《【电力期刊】基于小波变换和混合神经网络的短期负荷预测.pdf》由会员分享，可在线阅读，更多相关《【电力期刊】基于小波变换和混合神经网络的短期负荷预测.pdf（5页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、 第 2 7 卷第5期函2 0 0 7 年5 月 电 力 自 动 化 议 备E l e c t ri cP o w e r A u t o m at i o nE q u i p m e n tVo l.2 7No.5M a y 2 0()7基 于 小 波 变 换 和 混 合 神 经 网络的短期负荷预测尹成群，康丽峰，李 丽，王红云(华北电力大学 电子与通信工程系，河北 保定 071 0 03)摘要:提出 通过小波分解对各负 荷子序列进行特性分析初选影响因 素后，采用信息嫡法从初选变量中自 动筛选出对负 荷较重要的因素，然后采用改进的主成分分析法消除重要影响因素间的相关性，采用动态聚类法对各分
2、解序列的样本归类，通过灰色关联分析选择出与预测时刻负 荷模式最相似的类作为神经网络训练的典型样本集，采用蚁群优化算法训练各子序列相应神经网络模型，采用小波重构得到最终负 荷预测结果。并利用某地区1999年的实际负 荷对所提方法进行验证，结果表明了 该方法的合理性和有效性。关键词:负 荷预测;小波变换;信息嫡;主成分分析;动态聚类法;蚁群优化算法中图分类号:T M7 1 5文献标识码:A文章编号:1 0 0 6 一 6 0 4 7(2 0 0 7)0 5 一 0 0 4 0 一 0 50 引言 短期负荷预测在电力系统安全稳定经济运行中起着非常重要的作用。准确的负荷预测将直接影响电力系统的经济效益
3、。据估计，1%的预测误差将会导致一年中百万英镑的经济损失。根据短期电力负荷的特性，负荷信号一般表现为连续频谱，在一段连续波动过程中，呈现瞬变非周期性，而小波变换具有自 适应可调时频窗特点，因此是研究负荷特性的重要而有效的工具。文献 1 一 3 中采用小波分解和神经网络相结合的预测模型比仅采用神经网络的预测模型精度有所提高，但是由于它们都只是根据小波分解后各子序列的负荷特性按照经验粗略选择负荷的相关影响因素，因此有些选择的影响因素可能对负荷影响也不是很大，而且彼此间还有可能存在相关性。针对此问题，文中除了通过小波分解对负荷特性分析外，还采用了无需任何先验经验而完全依赖于数据的信息嫡法从初选变量中
4、自动筛选出对负荷较重要的因素，然后采用改进的主成分分析法消除重要影响因素间的相关性。另外，对于神经网络预测模型，典型样本的选择也很关键。但文献 1 一 3中并没有提出更为有效的样本选择方法。一般，样本选择应满足强相关、相似和适量的原则。如果训练样本太多，就会增加训练时间;而训练样本太少，又不能遍历所有可能的负荷模式，不具有典型性。故此处先采用动态聚类法对所有样本聚类，然后通过灰色关联分析选择出与预测时刻负荷模式最相似的类作为神经网络训练的典型样本集。收稿日 期:2 0 0 6 一 0 9 一 0 6;修回日 期:2 007 一 0 2 一 0 2 对于学习算法，如果仍然采用最常用的B P 算法
5、，就会限制所建模型的优点，因而，采用了具有正反馈、分布式计算和启发性收敛特点的蚁群优化(A C O)算法，从而提高了预测模型的全局搜索能力和泛化能力。最后，应用19 99年某地区实际负荷对所建模型进行测试，结果表明了 所提方法的合理性和有效性。1 预测模型建立1.1 日负荷数据的小波分解 电力负荷的变化规律主要包含2 种趋势:一是逐渐增长的趋势，二是以日、周、月、年为周期的波动趋势，故很难用一个精确的数学表达式描述。通过小波变换 一 4 现 可以把负荷中的随机高频分量和线性分量明显分开，从而分别对各自 的 特性进行分析。双正交小波具有很好的对称性及线性相位，在小波分解和重构时不容易发生失真。另
6、外，尺度的合理选择也很关键。经研究表明，将负荷数据分解至尺度3 是比较合理的。故采用双正交样条小波bi o r s.5 对某地区 1 9 99 年4 月份最后 2 周的负荷数据序列分解至尺度3，以l h 为时间间隔进行采样，1 日 采样2 4 点，2 周共采样2 4 x l 4=3 3 6 点。图1 所示为原始负荷序列及小波分解系数。在图1 中，a。表示原始序列(a。=a 3+d 3+d Z+d l)，a 3 表示序列的低频部分(近似部分)，具有了光滑特性，保持了原序列的曲线形状，具有日、周周期性。成、成、d，是序列的高频部分(细节部分)。其中，姚基本上具有隐藏的半日 周期性。成中，负荷的日
7、周期内嵌4 个短周期，说明该地区负荷序列每天出现4次稳定的耗电量波动。研究表明，成的预测采用和珑相同的模型能得到较好的预测精度。d l 主要表现万方数据第 5期尹成群，等:基于小波变换和混合神经网络的短期负荷预测.2 X X 10 以)0ZI X 洲 1(兀 旧 0 2 oo 0一2 00 2 oo 0一 2 00 1 oo 01 oo沙澎召酥昙召眯芝心酥国、P毖遥、P 05 01(X)1 5 02 2 5 0 t/h 图 12 周负荷序列分解Fi g.ID e c o m P o s i t i o nof two 一 wee kl o a d为随机负荷分量，具有短时依赖关系。另外，考虑到不
8、同日 类型对负荷影响也比较大，用l(i，t)表示第1日 第t 时刻的负荷值，D(i)代表第1 日的日 类型，分析影响各负荷子序列的因素。a.影响a 3 的因素:l(i 一 21川及前后各3 个时刻的负荷;l(1 一 14，t)及前后各3 个时刻的负荷;l(i-7，t)及前后各3 个时刻的负荷;l(i 一 3，t)及前后各3个时刻的负荷;l(i 一 2，t)及前后各3 个时刻的负荷;1(1 一 1，t)及前后各3 个时刻的负荷;1(1，t 一 1)、1(1，t 一 2)、1(1，t 一 3);D(1)、D(1 一 1)、D(1 一 2)、D(1 一 3)。b.影响d3、dZ的因素:1(1，t 一
9、 1 2)、1(1 一 1，t 一 1 2)、1(1 一 2，t 一 1 2)及a 3 中的影响因素。c.影响d，的因素:前2 4 h 的负荷值以及D(1)、D(1 一 1)。可以看出，各负荷子序列的影响因素虽然全面但是数量较多。以预测4 月3 0日 为例，通过对成序列的相关性分析可知，任意2 个变量之间的相关性最大为0.9 6 5 9，最小为0.0 0 1 7，所以属性约简是有必要的。1.2 影响因素的约简1.2.1 信息嫡理论 信息嫡约简法是一种将粗集论与信息论相结合的属性约简法，利用条件嫡确定决策属性对某一条件属性的依赖性。假设信息系统5=，u为论域，A为条件属性集C和决策属性集D的集合
10、，a 为某一条件属性，则决策属性D对某一条件属性a 的 依赖程度可以 利用下式计算5 一7 :为是对负荷影响较大的因素，而小于这一闭值的属性则认为是冗余的，可以删除。对4 月3 0日 的子序列选，信息嫡法约简的阑值设定为0.1。经约简后，影响因素从原来的52个减少为23个。对这23个变量计算互相关系数可知，其相关性仍然存在，所以可以在保证绝大部分信息不丢失的情况下对这些变量继续进行约简，从而消除它们之间的相关性。1.2.2 主成分分析法 主成分分析法是研究多个数值变量间相关性的一种多元统计方法。在基本保持原变量信息不变的前提下，能通过少数几个互不相关新变量的线性组合代替原变量并揭示原变量之间的
11、关系，是消除相关性的有效手段。下面描述其具体的实现过程8 一 0。假设原有p 个彼此相关的负荷影响因 素，则训练样本构成的数据矩阵为x。设X 二 x，x Z，T，则求 X的各主成分就等价于求其相关矩阵的大于0 的各特征值及相应的单位正交特征向量入，妻 A Z)人，)0 及d=d l，姚，嵘 。定 义Y 二 Y l，Y Z，称 T 为 主 成 分向 量，则 Y=d T X*(2)式中X 表示 X经过标准差标准化方法规范化后 的数据矩阵。选择m(m :，则聚 类数k 二 k+1，第1 个样本成为第k+1 类的聚类重心;否则第1 个样 本属于 第j 类，该类重心变为:，=m表 示第j 类中的 样本
12、个数。c.计算对应的总歪D(5)。若酬(5)一 刀:(5)5(D井(S)是上次的总歪)，转至d，否则转至a。d.停止计算，此时k 值为相应的模式聚类数，2，(j=1，2，k)为相应的聚 类重心。以经验公式(8)作为选取最优聚类数和最佳r值的标准。一一K=m ax 谓 兴 订 一=2，一 N 1.4 神经网络模型 电力负荷预测应用最为广泛的是B P网络，但是B P网络具有收敛速度慢、易陷人局部最小的缺陷。为了克服这些缺陷，在此采用A C O算法作为学习算法。A C O的正反馈特性使得收敛速度加快，分布式计算特性避免了收敛过程中出现早熟现象而陷人局部最优，启发性收敛特性则使搜索过程中更早发现可接受
13、解成为可能。下面描述A C O算法应用于神经网络的基本过程 15)。假设m代表网络中总参数的个数，包括所有权值和阑值在内。h 代表蚂蚁数，则h 的取值一般与m接近或略高于m。对于每个参数，在 一 1，1之间随机初始化为N个可能解，第1 个参数的解集合设为寿、(1 i m)，以寿 )(t)表 示t 时 刻 集合中 第j 个元素的信息素。则蚂蚁寻找食物的过程就可以看作是分别从各个解集合中选出一个参数取值的过程。至于每个参数取值的选择，在此根据式(9)计算出的概率实施轮盘赌法:N p(丁 夕(“艺，=丁 少(“址，崛T (“)(9，用h 只蚂蚁分别寻找食物，从而得到h 种网络参数解的方案，选择使得预
14、测误差最小的一组解，如果与以前相比，进化程度不是很大或迭代次数已经达到最大值，则迭代结束，输出最优解。如果任意一个条件都不满足，则对各解集合中的每一个元素根据式(1 0)(1 1)调整信息素:马(吞 乙)(t+叹)=p T，(寿、)(t)十 几(吞)(1 0)几(几)=乙 T 夕(“)(“)式中 p 是信息 残留 度，取 值在0，1 之间。讨怀、)表 示第左 只 蚂蚁在本次迭代中 在集合几 中 第j 个元素上留 下的 信息素，可用下式计算:式中 K为选择标准;k为相应的聚类数;(8)D(k)为对口 如果本次循环中第k 只蚂蚁应的总歪。当K第 1 次达到最大值时对应的情况就是聚 讨(In)选 择
15、 了 吞*中 的 第 j 个 元 素(l 2)其他类程度较稳定的最优聚类。对于4 月3 0日 的d Z 序列采用动态聚类法确定最佳间距:和最佳聚类数目k的过程如表 1 所示。由 表1 可以看出，最佳的:为2.7，最佳的k 为7。表 1最佳的r 和聚类数 kT a b.10 p t i m a lrKra n dc l u s t e ri n gn u m b e r krK 7 1 76 7 6 5.6 7 9 6.9 8 4 3.6 8 7 3.9 9 3 1.3 9 7 1.5 9 8 8.010 1 0.01 0 2 3.910 6 2.910 8 4.911 1 0711 1 9.5
16、11 1 0.411 1 9.811 1 9.81 0 8 0.31 0 8 3.11 0 8 3.11 0 94，91 0 1 2 3 9 3 4 刀式中 Q是常数，用作调整信息素的调整速度，一 般取值范围比较大，要经过多次试验调整确定;砂是第 k只蚂蚁选择的一组解作为网络参数时 的最大输出误差。2 实例分析 以某地区1999年4 月30 日的历史负荷数据为例，对所提方法的性能进行验证。为了保证一定的数据量，选择离预测日 最近2 个月。的负荷作为训练样本备选集。采用双正交小波bi o r s.5 将这2 个月的负荷数据序列分解至尺度3，得到的负荷子序列a 3、d 3、d Z、d，如前文所述。
17、根据a 3、d 3、d Z、d，各序列的特性初选出的影响因素分别为49、52、52、26，经信息嫡约简后的变量个数分别为6、4、23、3，再经主成分分析法约简后的变量个数分别为4、3、7、3，信息嫡法约简时的重要性阑值均为0.1，主成分分析法中方差累积贡献率的阑值为一070八9D12，4F07 .:亩.，.2222八J汽、飞气j3丹j41、5946373126191612n9994工f6，了只n，宙.，二，1.1曰sell，.1，1，飞41 .222，乙今扫万方数据第 5期尹成群，等:基于小波变换和混合神经网络的短期负荷预测.9 5%。各子序列的预测分别采用相应的3 层B P网络模型，其中隐含
18、层神经元按下式初步确定161:、=Vm+n+a a (1，1 0)(1 3)表 23种方法的误差比较T a b.ZE rrorc o m P a ri s o n amo n gt h re em e t h o d s 然后经多次实验调整最终确定，最后得到的网络结构分别为4 一 4 一 1、3 一 5 一 1、7 一 6 一 1、3 一 5 一 1。对各序列的样本动态聚类后得到的类别数分别为13、9、9、1 1。采用灰色关联分析法选择出与预测时刻最相似的类作为该时刻的训练样本集，并通过A C O算法不断调整网络参数，各子序列A C O算法的参数取值分别为:p 均为0.7，Q 分别为10、10
19、、30、1 0，N均为1 0 0，h 均为5 0，迭代次数分别为3 0、5 0、30、50。最终得到各子序列预测值与实际值对比结果见图2。将各预测值叠加后的日 负荷预测值(曲线1)与实际值(曲线2)对比 见图3。方法RMS E2.0 1 341.7 5 841.3 1 15MAP E1.7 1 251.4 9 2210 9 81MAX4.2 1 1 93.5 7 992 一 4 6 53注:方法1 一 3 分别指模型1、模型2 及本文方法;后同。表 33 种方法对 1 周负荷预测误差的比较T a b.3FOrec a s te rm rs o ft h reeme t h o d sforaw
20、e e kl 5 0()10(X)5 oo 2 oo 0一2 00/产/尸 一 场、一/、尸/、一口 洲 ，、/介、一/一 学一勺晒、刁 渗昙酥国EP日 期方法R M S E M A P E 日 期 方 法R M S EM A p E 12.4 8 42 1.8 6 094 一2 321.6 8 42 1.2 6 53 31.0 3 49 07 8 47 11.8 0 1 7 1.4 9 914 一 2 421.5 4 28 1.2 5 61 31.2 9 1 0 0 乡9 44 12 乃 6 66 1.5 8 1 44 一 2 521.6 9 63 1.3 3 08 31.5 2 76 1.
21、1 8 80 11.8 5 94 1.3 4 904 一 2 621.7 7 67 1.44 1 2 31.1 3 01 0.8 0 86 11.9 2 11 1.5 5 624 一 2 721.7 3 59 1.3 7 1 7 31 3 9 26 1.0 7 61 11.7 5 55 1 24974 一 2 821.5 4 50 1.1 7 90 31.0 6 76 0.9 1 91 11 6 8 28 1.3 4 514 一 2 921.4083 1.0409 30.9 9 67 09 2 45沙遥囚飞渗芝、P t/h图2分解序列及其预测值F i g ZD e c o m P o s e
22、ds e ri e sa n dt h e i r forec a s t e d v a l u e s t/h图3日负荷预测值与实际值的对比F i g.3C o m p a ri s o nb e twe e nfo re c a s t e d a n da c t u a l v a l u e s o f d a i l yl o a d 另外，还从平均绝对百分误差(M A P E)、均方根误差(R M s E)和最大相对误差(M A x)的角度，将本文方法与采用小波分解和无数据预处理的B P网络模型(模型1)以及采用小波分解、数据预处理和L 一 M算法的B P网络模型(模型2)的预
23、测结果进行了对比，比 较结果如表2 所示。表3 为3 种方法对1 周负荷预测结果的对比。从图2、图3、表2 和表3 可以看出，所提出的对小波分解后的负荷序列相继采用信息嫡和主成分分析法进行变量选择，动态聚类和灰色关联分析结合进行样本选择，A C O算法训练相应B P网络模型的方法比不采用数据预处理或A C O算法的B P网络模型预测精度要高，而且不易陷人局部最小，提高了全局搜索能力和泛化能力。3 结论 a.信息嫡和主成分分析法相结合的约简方法在小波分解后特性分析的基础上，更进一步选择出了与负荷相关性很大而彼此之间无关性的变量。b.动态聚类和灰色关联分析法结合，有效地选择出了与预测时刻负荷模式相
24、似的典型样本，缩短了训练时间，易于收敛。c.A C O算法的引人，提高了全局搜索能力和泛化能力。d.通过实际负荷数据对提出模型的验证，证明了所提方法的预测精度较高。参考文献:1 宋超，黄民 翔，叶 剑斌.小波分析方法在电力系统短期负荷预测中的 应用【J.电 力系统及其自 动化学报，2 002，1 4(3):8 一 12.S O N GC h a o，H U A N GM i n 一 x i a n g，Y EJ i an一 b i n.The a p p l i c a t i o na n d p ro b l e m s o f w av e l e t s u s e d i n s h
25、 o rt 一 t e rm p o w e r l o a dfo r e c a s t i n g J .P ro c e e d i n g soft h eE P S A，2(X)2，1 4(3):8 一 1 2.【2 徐军华，刘天琪.基于小波分解和人工神经网络的短期负荷预测 J .电网技术，2 004，2 5(5):3 0 一 3 3.X UJ u n 一 h u a，L I UTi an一 q i.A na p p l i c a t i o nt os h o rt一 t e rm l o a d 肠 万 e c a s t i n g b as e d o n w ave l
26、 e tt ran s fo rmand 叭i fi c i al n e u ral n e t w o rk J .1 洲e r s y s t e mT e c h n o l o 群，2(洲)4，2 8(8):3 0 一 3 3.【3 台 肠 能灵，侯志俭.小波模糊神经网络在电力系统短期负荷预测中 的应用【J .中国电机工程学报，2 0 0 4，2 4(1):2 4 一 2 9.TAIN e n g一l i n g，H O U Z h i 一 j i a n.A n ew s h o rt一t e rm l o ad fo re c as t i n g P ri n c i P l
27、ew i t h t h e wav e l e tt ra n sform fu z 叮 n e u ral n e t w o r kfo rt h ep owe r叮 s t e m s J .P ro c e e d i n g sof t h eC S E E，2 0(拼，2 4(1):2 4 一 2 9.仁 4 张大海，江世芳.基于小波包分析的电力负荷预测算法【J .电力 系统及其自 动化学报，2 0 0 4，1 6(2):51一 5 3，84.Z H A N G D a一h a i，J I A N G S h i 一fa n g.Pow e rl o a d fo reca s
28、t i n 月万方数据.电 力 自 动 化 议 备第 2 7 卷 al go ri th mb as e do nwav e l etp ac k e t anal y s i s J .P ro c e e d i n g sof t h eE PSA，2(X)4，1 6(2):5 1 一 5 3，8 4.【5 程其云，孙才新，周涂，等.粗糙集信息嫡与自 适应神经网络模糊 系统相结合的电力短期负荷预测模型及方法JJ 电网技术，2 0(只，2 8(1 7):7 2 一 7 5.C H E N GQ i 一 抖n，S U NC ai一 x i n，Z H O UQ u an，e tal.M o
29、d e la n d m et h od fo rp owe rs y st e ms h ort t e m l o a dfo re c 明 t i n gb as e do n i n t e 脚t i o n Of i nfOtmat i 0 n e n 如p y i n rough s et t h eo耳 衍t h adaPti ve n e u ral fu 呵 i nfere n c e叮 s t e m J .P o w e r与s t e mT e c h-no1 0 gy，2 洲 又，2 8(1 7):7 2 一 7 5.【6钟波，周家启，肖 智.基于粗糙集和神经网络的电
30、力负荷新型预 测模型 J .系统工程理论与实践，2 侧”(6):1 13一 1 1 9.Z H O N G B o，Z H O U J i a一q i，X I A O Z h i.A n e w p owe rl o ad 允 r e c as t i n gm ode lb as ed o n ro u gh se tand a rt i fi c i al n e u ral n e tw ork J ，S y s te ms E n gi n e e ri n g 一The o ry&P r a c t i c e，2 1洲 又(6):1 1 3 一 1 1 9.7 王国 撤.R ou
31、gh集理论与知识获取 M .西安:西安交通大学出 版社，2 001.【8柳进，唐降龙.基于主成分分析L 一 M神经网络高峰负荷预测研 究【J .继电器，2 0(M，3 2(13):2 4 一 27，L I U J i n，TAN G J i ang 一 l o n g.Peak l o a dfo re c a s t i n gb as e do n n e u ral n e t w o rk 袱 t hp ri n c i p alc o m p one n tan al y s i s J .Rel 盯，2 0(只，3 2(1 3):2 4 一 2 7.9 王志征，余岳峰，姚国平.主成
32、份分析法在电力负荷预测中的应 用 J .电 力 需求 侧管 理，2 003，5(3):2 1 一 2 4.W A N G Z h i 一z h e n g，Y U Y u e一fe n g，Y A O Guo一p i n g.The a p p l i c a t i o nofp ri n c i p alc o m 即 n e n tana l y s i si nl o a dl b r e c as t i n g 仁 J .P o 叭 re r D S M，2 003，5(3):2 1 一 2 4，【10 赵杰辉，葛少云，刘自 发.基于主成分分析的径向基函数神经网 络在电 力系统负荷
33、预测中的应用 J 电网技术，2 0 04，2 8(5):3 5 一 3 7，4D.Z H A OJ i e 一 h u i，G ES h ao一 理n，ll UZ i 一 fa.A 即l i c at i on ofr a d i al b as i cfu n c t i o nn etwo rk b as e do nPrin c i p alc o mPo n e n ta n al y s i s i nl o a dfo re c as t i n g J .P o w e r s y s t e mTec h n o l o 留，2(X)4，2 8(5):3 5 一 3 7，4 0
34、.川 程其云，王有元，陈伟根.基于改进主成分分析的短期负荷预测 方法【J.电网技术，2 0 0 5，2 9(3):64一 6 7.C H E N GQ i 一 y u n，W A N GY o u 一 y u a n，C H E NW e i 一 邵 n.M odi fi e d p ri n c i p alc o m p o n e n t a n al y s i sb a s e ds h ort一 t e rm l o a dfo r e c as t i n g J .P o w e r s y s tem Tec h n oI O 邵 r，2 0()5，29(3):64一 67，
35、【12 赵剑剑，张步涵，程时杰，等.一种基于径向基函数的短期负荷 预测方法【J .电网 技术，2(XJ3，2 7(6):2 2 一 25，32.Z H A OJ i an一 j i an，Z H A N GB u 一 h an，C H E N GS h i 一 j i e，e tal.A d e t e r Il l j n i s t i c a n n e aI i n g c l u s te ri n g b a s e d s h ort 一t e rml o ad fo recasti n gmeth od 初 t hr a d i alb as i s fu n c t i on
36、 network J .P owe r S y s t e mTec h n ol o 罗，2 0 0 3，2 7(6):2 2 一 2 5，3 2.13 赵著，彭慧敏，张家亮，等.基于自 组织特征映射神经网络的短 期负荷预测 J 了.贵州工业大学学报:自 然科学版，2 0(3，3 2(2):5 7一 6 2.Z H A OJ i n g，PEN G H u i 一 而n，Z H A N GJi a 一 l i ang，e tal.Sho rt 一 t erml o ad fo re c asti n g b ased on s e if一o r g a 们 i z i n g fe at u
37、re m a p l 1 嗯 n e u ral n e t w o r k J 子，JO u n l alofGui zh o uU n i vers i t yof Tec h n ol o gy:N atural s c i enc e，2(X)3，3 2(2):5 7 一 6 2.14 惠兰，安敏，刘晓津，等.基于动态聚类算法径向基函数网络的 配电网 线损计算 J.中国电 机工程学报，2 005，2 5(1 0):35一 39.H U IL a n，A N M i n，IJU X i ao 一 j i n，et al.Thec al c u lati on of e n e r gy
38、l o s s e si ndi s t ri b u t i o nsy s t e m sb ase do nR B F netwo r k wi th由 n a 面c c l u s t erin g al g o n th m J .P roce e d i n 罗ofth e C S E E，2(X)5，2 5(1 0):3 5 一 3 9.15 邹政达，孙雅明，张智最 基于蚁群优化算法递归神经网络的短 期负荷预测 J.电网 技术，2 005，2 9(3):5 9 一 63.Z O UZ h e n g 一 d a，S U NY a 一 m i n g，Z H A N GZ h i
39、一 s h e n g.S h o rt 一 t e rm l o a(lfo r e c asti n gb a s e do nre c u rrent n e u 司 n e twork u s i n gant c ol onyo p t i m i z at io nal g o n th m仁 J P o w e r勿s t e m T e c h nol o gy，2 0()5，2 9(3):5 9 一 6 3.1 6 Z H A N G Y u n，H E Y o n g.S t u d yof p，d i c t i o nm o(l e lo n脚y re l at io
40、n alB P n e u 沮n e two浅b a s e a。n ro u gh，e t c /1、OC e e d i n 邵 of t h eF ourt hl n t e m a t i onal C o n fe re n c eo nM ach i n e晚arni n g andC 沙e rn e t i c s.Guang z h o u，C h i n a:s n.，2 0 0 5:4764一 476 9.(责任编辑:李育燕)作者简介:尹成群(1 953 一)，男，河北灵寿人，教授，研究方向为信号与信息处理;康丽峰(1981一)，女，河北万全人，硕士研究生，研究方向为电力负
41、 荷预测(E 一 m a U:k angl 流n g 2 000 126.co m);李 丽(1 9 8 2 一)，女，河北衡水人，硕士研究生，研究方向为数字水印;王红云(198 0 一)，女，河北故城人，硕士研究生，研究方向为单片机应用。S h o rt 一 t e r 幻 比 1 0 8 d for e c a s tb a s e dhyb ri do n c o mb i n a t i o n o f wa v e l e t，ndn e U r aln e t wo r kY I NC h e n g 一 qun，K A N GL i 一 fe n g，L I Li，WA N GH
42、 o n g-(D e p a rt m e n t o f E l e c t ron1 Ca n dC o m m u n i c a t i o nE n gi n ee nll g，y ll llo rt h C h i n aE l e c t ri cPow e r U n i v e rs i ty，B aod i n g071 0 0 3，C hI naA b s t r a ct:Ah y b ri dl o a dw a v e l e t d e c o 哪o s i t i o nfo rw h i c h ma i n fac t o r s a reforec a
43、s tme t h o de a c h l o a d s u b s el sP u tq u e n c efo rwa r d.Thec h ar act e ra n a l y s i si sc a rr i e do u ta n d i l Lflue n C i n gfac t o rs a r et h u sa n dd e t e rmi n e d，w i t hfro ms e l e c t e dU 8 1 n gt h e i n for n l a t i o nme t h o dt h e i rre l ativ i tye l i mi n at
44、e d11 8 1 11 9t h ei m P ro v e dP ri n c i p al c o 哪o n e n t ana l y s i se n l r o P yme t h o d.Thed y n a m i cc l us t e n n ga n al y 1 85 1 5i su s e dt od i v i d et h eh i s t o ri c a ll o a dd a t ai n t os e v e ra lc a t e g o ri e sa n dt h egreyre l at i v ea n a l y s i st op i c k
45、o u t o n ea st h et y p i c als a m p l es e t，w h i c hi sm o s t s i m i l a r t ot h efo re c a s t i n gl o a dm o d e.Thea ntc o l o n yo p t i m i z a t i o nd g o ri t h mi st h e nu s e dt ot ra i nt h ec o rres p o n d i n gn e u ra l n e tw o r km o d e l ofe a c hd e c o m P o s e ds u b
46、 s e q u e n c ea n dt h ew a v e l e tre c o n s t ru c t i o ni su s e dt oa c h i e v efi n a lfo re c a s t s.A c t u a ll o a d so fad i s tric ti n1 9 9 9are t a k e nfo rv e ri fi c at i o n，whi c hs h o w st h ep ro p o s e dm e t h o di srati o n ala n d e ffe c t i v e.K e y一w o r ds:l o a dfo r e c a s t;d y n a m i cc l u s t e ri n gal g o ri t h m;t ra n s fo rm;i nforma t i o ne n t ro P y;P ri n c i P al c o m P o n e n ta n al y s i s;a n t c o l o n yo P t i m i z at i o nal 即ri t h m万方数据