基于小波包负荷特征提取和径向基网络的短期负荷预测新方法

《基于小波包负荷特征提取和径向基网络的短期负荷预测新方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、维普资讯http://www.cqvip.com第22卷第2期电力科学与技术学报Vo1．22No．22007年6月JO'URNAL0FEIECTRICPOWERSCIENCEANDTECHNOLOGYJun．2007基于小波包负荷特征提取和径向基网络的短期负荷预测新方法姜竹楠，刘峰，于文波(沈阳工程学院电气工程系，辽宁沈阳l10136)摘要：准确的负荷预测是电力系统做出合理调度的重要依据．提出基于小波包能量和神经网络理论的短期负荷预测新方法，将负荷序列进行小波包分解，提取小波包能量作为径向基神经网络负荷序列的输入特征量．大量的预测实例分析表明，所提出的预测方法具有稳定性

2、和准确性．关键词：小波包能量；径向基神经网络；特征量提取；支持向量机；负荷预测中图分类号：TM715文献标识码：A文章编号：1673-9140(2007)02-0034-05Anovelmethodofshort-timeloadforecastingbasedonwaveletpacketfeatureextractingandradialbasisfunctionnetworkJIANGZhu-Ball，LIUFeng，YUWen-bo(DepartmentofElectricalEngineering，ShenyangInstituteofEngineering，

3、Shenyang110136，China)Abstract：Accurateloadforecastingisthebasisofpowersystemdispatching．Anovelmethodshort—timeloadforecastingbasedonwaveletpacketfeatureextractingandRadialBasisFunction(RBF)neuralnet-workisproposedinthispaper．LDadseriesisdecomposedwithwaveletpacketandthewaveletpacketen-er

4、gyisextractedastheinputfeaturevectorsofRBFneuralnetwork．Resultsoflargenumbersofloadforecastingcasesshowthatthismethodisstableandfairlyaccurate．Keywords：waveletpacketenergy；RBFneuralnetwork；featurevectorsextracting；SVM；loadforecasting国内外学者对负荷预测进行了深入的研究，提素。·引，以及如何选择相似日等进行负荷预测等．出了很多预测方法．目前的

5、负荷预测多注重各实际上，影响负荷预测精度最主要的因素是预测日种方法的综合使用和考虑各种负荷影响的因前的已知负荷及气温因数刚．因此，很多文献直接收稿日期：2006—12—10作者简介：姜竹楠(1978一)，女，硕士研究生，主要从事电力系统及其自动化研究维普资讯http://www.cqvip.com第22卷第2期姜竹楠，等：基于小波包负荷特征提取和径向基网络的短期负荷预测新方法35利用预测日前的已知负荷进行负荷预测-7J．从分式(1)是(t)在空间Vo=中的概貌，把它当作一析负荷之间的相关系数可以看出，负荷之间存在很个树状滤波器组的输入信号．在小波包分解中，对任强的相关性

6、及大量的冗余信息，若直接利用预测日意节点(，P)，有前的负荷进行预测，将不利于负荷预测精度的进一(n)=<(t)，(t)>．(2)步提高．因此，对负荷的特征量提取至关重要，而以式(2)为(t)在该节点处的小波包系数，是(t)和往的文献往往忽略了对负荷的特征提取．基函数(2Jt—n)作内积的结果．小波包能将信号的各个频段进行均匀的划分，在节点(+1，P)处的小波系数由下式给出：提供完整的时频铺叠．各个频段的小波包系数能量。(k)=(k)·h。(2k)=能表征信号能量在整个时频平面的分布，适合作特∑(m)^。(m一2k)．(3)征量提取．而径向基神经网络较BP网络具有更好的

7、泛化能力和更高的训练速度，且不涉及隐层的确(．i})=(．i})·(2．i})=定．所以集二者之优点，构成基于小波包特征提取和∑dy(z)h(m一2k)．(4)径向基神经网络的电力系统短期负荷预测新方法．而在节点(，P)处的小波包系数可由下式来重构：1小波包分解及小波包能量(．i})=。(．i})·ho(．i})+(．i})·^。(．i})．1．1小波包分解(5)小波包是多分辨分析的推广，它提供了更为丰信号经过式(3)、(4)分解后将得到一系列的小富和精确的信号分析方法．由于小波变换只对信号波包系数．的低频部分做进一步分解，而对高频部分不