当前,诸多研究人员被电力负载预测所吸引,由于其是精确计划、调度及运维电力系统的先决条件。众多因素均影响着电力负载预测,因此提出一个混合模型来提升预测的准确性是有必要的。文中提出一种采用2种方法的新的混合负载估计方案:小波变换(avelet transform,WT)和人工神经网络(artificial neural network,ANN)。为了将大型非对称时变电力原始数据集合考虑到其中,根据时间和频率采用小波技术来分解数据,众多小波函数可以采用,但选择一种合适的小波函数在设计此模型中扮演着关键作用。文中采用了以下几种类型的小波函数,即Haar小波函数、Deubechies小波函数、Symlet小波函数以及Coiflet小波函数,将电力负载数据分解成不同的段。随后,使用ANN来预测负载的非线性数据。由AEMO获取一周每天24 h的数据验证了文中所设计模型的有效性。 是由Mallet提出的快速算法，可更好地理解离散小波变换电力需求预测-数控滚圆机滚弧机折弯机张家港滚圆机滚弧机折弯机折弯机。1.2神经网络本文所采用的人工神经网络是包含一个隐藏层的多层感知器，通过反向传播误差算法来训练，采用levenberg-marquardt方案（LM），投递方可促进权重的调节且比其他方案具有更快的收敛速度。神经网络包含存在于不同层面的一系列的节点，某一层的单个节点输出将会通过连接来作为下一层节点的输入。通过使用权重函数，到来的输入源能被连接器所增强、抑制或衰减。根据该节点的输入本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name，激活函数及该节点的补偿作用，特定的层面可被更深度的刺激。图1使用Mallet算法的小波分芨?载的结果并进行图形化比较。从图8和图9可看出，由ANN所获取的一月份第一周的MAPE值为3.42%，而WNN则为2.76%。由图10和图11可以看出，由ANN获得的十一月第二周的MAPE值为2.17%，而WNN的为1.45%。根据性能测量参数MAPE以及几种技术的仿真结果可看出，小波神经网络模型对2010年每个周的负载预测的表现要优于人工神经网络模型。如表4所示。图8不同模型的预测结果F图91月份第一周ANN负载预测与实际数据对比图42级相似下的负载预测与实际值对比n图52级细节下的负载预测与实际值对比Fil图61级细节下的负载预测与实际值对电力需求预测-数控滚圆机滚弧机折弯机张家港滚圆机滚弧机折弯机折弯机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name