一种基于小波神经元网络的短期负荷预测方法2行政.docVIP

一种基于小波神经元网络的短期负荷预测方法2行政论文范文大全 一种基于小波神经元网络的短期负荷预测方法 3.3 小波神经元网络的误差反传学习算法 为使误差em最小，采用梯度下降法学习函数作为小波神经元网络的学习法则。该学习过程与普通神经元网络的算法相同。根据式(5)-(7)和式(8)，可得到em的负梯度值，由此推出与该wnn每个参数有关的局部误差函数。如由局部误差函数值构造出梯度矢量，该wnn参数即可用梯度下降法更新确定。对于式(11)的em，对于第d个样 由于小波基函数对放缩系数和平移系数特别敏感，因此小波基节点数应足够大，以确保神经元网络的稳定性。此外，本文模型的网络参数初值选取如表1所示。 4 小波神经元网络预测模型的建立 4.1 采用改进隶属度分析聚类法选择训练样本 为避免气象突变、日期、星期类型的不同导致负荷模式的不同，从而显著增加神经元网络的训练时间并影响预测精度，需从历史数据中选取与预测日的特征量最为接近的历史日的数据作为训练样本，聚类分析是选择样本的有效手段。 在短期负荷预测的数据聚类中主要考虑的聚类特征指标有：最高温度、最低温度、平均温度、风力、可见度、湿度、天气类型、舒适度指数以及日期、星期等。这些因素对负荷变化的影响程度不同，其中最高温度、最低温度的变化对负荷变化的影响最大，且各因素的取值范围与正常变化范围也不同