程度高，起伏度小，是一種較好的電力負(fù)荷預(yù)測(cè)方法。參考文獻(xiàn)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(fù)荷預(yù)測(cè)模型的建立與應(yīng)用j.計(jì)算機(jī)仿真,2011,28(10):316-319.3童述林,文福拴,陳亮.電力負(fù)荷數(shù)據(jù)預(yù)處理的二維小波閾值去噪方法j.電力系統(tǒng)自動(dòng)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(jì)算機(jī)工程與應(yīng)用,2008,44(9):172-173.5李眉